論文の概要: GESIS Surf: An Open-Source Infrastructure for Privacy-Preserving Longitudinal Web Browsing Data Collection
- arxiv url: http://arxiv.org/abs/2610.41441v1
- Date: Fri, 30 Oct 2026 08:46:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.664458
- Title: GESIS Surf: An Open-Source Infrastructure for Privacy-Preserving Longitudinal Web Browsing Data Collection
- Title（参考訳）: GESIS Surf: プライバシー保護のためのオープンソースのインフラ
- Abstract要約: GESIS Surfは、自然環境におけるWeb行動データの大規模コレクションである。
システムは、各レンダリングページのユーザインタラクション、ページメタデータ、および完全なHTMLスナップショットをキャプチャする。
システムは1,000人以上の参加者とともに,大規模な学術パネルインフラストラクチャにデプロイされている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Understanding how people navigate digital media environments requires behavioral data beyond survey self-reports. However, existing infrastructures for collecting such data reproducibly, sustainably, and with strong privacy guarantees remain limited: commercial solutions lack transparency and data governance, while academic tools are typically designed for narrow, short-term use cases and do not support general-purpose academic panel data collections. We address this gap with GESIS Surf, a research infrastructure for large-scale longitudinal collection of web behavioral data in naturalistic environments. The system consists of a browser extension (Chrome and Firefox), a backend with a REST application programming interface (API), and a relational database. It passively captures user interactions, page metadata, and full HTML snapshots of each rendered page, embedding each observation within a hierarchical session model that preserves the structure of browsing behavior. GESIS Surf implements privacy-by-design through strict opt-in participation, per-domain collection rules, and client-side data minimization, ensuring that sensitive data are controlled at the point of collection. The system has been deployed with more than 1,000 participants in a large-scale academic panel infrastructure that includes surveys of participants, and supports reproducible, content-level, and structurally rich analysis of digital behavior. By combining hierarchical session modeling, content-level capture, and integrated privacy enforcement within a unified system, GESIS Surf provides a general-purpose infrastructure for studying digital behavior in a reproducible manner over time.
- Abstract（参考訳）: 人々がデジタルメディア環境をナビゲートする方法を理解するには、自己レポート以外の行動データが必要である。
商用ソリューションには透明性とデータガバナンスが欠如しており、学術ツールは通常、狭義の短期的なユースケースのために設計されており、汎用的な学術的パネルデータ収集をサポートしない。
GESIS Surfは,自然環境におけるWeb行動データの大規模収集のための研究基盤である。
このシステムは、ブラウザ拡張(ChromeとFirefox)、RESTアプリケーションプログラミングインターフェース(API)を備えたバックエンド、リレーショナルデータベースで構成される。
ユーザインタラクション、ページメタデータ、各レンダリングページの完全なHTMLスナップショットを受動的にキャプチャし、閲覧動作の構造を保存する階層的なセッションモデルに各観察を埋め込む。
GESIS Surfは、厳格なオプトイン参加、ドメイン単位のコレクションルール、クライアント側のデータ最小化を通じて、プライバシ・バイ・デザインを実装し、機密データがコレクションの時点で制御されることを保証する。
このシステムは、1,000人以上の参加者とともに大規模な学術研究機関に展開され、参加者のアンケートを含み、再現性、コンテンツレベル、構造的にリッチなデジタル行動分析をサポートする。
階層的なセッションモデリング、コンテンツレベルのキャプチャ、統合されたプライバシ強制を統合システムに組み合わせることで、GESIS Surfは、時間とともに再現可能な方法でデジタル行動を研究するための汎用的なインフラストラクチャを提供する。
関連論文リスト
- Participant-Mediated Collection of Sensitive Digital Trace Data: The CANDOR Research Infrastructure [16.354704641858927]
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。
論文 参考訳（メタデータ） (2026-09-15T18:32:08Z) - The Model Is Not the Product: A Dual-Pillar Architecture for Local-First Psychological Coaching [51.56484100374058]
本報告では,iOS アプリケーションである Psych LM について紹介する。
Psych LMは、動作およびライフコーチングアプリケーション用に設計された、目的に構築された、ローカルファーストのランタイム内で、ローカル、オンデバイス言語モデルを実行する。
論文 参考訳（メタデータ） (2026-05-23T05:49:11Z) - Structure-Aware RAG: Structured Retrieval Augmented Generation from Noisy Data for Conversational Agents [68.52563127206808]
SA-RAG(Structure-aware Retrieval Augmented Generation)は、テーブルを中間構造表現として使用して、コンパクトで制御可能なインターフェースを提供する。
メタデータの正規化と有効性をモデル化する品質対応のテーブルメタデータ生成フレームワークを提案する。
2つのノイズの多い実世界のデータセットの実験は、SA-RAGが既存のRAGベースラインを大幅に上回っていることを示している。
論文 参考訳（メタデータ） (2026-05-23T03:07:33Z) - Affordance Representation and Recognition for Autonomous Agents [64.39018305018904]
本稿では,構造化データを用いた世界モデリングのためのパターン言語を提案する。
DOMトランスダクションパターンは、Webページの複雑さの課題に対処する。
Hypermedia Affordances Recognition Patternは、エージェントがその世界モデルを動的に強化することを可能にする。
論文 参考訳（メタデータ） (2025-10-28T14:27:28Z) - CrediBench: Building Web-Scale Network Datasets for Information Integrity [27.562742270396086]
CrediBenchは、時間的Webグラフを構築するための大規模データ処理パイプラインである。
我々のアプローチは、一般的な誤情報領域の動的進化を捉えている。
本稿では,このグラフスナップショットを用いた実験から,信頼度を学習するための構造的およびWebページコンテンツ信号の強度を実証する。
論文 参考訳（メタデータ） (2025-09-27T14:42:48Z) - HyFedRAG: A Federated Retrieval-Augmented Generation Framework for Heterogeneous and Privacy-Sensitive Data [16.102325291252324]
HyFedRAGはハイブリッドデータモダリティに適した、統一的で効率的なFederated RAGフレームワークである。
HyFedRAGはエッジクラウドのコラボレーティブメカニズムを活用することで、RAGがデータのプライバシを保ちながら、さまざまなデータソースをまたいだ運用を可能にする。
論文 参考訳（メタデータ） (2025-09-08T08:44:24Z) - DeepDiver: Adaptive Search Intensity Scaling via Open-Web Reinforcement Learning [73.68685269970844]
WebPuzzleはトレーニングと275サンプルテストベンチマークで、ライブインターネット上での情報検索を評価する。
我々は、検索強度スケーリング(SIS)を育成する強化学習フレームワークであるDeepDiverを開発した。
我々は,DeepDiverのカリキュラムをコールドスタートSFTからよく設計されたRLプロシージャに詳述し,その探索方針がクローズドドクエリからロングフォームライティングなどのオープンエンドジェネレーションへと一般化したことを示す。
論文 参考訳（メタデータ） (2025-05-30T08:15:39Z) - WikiDBGraph: A Data Management Benchmark Suite for Collaborative Learning over Database Silos [48.88393315169039]
協調学習(CL)技術により、複数のパーティが生データを共有せずにモデルを共同でトレーニングできる。
現在のCLベンチマークとアルゴリズムは、主に、分離、アライメント、結合可能なデータベースの仮定の下で学習ステップを目標としています。
我々は1700万の重み付きエッジでリンクされた10万の現実世界のリレーショナルデータベースから構築された大規模なデータセットを構築した。
論文 参考訳（メタデータ） (2025-05-22T13:07:06Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z)
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。