Privacy-Preserving Gaze Data Streaming in Immersive Interactive Virtual Reality: Robustness and User Experience
本文针对沉浸式VR中眼动数据隐私问题,提出融合用户体验与任务表现的实时隐私机制评估方法,证明可将重识别准确率降至14%并保持高可用性,同时评估了多种威胁场景下的鲁棒性。
2024-02-21 cs.CR cs.HC
Privacy-Aware Eye Tracking Using Differential Privacy
随着眼动追踪越来越多地集成到虚拟和增强现实(VR/AR)盔装显示器中,保护用户隐私是眼动追踪社区中一个越来越重要但尚未充分探索的话题。我们报告了一项关于眼动追踪隐私方面的大规模在线调查(N=124),该调查提供了第一个全面的账户,包括与谁合作,为哪些服务,以及用户愿意在多大程度上分享他们的凝视数据。利用这些见解,我们设计了一个隐私感知的VR界面,使用差分隐私,我们评估了一个新的20个参与者的数据集的两个隐私敏感的任务:我们表明,我们的方法可以防止用户重新识别和保护性别信息,同时保持高性能的凝视为基础的文档类型分类。我们的研究结果突出了隐私的挑战,特别是凝视数据,并表明,差分隐私是一个潜在的手段来解决这些问题。因此,本文奠定了重要的基础,为未来的研究隐私意识的注视界面。
2019-04-29 cs.HC
Privacy Preserving Gaze Estimation using Synthetic Images via a Randomized Encoding Based Framework
University of Tübingen(图宾根大学);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
眼动追踪是评估和评估人类注意力、行为和生物特征的应用的关键技术之一,特别是使用凝视、瞳孔和眨眼行为。然而,关于眼动追踪技术的社会接受度的挑战之一是敏感和个人信息的保存。为了解决这个问题,我们采用了一个隐私保护框架的基础上随机编码训练支持向量回归模型使用合成的眼睛图像私人估计人类的目光。在计算过程中,任何一方都不知道其他任何一方拥有的数据或结果。此外,训练模型的一方不能重建瞳孔、眨眼或视觉扫描路径。实验结果表明,我们的隐私保护框架是能够在实时工作,具有相同的精度相比,非私人版本,并可以扩展到其他眼动追踪相关的问题。
2021-07-13 cs.CR cs.CV cs.HC
Privatization of Synthetic Gaze: Attenuating State Signatures in Diffusion-Generated Eye Movements
Texas State University(德克萨斯州立大学)
本文提出了一种基于扩散模型的合成眼动方法,通过分析合成眼动特征与主观报告之间的相关性,证明生成方法能有效抑制与隐私相关的内部状态特征,同时保留真实数据的信号特征。
2026-07-24 cs.HC
A privacy-preserving approach to streaming eye-tracking data
眼动追踪技术正越来越多地集成到混合现实设备中。虽然关键应用程序正在启用,但存在违反用户隐私期望的重大可能性。我们表明,有一个明显的风险,即使在自然的观看条件下,在虚拟现实的唯一用户识别。例如,这种身份识别将允许应用程序将用户的个人ID与他们的工作ID连接起来,而无需他们的同意。为了减轻这种风险,我们提出了一个框架,通过应用程序编程接口的设计,并通过软件实现的隐私机制,结合守门。我们的研究结果表明,这些机制可以降低识别率从高达85%低至30%。引入这些机制的影响是小于1.5 $^\circ$误差的凝视预测的凝视位置。因此,可以使注视数据流私密,同时仍然允许注视预测,例如,在中央凹渲染期间。我们的方法是第一个在混合现实用例中支持眼动追踪数据流的隐私设计。
2021-03-19 cs.HC
Gaze-Contingent Retinal Speckle Suppression for Perceptually-Matched Foveated Holographic Displays
计算机全息显示器显示出巨大的潜力,并正在成为增强和虚拟现实以及汽车抬头显示器的下一代显示器。损害这种显示器的广泛采用的关键问题之一是全息术固有的散斑噪声的存在,其通过引入可感知的伪影而损害其质量。虽然斑点噪声抑制一直是一个活跃的研究领域,以前的作品没有考虑到人类视觉系统(HVS),它接收最终显示的图像的感知特性。然而,已经充分研究了HVS的灵敏度在整个视野中是不均匀的,这导致了用于最大化各种计算机生成的图像中的感知质量的视情况而定的渲染方案。受此启发,我们提出的第一种方法,减少了“感知斑点噪声”的HVS的中央凹和周边视觉特性,随着视网膜点扩散函数,到相位全息图计算。具体来说,我们将视网膜受体的解剖学和统计学分布引入到我们的计算全息图优化中,这将更优先地减少感知到的中央凹斑点噪声,同时适应于视网膜上的任何个体的光学像差。我们的方法在我们的仿真全息显示器上展示了优越的感知质量。我们的评估与客观测量和主观研究表明,显着减少人类感知噪声。
