論文の概要: Measuring Users' Security and Privacy Concerns About Third-Party Community Bots on Discord
- arxiv url: http://arxiv.org/abs/2610.36626v1
- Date: Tue, 27 Oct 2026 04:31:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-29 04:15:49.230021
- Title: Measuring Users' Security and Privacy Concerns About Third-Party Community Bots on Discord
- Title（参考訳）: ディスコーダにおける第三者のボットに対するユーザのセキュリティとプライバシの懸念の測定
- Abstract要約: サードパーティのコミュニティベースのボットは、Discordのようなソーシャルプラットホームの仕組みの中心だ。
検出言語49言語を対象に,サードパーティのDiscordボット23,102件,ユーザレビュー183,142件を分析した。
BotLensは、レビューから派生したS&P信号とボットメタデータを組み合わせた概念実証監査フレームワークです。
- 参考スコア（独自算出の注目度）: 0.8880611506199766
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Third-party community-based bots are central to how social platforms such as Discord work. They moderate content, manage roles, play music, and support AI-assisted conversations across millions of servers. Yet when a bot is installed in a server, it can access messages, user profiles, and server metadata concerning members who did not participate in the installation decision, with no standardized way to communicate the associated security and privacy implications. In this paper, we analyze 23,102 third-party Discord bots and 183,142 user reviews spanning 49 detected languages and five years of feedback (2021-2026). We employ LLM-based knowledge distillation and fine-tune a DeBERTa-based classifier to identify candidate security and privacy (S&P)-relevant reviews. After manually validating the complete classifier-positive set, we retain 8,832 reviews identified as S&P-relevant, representing an observed pipeline yield of 4.82%, and map them to a 31-theme S&P taxonomy extending prior work. Our results show that S&P-related reviews focus heavily on Data Sharing (30.5%) and Data Collection (16.2%). Confession and anonymity bots have pipeline-identified SPRRs above 50%, more than ten times the ecosystem-wide pipeline yield of 4.82%. Star ratings may obscure the frequency and valence of S&P-related discussion, while conventional metadata features, such as permission count and administrator status, show only weak associations with user-reported S&P concerns. We then build BotLens, a proof-of-concept auditing framework that combines review-derived S&P signals with bot metadata to provide on-demand decision support for the community-based bot ecosystem. BotLens exposes six tools through a Model Context Protocol server, supporting bot-level checkups, server-wide comparison, and integration with AI agents.
- Abstract（参考訳）: サードパーティのコミュニティベースのボットは、Discordのようなソーシャルプラットホームの仕組みの中心だ。
彼らはコンテンツを適度に扱い、役割を管理し、音楽を演奏し、何百万ものサーバーでAIによる会話をサポートする。
しかし、ボットがサーバにインストールされると、インストール決定に参加していないメンバーに関するメッセージ、ユーザープロファイル、およびサーバーメタデータにアクセスでき、関連するセキュリティとプライバシの意味を伝えるための標準化された方法がない。
本稿では,49言語および5年間のフィードバック(2021-2026)を対象に,サードパーティのDiscordボット23,102件,ユーザレビュー183,142件を分析した。
我々はLLMベースの知識蒸留とDeBERTaベースの分類器を用いて、候補のセキュリティとプライバシ(S&P)関連レビューを特定する。
完全分類器陽性集合を手作業で検証した後、S&P関連物質として同定された8,832のレビューを保持し、観察されたパイプライン収率4.82%を示し、前処理を延長する31テーマのS&P分類にマッピングする。
S&P関連のレビューは、データ共有(30.5%)とデータ収集(16.2%)に重点を置いている。
競合と匿名のボットはパイプライン識別SPRRを50%以上、生態系全体のパイプライン収率4.82%の10倍以上にしている。
スターレーティングは、S&P関連の議論の頻度と頻度を曖昧にし、従来のメタデータ機能であるパーミッションカウントや管理者ステータスは、ユーザー報告されたS&Pの懸念と弱い関係しか示さない。
BotLensは、レビューから派生したS&P信号とボットメタデータを組み合わせて、コミュニティベースのボットエコシステムに対するオンデマンド意思決定サポートを提供する概念実証監査フレームワークです。
BotLensは、Model Context Protocolサーバを通じて6つのツールを公開し、ボットレベルのチェックアップ、サーバ全体の比較、AIエージェントとの統合をサポートする。
