This article is not the first work

This article is not the first work to integrate several privacy aspects into a single
structural model. Hui et al. [2006], Li et al. [2010; Li and Santhanam 2008], Xu et al.
[2009, 2011], and Keith et al. [2011] provide similar models which inspired our work.
However, despite the more comprehensive nature of their approach, their work fails
to truly investigate privacy as a decision making process in adequate detail, because
their outcome measure is a more generic form of behavioral intention (i.e., measured
with generic questionnaire items such as “How likely would you provide your personal
information (including your location) to use the M-Coupon service?”). Such intentions
arguably do not directly relate to observable privacy behaviors (cf. Spiekermann et al.
[2001] who show that privacy preferences and actual behavior tend to be weakly related
at best). Our approach, in contrast, considers users’ detailed privacy decisions (a
yes/no decision for multiple disclosures), which is more compatible with existing information
disclosure research (cf. Acquisti et al. [2011]). In effect, our article is arguably
the first to answer the call by Smith et al. [2011] to integrate research on antecedents,
privacy concerns and privacy calculus, with a focus on actual observable outcomes.
4. ONLINE EXPERIMENT
We validate our integrated approach using a mobile app recommender system, inspired
by existing systems that have been developed both for research and commercial
purposes (e.g., Bohmer et al. [2010], Girardello and Michahelles [2010], and Davidsson ¨
and Moritz [2011]). The system recommends apps for Android phones based on users’
context (e.g., location, app usage, credit card purchases) and demographics (e.g., age,
hobbies, religion, household income).
Although context has recently attracted the most attention in mobile recommender
systems research [Adomavicius and Tuzhilin 2011; Ricci 2011], several researchers
have explored the combination of context and demographics in mobile recommenders
[Lee and Lee 2007; Lee and Park 2007; Oh and Moon 2012; Zheng et al. 2012]. In
general, the users’ context provides a wealth of automatically accrued data that can
be used to provide relevant recommendations tailored to the specific usage situation.
Demographics, on the other hand, can be used to overcome the “new user problem”
[Lee and Park 2007], and is typically easier to interpret than context data. Indeed,
research shows that it is the combination of demographics and context that leads to
the best recommendation quality: Lee and Lee [2007] show that there is added value of
context over demographics, while Oh and Moon [2012] show the value of demographics
over context. Zheng et al. [2012] show context and demographics each add value to a
standard collaborative filtering system.
4.1. System
The system we created for our experiment has the working title Applause. As the
current experiment only considers the information disclosure aspect of the system, it
uses a Web-based mockup of the Applause system that collects personal information
but does not make any recommendations. To increase the realism of the experiment,
users were told that their data would be disclosed to the developer, a company named
Appy1. We reinforced this belief by ostensibly transferring users to the Appy Web site