2021-08-10 cs.HC cs.MM eess.IV
"A Glimpse, Not a Gaze": Using Generative AI to Balance Privacy and Awareness in Inter-generational Caregiving
University of Waterloo(滑铁卢大学);National Research Council Canada(加拿大国家研究委员会)
本研究通过10天经验取样法,探索使用生成式AI创建抽象化隐私保护的“视觉摘要”,以平衡成年子女对老人日常活动的知情需求与老人的隐私权,并量化代际隐私差异,为AI介导的照护工具提供设计指南。
2026-06-03 cs.HC
PrivatEyes: Appearance-based Gaze Estimation Using Federated Secure Multi-Party Computation
University of Stuttgart(斯图加特大学);Institute for Visualisation and Interactive Systems(可视化与交互系统研究所);Institute of Information Security(信息安全研究所);Institute for Modelling and Simulation of Biomechanical Systems(生物力学系统建模与仿真研究所)
针对注视数据训练中的隐私风险,提出结合联邦学习与安全多方计算的 PrivatEyes,并通过 DualView 攻击和四个数据集验证其隐私保护效果、准确率与计算效率。
2024-02-29 cs.CV cs.HC
UrbanGazeVis: A Visualization System for Analyzing Eye-Tracking Data on Urban Safety Perception
Fundação Getulio Vargas(热图利奥·瓦加斯基金会)
本研究开发UrbanGazeVis可视化系统,通过30名参与者使用HoloLens 2分析150张里约街景的眼动数据,揭示注视与城市安全感知的关联,为城市设计提供见解。
2026-08-28 cs.HC
GazePrompt: Enhancing Low Vision People's Reading Experience with Gaze-Aware Augmentations
本文提出注视感知阅读辅助系统GazePrompt,通过换行高亮和难词放大/朗读两类增强,显著降低低视力用户的换行时间与识别错误,并提升阅读专注度和理解体验。
2024-02-23 cs.HC
"Privacy across the boundary": Examining Perceived Privacy Risk Across Data Transmission and Sharing Ranges of Smart Home Personal Assistants
Tsinghua University(清华大学);Beijing Academy of Artificial Intelligence(北京人工智能研究院);University of Macau(澳门大学)
研究探讨智能家庭个人助手数据传输和分享范围中的隐私风险,发现跨越两个关键边界会显著增加用户感知风险,且匿名化措施对第三方分享效果有限。
2026-01-24 cs.HC
From Gaze to Guidance: Interpreting and Adapting to Users' Cognitive Needs with Multimodal Gaze-Aware AI Assistants
Microsoft Research(微软研究院);MIT Media Lab(麻省理工学院媒体实验室)
本文提出一种基于注视的多模态LLM助手,通过眼动追踪提升用户阅读行为评估的准确性与个性化,实验表明其能有效提升信息回忆能力并提高交互效率。
2026-04-09 cs.AI cs.HC
Toward Multimodal Privacy in XR: Design and Evaluation of Composite Privatization Methods for Gaze and Body Tracking Data
