25 vuoden ajan yksityisyyskäytäntöjen analyysi koneoppimismenetelmillä

Viimeaikaisessa tutkimuksessa on käytetty koneoppimismenetelmiä yksityisyyskäytäntöjen lukukelpoisuuden, hyödyllisyyden, pituuden ja monimutkaisuuden kartoittamiseen yli 50 000:lla suosituilla verkkosivuilla 25 vuoden ajanjaksona vuodesta 1996 vuoteen 2021. Tutkimus osoittaa, että keskivertokäyttäjän tarvitsisi omistaa 400 tuntia “vuotuista lukuaikaa” (yli tunti päivässä) pystyäksensä tunkeutumaan kasvavan sanamäärän, hämärtävän kielen ja epämääräisen kielenkäytön läpi, jotka ovat ominaisia nykyaikaisille yksityisyyskäytäntöille joillakin suosituimmilla verkkosivuilla.

Raportissa todetaan:

‘Keskimääräinen käytäntöjen pituus on lähes kaksinkertaistunut viimeisen kymmenen vuoden aikana, 2159 sanalla maaliskuussa 2011 ja 4191 sanalla maaliskuussa 2021, ja lähes nelinkertaistunut vuodesta 2000 (1146 sanaa).’

Keskimääräinen sanamäärä ja lausemäärä tutkitussa aineistossa 25 vuoden ajanjaksolla. Lähde: https://arxiv.org/pdf/2201.08739.pdf

Vaikka käytäntöjen pituuden kasvunopeus kiihtyi, kun GDPR- ja CCPA-suojat astuivat voimaan, tutkimus laskee nämä vaihtelut “pieniksi vaikutuksiksi”, jotka ovat merkityksettömiä laajemman pitkän aikavälin suhteen. Kuitenkin GDPR:ää pidetään mahdollisena syynä yksityisyyskäytäntöjen “epämääräisen” kielen kasvuun (ks. alla).

Olettaen lukunopeuden 250 sanaa minuutissa, tutkimus väittää, että keskivertoyksityisyyskäytäntö kestää nyt 17 minuuttia lukemista, kun taas suositummilla käytäntöillä (eli käytäntöillä, jotka liittyvät suureen käyttäjämäärään) lukeminen kestää 23 minuuttia.

Pitkäin käytäntö aineistossa, Microsoftilta, vaatii 152 minuuttia lukemiseen, tutkimuksen mukaan, joka hyödynsi useita variantteja Google:n BERT-kielimallista.

Kasvu vuotuisten tuntien määrässä, joita tarvitaan nykyaikaisen yksityisyyskäytäntöjen lukemiseen, olettaen, että lukija vierailee 1462 eri verkkosivuilla vuodessa.

Suurin osa viimeaikaisesta kasvusta yksityisyyskäytäntöjen sanamäärässä ja epämääräisyydessä voidaan tutkimuksen mukaan liittää yrityksiin asettaa sääntöjä viimeisen kahden vuosikymmenen aikana, mutta myös vilpilliseen käyttöön sääntövaatimusten täyttämiseen verukkeena laajentaa ja peittää yksityisyyskäytäntöjen piiriä ja epäselvyyttä.

‘Yleisesti ottaen tutkimuksemme osoittaa, että viimeaikaiset yksityisyydensuojasäännökset eivät ole merkittävästi parantaneet verkkokäyttäjien yksityisyyttä, vaan johtaneet enemmän turvattomiin ja monimutkaisiin yksityisyyskäytäntöihin, jotka kuvaavat yhä invasiivisempia tietokäytäntöjä.’

Vaikka useat luonnollisen kielen prosessoinnin (NLP) tutkimukset ovat käsitelleet yksityisyyskäytäntöjen lukukelpoisuutta ja muita näkökohtia viime vuosina, tutkija uskoo, että tämä on ensimmäinen hankkeen tyyppinen, joka tarjoaa yleiskatsauksen käytäntöjen kehityksestä viime vuosikymmeninä.

