論文の概要: Why is the User Interface a Dark Pattern? : Explainable Auto-Detection and its Analysis

• arxiv url: http://arxiv.org/abs/2401.04119v1
• Date: Sat, 30 Dec 2023 03:53:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-15 09:21:55.817125
• Title: Why is the User Interface a Dark Pattern? : Explainable Auto-Detection and its Analysis
• Title（参考訳）: なぜユーザインターフェースはダークパターンなのか? 説明可能な自動検出とその解析
• Authors: Yuki Yada, Tsuneo Matsumoto, Fuyuko Kido, Hayato Yamana
• Abstract要約: ダークパターンは、ユーザーが意図せず振る舞うオンラインサービスのための偽りのユーザーインターフェイスデザインである。 解釈可能なダークパターン自動検出,すなわち,特定のユーザインターフェースがダークパターンを持つものとして検出される理由について検討する。 我々の発見は、ユーザーがダークパターンで操作されることを防ぎ、より公平なインターネットサービスの構築を支援する可能性がある。
• 参考スコア（独自算出の注目度）: 1.4474137122906163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dark patterns are deceptive user interface designs for online services that make users behave in unintended ways. Dark patterns, such as privacy invasion, financial loss, and emotional distress, can harm users. These issues have been the subject of considerable debate in recent years. In this paper, we study interpretable dark pattern auto-detection, that is, why a particular user interface is detected as having dark patterns. First, we trained a model using transformer-based pre-trained language models, BERT, on a text-based dataset for the automatic detection of dark patterns in e-commerce. Then, we applied post-hoc explanation techniques, including local interpretable model agnostic explanation (LIME) and Shapley additive explanations (SHAP), to the trained model, which revealed which terms influence each prediction as a dark pattern. In addition, we extracted and analyzed terms that affected the dark patterns. Our findings may prevent users from being manipulated by dark patterns, and aid in the construction of more equitable internet services. Our code is available at https://github.com/yamanalab/why-darkpattern.
• Abstract（参考訳）: ダークパターンは、ユーザーが意図せず振る舞うオンラインサービスのための偽りのユーザーインターフェイスデザインである。 プライバシー侵害、財務損失、感情的な苦痛などの暗いパターンは、ユーザを傷つける可能性がある。 これらの問題は近年、かなりの議論の対象となっている。 本稿では,解釈可能なダークパターンの自動検出,すなわち,特定のユーザインターフェースがダークパターンを持つと検出される理由について検討する。 まず,電子商取引における暗黒パターンの自動検出のためのテキストベースデータセットを用いて,トランスフォーマーに基づく事前学習言語モデルBERTを用いてモデルを訓練した。 次に,局所的解釈可能なモデルに依存しない説明法 (LIME) やShapley加法的説明法 (SHAP) を訓練されたモデルに適用し,各予測にどの用語が影響するかをダークパターンとして明らかにした。 さらに,暗黒パターンに影響を及ぼす用語を抽出,分析した。 我々の発見は、ユーザーがダークパターンで操作されることを防ぎ、より公平なインターネットサービスの構築を支援する可能性がある。 私たちのコードはhttps://github.com/yamanalab/why-darkpatternで利用可能です。