University of Florida(佛罗里达大学)
本研究针对XR中凝视与身体追踪数据,提出并评估复合私有化方法,将重新识别率从80.3%降至26.3%,并发布开源XR Privacy SDK。
2025-10-19 cs.HC
Gaze Archive: Enhancing Human Memory through Active Visual Logging on Smart Glasses
Beihang University(北京航空航天大学)
Gaze Archive通过智能眼镜的主动视觉记录,利用 gaze 作为注意力指标,实现意图精确的记忆捕捉和无干扰的交互,提升了记忆增强的效率和用户体验。
2025-12-01 cs.HC
More than Meets the Eye: Understanding the Effect of Individual Objects on Perceived Visual Privacy
Nokia Bell Labs(诺基亚贝尔实验室);Linköping University(林雪平大学)
本文通过混合方法研究,探讨用户在面对包含多个敏感对象的图像时如何评估隐私风险,并揭示了情境和对象共存对隐私感知的影响。
2026-01-06 cs.HC
Secure Storage and Privacy-Preserving Scanpath Comparison via Garbled Circuits in Eye Tracking
Technical University of Munich(慕尼黑工业大学)
本文提出基于混淆电路的方法,实现眼动追踪数据的安全存储和隐私保护的扫描路径比较,支持双端协作和服务器辅助两种模式,实验验证其在不同网络条件下具有实用性。
2026-04-21 cs.CR cs.HC
Gaze-Enhanced Multimodal Turn-Taking Prediction in Triadic Conversations
本研究提出一种轻量级框架,通过整合注视与说话者定位并施加空间约束,实现三人对话中准确的轮次预测,为智能眼镜的听力辅助提供隐私保护的定向声音控制方案。
2025-05-29 cs.HC
"These cameras are just like the Eye of Sauron": A Sociotechnical Threat Model for AI-Driven Smart Home Devices as Perceived by UK-Based Domestic Workers
King’s College London(伦敦国王学院);University of St Andrews(圣安德鲁斯大学);Universitat Politècnica de València(瓦伦西亚理工大学);INGENIO (CSIC-UPV)(INGENIO(西班牙国家研究委员会-瓦伦西亚理工大学))
本文提出一个社技术威胁模型,分析AI驱动的智能家庭设备对家庭工作者隐私和自主权的影响,揭示了AI分析、数据流动和雇佣安排对隐私风险的塑造作用。
2026-02-09 cs.CR cs.CY cs.HC
GlintMarkers: Gaze-Anchored Spatial Perception Using Corneal Reflections
Carnegie Mellon University(卡内基梅隆大学)
本文提出GlintMarkers系统,利用XR眼镜内向摄像头的角膜反射实现基于注视的空域感知,通过设计被动反光标记集中近红外光产生明亮反射,实现目标的方位和距离估计及唯一识别。
2026-09-15 cs.HC
Buying Privacy: User Perceptions of Privacy Threats from Mobile Apps
随着科技和科技公司的力量、普及和社会影响力的增长,一些公司--尤其是一些移动应用--已经被视为隐私威胁。先前的工作已经考虑了各种因素如何影响威胁的感知,包括社会因素,政治言论和用户界面设计。在这项工作中,我们调查用户可见的上下文线索如何影响感知移动应用程序是否构成隐私威胁。我们对2109名用户进行了一项用户研究,发现用户依赖于上下文线索-例如广告的存在和发生(以及支付时间)-来确定移动应用程序构成隐私威胁的程度。我们还量化了用户评估与已发布的数据汇集实践相匹配的准确程度,并确定了有关支付处理方式的常见误解。这项工作为用户如何评估移动应用程序带来的隐私威胁以及数据汇集的社会规范提供了新的见解。
2022-11-14 cs.CR cs.HC