(with its own URL and branding) for the disclosure part of the experiment (Figure 2).
4.2. Setup
Participants were recruited between June 2011 and February 2012 in three rounds.
We first enrolled 200 participants via Amazon Turk, a recruitment source that

ผลลัพธ์ (ไทย) 1:

บทความนี้ไม่ใช่งานแรกที่จะบูรณาการด้านข้อมูลส่วนบุคคลต่าง ๆ เป็นหนึ่งเดียวแบบจำลองโครงสร้าง Al. ฮุยร้อยเอ็ด [2006], al. และหลี่ [2010 หลี่และ Santhanam 2008], Xu et al[2009, 2011], และคีธ et al. [2011] มีรูปแบบคล้ายคลึงกันซึ่งแรงบันดาลใจจากงานของเราอย่างไรก็ตาม แม้ มีลักษณะครอบคลุมมากขึ้นของวิธีการ ทำงานล้มเหลวการตรวจสอบความเป็นส่วนตัวเป็นการตัดสินใจอย่างแท้จริงทำให้กระบวนการในรายละเอียดเพียงพอ เนื่องจากการวัดผลเป็นแบบทั่วไปของพฤติกรรมความตั้งใจ (เช่น วัดด้วยแบบสอบถามทั่วไปสินค้าเช่น "ความน่าจะคุณให้ส่วนบุคคลของคุณข้อมูล (รวมทั้งที่ตั้งของคุณ) เพื่อใช้บริการคูปอง M ? ") ความตั้งใจดังกล่าวว่าไม่ตรงเกี่ยวข้องกับพฤติกรรมส่วนบุคคล observable (มัทธิว Spiekermann et al[2001] ที่แสดงว่า การกำหนดลักษณะส่วนบุคคลและลักษณะการทำงานจริงมัก weakly เกี่ยวข้องหรือไม่ที่ดีที่สุด) วิธีการของเรา พิจารณาผู้รายละเอียดส่วนตัวตัดสิน (ที่ตรงกันข้ามใช่/ไม่ใช่ตัดสินใจในการเปิดเผยข้อมูลหลาย), ซึ่งจะเข้ากันได้กับข้อมูลที่มีอยู่มากการเปิดเผยข้อมูลวิจัย (มัทธิว Acquisti et al. [2011]) ผล บทความของเราเป็นคนแรกที่ตอบรับการเรียกโดย Smith et al. [2011] การบูรณาการวิจัย antecedentsความกังวลความเป็นส่วนตัวและส่วนบุคคลแคลคูลัส โดยมุ่งเน้นผลลัพธ์จริง observable4. ออนไลน์ทดลองเราตรวจสอบวิธีการบูรณาการของเราใช้ app มือถือผู้แนะนำระบบ แรงบันดาลใจโดยระบบที่มีอยู่ที่ได้รับการพัฒนาทั้ง การวิจัย และการพาณิชย์วัตถุประสงค์ (เช่น Bohmer et al. [2010], Girardello และ Michahelles [2010], และเลขจด Davidssonกริทซ์ [2011]) ระบบแนะนำ apps สำหรับโทรศัพท์ Android ตามผู้ใช้บริบท (เช่น ที่ตั้ง การใช้ app ซื้อบัตรเครดิต) และลักษณะประชากร (เช่น อายุงานอดิเรก ศาสนา รายได้)แม้ว่าบริบทเมื่อเร็ว ๆ นี้ได้ดึงดูดความสนใจมากที่สุดในโทรศัพท์มือถือผู้แนะนำระบบวิจัย [Adomavicius และ Tuzhilin 2011 ริชชี่ 2011], นักวิจัยหลาย ๆได้สำรวจบริบทและลักษณะประชากรในมือถือ recommenders[ลีและลี 2007 ลีและสวน 2007 โอ้ และมูน 55 เจิ้ง et al. 2012] ในทั่วไป บริบทผู้ให้ข้อมูลที่สามารถรับรู้โดยอัตโนมัติให้เลือกมากมายใช้เพื่อให้คำแนะนำที่เกี่ยวข้องกับสถานการณ์การใช้งานเฉพาะข้อมูลประชากร บนมืออื่น ๆ สามารถใช้ในการเอาชนะ "ใหม่ผู้ใช้ปัญหา"[ลีและสวน 2007], และโดยทั่วไปง่ายต่อการแปลมากกว่าข้อมูลบริบท แน่นอนจากการวิจัยพบว่า เป็นการรวมกันของลักษณะประชากรและบริบทที่นำไปสู่คำแนะนำเกี่ยวกับคุณภาพ: ลีและลี [2007] แสดงว่ามีเพิ่มมูลค่าของบริบทมากกว่าข้อมูลประชากร ในขณะที่ Oh และดวงจันทร์ [2012] แสดงค่าของข้อมูลประชากรเหนือบริบท เจิ้ง et al. [2012] แสดงลักษณะประชากรและบริบทแต่ละค่าเพิ่มไประบบร่วมกรองมาตรฐาน4.1. ระบบระบบที่เราสร้างขึ้นในการทดลองของเรามีชื่อเรื่องทำปรบมือ เป็นปัจจุบันทดลองพิจารณาเฉพาะด้านการเปิดเผยข้อมูลของระบบ มันใช้ mockup ที่เว็บระบบปรบมือที่รวบรวมข้อมูลส่วนบุคคลแต่ไม่ให้คำแนะนำใด ๆ เพื่อเพิ่มความสมจริงของการทดลองผู้ใช้มีบอกว่า จะเปิดเผยข้อมูลกับนักพัฒนา ชื่อบริษัทAppy1 เราเสริมความเชื่อนี้ โดยรัฐบาลถ่ายโอนผู้ใช้ Appy เว็บไซต์(มี URL ของตัวเอง และสร้างตราสินค้า) สำหรับส่วนเปิดเผยทดลอง (รูปที่ 2)4.2 การตั้งค่าผู้เข้าร่วมได้พิจารณาระหว่างเดือน 2554 มิถุนายนและ 2012 กุมภาพันธ์ในรอบที่สามเราก่อนลงทะเบียนผู้เข้าร่วม 200 ผ่านเติร์ก Amazon การสรรหาบุคลากรแหล่งที่

ผลลัพธ์ (ไทย) 2:

บทความนี้ไม่ได้เป็นงานแรกที่จะบูรณาการด้านความเป็นส่วนตัวหลาย ๆ ตัวเป็นหนึ่งเดียว
รูปแบบโครงสร้าง ฮุยและคณะ [2006] หลี่และคณะ [2010; Li และ Santhanam 2008], Xu et al.
