Privacy Washing: Detecting Internal Contradictions in Privacy Policies
Dieses Paper führt eine mehrstufige, auf LLMs basierende Pipeline zur Erkennung von „Privacy Washing“ ein – interne Widersprüche in Datenschutzrichtlinien, bei denen Zusagen durch andere Klauseln untergraben werden – und wendet diese auf Korpora aus den Jahren 2015 und 2026 an, um zu zeigen, dass in einem signifikanten Anteil von Unternehmen wiederkehrende Widersprüche bezüglich der Weitergabe an Dritte auftreten, wobei angemerkt wird, dass es sich bei den Häufigkeitszahlen um Untergrenzen handelt, da eine Validierung durch menschliche Experten fehlt.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Mal, wenn Sie eine Website besuchen oder eine App herunterladen, werden Sie gebeten, einer Datenschutzerklärung zuzustimmen. Dies sind die langen, dichten Dokumente, die erklären, wie ein Unternehmen mit Ihren persönlichen Informationen umgeht. Über Jahrzehnte hinweg sind Forscher und Regulierungsbehörden von einer einfachen Annahme ausgegangen: Wenn ein Unternehmen ein Versprechen in diesem Dokument aufstellt, hält es dieses Versprechen auch ein. Die Idee ist, dass diese Richtlinien als klare Mitteilung dienen, die es Ihnen ermöglicht, eine informierte Entscheidung über Ihre Daten zu treffen. Wenn in einer Richtlinie steht „Wir verkaufen Ihre Daten nicht“, erwartet eine vernünftige Person, dass das Unternehmen sie nicht verkauft. Dieses Vertrauen beruht jedoch darauf, dass das Dokument intern konsistent ist. Was passiert, wenn eine Richtlinie in einem Abschnitt ein beruhigendes Versprechen macht, nur um in einem anderen Abschnitt desselben Textes eine Praxis zu beschreiben, die dieses Versprechen direkt untergräbt? Dies ist die Frage, die eine neue Studie untersucht, indem sie ein Phänomen erforscht, das der Autor als „Privacy Washing“ bezeichnet.
Das Konzept zieht eine Parallele zum „Greenwashing“, bei dem ein Unternehmen eine kleine Umweltleistung bewirbt, während es gleichzeitig schädliche Praktiken fortsetzt. In der digitalen Welt tritt Privacy Washing auf, wenn eine Richtlinie eine Verpflichtung enthält, wie etwa das Versprechen, die Weitergabe von Daten zu begrenzen, die jedoch durch eine Beschreibung der tatsächlichen Datenverarbeitung an anderer Stelle im selben Dokument widerlegt wird. Der Widerspruch ist nicht immer ein einfacher logischer Fehler wie die Aussage „Wir sammeln X“ und „Wir sammeln nicht X“. Er ist oft subtiler: Eine breite, tröstliche Aussage wie „Wir verkaufen Ihre persönlichen Informationen nicht“ steht neben einer detaillierten Beschreibung der Weitergabe von Benutzeridentifikatoren an Werbepartner. Ein Leser, der bei dem beruhigenden Versprechen anhält, erreicht möglicherweise nie die weiter unten verborgene, widersprüchliche Praxis, was einen irreführenden Eindruck von Sicherheit erzeugt.
Um zu untersuchen, wie verbreitet dies ist, entwickelte ein Forscher namens Thomas Brackin ein automatisiertes System, um Datenschutzerklärungen auf diese internen Widersprüche zu scannen. Das System liest die Dokumente nicht wie ein Mensch von Anfang bis Ende. Stattdessen zerlegt es den Text in winzige, einzelne Aussagen. Zuerst identifiziert es Sätze, die wie Versprechen oder Verpflichtungen klingen, wie etwa „Wir werden Ihre Daten nicht teilen“. Dann findet es Sätze, die tatsächliche Praktiken beschreiben, wie etwa „Wir teilen Daten mit Partnern“. Das System führt diese Aussagen dann zusammen, um zu sehen, ob sie kollidieren. Es verwendet eine Reihe von Filtern, um Paare zu entfernen, die offensichtlich nicht zusammengehören, wie etwa ein Versprechen über Sicherheit gepaart mit einer Praxis über Datenerhebung. Es setzt dann Modelle der künstlichen Intelligenz ein, um zu beurteilen, ob die verbleibenden Paare einen echten Widerspruch darstellen. Um die Genauigkeit zu gewährleisten, nutzt das System ein Gremium aus drei verschiedenen KI-Modellen; ein Paar wird nur dann als bestätigter Widerspruch markiert, wenn mindestens zwei der drei Modelle übereinstimmen.