Privacy, Altruism, and Experience: Estimating the Perceived Value of Internet Data for Medical Uses
Technion(以色列理工学院);Microsoft Research Israel(微软研究院以色列)
人们越来越多地转向互联网时,他们有一个医疗条件。他们在此过程中创建的数据是医学研究和未来健康服务的宝贵来源。然而,使用这些数据可能会以用户隐私为代价。因此,重要的是要平衡用户赋予这些数据的感知价值与从中获得的服务价值。在这里,我们描述的实验中,从机制设计的方法被用来从用户的互联网数据和服务,以筛选人的医疗条件,以引起一个真实的价值。在这些实验中,来自世界各地的880人被要求参加拍卖,以提供他们的数据,用于不同的用途,他们对参与者,对社会的贡献,以及他们所解决的疾病。一些用户因参与而获得金钱补偿,而另一些用户则被要求付费参与。我们的研究结果表明,99%的人愿意贡献他们的数据以换取金钱补偿和数据分析,而53%的人愿意支付数据分析费用。用户分配给其数据的平均感知价值估计为49美元。他们为他们筛查特定癌症的价值为22美元,而向公众提供的这项服务的价值为22美元。当被告知他们的数据将用于分析更严重的情况时,参与者要求更高的补偿。当病情更严重时,当他们接受过高等教育或最近经历过严重的医疗状况时,他们愿意支付更多的钱来分析他们的数据。
2020-03-22 cs.AI cs.GT cs.HC
Autonomy Reshapes How Personalization Affects Privacy Concerns and Trust in LLM Agents
Northeastern University(东北大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Waterloo(滑铁卢大学)
研究探讨了LLM代理自主性如何影响个性化对用户隐私担忧和信任的影响,发现风险驱动的自主性可缓解个性化带来的负面影响。
2026-08-11 cs.AI cs.CR cs.HC
Gaze-Assisted User Authentication to Counter Shoulder-surfing Attacks
一个高度安全、万无一失的用户认证系统仍然是用户隐私和安全领域的主要研究焦点。肩部冲浪是一种当授权用户登录到系统时进行监视的行为,并且是通过恶意获取未经授权的访问来促进的。我们提出了一个凝视辅助的用户认证系统作为一个潜在的解决方案,以对抗肩冲浪攻击。该系统包括眼睛跟踪器和具有12个预定义形状(例如,三角形、圆形等)在屏幕上同时移动。用户选择一组三个形状作为密码。为了进行身份验证,用户在三个连续的帧上移动时遵循三个形状的路径,每个帧上一个。该系统使用模板匹配或决策树算法来将用户注视的扫描路径与形状穿过的路径相匹配。该系统进行了评估与七个用户测试的准确性,这两种算法。我们发现,与模板匹配算法的系统达到了95%的准确率,与决策树算法的准确率为90.2%。我们还提出了使用这两种算法的优点和缺点。我们的研究表明,基于凝视的身份验证是一种高度安全的方法,可以抵御肩扛式攻击,因为每个人独特的眼球运动模式使得系统很难被攻破。
2018-03-21 cs.HC
Designing for Pragmatists and Fundamentalists: Privacy Concerns and Attitudes on the Internet of Things
物联网(IoT)系统引起了人们的热情和关注。热情来自于它们在人们日常生活中的实用性,而关注可能与隐私问题有关。通过使用两个物联网系统作为案例研究,我们研究了用户的隐私信念,担忧和态度。我们专注于四个主要方面:个人数据的收集,新信息的推断,与第三方的信息交换,以及系统功能所带来的风险-效用权衡。共有113名巴西人回答了关于这些方面的调查。虽然他们的看法似乎取决于背景,但有一些重复的模式。我们的研究结果表明,物联网用户可以分为漠不关心,原教旨主义者和实用主义者。他们中的大多数人表现出实用主义的形象,并相信隐私是受法律保障的权利。其中最隐私的方面是交换个人信息给第三方。个体的感知风险与其在系统特征中的感知效用呈负相关。我们讨论了这些结果的实际意义,并提出了在设计物联网系统时应对隐私问题的建议。
2019-07-30 cs.HC
Simply tell me how -- On Trustworthiness and Technology Acceptance of Attribute-Based Credentials
本研究通过812名英国代表性参与者的随机对照试验,揭示了简洁沟通、日常用途展示和促进条件传达是驱动基于属性的凭证系统可信度与技术接受度的关键因果因素。
2023-08-12 cs.CR cs.HC
