关于差分隐私文本隐私化的用户视角研究

近期文献中，差分隐私自然语言处理（DP NLP）领域出现了显著增长。这包括差分隐私文本隐私化，即在差分隐私保护下对可能包含敏感信息的输入文本进行转换，以生成理想地掩盖敏感信息并保留原始语义的隐私化输出文本。尽管已有持续研究应对差分隐私文本隐私化中的开放挑战，但针对用户对该技术认知的研究仍然稀缺，而用户认知是实现实际应用的关键障碍。在本工作中，我们对全球721名非专业人士进行了调查，研究场景、数据敏感性、机制类型和数据收集目的等因素如何影响用户对文本隐私化的偏好。我们发现，虽然所有这些因素都在隐私决策中发挥作用，但用户对隐私化输出文本的实用性和连贯性高度敏感。我们的发现揭示了差分隐私自然语言处理研究中必须考虑的社会技术因素，为进一步的用户导向研究打开了大门。