関連論文リスト

• Context-Parametric Inversion: Why Instruction Finetuning May Not Actually Improve Context Reliance [68.56701216210617]
  In-principleでは、モデルが命令の微調整後にユーザコンテキストに適応することを期待する。 インストラクションチューニング中、知識の衝突によるコンテキスト依存は、当初期待通りに増大するが、徐々に減少する。
  論文  参考訳（メタデータ） (2024-10-14T17:57:09Z)
• Detecting Deceptive Dark Patterns in E-commerce Platforms [0.0]
  ダークパターン(ダークパターン)は、電子商取引サイトがウェブサイトに利益をもたらす方法でユーザーの振舞いを操作するために使う偽のユーザーインターフェースである。 既存のソリューションとしては、コンピュータビジョンと自然言語処理を使用するUIGuardや、検出可能性に基づいてダークパターンを分類するアプローチ、あるいはデータセットに基づいてトレーニングされた機械学習モデルを使用するアプローチなどがある。 我々は,Webスクレイピング手法と細調整されたBERT言語モデルを組み合わせることを提案する。
  論文  参考訳（メタデータ） (2024-05-27T16:32:40Z)
• Temporal Analysis of Dark Patterns: A Case Study of a User's Odyssey to Conquer Prime Membership Cancellation through the "Iliad Flow" [22.69068051865837]
  本稿では,Amazon Primeの"Iliad Flow"を事例として,ユーザジャーニーにおけるダークパターンの相互作用を説明する。 我々はこのケーススタディを用いて、時間的暗黒パターン分析(TADP)の方法論の基礎を定めている。
  論文  参考訳（メタデータ） (2023-09-18T10:12:52Z)
• Are aligned neural networks adversarially aligned? [93.91072860401856]
  敵のユーザは、アライメントの試みを回避できるインプットを構築できる。 既存のNLPベースの最適化攻撃は、整列したテキストモデルを確実に攻撃するには不十分であることを示す。 我々は、NLP攻撃の改善が、テキストのみのモデルに対して、同じレベルの逆制御を示す可能性があると推測する。
  論文  参考訳（メタデータ） (2023-06-26T17:18:44Z)
• Mask and Restore: Blind Backdoor Defense at Test Time with Masked Autoencoder [57.739693628523]
  Masked AutoEncoder (BDMAE) を用いたブラインドバックドア防御のためのフレームワークを提案する。 BDMAEは、画像構造的類似性とテスト画像とMAE復元の間のラベル整合性を用いて、トークン空間で可能なトリガを検出する。 私たちのアプローチは、モデル復元、パターンのトリガー、画像の良心に盲目です。
  論文  参考訳（メタデータ） (2023-03-27T19:23:33Z)
• Dark patterns in e-commerce: a dataset and its baseline evaluations [0.14680035572775535]
  我々は最先端の機械学習手法を用いて暗パターン検出のためのデータセットを構築した。 5倍のクロスバリデーションの結果,RoBERTaでは0.975の精度を達成できた。
  論文  参考訳（メタデータ） (2022-11-12T01:53:49Z)
• Automated detection of dark patterns in cookie banners: how to do it poorly and why it is hard to do it any other way [7.2834950390171205]
  300のニュースサイトのクッキーバナーのデータセットを使用して、正確にそれを行う予測モデルをトレーニングした。 トレーニングされたモデルの正確性は有望ですが、改善の余地はたくさんあります。 我々は、人工知能に暗パターンの自動検出がもたらす学際的課題を詳細に分析する。
  論文  参考訳（メタデータ） (2022-04-21T12:10:27Z)
• How to Robustify Black-Box ML Models? A Zeroth-Order Optimization Perspective [74.47093382436823]
  入力クエリと出力フィードバックだけでブラックボックスモデルを堅牢化する方法? 我々は,ブラックボックスモデルに適用可能な防御操作の一般的な概念を提案し,それを復号化スムーシング(DS)のレンズを通して設計する。 我々は,ZO-AE-DSが既存のベースラインよりも精度,堅牢性,クエリの複雑さを向上できることを実証的に示す。
  論文  参考訳（メタデータ） (2022-03-27T03:23:32Z)
• Attack to Fool and Explain Deep Networks [59.97135687719244]
  対人摂動における人為的意味のパターンの証拠を提供することによって、私たちは逆転する。 我々の主な貢献は、その後視覚モデルを理解するためのツールに変換される、新しい実用的対人攻撃である。
  論文  参考訳（メタデータ） (2021-06-20T03:07:36Z)
• What Do Deep Nets Learn? Class-wise Patterns Revealed in the Input Space [88.37185513453758]
  本研究では,深層ニューラルネットワーク(DNN)が学習するクラスワイズな知識を,異なる環境下で可視化し,理解する手法を提案する。 本手法は,各クラスのモデルが学習した知識を表現するために,画素空間内の1つの予測パターンを探索する。 逆境環境では、逆境に訓練されたモデルはより単純化された形状パターンを学ぶ傾向がある。
  論文  参考訳（メタデータ） (2021-01-18T06:38:41Z)
• What Makes a Dark Pattern... Dark? Design Attributes, Normative Considerations, and Measurement Methods [13.750624267664158]
  ダークパターンやユーザインターフェースのデザインに関して、研究者が問題とみなす文献が急速に増えている。 しかし、現在の文献には概念的な基盤が欠けている。 ダークパターンの今後の研究は,ユーザインターフェース設計に対する主観的な批判以上のことができることを示す。
  論文  参考訳（メタデータ） (2021-01-13T02:52:12Z)

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。