論文の概要: Participant-Mediated Collection of Sensitive Digital Trace Data: The CANDOR Research Infrastructure

• arxiv url: http://arxiv.org/abs/2609.17722v1
• Date: Tue, 15 Sep 2026 18:32:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.500018
• Title: Participant-Mediated Collection of Sensitive Digital Trace Data: The CANDOR Research Infrastructure
• Title（参考訳）: 参加型デジタルトレースデータ収集:CANDOR研究基盤
• Abstract要約: CANDORは、機密性の高いデジタルトレースデータの参加者仲介による収集と管理のためのエンドツーエンドのインフラストラクチャである。 この研究は、行動研究において参加者が分散したデジタルトレースを使用するための方法論的およびインフラ的枠組みを提供する。
• 参考スコア（独自算出の注目度）: 16.354704641858927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital trace data provide rich measures of behavior in everyday settings, but the research ecosystem supporting their collection is constrained by declining platform API access and a historical reliance on publicly observable data. Participant-mediated data donation offers a complementary approach in which individuals contribute selected portions of their own digital histories to research. Such data can include longitudinal and non-public behavior, span multiple platforms and modalities, and be linked to independently collected study measures, enabling study designs that are difficult to implement using public social media data alone. These opportunities also introduce methodological challenges around participant control, data minimization, heterogeneous platform exports, privacy, and governance, particularly when semantic or multimodal content is necessary to study the construct of interest. We present CANDOR (Collecting and Analyzing Networked Data for Open Research), an end-to-end infrastructure for participant-mediated collection and governance of sensitive digital trace data. CANDOR supports participant-directed selection of platforms, data types, and temporal ranges; modular platform- and modality-specific parsing and de-identification; linkage to independent study measures; and protected processing, storage, and access. We derive design requirements for this class of research and compare CANDOR with existing data donation infrastructures, identifying how different approaches support participant control, data minimization, scientifically necessary data richness, study-design flexibility, and governance. Together, this work provides a methodological and infrastructural framework for using participant-contributed digital traces in behavioral research, particularly when the data needed to address a scientific question are longitudinal, non-public, multimodal, or sensitive.
• Abstract（参考訳）: デジタルトレースデータは、日々の環境下での振る舞いの豊富な指標を提供するが、その収集を支援する研究エコシステムは、プラットフォームAPIアクセスの減少と、公開可能なデータへの歴史的依存によって制約される。 参加者によるデータ提供は、個人が自身のデジタル履歴の中から選択した部分を研究に貢献する補完的なアプローチを提供する。 このようなデータには、複数のプラットフォームやモダリティにまたがる縦断的かつ非公的な行動が含まれ、独立して収集された研究手段と関連付けられ、公共のソーシャルメディアデータだけでは実装が困難である研究設計を可能にする。 これらの機会はまた、特に関心の構成を研究するためにセマンティックコンテンツやマルチモーダルコンテンツが必要な場合、参加者制御、データ最小化、異種プラットフォーム輸出、プライバシ、ガバナンスに関する方法論的課題も導入する。 CANDOR(Collecting and Analyzing Networked Data for Open Research)は,機密性のあるデジタルトレースデータの収集と管理を行うエンド・ツー・エンドのインフラストラクチャである。 CANDORは、参加者によるプラットフォーム、データタイプ、時間範囲の選択、モジュラープラットフォームとモダリティ固有のパーシングと非識別、独立した学習手段へのリンク、保護された処理、ストレージ、アクセスをサポートする。 我々は、このクラスの研究のための設計要件を導き、CANDORと既存のデータ提供インフラを比較し、参加者制御、データ最小化、科学的に必要とされるデータ豊かさ、研究設計の柔軟性、ガバナンスをサポートするアプローチの違いを特定する。 この研究は、行動研究において参加者が分散したデジタルトレースを使用するための方法論的・インフラ的枠組みを提供し、特に科学的問題に対処するために必要なデータが長手、非パブリック、マルチモーダル、またはセンシティブである場合である。

関連論文リスト

• From Euclidean to Graph-Structured Data: A Survey of Collaborative Learning [3.402787708517185]
  ほとんどの共同学習研究は、通常のグリッドのような構造を持つユークリッドデータに焦点を当てている。 グラフでの学習は、接続されたノード間で情報を伝達するメッセージパッシング機構に依存している。 この調査は、ユークリッド語からグラフ構造化データへの協調学習を包括的に調査する。
  論文  参考訳（メタデータ） (2026-09-02T13:49:46Z)
• Exploring the Social Life of Data: Finding Data You Can Trust [7.469556526595981]
  本稿では,研究にデータを用いた場合に蓄積される社会的・実証的な証拠を,目的と信頼の適合性を決定するために活用する方法を考察する。 データ利用グラフは、データセットを出版物、人、機関、トピック、ソフトウェア、モデル、およびそれらが作成および使用される他のデータセットに接続する。 ソース、どの質問、どの組み合わせ、どの方法、そして観測可能な影響に頼っているか。
  論文  参考訳（メタデータ） (2026-08-11T20:01:19Z)
• A Datalake for Data-driven Social Science Research [2.285735909183272]
  本稿では,学際的な社会科学研究の必要性に合わせたDatalakeインフラストラクチャを提案する。 本システムは,多様なデータ型の取り込みと統合,自動前処理とバージョン追跡,ロールベースのアクセス制御,可視化と解析のための組込みツールをサポートする。 このようなインフラは、特にNGO、学生、草の根組織といった先進的なデータサイエンスの実践へのアクセスを民主化できます。
  論文  参考訳（メタデータ） (2025-12-02T06:40:47Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Data-Centric AI in the Age of Large Language Models [51.20451986068925]
  本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。 本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。 データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
  論文  参考訳（メタデータ） (2024-06-20T16:34:07Z)
• A Survey on Data Selection for Language Models [148.300726396877]
  データ選択方法は、トレーニングデータセットに含まれるデータポイントを決定することを目的としている。 ディープラーニングは、主に実証的な証拠によって駆動され、大規模なデータに対する実験は高価である。 広範なデータ選択研究のリソースを持つ組織はほとんどない。
  論文  参考訳（メタデータ） (2024-02-26T18:54:35Z)
• Building Flexible, Scalable, and Machine Learning-ready Multimodal Oncology Datasets [17.774341783844026]
  本研究は、オンコロジーデータシステム(MINDS)のマルチモーダル統合を提案する。 MINDSはフレキシブルでスケーラブルで費用対効果の高いメタデータフレームワークで、公開ソースから異なるデータを効率的に分離する。 MINDSは、マルチモーダルデータを調和させることで、より分析能力の高い研究者を力づけることを目指している。
  論文  参考訳（メタデータ） (2023-09-30T15:44:39Z)
• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Diverse Community Data for Benchmarking Data Privacy Algorithms [0.2999888908665658]
  CRC(Collaborative Research Cycle)は、NIST(National Institute of Standards and Technology)のベンチマークプログラムである。 識別アルゴリズムは、他のデータ分析や機械学習アプリケーションに影響を与えるバイアスやプライバシーの問題に弱い。 本稿は,多様な集団間の関係と公平な特定の課題について,CRCの4つの貢献を要約する。
  論文  参考訳（メタデータ） (2023-06-20T17:18:51Z)

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。