基于扎根理论和机器学习的隐私政策诱导同意研究

从用户角度分析隐私政策的诱导同意倾向、探索诱导同意机制,有利于在帮助用户辨别不公隐私条款的同时,为监管部门规范APP隐私政策制定提供指导。研究采用扎根理论从用户视角分析隐私政策的诱导同意倾向,归纳构建隐私政策诱导同意编码体系,人工标注语料后通过半监督学习训练K-BERT模型,实现隐私政策中含诱导同意倾向语句的自动化识别,并通过进一步的网络分析、序列模式挖掘探究隐私政策诱导用户同意的特征及深层规律。本研究提出的模型实现了自动化识别隐私政策诱导同意语句的目标,并通过实证分析发现,用户机会成本、隐私管理成本、模糊概念处于诱导维度关系网络的核心,其中模糊概念和推卸责任语句在隐私政策构成模式化诱导性行文中发挥重要作用,通常先后密集地出现在其他不公平语句后;儿童领域与其他领域APP隐私政策的诱导同意特征间存在显著差异,且部分领域隐私政策间存在一些共性特征,可能与其服务提供方式与商业逻辑的相似性有关。