Tutkimus tutkimus on otsikoitu Yksityisyyskäytäntöjen kehitys vuosien varrella: Sisältö ja lukukelpoisuus yksityisyyskäytäntöjen 1996-2021, ja se on peräisin Isabel Wagnerilta Cyber Technology Instituten De Montfortin yliopistosta Isossa-Britanniassa.

Epämääräinen kieli

Raportissa todetaan myös, että keskimääräinen määrä “peittäviä” sanoja (ts. hyväksytty, merkittävä, pääasiassa ja muita sanoja, jotka eivät anna määrättyä merkitystä) yksityisyyskäytäntöissä kasvoi tasaisesti vuoteen 2018 saakka, mutta sitten kasvoi nopeasti mediaanista 227:stä maaliskuussa 2018 304:ään kesäkuussa 2020.

Tutkija väittää, että tämä kasvu johtuu GDPR:n vaikutuksesta, ja tutkimus osoittaa, että yli kaksi kolmasosaa (72%) tutkituista yksityisyyskäytäntöjen lauseista sisälsi vähintään yhden peittävän sanan.

Lukukelpoisuus

Kolmen yleisen lukukelposuuden mittarin osalta tutkimus osoitti, että yksityisyyskäytäntöjen lukukelpoisuus on heikentynyt vuosien varrella. Tutkijat arvioivat, että 41% vuonna 2021 voimassa olevista käytäntöistä oli mediaani Flesch Reading Ease (FRE, korkeampi on parempi) vain 31,8, ja tutkija toteaa Tämä tulos osoittaa erittäin vaikean tekstin, jota ymmärtävät parhaiten yliopiston opiskelijat.

Samalla vain 6,7% käytäntöistä saavutti FRE-lukeman yli 45 (joka on raportin mukaan lukutaitovaatimus vakuutuspoliiseille Floridassa).

Käytäntömuutosten tiedottaminen

Tutkimus käsittelee myös sitä, missä määrin yksityisyyskäytäntöjen muutoksista ilmoitetaan potentiaalisille hyväksyjille, mikä vaikuttaa käyttäjien halukkuuteen ylläpitää sopimusta.

Tutkija toteaa:

‘Vuonna 2021, 73% käytäntöistä sisälsi lauseen käytäntömuutoksesta. Näistä 34% ilmoitti, että muutokset ilmoitettaisiin yksityisyyskäytäntöjen kautta, 37% julkaisi ilmoituksen verkkosivuillaan, ja 22% lähettäisi henkilökohtaisen ilmoituksen (loput käytäntöjä jättivät ilmoitusmenetelmän määrittämättä).’

‘Seurauksena on, että useimmat käyttäjät eivät todennäköisesti tule tietoisiksi yksityisyyskäytäntöjen muutoksista.

‘Lisäksi käyttäjille tarjotaan lähes mitään merkityksellistä valinnanvaraa, kun käytäntöjä muutetaan. Käytäntöjen muutoksesta ilmoittavista käytäntöistä vain 12% tarjoaa uuden hyväksynnän, kun taas 34% ei tarjoa valinnanvaraa ja 54% jättää sen määrittämättä.’

Tutkimuksen löydökset käyttäjille ilmoitettavista käytäntömuutosten menetelmistä.

Rajoitettu valinnanvapaus seurannassa

Tutkimuksen mukaan paljon laajempi valikoima mekanismeja on tarjolla yksityisyyskäytäntöissä käyttäjätilitietojen kuin käyttäjäprofiilien käytön kohdalla. Profiilitietoja voidaan luoda ja päivittää automaattisesti ja epäilysellä tavalla, kun taas käyttäjätilitiedot on annettu käyttäjän toimesta ja on muutettavissa sääntöjen mukaisesti.

Käyttäjien valinnanvapaus evästeiden hyväksymisessä yksityisyyskäytäntöissä (aihe, joka on herättänyt kiivasta keskustelua GDPR:n voimaantulon jälkeen, jolloin syntyi satoja tuhansia evästeiden hyväksymispopuppeja EU:n kansainvälisten ja eurooppalaisten verkkosivujen osalta) käsitellään yleensä käytäntöissä, mutta piilotetaan tärkeämpi kerros vähemmän saatavilla olevaa tietoa*:

‘[Evästeiden] valinnat eivät ole riittäviä suojelemaan käyttäjiä seurannasta, koska valinta- tai valvontamekanismeja tarjotaan harvoin tietokoneen tiedoille, laitteistotunnisteille ja henkilökohtaisille tunnisteille, jotka mahdollistavat käyttäjien seurannan sormenjäljentunnistuksen kautta.’

