When Ads Become Profiles: Uncovering the Invisible Risk of Web Advertising at Scale with LLMs

Technische Samenvatting: Wanneer advertenties profielen worden

Probleemstelling
Ondanks regelgevende inspanningen om expliciete targeting van gevoelige categorieën (bijv. politieke overtuigingen, gezondheid, seksuele geaardheid) op platforms zoals Facebook te beperken, zorgt algoritmische optimalisatie voor gebruikersbetrokkenheid nog steeds voor demografische scheefgroei in de levering van advertenties. Bijgevolg fungeert de stroom van advertenties die aan een gebruiker wordt getoond als een hoogwaardige proxy voor hun privé-eigenschappen. Hoewel eerder onderzoek heeft vastgesteld dat advertentiestromen latente signalen bevatten, vereiste het exploiteren van deze signalen traditioneel arbeidsintensieve pipelines met enorme gelabelde datasets en het trainen van op maat gemaakte classificatiesystemen. De opkomst van krachtige, zero-shot multimodale Large Language Models (LLM's) heeft dit landschap fundamenteel veranderd. Het artikel stelt dat de drempel voor het exploiteren van deze latente signalen is verlaagd, waardoor tegenstanders in staat zijn om complexe gebruikersprofielen te reconstrueren op basis van passieve blootstelling aan advertenties alleen, wat huidige veiligheidsmaatregelen van platforms en regelgevende kaders potentieel omzeilt.

Methodologie
De auteurs stellen een nieuwe pipeline voor die multimodale LLM's gebruikt als adversariële inferentie-engines om natuurlijke taalprofilering uit te voeren. De studie maakt gebruik van een longitudinale dataset verzameld via een browser-extensie van 891 Australische Facebook-gebruikers, bestaande uit meer dan 435.000 advertentie-impressies over 63.864 sessies.

De technische pipeline bestaat uit drie stadia:

1. Multimodale Kenmerkextractie: Met behulp van een LLM (Gemini 2.0 Flash) worden ruwe advertentiecreatieves (afbeeldingen en tekst) verwerkt om gestructureerde semantische kenmerken te extraheren. Dit omvat het genereren van een bijschrift, beschrijvende categorieën, IAB-classificaties en kernentiteiten, waardoor hoogdimensionale multimodale data wordt getransformeerd naar beknopte tekstuele representaties.
2. Sessie-niveau Inferentie: De continue advertentiestroom wordt gesegmenteerd in discrete sessies op basis van een datagedreven tijdstip (389 seconden). De LLM voert zero-shot classificatie uit op de tekstuele representatie van elke sessie om private attributen (Geslacht, Leeftijd, Inkomen, Opleiding, Werkgelegenheid, Partijvoorkeur) te voorspellen en genereert een redeneersamenvatting.
3. Longitudinale Gebruikersprofilering: Redeneersamenvattingen van meerdere sessies worden geaggregeerd tot een narratieve geschiedenis. Een laatste inferentiestap synthetiseert deze cumulatieve signalen om een uitgebreid gebruikersprofiel te reconstrueren.

De studie evalueert de prestaties tegen sterke baselines, inclusclusief willekeurige gokken, census-gebaseerde priors (afgeleid van Australische censusgegevens) en menselijke annotatoren.

Belangrijkste Bijdragen

1. Een Nieuwe Pipeline voor het Blootleggen van Maatschappelijk Risico: De auteurs introduceren een methodologie die multimodale LLM's gebruikt om semantische signalen te decoderen uit ongestructureerde advertentiecreatieves zonder op maat gemaakte modellen te trainen, waarbij de focus verschuift van gedragsmetadata naar inhoudelijke inferentie.
2. Empirische Kwantificering van Privacyrisico: Het artikel levert het eerste grootschalige empirische bewijs dat advertentiestromen fungeren als een hoogwaardige digitale voetafdruk. Het demonstreert dat standaard LLM's private attributen kunnen reconstrueren uit passieve observatie met een nauwkeurigheid die de menselijke sociale perceptie evenaart of overtreft, tegen een fractie van de kosten (223× lager) en tijd (52× sneller).
3. Karakterisering van Schaalbare Profilering: De studie onthult dat actiegerichte profilering zelfs binnen korte observatievensters (sessieniveau) haalbaar is, wat aangeeft dat langdurige tracking geen vereiste is voor een succesvolle aanval. Dit benadrukt een systemische kwetsbaarheid waarbij de optimalisatielogica van het platform zelf lokaal kan worden geëxploiteerd.

