Analyse de 25 ans de politiques de confidentialité à l’aide de l’apprentissage automatique

Une étude récente a utilisé des techniques d’analyse d’apprentissage automatique pour tracer la lisibilité, l’utilité, la longueur et la complexité de plus de 50 000 politiques de confidentialité sur des sites Web populaires sur une période de 25 ans, de 1996 à 2021. La recherche conclut que le lecteur moyen devrait consacrer 400 heures de « temps de lecture annuel » (plus d’une heure par jour) pour pénétrer les comptes de mots croissants, le langage obscur et le langage vague qui caractérisent les politiques de confidentialité modernes de certains des sites les plus fréquentés.

Le rapport indique:

‘La longueur moyenne de la politique a presque doublé au cours des dix dernières années, avec 2159 mots en mars 2011 et 4191 mots en mars 2021, et a presque quadruplé depuis 2000 (1146 mots).’

Le nombre moyen de mots et de phrases parmi le corpus étudié, sur une période de 25 ans. Source: https://arxiv.org/pdf/2201.08739.pdf

Bien que le taux d’augmentation de la longueur ait augmenté lorsque les protections du RGPD et de la loi californienne sur la confidentialité des consommateurs (CCPA) sont entrées en vigueur, le document considère ces variations comme des « petits effets » qui semblent être insignifiants par rapport à la tendance à long terme plus large. Cependant, le RGPD est identifié comme une cause possible de l’augmentation du langage « vague » dans les politiques (voir ci-dessous).

En supposant une vitesse de lecture de 250 mots par minute, le document soutient que la politique de confidentialité moyenne prend maintenant 17 minutes à lire, tandis que les politiques les plus populaires (c’est-à-dire les politiques associées à un grand nombre d’utilisateurs) prennent 23 minutes à compléter.

La politique la plus longue de l’ensemble de données, de Microsoft, nécessite 152 minutes pour être consommée, selon la recherche, qui a utilisé un certain nombre de variants du modèle de langage BERT de Google.

Croissance du taux d’heures annuelles nécessaires pour lire les politiques de confidentialité modernes, en supposant que le lecteur visite 1462 sites Web uniques par an.

Une grande partie de l’augmentation récente de la verbosité et de l’ambiguïté dans les politiques de confidentialité est attribuée par le document à une réaction aux tentatives de réglementation au cours des deux dernières décennies, mais également à l’utilisation déloyale des exigences de conformité réglementaire comme excuse pour augmenter discrètement la portée et l’opacité des politiques de confidentialité.

‘Dans l’ensemble, nos résultats montrent que les réglementations sur la confidentialité récentes n’ont pas substantiellement amélioré la confidentialité des utilisateurs en ligne, mais ont plutôt conduit à des politiques de confidentialité plus gonflées qui décrivent des pratiques de données plus invasives.’

Bien qu’un certain nombre de documents de traitement de langage naturel (NLP) aient abordé la lisibilité et d’autres aspects des politiques de confidentialité ces dernières années, l’auteur estime que c’est le premier projet de ce type à fournir une vue d’ensemble si large du développement des politiques au cours des dernières décennies.

Le document s’intitule Politiques de confidentialité à travers les âges: contenu et lisibilité des politiques de confidentialité 1996-2021, et provient d’Isabel Wagner de l’Institut de technologie cybernétique de l’Université De Montfort au Royaume-Uni.

Langage elliptique

Le rapport suggère également que le nombre moyen de « mots obscurants » (c’est-à-dire acceptable, significatif, principalement, et d’autres mots qui ne fournissent pas de sens définitif) dans les politiques de confidentialité a augmenté régulièrement jusqu’en 2018, mais a ensuite augmenté de 227 autour de mars 2018 à 304 en juin 2020.

L’auteur soutient que cette augmentation est attribuable aux effets du RGPD, et le document constate que plus des deux tiers (72 %) des phrases des politiques de confidentialité étudiées contenaient au moins un mot obscurant.

Lisibilité

Sur trois mesures courantes de difficulté de lecture, l’étude a constaté que ‘les politiques de confidentialité sont devenues de plus en plus difficiles à lire au fil des ans’. Les auteurs estiment que 41 % des politiques applicables actuellement disponibles en 2021 avaient un score de lisibilité de Flesch (FRE, plus est mieux) de seulement 31,8, l’auteur observant ‘Ce score indique un texte très difficile qui est le mieux compris par les diplômés universitaires’.

En même temps, seulement 6,7 % des politiques ont obtenu un score FRE supérieur à 45 (ce qui, selon le rapport, est le niveau de lecture requis pour les polices d’assurance dans l’État de Floride).

Conscience du changement de politique

Le travail aborde également la mesure dans laquelle les politiques de confidentialité incluent des détails sur la façon dont le consentant potentiel sera finalement informé en cas de mises à jour ultérieures, qui peuvent affecter la volonté de l’utilisateur de maintenir l’accord.

L’auteur observe:

‘En 2021, 73 % des politiques incluent une déclaration sur le changement de politique. De ceux-ci, 34 % déclarent que les changements seront annoncés par un avis dans la politique de confidentialité, 37 % publieront un avis sur le site Web, et 22 % enverront un avis personnel (les politiques restantes laissent le type d’avis non spécifié).’

