Privacy Washing: Detecting Internal Contradictions in Privacy Policies
यह शोध पत्र "प्राइवेसी वॉशिंग" (privacy washing)—गोपनीयता नीतियों में आंतरिक विरोधाभास जहाँ अन्य खंडों द्वारा प्रतिबद्धताओं को कमजोर किया जाता है—का पता लगाने के लिए एक बहु-चरणीय LLM-आधारित पाइपलाइन पेश करता है और इसे 2026 और 2015 के कॉर्पोरा पर लागू करता है ताकि कंपनियों के एक महत्वपूर्ण हिस्से में बार-बार होने वाले तीसरे पक्ष के साझाकरण संबंधी विरोधाभासों को उजागर किया जा सके, साथ ही यह भी उल्लेख किया गया है कि मानव विशेषज्ञ सत्यापन की कमी के कारण व्यापकता के आंकड़े निम्नतम सीमा (lower bounds) हैं।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने नहीं लिखा है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
जब भी आप किसी वेबसाइट पर जाते हैं या कोई ऐप डाउनलोड करते हैं, तो आपसे एक गोपनीयता नीति (प्राइवेसी पॉलिसी) से सहमत होने के लिए कहा जाता है। ये लंबे, सघन दस्तावेज़ होते हैं जो यह बताते हैं कि एक कंपनी आपके व्यक्तिगत डेटा को कैसे संभालती है। दशकों से, शोधकर्ता और नियामक एक सरल धारणा पर काम करते रहे हैं: यदि कोई कंपनी उस दस्तावेज़ में कोई वादा लिखती है, तो वह उस वादे को निभाती है। विचार यह है कि ये नीतियां एक स्पष्ट सूचना के रूप में कार्य करती हैं, जिससे आप अपने डेटा के बारे में एक सूचित विकल्प चुन सकें। यदि कोई नीति कहती है "हम आपका डेटा नहीं बेचते हैं," तो एक तर्कसंगत व्यक्ति उम्मीद करता है कि कंपनी उसे नहीं बेचेगी। हालाँकि, यह धारणा इस बात पर निर्भर करती है कि दस्तावेज़ आंतरिक रूप से सुसंगत हो। क्या होता है जब एक नीति एक अनुभाग में एक आश्वस्त करने वाला वादा करती है, और फिर दूसरे अनुभाग में एक ऐसे अभ्यास का वर्णन करती है जो सीधे तौर पर उस वादे को कमजोर करता है? यह प्रश्न एक नया अध्ययन उठाता है, जो एक ऐसी घटना की खोज करता है जिसे लेखक "प्राइवेसी वॉशिंग" (privacy washing) कहते हैं।
यह अवधारणा "ग्रीनवॉशिंग" (greenwashing) के समानांतर चलती है, जहाँ एक कंपनी एक छोटे पर्यावरणीय प्रयास का विज्ञापन कर सकती है जबकि हानिकारक प्रथाओं को जारी रखती है। डिजिटल दुनिया में, प्राइवेसी वॉशिंग तब होती है जब किसी नीति में एक प्रतिबद्धता होती है, जैसे कि डेटा साझा करने को सीमित करने का वादा, जो उसी दस्तावेज़ में कहीं और पाए जाने वाले वास्तविक डेटा हैंडलिंग के विवरण के विपरीत होती है। विरोधाभास हमेशा एक सरल तार्किक त्रुटि नहीं होता जैसे कि यह कहना कि "हम X एकत्र करते हैं" और "हम X एकत्र नहीं करते हैं।" इसके बजाय, यह अक्सर अधिक सूक्ष्म होता है: एक व्यापक, आरामदायक कथन जैसे "हम आपकी व्यक्तिगत जानकारी नहीं बेचते हैं" एक विज्ञापन भागीदारों के साथ उपयोगकर्ता पहचानकर्ताओं (user identifiers) को साझा करने के विस्तृत विवरण के साथ मौजूद होता है। एक पाठक जो आश्वस्त करने वाले वादे पर रुक जाता है, वह शायद नीचे दबे विरोधाभासी अभ्यास तक कभी नहीं पहुँच पाता, जिससे सुरक्षा की एक भ्रामक धारणा बनती है।