Resultaten

• Prestaties op Sessieniveau: LLM's presteerden aanzienlijk beter dan willekeurige baselines bij het reconstrueren van attributen. Zo behaalde het model bijvoorbeeld 59,13% nauwkeurigheid voor Geslacht en 48,38% voor Werkgelegenheid, vergeleken met ~20% voor willekeurige gokken. Voor ordinale attributen zoals Leeftijd en Inkomen vertoonden de modellen "directionele correctheid", met een Mean Absolute Error (MAE) die aanzienlijk lager was dan de willekeurige baselines, wat aangeeft dat voorspellingen doorgaans binnen 1-2 categorieën van de grondwaarheid lagen.
• Mens vs. AI Vergelijking: In een menselijke evaluatie van 100 sessies behaalden state-of-the-art LLM's (bijv. GPT-5, Gemini 2.5 Pro) resultaten die gelijk waren aan of de menselijke prestaties overtroffen bij de classificatie van Geslacht (76% vs. 73,67%) en presteerden zij significant beter dan mensen bij complexe sociaaleconomische attributen zoals Opleiding (51% vs. 33,67%) en Werkgelegenheid (53% vs. 37,83%).
• Reconstructie op Gebruikersniveau: Het aggregeren van signalen over sessies verbeterde de precisie verder. De LLM behaalde 76,38% nauwkeurigheid voor Geslacht en 41,60% voor Partijvoorkeur, wat aanzienlijk beter is dan census-gebaseerde priors. Opvallend genoeg presteerde de "Random Control" groep (waarbij de volgorde van advertenties werd gehusseld) vergelijkbaar met het sequentiële model voor sociaaleconomische kenmerken, wat suggereert dat de cumulatieve semantische inhoud het primaire signaal is, terwijl de temporele volgorde helpt bij het identificeren van levensfase-stabiliteit (Leeftijd).
• Kosten en Efficiëntie: De geautomatiseerde aanpak bleek 223 keer goedkoper en 52 keer sneller dan menselijke analyse.

Significantie en Claims
Het artikel claimt het eerste empirische bewijs te leveren dat advertentiestromen functioneren als een hoogwaardige digitale voetafdruk die in staat is tot off-platform profilering die de huidige veiligheidsmaatregelen van platforms inherent omzeilt. De auteurs stellen dat de convergentie van latente advertentiesignalen en de zero-shot capaciteiten van LLM's een systemische kwetsbaarheid creëert in het advertentie-ecosysteem.

De significantie van dit werk ligt in het aantonen dat de dreiging van privacyverstoring is verschoven van het vereisen van gespecialiseerde, middelenintensieve aanvallen naar het toegankelijk maken via "off-the-shelf" tools. De auteurs benadrukken dat dit risico bijzonder acuut is in het ecosysteem van browser-extensies, waar ogenschijnlijk onschuldige tools (bijv. ad blockers) over de legitieme permissies beschikken die nodig zijn om advertentiecontent stilletjes te oogsten. De bevindingen suggereren dat huidige privacybeleid het risico onderschat door zich te concentreren op exacte identificatie in plaats van semantische profilering, en ze onderstrepen de dringende noodzaak voor verantwoordelijk web-AI-bestuur in het tijdperk van generatieve AI. Het artikel concludeert dat passieve blootstelling aan algoritmische inhoud een significante lekvector vormt, waardoor tegenstanders gebruikersidentiteiten kunnen reconstrueren zonder de noodzaak voor langdurige tracking of directe toegang tot gebruikersgegevens.