論文の概要: Erasing Labor with Labor: Dark Patterns and Lockstep Behaviors on Google
Play
- arxiv url: http://arxiv.org/abs/2202.04561v2
- Date: Tue, 17 May 2022 22:10:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:48:17.593797
- Title: Erasing Labor with Labor: Dark Patterns and Lockstep Behaviors on Google
Play
- Title（参考訳）: 労働力で労働を根絶する: google playのダークパターンとロックステップ行動
- Authors: Ashwin Singh, Arvindh Arun, Ayushi Jain, Pooja Desur, Pulak Malhotra,
Duen Horng Chau, Ponnurangam Kumaraguru
- Abstract要約: Google Playのポリシーは、アプリの配置を操作するためのインセンティブ付きインストール、評価、レビューの使用を禁止している。
社会技術レンズによるインストールインセンティブアプリについて検討し、レビューとパーミッションの混合メソッド分析を行う。
私たちのデータセットには、60以上のアプリから5ヶ月以上にわたって収集された319万のレビューが含まれています。
インストールインセンティブのアプリに対する不正なレビューの証拠を見つけ、それに続いて、アプリとレビュアーの動的二部グラフのエッジストリームとしてモデル化します。
- 参考スコア（独自算出の注目度）: 13.658284581863839
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Google Play's policy forbids the use of incentivized installs, ratings, and
reviews to manipulate the placement of apps. However, there still exist apps
that incentivize installs for other apps on the platform. To understand how
install-incentivizing apps affect users, we examine their ecosystem through a
socio-technical lens and perform a mixed-methods analysis of their reviews and
permissions. Our dataset contains 319K reviews collected daily over five months
from 60 such apps that cumulatively account for over 160.5M installs. We
perform qualitative analysis of reviews to reveal various types of dark
patterns that developers incorporate in install-incentivizing apps,
highlighting their normative concerns at both user and platform levels.
Permissions requested by these apps validate our discovery of dark patterns,
with over 92% apps accessing sensitive user information. We find evidence of
fraudulent reviews on install-incentivizing apps, following which we model them
as an edge stream in a dynamic bipartite graph of apps and reviewers. Our
proposed reconfiguration of a state-of-the-art microcluster anomaly detection
algorithm yields promising preliminary results in detecting this fraud. We
discover highly significant lockstep behaviors exhibited by reviews that aim to
boost the overall rating of an install-incentivizing app. Upon evaluating the
50 most suspicious clusters of boosting reviews detected by the algorithm, we
find (i) near-identical pairs of reviews across 94% (47 clusters), and (ii)
over 35% (1,687 of 4,717 reviews) present in the same form near-identical pairs
within their cluster. Finally, we conclude with a discussion on how fraud is
intertwined with labor and poses a threat to the trust and transparency of
Google Play.
- Abstract（参考訳）: Google Playのポリシーは、アプリの配置を操作するためのインセンティブ付きインストール、評価、レビューの使用を禁じている。
しかし、プラットフォーム上の他のアプリのインストールをインセンティブ化するアプリも存在する。
インストールインセンティブアプリがユーザに与える影響を理解するために,社会技術的レンズを通じてそのエコシステムを調べ,レビューとパーミッションの混合手法分析を行う。
私たちのデータセットには、60以上のアプリから5ヶ月以上にわたって収集された319万のレビューが含まれています。
我々はレビューの質的な分析を行い、開発者がインストールインセンティブアプリに組み込む様々な種類のダークパターンを明らかにし、ユーザレベルとプラットフォームレベルの規範的な懸念を強調します。
これらのアプリからリクエストされた許可は、ダークパターンの発見を検証するもので、92%以上のアプリが機密ユーザ情報にアクセスしています。
インストールインセンティブアプリに対する不正なレビューの証拠を見つけ、その後、アプリとレビュアーのダイナミックな二部グラフのエッジストリームとしてモデル化します。