[2009, 2011], และคี ธ และคณะ [2011] ให้รูปแบบที่คล้ายกันซึ่งแรงบันดาลใจในการทำงานของเรา.
อย่างไรก็ตามแม้จะมีธรรมชาติที่ครอบคลุมมากขึ้นของวิธีการของพวกเขาล้มเหลวในการทำงานของพวกเขา
อย่างแท้จริงตรวจสอบความเป็นส่วนตัวกระบวนการตัดสินใจในรายละเอียดที่เพียงพอเพราะ
ตัวชี้วัดผลที่ได้คือรูปแบบทั่วไปมากขึ้นของความตั้งใจพฤติกรรม (คือวัด
กับรายการแบบสอบถามทั่วไปเช่น "วิธีการที่คุณมีแนวโน้มที่จะให้ส่วนบุคคลของคุณ
ข้อมูล (รวมถึงสถานที่ของคุณ) เพื่อใช้บริการ M-Coupon? ") ความตั้งใจดังกล่าว
เนื้อหาไม่ได้เกี่ยวข้องโดยตรงกับพฤติกรรมความเป็นส่วนตัวที่สังเกตได้ (cf Spiekermann et al.
[2001] ที่แสดงให้เห็นว่าการตั้งค่าความเป็นส่วนตัวและพฤติกรรมที่เกิดขึ้นจริงมีแนวโน้มที่จะมีความสัมพันธ์ที่ไม่ค่อย
ที่ดีที่สุด) วิธีการของเราในทางตรงกันข้ามพิจารณาของผู้ใช้รายละเอียดการตัดสินใจความเป็นส่วนตัว (
ใช่ / การตัดสินใจสำหรับการเปิดเผยข้อมูลหลายไม่มี) ซึ่งเป็นมากขึ้นเข้ากันได้กับที่มีอยู่ในข้อมูล
การวิจัยการเปิดเผยข้อมูล (cf Acquisti et al. [2011]) ผลบทความของเราเป็น arguably
แรกที่จะรับสายโดยสมิ ธ และคณะ [2011] เพื่อบูรณาการงานวิจัยเกี่ยวกับบุคคล,
ความเป็นส่วนตัวและแคลคูลัสความเป็นส่วนตัวให้ความสำคัญกับผลการสังเกตที่เกิดขึ้นจริง.
4 ทดลองออนไลน์
เราตรวจสอบวิธีการแบบบูรณาการของเราโดยใช้การตรวจสอบระบบ recommender มือถือได้แรงบันดาลใจ
จากระบบที่มีอยู่ที่ได้รับการพัฒนาสำหรับการวิจัยทั้งในเชิงพาณิชย์และ
วัตถุประสงค์ (เช่น Bohmer et al. [2010], Girardello และ Michahelles [2010] และ Davidsson ¨
และ มอริตซ์ [2011]) ระบบแนะนำแอพพลิเคสำหรับโทรศัพท์ Android ขึ้นอยู่กับผู้ใช้
บริบท (เช่นสถานที่, การใช้งานแอพพลิเค, ซื้อบัตรเครดิต) และประชากร (เช่นอายุ
งานอดิเรก, ศาสนา, รายได้ของครัวเรือน).
แม้ว่าบริบทเมื่อเร็ว ๆ นี้ได้ดึงดูดความสนใจมากที่สุดในมือถือของผู้แนะนำ
การวิจัยระบบ [Adomavicius และ Tuzhilin 2011; ริชชี่ 2011] นักวิจัยหลาย
มีการสำรวจการรวมกันของบริบทและประชากรใน Recommenders มือถือ
[ลีและลี 2007; ลีและสวน 2007; โอ้และดวงจันทร์ 2012; เจิ้งเหอและคณะ 2012] ใน
ทั่วไปบริบทของผู้ใช้ให้ความมั่งคั่งของข้อมูลที่ค้างโดยอัตโนมัติที่สามารถ
นำมาใช้เพื่อให้คำแนะนำที่เกี่ยวข้องปรับให้เหมาะสมกับสถานการณ์การใช้งานเฉพาะ.