‘Par conséquent, la plupart des utilisateurs sont peu susceptibles de prendre connaissance des changements dans les politiques de confidentialité. ‘

‘En outre, les utilisateurs sont offerts presque aucun choix significatif lorsqu’il y a des changements de politique. Des politiques qui informent l’utilisateur des changements, seulement 12 % offrent un nouveau consentement, tandis que 34 % ne donnent aucun choix et 54 % le laissent non spécifié.’

Les résultats du document sur les méthodes décrites pour informer les utilisateurs des changements de politique.

Choix limité concernant le suivi

Selon l’étude, un éventail bien plus large de mécanismes est offert dans les politiques de confidentialité pour accéder aux informations du compte utilisateur que pour accéder aux données de profil utilisateur. Les données de profil peuvent être créées et mises à jour par des mécanismes automatisés et non évidents, tandis que les données du compte utilisateur ne sont pas seulement accordées explicitement par l’utilisateur, mais également obligées d’être éditable en vertu des réglementations de diverses juridictions.

Le choix du consommateur sur le consentement des cookies dans les politiques de confidentialité (un sujet qui a suscité un débat animé depuis l’avènement du RGPD qui a promulgué des centaines de milliers de fenêtres contextuelles de consentement aux cookies pour les instances européennes et internationales de sites Web) est généralement abordé dans les politiques, mais cache une couche plus importante de données moins accessibles*:

‘[Les] choix concernant les cookies sont insuffisants pour protéger les utilisateurs de tout suivi car les mécanismes de choix ou de contrôle sont rarement offerts pour l’information informatique, l’identifiant de périphérique, et l’identifiant personnel, qui permettent le suivi des utilisateurs via l’empreinte digitale.’

Un contraste frappant dans le niveau de contrôle accordé par les politiques de confidentialité entre les données de profil (qui peuvent être obtenues par des moyens implicites ou furtifs) et les données du compte utilisateur (où une certaine mesure de contrôle est fréquemment imposée par le RGPD, la loi californienne sur la confidentialité des consommateurs (CCPA) et des mécanismes nationaux et régionaux similaires).

Données

Pour obtenir les données pour l’étude, l’auteur a parcouru les sites Web pour les liens vers leurs politiques de confidentialité, trouvant souvent nécessaire d’élargir la portée au-delà du résultat initial, en raison du nombre de politiques non intégrales qui renvoient à d’autres politiques (chacune ayant le potentiel de changer soit en tandem avec, soit de manière indépendante de la politique parente ou connexe).

La Wayback Machine a été utilisée pour obtenir les politiques historiques, bien qu’il ait été nécessaire de tenir compte des résultats pour les politiques qui avaient été bloquées pour le crawl ou l’archivage via un fichier de configuration robots.txt (un petit fichier texte contenant des instructions pour les agents d’indexation de crawl Web concernant les pages et les autres entités qui ne devraient pas être incluses dans un index public).

Un instantané par mois a été obtenu à partir de la Wayback Machine par son CDX API pour chaque politique identifiable et continue applicable, en utilisant Firefox sous Selenium. La réalisation d’une reconnaissance optique de caractères sur les politiques disponibles uniquement au format PDF n’a pas été prise en compte pour le projet, qui s’est limité au (beaucoup plus grand) nombre de politiques HTML disponibles.

Un résultat intéressant du projet est que la clarté et la lisibilité des sites Web pornographiques ont en fait amélioré au cours de la période étudiée – peut-être en anticipation d’une réglementation et d’une clarté accrues. Pour rassembler ces documents, il a été nécessaire de les obtenir avec des crawls supplémentaires à partir d’adresses IP résidentielles, en raison des protocoles de blocage de contenu de l’université.

Initialement, 1 068 683 documents ont été obtenus, équivalant à 120 265 documents uniques contenant en moyenne 39,1 articles ou clauses de politique et 4,4 textes de politique uniques pour chaque lien.

Anglais uniquement

Comme c’est le cas dans des études récentes similaires, le projet n’a pas pu aborder les politiques de confidentialité non anglaises, qui ont été rejetées au cours de l’étape de nettoyage des données en utilisant le package PYCLD2.

Pour distinguer les politiques de confidentialité d’autres types de matériel, le projet a utilisé un classificateur développé en 2019 dans le cadre d’une initiative conjointe de l’Université du Wisconsin et de l’École polytechnique fédérale de Lausanne.

Architecture du classificateur IS-POLICY. Source: https://arxiv.org/pdf/1809.08396.pdf

Bien que le classificateur IS-POLICY ait été formé sur le même corpus de 1 000 documents que dans le document d’origine, l’auteur a dû obtenir de nouveaux documents non politiques pour la formation, car les sources d’origine n’étaient pas disponibles.

Après le filtrage, les données ont été réduites à 56 416 politiques de confidentialité uniques.

* La citation en ligne du document est convertie en lien hypertexte ici, la bascule italique est du document.

Publié pour la première fois le 31 janvier 2022.