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

Resumo Técnico: Quando Anúncios se Tornam Perfis

Declaração do Problema
Apesar dos esforços regulatórios para restringir o direcionamento explícito de categorias sensíveis (ex: crenças políticas, saúde, orientação sexual) em plataformas como o Facebook, a otimização algorítmica para o engajamento do usuário continua a introduzir desvios demográficos na entrega de anúncios. Consequentemente, o fluxo de anúncios exibidos a um usuário atua como um proxy de alta fidelidade para seus atributos privados. Embora pesquisas anteriores tenham estabelecido que os fluxos de anúncios contêm sinais latentes, explorar esses sinais tradicionalmente exigia pipelines intensivos de recursos envolvendo conjuntos de dados rotulados massivos e o treinamento de classificadores sob medida. A emergência de modelos de linguagem de grande escala (LLMs) multimodais poderosos e zero-shot alterou fundamentalmente esse cenário. O artigo postula que a barreira para explorar esses sinais latentes foi reduzida, permitindo que adversários realizem a engenharia reversa de perfis de usuários complexos apenas por meio da exposição passiva a anúncios, potencialmente contornando as atuais salvaguardas das plataformas e os marcos regulatórios.

Metodologia
Os autores propõem um novo pipeline que utiliza LLMs multimodais como motores de inferência adversariais para realizar o perfilamento em linguagem natural. O estudo utiliza um conjunto de dados longitudinal coletado via uma extensão de navegador de 891 usuários australianos do Facebook, compreendendo mais de 435.000 impressões de anúncios em 63.864 sessões.

O pipeline técnico consiste em três estágios:

1. Extração de Características Multimodais: Utilizando um LLM (Gemini 2.0 Flash), as peças criativas dos anúncios (imagens e texto) são processadas para extrair características semânticas estruturadas. Isso inclui a geração de uma legenda, categorias descritivas, classificações IAB e entidades principais, transformando dados multimodais de alta dimensão em representações textuais concisas.
2. Inferência ao Nível de Sessão: O fluxo contínuo de anúncios é segmentado em sessões discretas com base em um limiar de tempo baseado em dados (389 segundos). O LLM realiza a classificação zero-shot na representação textual de cada sessão para prever atributos privados (Gênero, Idade, Renda, Escolaridade, Emprego, Preferência Partidária) e gera um resumo de raciocínio.
3. Perfilamento Longitudinal do Usuário: Os resumos de raciocínio de múltiplas sessões são agregados em um histórico narrativo. Uma etapa final de inferência sintetiza esses sinais cumulativos para reconstruir um perfil de usuário abrangente.

O estudo avalia o desempenho contra bases de comparação (baselines) fortes, incluindo o acaso (random guessing), priors baseados no censo (derivados dos dados do censo australiano) e anotadores humanos.

Principais Contribuições

1. Um Novo Pipeline para Revelar Riscos Sociais: Os autores introduzem uma metodologia que utiliza LLMs multimodais para decodificar sinais semânticos de peças criativas de anúncios não estruturadas sem o treinamento de modelos específicos, mudando o foco de metadados comportamentais para a inferência baseada em conteúdo.
2. Quantificação Empírica do Risco de Privacidade: O artigo fornece a primeira evidência empírica em larga escala de que os fluxos de anúncios servem como uma pegada digital de alta fidelidade. Demonstra que LLMs prontos para uso podem reconstruir atributos privados a partir da observação passiva com precisão que iguala ou excede a percepção social humana, a uma fração do custo (223 vezes menor) e do tempo (52 vezes mais rápido).
3. Caracterização do Perfilamento Escalável: O estudo revela que o perfilamento acionável é viável mesmo dentro de janelas de observação curtas (nível de sessão), indicando que o rastreamento prolongado não é um pré-requisito para um ataque bem-sucedido. Isso destaca uma vulnerabilidade sistêmica onde a própria lógica de otimização da plataforma pode ser explorada localmente.

Resultados

• Desempenho ao Nível de Sessão: Os LLMs superaram significativamente as bases de comparação aleatórias na reconstrução de atributos. Por exemplo, o modelo alcançou 59,13% de precisão para Gênero e 48,38% para Emprego, comparado a ~20% para o acaso. Para atributos ordinais como Idade e Renda, os modelos demonstraram "corretude direcional", com o Erro Médio Absoluto (MAE) significativamente menor do que as bases de comparação aleatórias, indicando que as previsões estavam tipicamente dentro de 1-2 categorias da verdade fundamental (ground truth).
• Comparação Humano vs. IA: Em uma avaliação humana de 100 sessões, LLMs de última geração (ex: GPT-5, Gemini 2.5 Pro) igualaram ou excederam o desempenho humano na classificação de Gênero (76% vs. 73,67%) e superaram significativamente os humanos em atributos socioeconômicos complexos como Escolaridade (51% vs. 33,67%) e Emprego (53% vs. 37,83%).
• Reconstrução ao Nível do Usuário: A agregação de sinais através das sessões melhorou ainda mais a precisão. O LLM alcançou 76,38% de precisão para Gênero e 41,60% para preferência partidária, superando substancialmente os priors baseados no censo. Notavelmente, o grupo de "Controle Aleatório" (onde a ordem dos anúncios foi embaralhada) apresentou desempenho comparável ao modelo sequencial para traços socioeconômicos, sugerindo que o conteúdo semântico cumulativo é o sinal primário, enquanto a ordem temporal auxilia na identificação da estabilidade do estágio de vida (Idade).
• Custo e Eficiência: O método automatizado foi considerado 223 vezes mais barato e 52 vezes mais rápido que a análise humana.

Significância e Alegações
O artigo afirma fornecer a primeira evidência empírica de que os fluxos de anúncios funcionam como uma pegada digital de alta fidelidade, capaz de permitir o perfilamento fora da plataforma que, inerentemente, contorna as salvaguardas atuais das plataformas. Os autores argumentam que a convergência de sinais de anúncios latentes e as capacidades zero-shot dos LLMs cria uma vulnerabilidade sistêmica no ecossistema de anúncios.

A significância deste trabalho reside em demonstrar que a ameaça de violação de privacidade mudou de exigir ataques especializados e de alto consumo de recursos para ser acessível via ferramentas "prontas para uso". Os autores destacam que este risco é particularmente agudo no ecossistema de extensões de navegador, onde ferramentas de aparência benigna (ex: bloqueadores de anúncios) possuem as permissões legítimas necessárias para colher o conteúdo dos anúncios silenciosamente. Os achados sugerem que as atuais políticas de privacidade podem subestimar os riscos ao focar na identificação exata em vez do perfilamento semântico, e enfatizam a necessidade urgente de uma governança de IA web responsável na era da IA generativa. O artigo conclui que a exposição passiva ao conteúdo algorítmico constitui um vetor de vazamento significativo, permitindo que adversários reconstruam identidades de usuários sem a necessidade de rastreamento de longo prazo ou acesso direto aos dados do usuário.