Selkeä kontrasti yksityisyyskäytäntöjen myöntämän valinnanvapauden tasolla käyttäjätili- ja profiilitietojen välillä (jotka voidaan hankkia epäsuorasti tai salaa).

Tiedot

Tutkimuksen aineiston saamiseksi tutkija etsi verkkosivuilta linkkejä yksityisyyskäytäntöihin, usein laajentamalla hakua, koska monissa tapauksissa alkuperäinen tulos ei ollut riittävä, sillä useat käytäntöjä linkittivät eteenpäin muihin käytäntöihin (jokainen niistä voi muuttua eri tahdissa kuin vanhempi tai liittyvä käytäntö).

Wayback Machine käytettiin historiallisten käytäntöjen hankkimiseen, vaikka oli otettava huomioon tuloksissa käytäntöjä, jotka oli estetty hakukoneiden hakemiselta tai arkistoinnilta robots.txt-konfiguraatiotiedoston (pieni tekstitiedosto, joka sisältää ohjeita verkkohakukoneille siitä, mitkä sivut ja muut kohteet eivät kuulu julkaistavaan indeksiin) kautta.

Yksi kuvaus kuukaudessa hankittiin Wayback Machinen CDX API:n kautta kullekin tunnistettavalle ja jatkuvasti sovellettavalle käytännölle, käyttäen Firefoxia Seleniumin kanssa. Optisen merkkien tunnistamista PDF-muodossa oleville käytäntöille ei otettu huomioon hankkeessa, joka rajoitettiin (paljon suurempaan määrään) saatavilla oleviin HTML-käytäntöihin.

Yksi mielenkiintoinen tulos hankkeesta on, että pornografisten verkkosivujen selkeys ja lukukelpoisuus on parantunut tutkitulla ajanjaksolla – mahdollisesti odottamalla kasvavaa vaatimusta lisääntyvälle sääntelylle ja selkeydelle. Hankkimiseksi nämä asiakirjat oli hankittava lisähaulla, joita tehtiin kotitalousosoitteista johtuen yliopiston sisällön esto-ohjelmista.

Aluksi 1 068 683 asiakirjaa hankittiin, mikä vastasi 120 265 yksilöllistä asiakirjaa, joissa keskimäärin 39,1 yksityisyyskäytäntöä tai pykälää ja 4,4 yksilöllistä yksityisyyskäytäntöä kunkin linkin kohdalla.

Englanti vain

Kuten useissa viimeaikaisissa tutkimuksissa, hankkeessa ei voitu käsitellä muita kuin englanninkielisiä yksityisyyskäytäntöjä, jotka poistettiin aineiston puhdistusvaiheessa PYCLD2-paketin avulla.

Yksityisyyskäytäntöjen erottamiseksi muusta materiaalista hankkeessa käytettiin luokitinta, joka kehitettiin yhteistyössä Wisconsinin yliopiston ja École Polytechnique Fédérale de Lausannen kanssa vuonna 2019.

IS-POLICY-luokittelijan arkkitehtuuri. Lähde: https://arxiv.org/pdf/1809.08396.pdf

Vaikka IS-POLICY-luokittelija oli koulutettu samalla 1000 asiakirjan aineistolla kuin alkuperäisessä tutkimuksessa, tutkijan oli hankittava uudet ei-yksityisyyskäytäntöasiakirjat koulutukseen, koska alkuperäiset lähteet eivät olleet saatavilla.

Tutkimuksen jälkeen aineisto supistui 56 416 yksilölliseen yksityisyyskäytäntöön.

* Tutkimuksen sisäinen viittaus on muunnettu hyperlinkiksi tässä, ja lihavointi on tutkimuksesta.

Julkaistu ensimmäisen kerran 31. tammikuuta 2022.