提案する最先端マイクロクラスタ異常検出アルゴリズムの再構成は,この不正検出に有望な予備的結果をもたらす。
インストールインセンティブのアプリ全体の評価を高めることを目的としたレビューによって、非常に重要なロックステップの挙動が明らかになった。
アルゴリズムによって検出された最も疑わしいレビューの50のクラスタを評価すると、
(i)94%(47クラスタ)のほぼ同一のレビューペア、及び
(ii) 35%以上(レビュー4,717件中1,687件)がクラスタ内のほぼ同一のペアである。
最後に、詐欺がいかに労働に絡み合っているかについて議論し、google playの信頼と透明性に脅威を与えている。
関連論文リスト
- Fairness Concerns in App Reviews: A Study on AI-based Mobile Apps [9.948068408730654]
本研究は,モバイルアプリレビューにおける公平性の懸念を調査することを目的としている。
我々の研究は、AIベースのモバイルアプリレビューに焦点を当てており、AIベースのアプリの不公平な振る舞いや結果が非AIベースのアプリよりも高い可能性がある。
論文 参考訳（メタデータ） (2024-01-16T03:43:33Z) - User Strategization and Trustworthy Algorithms [81.82279667028423]
ユーザストラテジゼーションがプラットフォームを短期間で支援できることが示されています。
そして、それがプラットフォームのデータを破壊し、最終的に反実的な決定を下す能力を損なうことを示します。
論文 参考訳（メタデータ） (2023-12-29T16:09:42Z) - Understanding Mobile App Reviews to Guide Misuse Audits [17.71313286969027]
アプリレビューを活用して、悪用可能なアプリとその誤用を可能にする機能を特定します。
虐待者や被害者の物語は、主に過去の誤用に焦点を当てているのに対し、第三者の物語は、主に誤用の可能性を示す物語を識別している。
合計156個の悪用可能なアプリが誤用を助長していることを確認した。
論文 参考訳（メタデータ） (2023-03-19T23:43:36Z) - Combat AI With AI: Counteract Machine-Generated Fake Restaurant Reviews
on Social Media [77.34726150561087]
我々は、高品質なYelpレビューを活用して、OpenAI GPTレビュー作成者から偽レビューを生成することを提案する。
このモデルを適用して、非エリートレビューを予測し、複数の次元にまたがるパターンを識別する。
ソーシャルメディアプラットフォームは、マシン生成の偽レビューによって継続的に挑戦されていることを示す。
論文 参考訳（メタデータ） (2023-02-10T19:40:10Z) - Towards a Fair Comparison and Realistic Design and Evaluation Framework
of Android Malware Detectors [63.75363908696257]
一般的な評価フレームワークを用いて,Androidのマルウェア検出に関する10の研究成果を分析した。
データセットの作成やデザイナの設計に考慮しない場合、トレーニングされたMLモデルに大きく影響する5つの要因を特定します。
その結果,MLに基づく検出器は楽観的に評価され,良好な結果が得られた。
論文 参考訳（メタデータ） (2022-05-25T08:28:08Z) - An Empirical Study on User Reviews Targeting Mobile Apps' Security &
Privacy [1.8033500402815792]
本研究は,Google Play Storeのレビューを用いて,ユーザのプライバシとセキュリティ上の懸念について検討した。
このAndroidマーケットのトップ539アプリのレビュー220万件を分析した。
結果から、アプリ要求のパーミッション数が、この問題において主要な役割を担っていることは明らかでした。
論文 参考訳（メタデータ） (2020-10-11T02:00:36Z) - Emerging App Issue Identification via Online Joint Sentiment-Topic
Tracing [66.57888248681303]
本稿では,MERITという新しい問題検出手法を提案する。
AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。
Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
論文 参考訳（メタデータ） (2020-08-23T06:34:05Z) - DFraud3- Multi-Component Fraud Detection freeof Cold-start [50.779498955162644]
コールドスタート(Cold-start)は、新しいユーザの認証に検出システムが失敗したことを指す重要な問題である。
本稿では,各コンポーネントに固有の表現を可能にする異種情報ネットワーク (HIN) としてレビューシステムをモデル化する。
HINとグラフ誘導はカモフラージュ問題(本物のレビュー付き詐欺師)に対処するのに役立ち、これはコールドスタートと組み合わされた場合、すなわち真に最初のレビューを持つ新しい詐欺師がより深刻であることが示されている。
論文 参考訳（メタデータ） (2020-06-10T08:20:13Z) - A Multi-modal Neural Embeddings Approach for Detecting Mobile
Counterfeit Apps: A Case Study on Google Play Store [4.5170827242233145]
本稿では、画像とテキストの埋め込みを作成するためのディープラーニング手法の最近の進歩を活用することを提案する。
本稿では,コンテンツ埋め込みとスタイル埋め込みを組み合わせた新しい手法が,画像類似性のためのベースライン手法よりも優れていることを示す。
われわれは、Google Play Storeから約120万のアプリを分析し、トップ10,000の人気アプリの偽造の可能性を特定した。
論文 参考訳（メタデータ） (2020-06-02T07:10:21Z) - Automating App Review Response Generation [67.58267006314415]
本稿では,レビューと回答の知識関係を学習することで,レビュー応答を自動的に生成する新しいアプローチRRGenを提案する。
58のアプリと309,246のレビュー-レスポンスペアの実験では、RRGenはBLEU-4の点で少なくとも67.4%のベースラインを上回っている。
論文 参考訳（メタデータ） (2020-02-10T05:23:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。