関連論文リスト
- Account-History Features for Social Bot Detection in the Era of Large Language Models [0.0]
ソーシャルプラットフォーム上でのボット検出は、歴史的に、投稿やプロフィールフィールドのテキストから抽出されたアカウント・メタタ機能と機能の組み合わせに依存してきた。
ボットオペレータは、GPT-4またはClaudeを介してすべてのポストを実行し、表面統計が人間の文章と区別しにくいテキストを生成することができる。
本稿では,攻撃者が低コストで容易に操作できない特徴によって,検出問題のどの程度を解決できるかを問う。
論文 参考訳（メタデータ） (2026-06-06T07:01:07Z) - SWE-chat: Coding Agent Interactions From Real Users in the Wild [70.18158706281724]
SWE-chatは、オープンソースの開発者から収集された実際のコーディングエージェントセッションの大規模なデータセットである。
現在、データセットには6000のセッションが含まれており、63,000以上のユーザプロンプトと355,000のエージェントツールコールが含まれている。
論文 参考訳（メタデータ） (2026-04-22T17:08:19Z) - Who Said CVE? How Vulnerability Identifiers Are Mentioned by Humans, Bots, and Agents in Pull Requests [8.26054481096776]
この記事では、自律エージェント、ボット、ヒューマン開発者によって書かれたGitHubのプルリクエストで使用される脆弱性IDを比較します。
ボットはすべての言及の69.1%を占め、プルリクエスト記述に識別子をほとんど追加しない。
人間とエージェントは、修正、メンテナンス、議論をサポートするためにそれを使う。
論文 参考訳（メタデータ） (2026-01-27T14:13:08Z) - Understanding Privacy Norms Around LLM-Based Chatbots: A Contextual Integrity Perspective [14.179623604712065]
我々は,300人のChatGPTユーザを対象に,ChatGPTデータの共有に関するプライバシー規範の出現を理解するための調査実験を行った。
以上の結果から,ユーザの関心事と行動との間には大きな隔たりがあることが判明した。
参加者は、200ドル相当のプレミアム機能と引き換えに、改善されたサービスのための個人情報の共有を一斉に拒否した。
論文 参考訳（メタデータ） (2025-08-09T00:22:46Z) - SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。
提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。
我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
論文 参考訳（メタデータ） (2025-03-11T17:53:02Z) - Exploring and Mitigating Adversarial Manipulation of Voting-Based Leaderboards [93.16294577018482]
このタイプの最も人気のあるベンチマークであるArenaは、ランダムに選択された2つのモデル間のより良いレスポンスを選択するようユーザに求めることで、モデルをランク付けする。
攻撃者は、約1000票の費用で、リーダーボードを変更できる(お気に入りのモデルを宣伝したり、ライバルを降格させる)。
私たちの攻撃は2つのステップで構成されている。まず、攻撃者が95%以上の精度で特定の応答を生成するためにどのモデルを使用したかを決定する方法を示し、次に、攻撃者はこの情報を使ってターゲットモデルに対して一貫して投票することができる。
論文 参考訳（メタデータ） (2025-01-13T17:12:38Z) - Entendre, a Social Bot Detection Tool for Niche, Fringe, and Extreme Social Media [1.4913052010438639]
オープンアクセス、スケーラブル、プラットフォームに依存しないボット検出フレームワークであるEntendreを紹介した。
われわれは、ほとんどのソーシャルプラットフォームが一般的なテンプレートを共有しており、ユーザーはコンテンツを投稿し、コンテンツを承認し、バイオを提供することができるという考えを生かしている。
Entendreの有効性を示すために、私たちは、現在定義されている右翼プラットフォームであるParlerに人種差別的コンテンツを投稿するアカウントの中で、ボットの存在を調査するために使用しました。
論文 参考訳（メタデータ） (2024-08-13T13:50:49Z) - ProxyGPT: Enabling User Anonymity in LLM Chatbots via (Un)Trustworthy Volunteer Proxies [12.552035175341894]
大規模言語モデル(LLM)のためのプライバシ強化システムであるProxyGPTを提案する。
従来のプロキシシステムとは異なり、ProxyGPTは"ユーザ"層で動作し、アイデンティティが要求される環境でブラウザとのインタラクションをプロキシする。
我々は、TLSデータ証明のための最新のWeb証明プロトコルを用いて、定期的な整合性監査を行うことにより、悪意のあるプロキシを防止する。
論文 参考訳（メタデータ） (2024-07-11T18:08:04Z) - BotArtist: Generic approach for bot detection in Twitter via semi-automatic machine learning pipeline [47.61306219245444]
Twitterは、ボットや偽アカウントのターゲットとなり、偽情報や操作の拡散につながった。
本稿では,機械学習モデル開発に関わる課題に対処するために,セミオートマチック機械学習パイプライン(SAMLP)を提案する。
ユーザプロファイル機能に基づいたボット検出モデルBotArtistを開発した。
論文 参考訳（メタデータ） (2023-05-31T09:12:35Z) - A ground-truth dataset and classification model for detecting bots in
GitHub issue and PR comments [70.1864008701113]
ボットはGithubリポジトリで、分散ソフトウェア開発プロセスの一部である反復的なアクティビティを自動化するために使用されている。
本稿では,5000のGithubアカウントのプルリクエストとコメント発行に関する,高い相互契約を伴う手動分析に基づいて,基幹トラスデータセットを提案する。
ボットを検出する自動分類モデルを提案し,各アカウントの空のコメント数と空でないコメント数,コメントパターンの数,コメントパターン内のコメント間の不平等を主特徴とする。
論文 参考訳（メタデータ） (2020-10-07T09:30:52Z)
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。