PrivacEye: Privacy-Preserving Head-Mounted Eye Tracking Using Egocentric Scene Image and Eye Movement Features
诸如增强现实显示器之类的眼镜设备越来越多地集成了眼动追踪,但是将用户的注视映射到视觉场景所需的第一人称相机可能对用户和旁观者的隐私构成重大威胁。我们提出了PrivacEye,一种检测隐私敏感的日常情况的方法,并使用机械快门自动启用和禁用眼动仪的第一人称相机。为了在隐私敏感的情况下关闭快门,该方法使用第一人称视频的深度表示,并结合对用户眼球运动进行编码的丰富特征。为了在没有视觉输入的情况下打开快门,PrivacEye仅检测用户眼球运动的变化,以衡量当前情况的“隐私级别”的变化。我们评估我们的方法在第一人称视频数据集记录在日常生活中的情况下的17名参与者,由自己的隐私敏感性注释,并表明我们的方法是有效的,在这个具有挑战性的设置保护隐私。
2019-05-24 cs.HC
Supporting Informed Self-Disclosure: Design Recommendations for Presenting AI-Estimates of Privacy Risks to Users
Carnegie Mellon University(卡内基梅隆大学);Georgia Institute of Technology(佐治亚理工学院)
本文通过设计虚构和漫画板方法,提出四个设计建议,帮助用户理解AI估计的隐私风险,以促进知情的自我披露决策。
2026-01-30 cs.HC
Designing for Understanding: How Interface-Level Consent Designs Shape Attention and Understanding in Privacy Disclosures
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
研究探讨了隐私政策界面结构对用户注意力分配、阅读行为和感知体验的影响,发现指导布局能提升阅读效率,而互动设计提高参与感,但界面类型本身并不直接提升理解。
2026-03-14 cs.HC
Eye Feel You: A DenseNet-driven User State Prediction Approach
Texas State University(德州州立大学)
本文提出一种基于DenseNet的深度学习方法,通过眼动动态预测主观状态,旨在提升纵向研究中主观报告预测的可靠性与鲁棒性。
2026-01-28 cs.HC
Beyond Privacy Labels: How Users Perceive Different Information Sources for Understanding App's Privacy Practices
Polytechnique Montreal(蒙特利尔高等工程学院);McGill University(麦吉尔大学)
研究探讨了如何通过整合隐私政策、应用评论和社区评估等互补信息源来增强隐私标签,以帮助用户更好地理解应用程序的隐私实践。
2026-02-22 cs.HC
Measuring User Perceived Security of Mobile Banking Applications
本研究通过CB-SEM分析315份问卷,实证测量移动银行应用的用户感知安全性,验证了感知安全性、制度信任和技术信任对采纳意愿的影响,并揭示了多个人口统计变量的调节作用,模型解释力优于原始UTAUT2。
2022-01-09 cs.CR cs.CY cs.HC
A User Study to Evaluate a Web-based Prototype for Smart Home Internet of Things Device Management
随着物联网(IoT)技术的不断进步,IoT设备管理平台变得越来越重要。我们对43名经常使用物联网设备的参与者进行了基于Web的调查和可用性研究,以:1)检查他们的灵巧家庭物联网使用模式和隐私偏好,2)评估基于Web的灵巧家庭物联网设备管理原型。我们发现,参与者认为隐私比物联网设备提供的便利更重要。根据他们的隐私与便利重要性的平均得分,低隐私和低便利的参与者比高隐私和高便利的参与者报告了更少的隐私控制和便利偏好。总体而言,所有与会者都对拟议的网站原型感到满意,他们的实际可用性评估表明,他们对网站功能有很好的了解。本文对灵巧家庭用户在管理物联网设备时的隐私与便利性权衡进行了实证研究。
2022-04-16 cs.HC
Adanonymizer: Interactively Navigating and Balancing the Duality of Privacy and Output Performance in Human-LLM Interaction