यह जांचने के लिए कि यह कितना सामान्य है, थॉमस ब्रैकिन नामक एक शोधकर्ता ने गोपनीयता नीतियों में इन आंतरिक विरोधाभासों को स्कैन करने के लिए एक स्वचालित प्रणाली विकसित की। यह प्रणाली दस्तावेजों को एक इंसान की तरह शुरू से अंत तक नहीं पढ़ती है। इसके बजाय, यह पाठ को छोटे, व्यक्तिगत कथनों में तोड़ देती है। यह पहले उन वाक्यों की पहचान करती है जो वादे या प्रतिबद्धता जैसे लगते हैं, जैसे कि "हम आपका डेटा साझा नहीं करेंगे।" फिर, यह उन वाक्यों को ढूंढती है जो वास्तविक प्रथाओं का वर्णन करते हैं, जैसे "हम भागीदारों के साथ डेटा साझा करते हैं।" सिस्टम फिर इन कथनों को आपस में जोड़कर देखता है कि क्या वे आपस में टकराते हैं। यह उन जोड़ों को हटाने के लिए फिल्टरों की एक श्रृंखला का उपयोग करता है जो स्पष्ट रूप से असंबंधित हैं, जैसे कि सुरक्षा के बारे में वादे को डेटा संग्रह के बारे में प्रथा के साथ जोड़ना। इसके बाद, यह यह तय करने के लिए आर्टिफिशियल इंटेलिजेंस (AI) मॉडल का उपयोग करता है कि क्या शेष जोड़े एक वास्तविक विरोधाभास का प्रतिनिधित्व करते हैं। सटीकता सुनिश्चित करने के लिए, सिस्टम तीन अलग-अलग AI मॉडलों के पैनल का उपयोग करता है; एक जोड़ा तभी एक पुष्ट विरोधाभास के रूप में चिह्नित किया जाता है जब तीन में से कम से कम दो मॉडल सहमत होते हैं।
शोधकर्ता ने इस प्रणाली को दो बड़े संग्रहों पर लागू किया। एक संग्रह, जो 2026 में एकत्र किया गया था, में विभिन्न उद्योगों की 123 कंपनियां शामिल थीं। दूसरा, जो 2015 में एकत्र किया गया था, में 115 कंपनियां शामिल थीं। इससे शोधकर्ता को यह देखने में मदद मिली कि क्या यह एक नई समस्या है या इन दस्तावेजों को लिखे जाने का एक पुराना हिस्सा। परिणामों ने दिखाया कि प्राइवेसी वॉशिंग एक आवर्ती पैटर्न है। 2026 के संग्रह में, लगभग 12 प्रतिशत कंपनियों में कम से कम एक पुष्ट विरोधाभास दिखाई दिया। 2015 के संग्रह में, यह आंकड़ा अधिक था, जो लगभग 36 प्रतिशत कंपनियों में दिखाई दिया। हालाँकि, शोधकर्ता नोट करते हैं कि दोनों संग्रहों का विश्लेषण थोड़े अलग सेटिंग्स के साथ किया गया था, इसलिए अंतर को समय के साथ बदलाव के रूप में निश्चित रूप से नहीं जोड़ा जा सकता है। जो स्पष्ट है वह यह है कि दोनों युगों में एक ही प्रकार के विरोधाभास दिखाई देते हैं।
सबसे अधिक बार होने वाले विरोधाभास तीसरे पक्ष (third-party) के साथ डेटा साझा करने से संबंधित थे। पाया गया एक सामान्य पैटर्न यह था कि एक कंपनी डेटा बेचने या साझा करने से न करने का वादा करती है, जबकि साथ ही यह भी बताती है कि वह विज्ञापन भागीदारों के साथ पहचानकर्ताओं और वाणिज्यिक जानकारी को कैसे साझा करती है। यह विशिष्ट पैटर्न सेफोरा (Sephora) कंपनी से जुड़े 2022 के एक कानूनी