論文の概要: Understanding Mobile App Reviews to Guide Misuse Audits

• arxiv url: http://arxiv.org/abs/2303.10795v3
• Date: Fri, 08 Nov 2024 10:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:51:50.302047
• Title: Understanding Mobile App Reviews to Guide Misuse Audits
• Title（参考訳）: モバイルアプリのレビューを誤解するオーディエンスをガイドする
• Authors: Vaibhav Garg, Hui Guo, Nirav Ajmeri, Saikath Bhattacharya, Munindar P. Singh,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.71313286969027
• License:
• Abstract: Problem: We address the challenge in responsible computing where an exploitable mobile app is misused by one app user (an abuser) against another user or bystander (victim). We introduce the idea of a misuse audit of apps as a way of determining if they are exploitable without access to their implementation. Method: We leverage app reviews to identify exploitable apps and their functionalities that enable misuse. First, we build a computational model to identify alarming reviews (which report misuse). Second, using the model, we identify exploitable apps and their functionalities. Third, we validate them through manual inspection of reviews. Findings: Stories by abusers and victims mostly focus on past misuses, whereas stories by third parties mostly identify stories indicating the potential for misuse. Surprisingly, positive reviews by abusers, which exhibit language with high dominance, also reveal misuses. In total, we confirmed 156 exploitable apps facilitating the misuse. Based on our qualitative analysis, we found exploitable apps exhibiting four types of exploitable functionalities. Implications: Our method can help identify exploitable apps and their functionalities, facilitating misuse audits of a large pool of apps.
• Abstract（参考訳）: 問題: 悪用可能なモバイルアプリが別のユーザ(悪用者)や傍観者(被害者)に対して、あるアプリユーザ(悪用者)によって誤用されるような、責任あるコンピューティングにおける課題に対処する。 本稿では,アプリケーションの不正使用監査を,実装へのアクセスなしに悪用可能かどうかを判断する手段として導入する。 メソッド: 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。 まず、アラームレビュー(誤用を報告する)を特定するための計算モデルを構築します。 次に、このモデルを用いて、悪用可能なアプリとその機能を特定します。 第3に、レビューのマニュアル検査を通じて検証する。 発見: 虐待者や被害者によるストーリーは、主に過去の誤用に焦点を当てているのに対し、第三者によるストーリーは、主に誤用の可能性を示すストーリーを識別している。 驚くべきことに、高い優位性を持つ言語を示す乱用者による肯定的なレビューも、誤用を明らかにしている。 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。 質的な分析に基づいて、4種類のエクスプロイト可能な機能を示すエクスプロイト可能なアプリを見つけました。 インプリケーション:本手法は,悪用可能なアプリとその機能を特定し,大量のアプリの不正使用監査を容易にする。

関連論文リスト

• A StrongREJECT for Empty Jailbreaks [72.8807309802266]
  StrongREJECTは、ジェイルブレイクのパフォーマンスを評価するための高品質なベンチマークである。 これは、被害者モデルが禁止されたプロンプトに対する応答の有害性を評価する。 それは、ジェイルブレイクの有効性の人間の判断と最先端の合意を達成します。
  論文  参考訳（メタデータ） (2024-02-15T18:58:09Z)
• 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)
• User Driven Functionality Deletion for Mobile Apps [10.81190733388406]
  機能を増やしてソフトウェアを進化させるのは理解が難しく、使うのが難しくなります。 機能が多すぎると、使いやすさ、保守性、リソース消費に簡単に影響を与えます。 以前の研究によると、機能の削除は一般的であり、時にはユーザレビューによって引き起こされる。
  論文  参考訳（メタデータ） (2023-05-30T19:56:54Z)
• Explainable Abuse Detection as Intent Classification and Slot Filling [66.80201541759409]
  我々は、システムがデータ検査だけで乱用を構成する事象を確実に学習できるという非現実的な期待を捨て、政策対応による悪用検出の概念を導入する。 目的分類とスロットフィリングのためのアーキテクチャは、モデル決定の根拠を提供しながら、悪用検出にどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2022-10-06T03:33:30Z)
• 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)
• Erasing Labor with Labor: Dark Patterns and Lockstep Behaviors on Google Play [13.658284581863839]
  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。
  論文  参考訳（メタデータ） (2022-02-09T16:54:27Z)
• 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)
• 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。