Privacy Washing: Detecting Internal Contradictions in Privacy Policies
Dit artikel introduceert een meerfasige op LLM gebaseerde pipeline om "privacy washing" te detecteren — interne tegenstrijdigheden in privacybeleid waarbij toezeggingen worden ondermijnd door andere clausules — en past dit toe op corpora uit 2026 en 2015 om terugkerende tegenstrijdigheden met betrekking tot het delen met derden in een aanzienlijk deel van de bedrijven aan te tonen, waarbij wordt opgemerkt dat de prevalentiecijfers ondergrenzen zijn vanwege het gebrek aan validatie door menselijke experts.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elke keer dat u een website bezoekt of een app downloadt, wordt u gevraagd akkoord te gaan met een privacybeleid. Dit zijn de lange, dichte documenten die uitleggen hoe een bedrijf met uw persoonlijke informatie omgaat. Decennialang hebben onderzoekers en toezichthouders gebaseerd op een eenvoudige aanname: als een bedrijf een belofte doet in dat document, komt het die belofte na. Het idee is dat deze beleidsregels dienen als een duidelijke kennisgeving, waardoor u een geïnformeerde keuze kunt maken over uw gegevens. Als een beleid zegt "wij verkopen uw gegevens niet", verwacht een redelijk persoon dat het bedrijf ze niet zal verkopen. Echter, deze aanname rust op het feit dat het document intern consistent is. Wat gebeurt er wanneer een beleid in één sectie een geruststellende belofte doet, om vervolgens in een andere sectie van dezelfde tekst een praktijk te beschrijven die die belofte direct ondermijnt? Dit is de vraag waar een nieuwe studie zich mee bezighoudt, waarbij de auteur een fenomeen onderzoekt dat hij "privacy washing" noemt.
Het concept trekt een parallel met "greenwashing", waarbij een bedrijf een kleine milieuinspanning kan adverteren terwijl het voortzet met schadelijke praktijken. In de digitale wereld vindt privacy washing plaats wanneer een beleid een verbintenis bevat, zoals een belofte om het delen van gegevens te beperken, die wordt tegengesproken door een beschrijving van de feitelijke gegevensverwerking die elders in hetzelfde document te vinden is. De tegenstrijdigheid is niet altijd een eenvoudige logische fout zoals zeggen "wij verzamelen X" en "wij verzamelen X niet". In plaats daarvan is het vaak subtieler: een brede, geruststellende uitspraak als "wij verkopen uw persoonlijke informatie niet" staat naast een gedetailleerde beschrijving van het delen van gebruikersidentificatoren met advertentiepartners. Een lezer die stopt bij de geruststellende belofte, komt de tegenstrijdige praktijk die verderop begraven ligt wellicht nooit tegen, wat een misleidende indruk van veiligheid creëert.
Om te onderzoeken hoe algemeen dit is, heeft een onderzoeker genaamd Thomas Brackin een geautomatiseerd systeem ontwikkeld om privacybeleid te scannen op deze interne tegenstrijdigheden. Het systeem leest de documenten niet zoals een mens dat zou doen, van begin tot eind. In plaats daarvan breekt het de tekst af in minuscule, individuele verklaringen. Het identificeert eerst zinnen die klinken als beloftes of verbintenissen, zoals "wij zullen uw gegevens niet delen". Vervolgens zoekt het naar zinnen die feitelijke praktijken beschrijven, zoals "wij delen gegevens met partners". Het systeem koppelt deze verklaringen vervolgens aan elkaar om te zien of ze botsen. Het gebruikt een reeks filters om paren te verwijderen die duidelijk ongerelateerd zijn, zoals een belofte over beveiliging gekoppeld aan een praktijk over gegevensverzameling. Vervolgens zet het kunstmatige intelligentiemodellen in om te beoordelen of de resterende paren een werkelijke tegenstrijdigheid vormen. Om de nauwkeurigheid te waarborgen, gebruikt het systeem een panel van drie verschillende AI-modellen; een paar wordt pas gemarkeerd als een bevestigde tegenstrijdigheid als ten minste twee van de drie modellen het met elkaar eens zijn.