समझौते के अनुरूप है, जहाँ नियामकों ने निर्धारित किया था कि लक्षित विज्ञापनों के लिए विज्ञापन भागीदारों के साथ डेटा साझा करना कानूनी रूप से कैलिफोर्निया कानून के तहत "बिक्री" के रूप में गिना जा सकता है, भले ही कंपनी दावा करती हो कि वह डेटा नहीं बेचती है। अध्ययन में पाया गया कि ये विरोधाभास अक्सर जानबूझकर किए गए धोखे से नहीं, बल्कि संरचनात्मक कारकों से उत्पन्न होते हैं। जैसे-जैसे कानून बदलते हैं, कंपनियां नियमों के अनुपालन के लिए अपनी नीतियों में नए अनुभाग जोड़ती हैं, जैसे कि कैलिफोर्निया की आवश्यकताओं को पूरा करने के लिए "हम बेचते नहीं हैं" वाला बयान जोड़ना। ये नए अनुभाग अक्सर पुराने अनुभागों के साथ सामंजस्य बिठाए बिना जोड़े जाते हैं जो मौजूदा डेटा-साझाकरण प्रथाओं का वर्णन करते हैं, जिससे एक आंतरिक संघर्ष पैदा होता है।
अध्ययन ने यह भी खुलासा किया कि सिस्टम पूर्ण नहीं है और संभवतः कई विरोधाभासों को छोड़ देता है। स्वचालित फिल्टरों को गलत अलार्म से बचने के लिए बहुत सख्त बनाया गया है, जिसका अर्थ है कि वे उन जोड़ों को हटा सकते हैं जिन्हें एक मानव विशेषज्ञ विरोधाभासी मान सकता है। इसके अलावा, सिस्टम विरोधाभासों को आंकने के लिए आर्टिफिशियल इंटेलिजेंस पर निर्भर करता है, और इन AI मॉडलों को अभी तक मानव विशेषज्ञों के विरुद्ध मान्य नहीं किया गया है। शोधकर्ता इस बात पर जोर देते हैं कि निष्कर्ष गलत काम के अंतिम प्रमाण के बजाय आगे की समीक्षा के लिए उम्मीदवार हैं। अध्ययन यह दावा नहीं करता कि कंपनियां जानबूझकर झूठ बोल रही हैं; बल्कि, यह सुझाव देता है कि इन दस्तावेजों की संरचना—जो अक्सर अलग-अलग टीमों द्वारा अनुभाग जोड़ने से बनती है—एक ऐसा संरचनात्मक वातावरण बनाती है जहाँ आश्वस्त करने वाले वादे और विस्तृत प्रथाएं आसानी से एक-दूसरे के विपरीत हो सकते हैं।
अंततः, यह शोध गोपनीयता नीतियों को देखने का एक नया तरीका प्रदान करता है। केवल यह मापने के बजाय कि वे कितनी लंबी हैं या उन्हें पढ़ना कितना कठिन है, यह अध्ययन यह मापता है कि क्या पाठ स्वयं का खंडन करता है। निष्कर्ष बताते हैं कि बड़ी संख्या में कंपनियों के लिए, गोपनीयता का वादा और अभ्यास का विवरण एक ही दस्तावेज़ के भीतर तनाव में मौजूद है। हालांकि अध्ययन यह निर्धारित नहीं कर सकता कि उपयोगकर्ताओं को वास्तव में गुमराह किया जा रहा है या नहीं, यह एक विशिष्ट पाठ्य स्थिति की पहचान करता है जहाँ नीति की "कुल धारणा" (net impression) भ्रामक हो सकती है, भले ही प्रत्येक व्यक्तिगत वाक्य तकनीकी रूप रूप से सत्य हो। यह कार्य इन विसंगतियों को चिह्नित करने के लिए एक उपकरण के रूप में कार्य करता है, जो नियामकों, कंपनियों और शोधकर्ताओं को यह जांचने के लिए एक शुरुआती बिंदु प्रदान करता है कि क्या गोपनीयता नीतियों में किए गए वादे वास्तव में वर्णित प्रथाओं से मेल खाते हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।