NUDGES PARA A INTERVENÇÃO DE SENSIBILIDADE DE INFORMAÇÃO EM REDES SOCIAIS

RESUMO

Este briefing relata evidências científicas sobre a detecção de informações sensíveis e intervenção através de nudges em redes sociais. O estudo desenvolveu um agente assistente de privacidade que avalia a sensibilidade das postagens dos usuários. O agente fornece mensagens de nudge para alertar sobre riscos de privacidade. A pesquisa foi conduzida na rede social PESEDIA, analisando publicações em espanhol. Resultados indicam eficácia em informar usuários sobre riscos de privacidade.

NUDGE

• Performance do Modelo BETO (Baseado em Transformadores): Obteve uma acurácia superior a 90% e macro F1-score entre 70% e 80% para categorias como localização, médica, drogas/álcool, emoção, ataques pessoais e detalhes de família/associação. Categorias de detalhes pessoais e informações pessoalmente identificáveis apresentaram resultados mais baixos, possivelmente devido ao baixo número de amostras e baixa concordância entre anotadores.
• Avaliação de Modelos de Classificação: Modelos de floresta aleatória (Random Forest), Naive Bayes, máquina de vetores de suporte linear (SVM) e KNN foram treinados e avaliados. Modelos SVM e Random Forest também tiveram bom desempenho em algumas categorias, mas o modelo BETO superou consistentemente.
• Integração do Agente de Privacidade na Rede Social PESEDIA: Cerca de 200 usuários utilizaram a rede enquanto o agente analisava informações sensíveis das postagens. O tempo médio de processamento e feedback foi de aproximadamente 0,27 segundos, garantindo uma resposta quase em tempo real para os usuários.
• Efetividade do Agente de Privacidade: O agente foi eficaz em fornecer informações sobre a sensibilidade das postagens, ajudando os usuários a tomar decisões informadas sobre a publicação de conteúdo sensível. A personalização das mensagens, baseada no comportamento anterior dos usuários, ajudou a evitar que as mensagens se tornassem irritantes.
• Desempenho do Modelo BETO: O modelo BETO foi identificado como o mais eficaz na detecção de categorias sensíveis entre os modelos testados, demonstrando robustez na aplicação em um ambiente de rede social real. Embora tenha havido desafios com categorias menos representadas, o modelo ofereceu uma base sólida para futuras melhorias e expansões do dataset.
• Recomendações Futuras: Extensão do dataset para equilibrar melhor as amostras nas categorias. Consideração da combinação de um estimador de audiência com a análise de sensibilidade de conteúdo para fornecer uma visão mais completa do risco de privacidade.

CAIXA INFORMATIVA

REFERÊNCIA

Alemany, J., Botti-Cebriá, V., del Val, E., & García-Fornes, A. (2022). Detection and nudge-intervention on sensitive information in social networks Get access Arrow. Journal of Logic and Computation, 30(6), 942-953.