Der Forscher wandte dieses System auf zwei große Sammlungen von Datenschutzerklärungen an. Eine Sammlung, die im Jahr 2026 zusammengestellt wurde, umfasste 123 Unternehmen aus verschiedenen Branchen. Die andere, die im Jahr 2015 gesammelt wurde, umfasste 115 Unternehmen. Dies ermöglichte es dem Forscher zu sehen, ob es sich um ein neues Problem oder ein langjähriges Merkmal der Art und Weise handelt, wie diese Dokumente verfasst werden. Die Ergebnisse zeigten, dass Privacy Washing ein wiederkehrendes Muster ist. In der Sammlung von 2026 trat in mindestens 12 Prozent der Unternehmen mindestens ein bestätigter Widerspruch auf. In der Sammlung von 2015 war die Zahl mit etwa 36 Prozent höher. Der Forscher merkt jedoch an, dass die beiden Sammlungen mit leicht unterschiedlichen Einstellungen analysiert wurden, weshalb der Unterschied in den Zahlen nicht definitiv auf eine Veränderung im Laufe der Zeit zurückgeführt werden kann. Klar ist jedoch, dass dieselben Arten von Widersprüchen in beiden Ären auftreten.
Die häufigsten Widersprüche betrafen die Weitergabe von Daten an Dritte. Ein häufiges Muster war, dass ein Unternehmen versprach, keine Daten zu verkaufen oder zu teilen, während es gleichzeitig beschrieb, wie es Identifikatoren und kommerzielle Informationen mit Werbepartnern teilt. Dieses spezifische Muster deckt sich mit einem Rechtsvergleich mit dem Unternehmen Sephora im Jahr 2022, bei dem Regulierungsbehörden feststellten, dass die Weitergabe von Daten an Werbepartner für gezielte Werbung nach kalifornischem Recht rechtlich als „Verkauf“ gelten kann, selbst wenn das Unternehmen behauptet, keine Daten zu verkaufen. Die Studie fand heraus, dass diese Widersprüche oft nicht aus vorsätzlicher Täuschung resultieren, sondern aus strukturellen Faktoren. Wenn sich Gesetze ändern, fügen Unternehmen neue Abschnitte zu ihren Richtlinien hinzu, um regulatorischen Anforderungen zu entsprechen, wie etwa das Hinzufügen einer „Wir verkaufen nicht“-Aussage, um die Anforderungen Kaliforniens zu erfüllen. Diese neuen Abschnitte werden oft hinzugefügt, ohne sie mit älteren Abschnitten abzugleichen, die bestehende Datenteilungspraktiken beschreiben, wodurch ein interner Konflikt entsteht.
Die Studie zeigte auch, dass das System nicht perfekt ist und wahrscheinlich viele Widersprüche übersieht. Die automatisierten Filter sind so konzipiert, dass sie sehr streng sind, um Fehlalarme zu vermeiden, was bedeutet, dass sie Paare verwerfen könnten, die ein menschlicher Experte als widersprüchlich ansehen würde. Darüber hinaus verlässt sich das System auf künstliche Intelligenz, um die Widersprüche zu beurteilen, und diese KI-Modelle wurden noch nicht gegen menschliche Experten validiert. Der Forscher betont, dass die Ergebnisse eher als Kandidaten für eine weitere Überprüfung denn als endgültiger Beweis für Fehlverhalten zu verstehen sind. Die Studie behauptet nicht, dass Unternehmen absichtlich lügen; sie legt vielmehr nahe, dass die Art und Weise, wie diese Dokumente konstruiert werden – oft durch verschiedene Teams, die über die Zeit Abschnitte hinzufügen – ein strukturelles Umfeld schafft, in dem beruhigende Versprechen und detaillierte Praktiken leicht miteinander in Widerspruch stehen können.
Letztendlich bietet die Forschung eine neue Sichtweise auf Datenschutzerklärungen. Anstatt nur zu messen, wie lang sie sind oder wie schwer sie zu lesen sind, misst diese Studie, ob der Text sich selbst widerspricht. Die Ergebnisse legen nahe, dass für eine signifikante Anzahl von Unternehmen das Versprechen von Privatsphäre und die Beschreibung der Praxis innerhalb desselben Dokuments in Spannung stehen. Während die Studie nicht feststellen kann, ob Nutzer tatsächlich getäuscht werden, identifiziert sie eine spezifische textliche Bedingung, unter der der „Gesamteindruck“ der Richtlinie täuschend sein könnte, selbst wenn jeder einzelne Satz technisch korrekt ist. Die Arbeit dient als Werkzeug, um diese Inkonsistenzen aufzuzeigen, und bietet einen Ausgangspunkt für Regulierungsbehörden, Unternehmen und Forscher, um zu prüfen, ob die in den Datenschutzerklärungen gemachten Versprechen tatsächlich mit den beschriebenen Praktiken übereinstimmen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.