論文の概要: Analysing User Reviews to Identify User Concerns Around Permissions in AI Apps
- arxiv url: http://arxiv.org/abs/2607.29343v1
- Date: Fri, 31 Jul 2026 12:25:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 16:35:22.230384
- Title: Analysing User Reviews to Identify User Concerns Around Permissions in AI Apps
- Title（参考訳）: AIアプリの許可に関するユーザの懸念を明らかにするためのユーザレビューの分析
- Abstract要約: 本稿では,AIアプリのレビューをパーミッション関連カテゴリに分類する機械学習モデルを提案する。
ユーザレビューは構造化されていないため、従来のラベル付きトレーニングセットの組み立ては困難である。
これを解決するために、AI生成のセキュリティとパーミッションレビューを使用して、人間による大規模なレビューのコーパスから関連するトレーニング例を特定する。
提案手法は,承認レビューを82%の精度で分類した。
- 参考スコア（独自算出の注目度）: 2.1858709012908903
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Artificial intelligence is increasingly embedded in everyday software, making its integration into mobile apps inevitable. However, AI mobile app developers are not always versed in security and privacy best practices, leaving users to monitor their own security and understand how apps use their data. App reviews capture real user experiences, helping others make informed decisions before downloading. This paper presents a machine learning model for classifying AI app reviews into permission-related categories. Because user reviews are unstructured, assembling a conventional labeled training set is difficult. To address this, AI-generated security and permission reviews are used to identify relevant training examples from a large corpus of human-written reviews, eliminating the need for manual annotation. The proposed approach classified permission reviews with an accuracy of 82%. Analysis shows that users organise their concerns by sentiment toward the requesting app rather than specific permission types, with implications for users, developers, and platform administrators.
- Abstract（参考訳）: 人工知能は日々のソフトウェアに組み込まれているため、モバイルアプリへの統合は避けられない。
しかし、AIモバイルアプリ開発者は必ずしもセキュリティとプライバシーのベストプラクティスに精通しているわけではない。
アプリのレビューは実際のユーザー体験を捉え、他の人がダウンロードする前に決定を下すのを助ける。
本稿では,AIアプリのレビューをパーミッション関連カテゴリに分類する機械学習モデルを提案する。
ユーザレビューは構造化されていないため、従来のラベル付きトレーニングセットの組み立ては困難である。
これを解決するために、AI生成のセキュリティとパーミッションレビューを使用して、人間による大規模なレビューのコーパスから関連するトレーニング例を特定することで、手作業によるアノテーションの必要性を排除している。
提案手法は,承認レビューを82%の精度で分類した。
分析によると、ユーザーは特定のパーミッションタイプではなく、リクエストアプリに対する感情によって懸念を整理し、ユーザ、開発者、プラットフォーム管理者に影響を及ぼす。
関連論文リスト
- A User-Centric Context-Aware Permission Governance Framework for Privacy Control in Default Mobile Applications [0.0]
本稿では,デフォルトのモバイルアプリケーションに対して,コンテキストに敏感でユーザ中心のパーミッションガバナンスフレームワークを提案する。
機能ベースの認証オプションである"Allow When Needed"を導入し、データを必要とする機能へのアクセスを制限する。
重み付けスコアリングシステムは、パーミッション感度と認可タイプに基づいて、ユーザ選択のプライバシ含意を推定する。
論文 参考訳（メタデータ） (2026-08-28T04:41:39Z) - PrivacyAssist: A User-Centric Agent Framework for Detecting Privacy Inconsistencies in Android Apps [0.9892966978799635]
本稿では,ユーザ・グラウンテッド・パーミッションと開発者が宣言した機密データ収集と共有の慣行の矛盾を検出するマルチエージェントLDMベースのプラットフォームであるPrivacyAssistを提案する。
私たちは200人のユーザと2,347のAndroidアプリでPrivacyAssistを評価し、許可されたパーミッションと宣言されたデータプラクティスの間に完全に一貫性があるアプリは16%しかありません。
論文 参考訳（メタデータ） (2026-04-25T10:58:05Z) - CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。
また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
論文 参考訳（メタデータ） (2025-08-28T06:03:11Z) - Evaluating Language Model Reasoning about Confidential Information [95.64687778185703]
言語モデルが文脈的堅牢性を示すか、文脈依存型安全仕様に準拠する能力を示すかを検討する。
我々は,ユーザ要求がいつ承認されたか,言語モデルが正しく判断できるかどうかを測定するベンチマーク(PasswordEval)を開発した。
現在のオープンソースとクローズドソースのモデルでは、一見単純な作業に苦労しています。
論文 参考訳（メタデータ） (2025-08-27T15:39:46Z) - A Comprehensive Analysis of Evolving Permission Usage in Android Apps: Trends, Threats, and Ecosystem Insights [9.172402449557264]
適切なパーミッション使用に関する公式なAndroidプラットフォーム資料にもかかわらず、それでも多くのパーミッション悪用ケースがある。
本研究は,Androidのパーミッション・ランドスケープを包括的に分析する。
良心と悪意のあるアプリケーションを区別することで、開発者の進化戦略を明らかにします。
論文 参考訳（メタデータ） (2025-08-04T02:54:10Z) - GOD model: Privacy Preserved AI School for Personal Assistant [3.3015224434662396]
私たちは、デバイス上でAIアシスタントをトレーニングし評価するためのセキュアでプライバシー保護のフレームワークであるGuardian of Data(GOD)を紹介します。
GODは、ユーザデータと自律性を保護しながら贈り物を推奨するなど、アシスタントがユーザニーズをいかに予測できるかを測定します。
論文 参考訳（メタデータ） (2025-02-24T20:30:17Z) - From Voice to Value: Leveraging AI to Enhance Spoken Online Reviews on the Go [21.811104609265158]
音声入力によるレビューを提供するモバイルアプリケーションであるVocalizerを開発した。
調査の結果,AIエージェントを頻繁に利用し,レビューに詳細な情報を加えることができた。
また、インタラクティブなAI機能によって、ユーザーの自己効力感やレビューをオンラインで共有する意欲が向上することを示す。
論文 参考訳（メタデータ） (2024-12-06T21:59:47Z) - 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) - 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) - Federated Learning of User Authentication Models [69.93965074814292]
機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。
FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。
提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
論文 参考訳（メタデータ） (2020-07-09T08:04:38Z) - 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。