ประชากรในมืออื่น ๆ ที่สามารถนำมาใช้เพื่อเอาชนะปัญหา "ผู้ใช้ใหม่"
[ลีและ สวนสาธารณะ 2007] และโดยทั่วไปจะง่ายต่อการตีความกว่าข้อมูลบริบท อันที่จริง
การวิจัยแสดงให้เห็นว่ามันคือการรวมกันของกลุ่มผู้เข้าชมและบริบทที่นำไปสู่การ
มีคุณภาพแนะนำที่ดีที่สุด: ลีและลี [2007] แสดงให้เห็นว่ามีการเพิ่มมูลค่าของ
บริบทมากกว่าประชากรในขณะโอ้และดวงจันทร์ [2012] แสดงค่าของประชากร
มากกว่าบริบท เจิ้งเหอและคณะ [2012] บริบทแสดงและกลุ่มผู้เข้าชมแต่ละเพิ่มมูลค่าให้กับ
การทำงานร่วมกันของระบบการกรองมาตรฐาน.
4.1 ระบบ
ระบบที่เราสร้างขึ้นสำหรับการทดลองของเรามีการทำงานที่ชื่อเสียงปรบมือ ในขณะที่
การทดลองในปัจจุบันจะพิจารณาด้านการเปิดเผยข้อมูลของระบบก็
ใช้ mockup web-based ของระบบเสียงปรบมือที่เก็บรวบรวมข้อมูลส่วนบุคคล
แต่ไม่ได้ให้คำแนะนำใด ๆ เพื่อเพิ่มความสมจริงของการทดลองที่
ผู้ใช้บอกว่าข้อมูลของพวกเขาจะได้รับการเปิดเผยต่อนักพัฒนา บริษัท ชื่อ
Appy1 เราเสริมความเชื่อนี้อย่างเห็นได้ชัดโดยการถ่ายโอนให้ผู้ใช้เว็บไซต์ Appy
(กับ URL ของตัวเองและการสร้างตราสินค้า) สำหรับส่วนการเปิดเผยข้อมูลของการทดลอง (รูปที่ 2).
4.2 การติดตั้ง
ผู้เข้าร่วมได้รับคัดเลือกระหว่างเดือนมิถุนายนปี 2011 และกุมภาพันธ์ 2012 ในรอบสาม.
เราเป็นครั้งแรกที่ลงทะเบียนเรียน 200 คนผ่านทาง Amazon เติร์กแหล่งที่มาการสรรหาบุคลากรที่

ผลลัพธ์ (ไทย) 3:

บทความนี้ไม่ใช่งานแรกที่จะบูรณาการด้านความเป็นส่วนตัวหลายเข้าเดียว
โครงสร้างแบบ ฮุย et al . [ 2006 ] , Li et al . [ li santhanam 2008 และ 2010 ; ] , Xu et al .
[ 2009 , 2011 ] และคีธ et al . [ 2011 ] ให้คล้ายนางแบบซึ่งเป็นแรงบันดาลใจการทำงานของเรา .
อย่างไรก็ตามแม้จะมีลักษณะที่ครอบคลุมมากขึ้นของวิธีการของพวกเขา งานของพวกเขาล้มเหลว
ตรวจสอบความเป็นส่วนตัวอย่างแท้จริง โดยการตัดสินใจในรายละเอียดที่เพียงพอ เนื่องจากผลของมาตรการ
เป็นรูปแบบทั่วไปมากขึ้นเจตนาเชิงพฤติกรรม ( เช่น วัด
กับรายการแบบสอบถามทั่วไปเช่น " อย่างไรคุณอาจให้ข้อมูลส่วนบุคคล
( รวมถึงสถานที่ของคุณ ) เพื่อใช้ m-coupon บริการ ? " ) ความตั้งใจ
เช่นเนื้อหาไม่ตรงกับพฤติกรรมส่วนตัวที่สังเกต ( CF . spiekermann et al .
[ 2001 ] ซึ่งแสดงให้เห็นว่าการตั้งค่าความเป็นส่วนตัวและพฤติกรรมที่แท้จริงมักจะเป็นอย่างอ่อนที่เกี่ยวข้อง
ที่ดีที่สุด ) วิธีการของเรา ในทางตรงกันข้าม จะพิจารณารายละเอียดของผู้ใช้ข้อมูลการตัดสินใจ (
ใช่ / ไม่ใช่การตัดสินใจแบบโปร่งใส ) ซึ่งเข้ากันได้กับที่มีอยู่งานวิจัยเปิดเผยข้อมูล
( CF . acquisti et al .[ 2011 ] ) ส่วนในบทความของเราเป็น arguably
ครั้งแรกที่จะรับสายโดย Smith et al . [ 2011 ] เพื่อบูรณาการงานวิจัยเกี่ยวกับบรรพบุรุษ
ความเป็นส่วนตัว , แคลคูลัสและความเป็นส่วนตัว ด้วยการเน้นจริงสังเกตผล .
4 ทดสอบออนไลน์
เราตรวจสอบวิธีการรวมของเรา ใช้ระบบการแนะนำ app มือถือแรงบันดาลใจ
ด้วยระบบที่มีอยู่ที่ได้รับการพัฒนาทั้งงานวิจัยและพาณิชย์
วัตถุประสงค์ ( เช่น bohmer et al . [ 2010 ] , และ [ 2010 ] girardello michahelles และ Camilla ตั้ง
[ 2011 ] และ มอริทซ์ ) ระบบแนะนำสำหรับโทรศัพท์ Android ตามบริบทของผู้ใช้
( เช่นสถานที่ , การตรวจสอบการใช้บัตรเครดิตซื้อสินค้า ) และประชากร เช่น อายุ ,
งานอดิเรกศาสนา
รายได้ครัวเรือน )แม้ว่าบริบทนี้ได้ดึงดูดความสนใจมากที่สุดในระบบแนะนำ
มือถือและวิจัย [ adomavicius tuzhilin 2011 ; ริชชี่ 2011 ] หลายนักวิจัย
ได้สํารวจรวมของบริบทและประชากรในมือถือ recommenders
[ ลี ลี ลี และ ปาร์ค ในปี 2007 ; ; โอ้และดวงจันทร์ 2012 ; เจิ้ง et al . 2012 ] ใน
ทั่วไปบริบทของผู้ใช้ให้ความมั่งคั่งของข้อมูลที่เกิดขึ้นโดยอัตโนมัติที่สามารถใช้เพื่อให้คำแนะนำ
ที่เหมาะกับสถานการณ์ โดยเฉพาะการใช้ .
ประชากรบนมืออื่น ๆที่สามารถใช้เพื่อเอาชนะ " ปัญหาที่ผู้ใช้ใหม่ "
[ 2007 ] ลี และ ปาร์ค และมักจะง่ายที่จะตีความกว่าข้อมูลบริบท แน่นอน
การวิจัยแสดงให้เห็นว่ามันคือการรวมกันของประชากรและบริบทที่นำไปสู่
คุณภาพคำแนะนำที่ดีที่สุด : ลี ลี [ 2007 ] แสดงให้เห็นว่ามีการเพิ่มมูลค่าของ
บริบทกว่าประชากร ในขณะที่โอและดวงจันทร์ [ 2012 ] แสดงคุณค่าของประชากร
ผ่านบริบท เจิ้ง et al . [ 2012 ] แสดงบริบทและประชากรแต่ละ เพิ่มมูลค่า เป็นมาตรฐานระบบการกรองแบบ
.
. . ระบบ
ระบบที่เราสร้างขึ้นสำหรับการทดลองของเราได้ด้วยครับชื่องาน เป็น
การทดลองปัจจุบันเท่านั้นจะพิจารณาการเปิดเผยข้อมูลด้านระบบมัน
ใช้เว็บ mockup ของปรบมือระบบที่รวบรวม
ข้อมูลส่วนบุคคลแต่ไม่ได้ให้คำแนะนำใด ๆ . เพื่อเพิ่มความสมจริงของการทดลอง
ผู้ใช้บอกว่าข้อมูลจะเปิดเผยต่อนักพัฒนาบริษัทที่ชื่อ
appy1 . เราเสริมความเชื่อนี้ด้วยว่าการถ่ายโอนผู้ใช้ไปยังเว็บไซต์การผ่าตัด
( URL ของตัวเอง และการสร้างตราสินค้าสำหรับการเปิดเผยส่วนหนึ่งของการทดลอง ( รูปที่ 2 ) .
4.2 . ผู้ติดตั้ง
คัดเลือกระหว่างมิถุนายน 2554 กุมภาพันธ์ 2555 ใน 3 รอบ
เราเรียน 200 ผู้เข้าร่วมประชุมผ่าน Amazon เติร์ก สรรหาแหล่งที่