Les documents de politique de confidentialité sont souvent longs, complexes et difficiles à interpréter pour les utilisateurs non experts, ce qui entraîne un manque de transparence concernant la collecte, le traitement et le partage des données personnelles. À mesure que les préoccupations concernant la confidentialité en ligne croissent, il est essentiel de développer des outils automatisés capables d'analyser les politiques de confidentialité et d'identifier les risques potentiels. Dans cette étude, nous explorons le potentiel des visualisations graphiques interactives pour améliorer la compréhension des utilisateurs des politiques de confidentialité en représentant les termes de la politique sous forme de modèles graphiques structurés. Cette approche rend les relations complexes plus accessibles et permet aux utilisateurs de prendre des décisions éclairées concernant leurs données personnelles (RQ1). Nous utilisons également des algorithmes d'exploration de graphes pour identifier des thèmes clés, tels que l'activité des utilisateurs et les informations sur les appareils, en utilisant des techniques de réduction de dimensionnalité comme t-SNE et PCA pour évaluer l'efficacité du regroupement. Nos résultats révèlent que le regroupement basé sur les graphes améliore l'interprétabilité du contenu des politiques. Il met en évidence des modèles de suivi des utilisateurs et de partage des données, ce qui soutient les investigations judiciaires et identifie les violations de la réglementation. Cette recherche fait progresser les outils pilotés par l'IA pour l'audit des politiques de confidentialité en intégrant des visualisations interactives avec l'exploration de graphes. Une transparence accrue favorise la responsabilité et la confiance.
Ramasamy et al. (Mon,) ont étudié cette question.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: