PrivacyAkinator：通过回答LLM生成的多选题阐述关键隐私设计决策
人机交互
2026-05-21 v1 人工智能
软件工程
摘要
NIST隐私风险评估方法（PRAM）提供了结构化框架，帮助隐私专家评估隐私风险。然而，其复杂性和对专家知识的依赖使得新手开发人员难以有效使用。本文探讨了降低这些障碍的方法。我们首先进行了一项观察性研究，针对12名在真实场景中使用PRAM的参与者，发现新手开发人员在阐述隐私相关设计决策方面困难最重。随后，我们开发了PrivacyAkinator——一个交互式工具，帮助开发人员通过回答LLM生成的多选题来阐述关键隐私决策。PrivacyAkinator引入了三项创新：将隐私相关设计决策抽象为数据流和利益相关者互动的通用隐私表示；从1万篇隐私相关新闻文章中挖掘出的领域感知设计空间；以及优先排序相关问题的动态问题生成工作流程。我们对24名参与者的研究结果表明，使用PrivacyAkinator的开发人员比PRAM以更快的速度（73%更少时间）识别出更多的关键决策（多出47%）。
引用
@article{arxiv.2605.20206,
title = {PrivacyAkinator: Articulating Key Privacy Design Decisions by Answering LLM-Generated Multiple-choice Questions},
author = {Qiyu Li and Yuen Sum Wong and Yuen Kei Wong and Longxuan Yu and Haojian Jin},
journal= {arXiv preprint arXiv:2605.20206},
year = {2026}
}
备注
Accepted to ACM CHI 2026