你的貼文透露什麼：社群媒體用戶隱私洩漏的基準與代理框架
arXiv - Computers and SocietyZifan Peng, Yini Huang, Aiwen Lu, Qiming Ye, Peixian Zhang, Jingyi Zheng, Yule Liu, Xuechao Wang, Xinlei He, Jiaheng Wei
提出SopriBench基準與PES評分，並開發Argus框架以累積推理社群媒體隱私洩漏
AI 幫你先抓重點
AI 重點 1
Argus 的代理式推理方法能在不需大量標註資料的情況下，精準捕捉跨貼文隱私洩漏，顯示自動化隱私評估的可行性。
滑鼠懸停看 AI 判斷理由
這表明即使在資料稀缺或隱私敏感的環境中，教育科技平台亦可利用類似框架快速評估學生或使用者的隱私風險，進而設計更安全的互動介面。
AI 重點 2
PES 透過情境敏感度加權，提供比單純二元準確率更細緻的隱私洩漏度量，能幫助研究者與實務者辨識哪些資訊最易被推斷。
滑鼠懸停看 AI 判斷理由
此度量方法可被整合進學習平台的隱私風險評估工具，讓教師或設計者在設計課程或社群互動時，能針對高風險資訊採取預防措施，提升學生數位素養。
核心研究發現
- 1
SopriBench 提供 50 個用戶檔案與 1,569 張圖像的合成資料，並以屬性、情境敏感度、粒度、洩漏類型、推理難度及證據等六項標籤進行詳細注釋。
- 2
作者提出 Privacy Exposure Score (PES)，將價值粒度按情境敏感度加權，以量化隱私洩漏的嚴重程度。
- 3
Argus 框架以無需訓練的代理推理方式，從累積證據中生成假設、驗證並聚合跨貼文線索，最終在 SopriBench 上達 0.55 PES，較最佳基線提升 25%，尤其在跨貼文洩漏上表現顯著。
對教育工作者的啟發
教育平台可參考 SopriBench 的資料結構，將學生上傳的多媒體內容進行類似標註，並使用 PES 量化其隱私風險，進而在課程設計中加入隱私風險評估模組。教師可利用 Argus 之代理推理流程，快速辨識學生貼文中可能暴露的家庭、學習環境或個人習慣，並在課堂討論中引導學生反思數位足跡。此舉不僅提升學生的隱私意識，也能協助學校制定更具體的數位安全政策。
原始文獻資訊
- 英文標題：
- What Your Posts Reveal: A Benchmark and Agentic Framework for User-Level Privacy Leakage on Social Media
- 作者：
- Zifan Peng, Yini Huang, Aiwen Lu, Qiming Ye, Peixian Zhang, Jingyi Zheng, Yule Liu, Xuechao Wang, Xinlei He, Jiaheng Wei
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。