Erklärbare maschinelles Lernen zur Vorhersage der standardmäßigen Datenschutzeinstellungen

Bei der Anforderung eines web-basierten Dienstes gelingt es Benutzern häufig nicht, die Datenschutzeinstellungen der Website gemäß ihren eigenen Datenschutzpräferenzen zu konfigurieren. Überwältigt von der Auswahl an Präferenzen, einem Mangel an Wissen über verwandte Technologien oder Unkenntnis über die eigenen Datenschutzpräferenzen sind nur einige Gründe, warum Benutzer Schwierigkeiten haben. Um all diese Probleme anzugehen, sind Werkzeuge zur Vorhersage von Datenschutzeinstellungen besonders gut geeignet. Solche Werkzeuge zielen darauf ab, die Belastung zu verringern, Datenschutzeinstellungen gemäß den Präferenzen der Eigentümer festzulegen. Um der gestiegenen Nachfrage nach Erklärbarkeit und Interpretierbarkeit im Einklang mit regulatorischen Anforderungen – wie der Datenschutz-Grundverordnung (DSGVO) in Europa – gerecht zu werden, wird in diesem Papier ein erklärbares Modell zur Vorhersage von Standardeinstellungen für den Datenschutz vorgestellt. Im Vergleich zu früheren Arbeiten präsentieren wir eine verbesserte Merkmalsauswahl, eine höhere Interpretierbarkeit jedes Schrittes im Modellentwurf und verbesserte Evaluierungsmetriken, um Schwächen im Design des Modells besser zu identifizieren, bevor es in die Produktion geht. Als Ergebnis zielen wir darauf ab, ein erklärbares und transparentes Werkzeug zur Vorhersage von standardmäßigen Datenschutzeinstellungen bereitzustellen, das von den Benutzern leicht verstanden wird und daher eher genutzt wird.