Gender-Based Heterogeneity in Youth Privacy-Protective Behavior for Smart Voice Assistants: Evidence from Multigroup PLS-SEM

Titolo: Eterogeneità di Genere nel Comporto di Protezione della Privacy dei Giovani per gli Assistenti Vocali Intelligenti: Evidenze da un'Analisi Multigruppo PLS-SEM

1. Problema e Contesto

Gli assistenti vocali intelligenti (SVA) sono sempre più integrati nella vita quotidiana dei giovani (16-24 anni), creando sfide uniche per la privacy a causa della loro natura "sempre attiva" e della raccolta continua di dati ambientali. Sebbene la letteratura esista su differenze di genere nelle percezioni della privacy online, c'è una lacuna significativa nella comprensione di come il genere influenzi specificamente i percorsi decisionali strutturali (le relazioni causali tra percezione del rischio, fiducia, autoefficacia e comportamento) nell'ecosistema degli SVA.
La ricerca precedente ha spesso trattato il genere come una variabile demografica semplice o ha studiato popolazioni adulte, senza esaminare se i meccanismi psicologici che guidano il comportamento protettivo della privacy siano moderati dal genere tra i giovani utenti.

2. Metodologia

Lo studio utilizza un approccio quantitativo basato su un modello di equazioni strutturali (SEM) analizzato tramite PLS-SEM (Partial Least Squares Structural Equation Modeling) con analisi multigruppo (MGA).

• Campione: Dati raccolti da 469 giovani canadesi (16-24 anni) che utilizzano SVA.
  • Maschi: N=241
  • Femmine: N=174
  • Non binari: N=15
  • Preferisco non dire: N=39
  • Nota: L'analisi strutturale formale (MGA) è stata condotta solo sui gruppi binari (Maschi/Femmine) a causa della mancanza di potenza statistica per i gruppi non binari.
• Costrutti del Modello: Il modello valuta cinque costrutti latenti:
  1. PPR: Percezione del Rischio per la Privacy (Perceived Privacy Risks).
  2. PPBf: Percezione dei Benefici della Privacy (Perceived Privacy Benefits).
  3. ATT: Trasparenza Algoritmica e Fiducia (Algorithmic Transparency and Trust).
  4. PSE: Autoefficacia nella Privacy (Privacy Self-Efficacy).
  5. PPB: Comportamento Protettivo della Privacy (Privacy-Protective Behavior).
• Strumenti di Analisi:
  • Validazione del modello di misura (invarianza configurale, composita, media e varianza) tramite procedura MICOM in SmartPLS.
  • Test t per campioni indipendenti per le differenze di media (RQ1).
  • Test di permutazione (1.000 subsamples) per confrontare i coefficienti di percorso (path coefficients) tra i gruppi di genere (RQ2).
  • Analisi descrittiva per i gruppi non binari e "preferisco non dire" (RQ3).

3. Contributi Chiave

• Applicazione di MGA agli SVA: È uno dei primi studi a applicare l'analisi multigruppo PLS-SEM per esaminare le differenze di genere nei percorsi strutturali specifici della privacy negli assistenti vocali per i giovani.
• Scoperta del "Gap di Autoefficacia": Identifica una differenza significativa nella percezione dell'autoefficacia tra maschi e femmine, suggerendo che il costrutto stesso potrebbe essere interpretato diversamente a seconda del genere.
• Moderazione di Genere nei Percorsi Causali: Dimostra che il genere non è solo una variabile di controllo, ma modera attivamente come la percezione del rischio e la fiducia si traducono in azioni concrete.
• Inclusività Esplorativa: Fornisce i primi dati descrittivi sui profili di privacy degli utenti non binari e di quelli che preferiscono non dichiarare il genere, evidenziando la necessità di modelli che vadano oltre il binario di genere.

4. Risultati Principali

A. Differenze nelle Medie dei Costrutti (RQ1):

• Autoefficacia (PSE): I maschi riportano livelli significativamente più alti di autoefficacia rispetto alle femmine (Media Maschi: 3.08 vs Femmine: 2.84; p < 0.01).
• Benefici Percepiti (PPBf): I maschi percepiscono marginale benefici maggiori (p < 0.1).
• Rischio, Fiducia e Comportamento: Non sono state trovate differenze statisticamente significative nelle medie di Percezione del Rischio (PPR), Fiducia/Trasparenza (ATT) o Comportamento Protettivo (PPB) tra i due gruppi. Entrambi i gruppi mostrano bassi livelli di fiducia algoritmica e rischi percepiti moderati-alto.

B. Differenze Strutturali e Percorsi (RQ2):
L'analisi MGA ha rivelato eterogeneità significativa nei percorsi causali (coefficienti β):

1. Rischio → Comportamento (PPR → PPB): L'effetto diretto è più forte per i maschi (β = 0.424) rispetto alle femmine (β = 0.233; p < 0.1). Ciò suggerisce che per i maschi, la percezione del rischio si traduce più direttamente in azioni protettive.
2. Fiducia → Autoefficacia → Comportamento (ATT → PSE → PPB): L'effetto indiretto è più forte per le femmine (β = 0.229) rispetto ai maschi (β = 0.132; p < 0.1). Per le donne, la fiducia nella trasparenza algoritmica è un prerequisito fondamentale per costruire l'autoefficacia, che a sua volta guida il comportamento protettivo.
3. Mediazione del Rischio (PPR → PSE → PPB): Esiste una differenza di segno: positiva per le femmine (il rischio aumenta l'autoefficacia che porta all'azione) e negativa per i maschi (il rischio potrebbe minare l'autoefficacia o bypassarla).

C. Profili Non Binari e "Preferisco non Dire" (RQ3):
Sebbene non analizzati strutturalmente, i dati descrittivi mostrano profili distinti:

• Gli utenti Non binari riportano i livelli più bassi di Fiducia (ATT) e Benefici Percepiti (PPBf), e i livelli più alti di Rischio Percepito (PPR = 4.22).
• Il gruppo "Preferisco non dire" mostra profili più allineati ai gruppi binari, ma con una fiducia leggermente inferiore rispetto ai maschi.

5. Significato e Implicazioni

• Progettazione e Governance: I risultati indicano che un approccio "taglia unica" per la privacy negli SVA è inefficace.
  • Per le femmine, gli interventi dovrebbero focalizzarsi sul costruire la fiducia e la trasparenza algoritmica per potenziare l'autoefficacia e, di conseguenza, il comportamento protettivo.
  • Per i maschi, la comunicazione del rischio potrebbe essere un motore più diretto per l'azione, ma bisogna evitare che il framing dei benefici comprometta la percezione del rischio.
• Inclusività: I dati preliminari sugli utenti non binari suggeriscono che i modelli attuali di "calcolo della privacy" potrebbero non catturare le loro esperienze, caratterizzate da una sfiducia sistemica e una percezione di rischio elevata. È necessaria una ricerca futura con campioni più ampi e diversificati.
• Teoria della Privacy: Lo studio conferma che il genere modera i percorsi psicologici verso la protezione della privacy, sfidando l'idea che le differenze siano solo a livello di media (quanto si preoccupano) e non di struttura (come agiscono).

In conclusione, lo studio evidenzia la necessità di interventi di trasparenza e controllo personalizzati per genere, al fine di creare cittadini digitali più capaci e sicuri in tutti gli ecosistemi degli assistenti vocali.