De onderzoeker paste dit systeem toe op twee grote collecties privacybeleid. Eén collectie, verzameld in 2026, bevatte 123 bedrijven uit diverse sectoren. De andere, verzameld in 2015, bevatte 115 bedrijven. Dit stelde de onderzoeker in staat om te zien of het probleem een nieuw fenomeen was of een langdurig kenmerk van de manier waarop deze documenten worden geschreven. De resultaten toonden aan dat privacy washing een terugkerend patroon is. In de collectie van 2026 vertoonde ten minste één bevestigde tegenstrijdigheid zich bij ongeveer 12 procent van de bedrijven. In de collectie van 2015 lag het cijfer hoger, waarbij het bij ongeveer 36 procent van de bedrijven voorkwam. De onderzoeker merkt echter op dat de twee collecties met iets andere instellingen zijn geanalyseerd, waardoor het verschil in aantallen niet definitief kan worden toegeschreven aan een verandering in de tijd. Wat wel duidelijk is, is dat dezelfde soorten tegenstrijdigheden in beide tijdperken voorkomen.
De meest frequente tegenstrijdigheden hadden betrekking op gegevensdeling met derden. Een veelvoorkomend patroon dat werd gevonden, was dat een bedrijf belooft geen gegevens te verkopen of te delen, terwijl het tegelijkertijd beschrijft hoe het identificatoren en commerciële informatie deelt met advertentiepartners. Dit specifieke patroon komt overeen met een juridische schikking met het bedrijf Sephora in 2022, waarbij toezichthouders bepaalden dat het delen van gegevens met advertentiepartners voor gerichte advertenties juridisch gezien als een "verkoop" kan worden beschouwd onder de Californische wet, zelfs als het bedrijf beweert geen gegevens te verkopen. De studie vond dat deze tegenstrijdigheden vaak niet voortkomen uit bewuste misleiding, maar uit structurele factoren. Naarmate wetten veranderen, voegen bedrijven nieuwe secties toe aan hun beleid om te voldoen aan regelgeving, zoals het toevoegen van een "wij verkopen niet"-verklaring om aan Californische vereisten te voldoen. Deze nieuwe secties worden vaak toegevoegd zonder ze te verzoenen met oudere secties die bestaande gegevensdelingspraktijken beschrijven, wat een intern conflict creëert.
De studie onthulde ook dat het systeem niet perfect is en waarschijnlijk veel tegenstrijdigheden mist. De geautomatiseerde filters zijn ontworpen om zeer strikt te zijn om valse alarmen te vermijden, wat betekent dat ze paren kunnen weggooien die een menselijke expert als tegenstrijdig zou beschouwen. Bovendien vertrouwt het systeem op kunstmatige intelligentie om de tegenstrijdigheden te beoordelen, en deze AI-modellen zijn nog niet gevalideerd tegenover menselijke experts. De onderzoeker benadrukt dat de bevindingen kandidaten zijn voor verdere beoordeling in plaats van definitief bewijs van wangedrag. De studie beweert niet dat bedrijven opzettelijk liegen; het suggereert eerder dat de manier waarop deze documenten worden geconstrueerd — vaak door verschillende teams die door de tijd heen secties toevoegen — een structurele omgeving creëert waarin geruststellende beloften en gedetailleerde praktijken gemakkelijk met elkaar kunnen botsen.
Uiteindelijk biedt het onderzoek een nieuwe manier om naar privacybeleid te kijken. In plaats van alleen te meten hoe lang ze zijn of hoe moeilijk ze te lezen zijn, meet deze studie of de tekst zichzelf tegenspreekt. De bevindingen suggereren dat voor een aanzienlijk aantal bedrijven de belofte van privacy en de beschrijving van de praktijk in spanning met elkaar staan binnen hetzelfde document. Hoewel de studie niet kan vaststellen of gebruikers daadwerkelijk worden misleid, identificeert het een specifieke tekstuele conditie waarbij de "algemene indruk" van het beleid misleidend zou kunnen zijn, zelfs als elke individuele zin technisch gezien waar is. Het werk dient als een instrument om deze inconsistenties te signaleren, wat een startpunt biedt voor toezichthouders, bedrijven en onderzoekers om te onderzoeken of de beloften die in privacybeleid worden gedaan, werkelijk overeenkomen met de beschreven praktijken.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.