論文の概要: PrivacyAkinator: Articulating Key Privacy Design Decisions by Answering LLM-Generated Multiple-choice Questions
- arxiv url: http://arxiv.org/abs/2605.20206v1
- Date: Wed, 08 Apr 2026 00:49:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-25 12:34:33.971363
- Title: PrivacyAkinator: Articulating Key Privacy Design Decisions by Answering LLM-Generated Multiple-choice Questions
- Title（参考訳）: プライバシAkinator: LLM生成した複数項目の質問に答えることによる鍵プライバシ設計決定の調停
- Authors: Qiyu Li, Yuen Sum Wong, Yuen Kei Wong, Longxuan Yu, Haojian Jin,
- Abstract要約: NISTのプライバシリスクアセスメント方法論(PRAM)は、プライバシ専門家がプライバシリスクを評価するための構造化されたフレームワークを提供する。
その複雑さと専門家の知識への依存は、初心者開発者が効果的に使うのを難しくする。
筆者らはまず,12人の参加者を対象に,現実世界のシナリオでPRAMを使用した観察的研究を行い,初歩的な開発者が,プライバシーに関する設計決定の明確化に最も苦労していることを発見した。
次に私たちは、開発者が重要なプライバシ決定を明確にするためのインタラクティブなツールであるPrivacyAkinatorを開発しました。
- 参考スコア（独自算出の注目度）: 8.736562969448634
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: NIST's Privacy Risk Assessment Methodology (PRAM) provides a structured framework for privacy experts to assess privacy risks. However, its complexity and reliance on expert knowledge make it difficult for novice developers to use effectively. This paper explores methods to lower these barriers. We first performed an observational study with 12 participants using PRAM in real-world scenarios, and found that novice developers struggled most with articulating privacy-related design decisions. We then developed PrivacyAkinator, an interactive tool that helps developers articulate key privacy decisions by answering LLM-generated multiple-choice questions. PrivacyAkinator introduces three innovations: a universal privacy representation that abstracts privacy-related design decisions into data flows and stakeholder interactions; a domain-aware design space mined from 10K privacy-related news articles; and a dynamic question-generation workflow to prioritize relevant questions. Our user study with 24 participants suggests that developers using PrivacyAkinator identified 47% more key decisions in 73% less time compared to PRAM.
- Abstract（参考訳）: NISTのプライバシリスク評価方法論(PRAM)は、プライバシ専門家がプライバシリスクを評価するための構造化されたフレームワークを提供する。
しかし、その複雑さと専門家の知識への依存は、初心者開発者が効果的に使うのを困難にしている。
本稿では,これらの障壁を低くする方法について検討する。
実際のシナリオでPRAMを使用した12人の参加者を対象に、まず観察的研究を行い、初心者開発者がプライバシーに関する設計決定の明確化に最も苦労していることを発見した。
次に私たちは、LLM生成した複数選択質問に答えることで、開発者が重要なプライバシ決定を明確化するインタラクティブツールであるPrivacyAkinatorを開発しました。
プライバシAkinatorは、プライバシーに関する設計決定をデータフローとステークホルダーのインタラクションに抽象化する普遍的なプライバシ表現、プライバシ関連ニュース記事10万件から抽出したドメイン対応デザインスペース、関連する質問を優先順位付けするための動的質問生成ワークフロー、という3つのイノベーションを紹介している。
24人の参加者によるユーザ調査では、PrivacyAkinatorを使用する開発者は、PRAMよりも73%少ない時間で、重要な決定を47%多く見つけました。
関連論文リスト
- Profiling for Pennies: Unveiling the Privacy Iceberg of LLM Agents [52.02752011119451]
我々は人間の意識のレンズを通して現実世界におけるプライバシーの認識を調査する。
我々は、現実世界の人間のプライバシーリスクを3段階に分類するPrivacyIcebergを提案する。
論文 参考訳（メタデータ） (2026-05-07T13:21:44Z) - "I need to learn better searching tactics for privacy policy laws.'' Investigating Software Developers' Behavior When Using Sources on Privacy Issues [8.662963983664223]
本研究は,プライバシ関連の開発タスクに対する既存のサポートにおいて,大きな欠点を浮き彫りにしている。
当社の調査結果に基づいて、開発者がよりアクセスしやすく、理解しやすく、行動可能なプライバシーリソースの必要性について論じる。
論文 参考訳（メタデータ） (2025-11-11T09:58:06Z) - Privy: Envisioning and Mitigating Privacy Risks for Consumer-facing AI Product Concepts [15.368491131846461]
AIはプライバシーのリスクを創造し、悪化させるが、実践者はこれらのリスクを特定し、緩和するための効果的なリソースを欠いている。
私たちはPrivを紹介します。Privは、構造化されたプライバシー影響評価を通じて実践者をガイドするツールです。
論文 参考訳（メタデータ） (2025-09-27T23:08:24Z) - Multi-P$^2$A: A Multi-perspective Benchmark on Privacy Assessment for Large Vision-Language Models [65.2761254581209]
LVLM(Large Vision-Language Models)21個のオープンソースと2個のクローズドソースのプライバシ保護機能の評価を行った。
Multi-P$2$Aに基づいて、21のオープンソースと2つのクローズドソースLVLMのプライバシ保護機能を評価する。
以上の結果から,現在のLVLMは一般にプライバシー侵害のリスクが高いことが明らかとなった。
論文 参考訳（メタデータ） (2024-12-27T07:33:39Z) - Privacy in Fine-tuning Large Language Models: Attacks, Defenses, and Future Directions [11.338466798715906]
細調整された大規模言語モデル(LLM)は、様々な領域で最先端のパフォーマンスを達成することができる。
本稿では、微調整LDMに関連するプライバシー問題に関する包括的調査を行う。
メンバーシップ推論、データ抽出、バックドア攻撃など、さまざまなプライバシ攻撃に対する脆弱性を強調します。
論文 参考訳（メタデータ） (2024-12-21T06:41:29Z) - Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。
ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
論文 参考訳（メタデータ） (2024-06-20T13:54:32Z) - Evaluating Privacy Perceptions, Experience, and Behavior of Software Development Teams [2.818645620433775]
調査には23カ国から362人が参加し、プロダクトマネージャ、開発者、テスタといった役割を担っています。
以上の結果から,SDLC の役割におけるプライバシ定義の多様性が示唆され,SDLC 全体にわたる総合的なプライバシアプローチの必要性が強調された。
ほとんどの参加者はHIPAAや他の規制に精通しており、多段階コンプライアンスが主な関心事である。
論文 参考訳（メタデータ） (2024-04-01T17:55:10Z) - Advancing Differential Privacy: Where We Are Now and Future Directions for Real-World Deployment [100.1798289103163]
差分プライバシ(DP)分野における現状と現状の方法論の詳細なレビューを行う。
論文のポイントとハイレベルな内容は,「認知プライバシ(DP:次のフロンティアへの挑戦)」の議論から生まれた。
この記事では、プライバシの領域におけるアルゴリズムおよび設計決定の基準点を提供することを目標とし、重要な課題と潜在的研究の方向性を強調します。
論文 参考訳（メタデータ） (2023-04-14T05:29:18Z)
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。