针对人机交互中隐私与性能难以平衡的问题,提出Adanonymizer匿名化插件,通过权衡曲线和二维调色板界面让用户交互式调整,显著减少修改时间并提升用户偏好。
2025-01-27 cs.HC
Physically-intuitive Privacy and Security: A Design Paradigm for Building User Trust in Smart Sensing Environments
Georgia Institute of Technology(佐治亚理工学院);Northeastern University(东北大学);Carnegie Mellon University(卡内基梅隆大学)
本文提出物理直观隐私与安全(PIPS)设计范式,通过物理操作、可感知保证和意图对齐的传感器控制提升用户信任,展示了三个案例研究以验证其有效性。
2026-03-31 cs.HC
User Perceptions of Smart Home IoT Privacy
灵巧家庭物联网(IoT)设备正在迅速普及,越来越多的家庭包括持续监控用户活动的互联网连接设备。在这项研究中,我们对灵巧家庭所有者进行了11次半结构化访谈,调查他们购买物联网设备的原因,对灵巧家庭隐私风险的看法,以及为保护其隐私免受家庭外部创建,管理,跟踪或监管物联网设备和/或其数据的影响而采取的行动。我们注意到几个反复出现的主题。首先,用户对便利性和连通性的渴望决定了他们与外部实体(如设备制造商、互联网服务提供商、政府和广告商)打交道时的隐私相关行为。第二,用户对收集灵巧家庭数据的外部实体的意见取决于从这些实体感知到的利益。第三,用户信任物联网设备制造商保护他们的隐私,但不验证这些保护措施是否到位。第四,用户没有意识到对来自非音频/视频设备的数据进行推理算法的隐私风险。这些发现激发了设备设计师,研究人员和行业标准的几项建议,以更好地将设备隐私功能与灵巧家庭所有者的期望和偏好相匹配。
2018-10-16 cs.HC
SoK: Privacy Personalised -- Mapping Personal Attributes \& Preferences of Privacy Mechanisms for Shoulder Surfing
本文通过结构化文献综述识别10类肩部冲浪保护机制,调查192名用户探索个人属性与机制特性的相关性,发现用户偏好非数字替代方案及图标覆盖机制,部分用户支持个性化机制,为隐私保护机制设计提供参考。
2024-11-27 cs.HC
Usage Patterns of Privacy-Enhancing Technologies
不断有关于网上侵犯隐私的报道描绘了一幅互联网正成长为一个更危险的地方的画面。有报告称,大规模部署在线技术和数据密集型网络,促进了在线危害的潜在规模,这一点得到了支持。虽然互联网用户经常对隐私表示关注,但有些人报告说,他们采取了行动来保护自己的在线隐私。我们调查的方法和技术,个人用来保护他们的隐私线上。我们进行了两项研究,N=180和N=907,以引出个人在美国,英国和德国在线使用隐私方法。我们发现,在这三个国家中,非技术方法是最常用的方法之一。我们在聚类图中确定了隐私方法使用的不同分组。该地图显示,与非技术的隐私保护方法一起,集成在服务中的简单PET形成了最常用的集群,而更高级的PET形成了不同的最少使用的集群。我们进一步调查用户的感知和推理,主要使用一组PET在第三项研究中,N=183参与者。我们没有发现先进的和简单的PETS用户之间的感知能力在保护隐私在线的差异。我们比较使用先进和简单的PET之间的看法和报告的用户推理不使用先进的PET,以及潜在的使用所需的支持。本文有助于隐私研究引出使用和感知使用跨$43$隐私方法,包括$26$ PET在三个国家,并提供了一个地图的PET使用。聚类图为未来跨PET的以用户为中心的调查提供了系统和可靠的参考点。总的来说,这项研究提供了一个广泛的理解,使用和看法,在收集的PET,并可能导致未来的研究规模使用PET。
2020-09-22 cs.CR cs.CY cs.HC
Navigating Privacy and Trust: AI Assistants as Social Support for Older Adults
本文研究老年人使用AI助手时在隐私、信任与可用性之间的权衡,倡导参与式设计方法,并提出隐私感知、以用户为中心的AI设计框架,以在提升福祉的同时保障用户控制权。
2025-05-05 cs.CY cs.HC
Understanding Users' Privacy Perceptions Towards LLM's RAG-based Memory
本文通过访谈18名用户,探索了他们对LLM基于RAG记忆的心理模型、使用实践及隐私担忧,发现用户虽认可个性化优势,但对隐私、控制和信息准确性存在重大担忧,并提出了创建透明可信记忆系统的设计启示。
2025-08-11 cs.HC
PrivWeb: Unobtrusive and Content-aware Privacy Protection For Web Agents
Tsinghua University(清华大学);Tongji University(同济大学);Aalto University(阿尔托大学);University of Washington(华盛顿大学);Shantou University(汕头大学)
本文提出 PrivWeb,一个 Web 智能体可信附加组件,利用本地化 LLM 根据用户偏好匿名化界面隐私信息,并通过隐私分类和自适应通知实现无干扰、透明的数据管理,有效降低隐私风险且不增加认知负担。
2025-09-15 cs.HC
Who Trusts AI with Their Emotions? Trust Formation and Sociodemographic Variation in LLM Use for Emotional Support
Leiden Institute of Advanced Computer Science, Leiden University(莱顿大学高级计算机科学研究院);Hogeschool van Amsterdam(阿姆斯特丹应用科学大学)
本研究针对情感支持大语言模型,开发验证了心理测量量表,通过结构方程模型与多组分析发现不同社会人口群体对AI的信任影响因素及采纳逻辑存在差异,为情感支持AI的公平设计提供了理论支撑。
2026-08-24 cs.HC
Tracing Users' Privacy Concerns Across the Lifecycle of a Romantic AI Companion
Bangladesh University of Engineering and Technology(孟加拉国工程技术大学);University of Texas at Dallas(德克萨斯大学达拉斯分校);University of Toronto(多伦多大学)
本文通过分析Reddit讨论,揭示浪漫AI伴侣生命周期中隐私问题的四个特征,强调隐私治理需贯穿使用全过程,支持可逆性并考虑亲密人机交互的情感脆弱性。
2026-03-25 cs.CY cs.HC
"Is Reporting Worth the Sacrifice of Revealing What I Have Sent?": Privacy Considerations When Reporting on End-to-End Encrypted Platforms
本研究通过访谈16名端到端加密平台用户,揭示举报时的隐私担忧与思维模型,并提出更隐私保护的举报系统设计启示。
2023-06-18 cs.HC
Privacy-Preserving Behaviour of Chatbot Users: Steering Through Trust Dynamics
本研究通过混合方法调查了聊天机器人用户在隐私安全设置下的隐私风险意识与保护行为,发现用户普遍缺乏数据处理与隐私风险知识,且专家用户也会出现保护不足,强调需加强隐私教育并开发信息监控工具。
2025-08-09 cs.HC
User Perceptions vs. Proxy LLM Judges: Privacy and Helpfulness in LLM Responses to Privacy-Sensitive Scenarios
Fujitsu Research of America Inc.(富士通美国研究所);Carnegie Mellon University(卡内基梅隆大学)
研究发现用户对LLM响应的隐私和帮助性感知与代理LLM评判存在显著差异,需加强用户为中心的评估以提升隐私保护与实用性平衡。
2026-09-04 cs.AI cs.CL cs.HC
Comparing How a Chatbot References User Utterances from Previous Chatting Sessions: An Investigation of Users' Privacy Concerns and Perceptions
National University of Singapore(新加坡国立大学)
研究探讨了聊天机器人引用用户历史对话的不同方式对用户感知和隐私担忧的影响,发现逐字引用虽提升智能感但引发隐私问题,改述方式则更受欢迎。
2023-08-09 cs.CL cs.HC