Käyttöliittymien pimeiden käytäntöjen automatisoitu tunnistaminen : katsaus automaattisiin tunnistusmenetelmiin

Abstract

Käyttöliittymäsuunnittelussa hyödynnettävät pimeät käytännöt ovat yleistyneet entistä useampien palvelujen siirtyessä digitaalisiksi. Pimeillä käytännöillä tarkoitetaan käyttöliittymäsuunnittelussa hyödynnettäviä suunnittelustrategioita, joilla pyritään ohjailemaan käyttäjää tekemään itselleen epäedullisia valintoja, joista yritys hyötyy. Käytäntöjen yleistyessä myös niiden tutkiminen on yleistynyt ja niitä vastaan on pyritty kehittämään vastatoimia. Tässä kirjallisuuskatsauksena toteutetussa tutkielmassa tarkastellaan pimeitä käytäntöjä ja miten niitä pyritään tunnistamaan automatisoitujen järjestelmien avulla.

Pimeät käytännöt ovat suhteellisen tuore tutkimusalue; sen tutkimus on noussut esille vasta 2010-luvulla. Tutkielmassa pimeät käytännöt jaetaan aikaisemman tutkimuksen käyttämän luokittelujärjestelmän mukaisesti viiteen kategoriaan: Jankuttaminen, estäminen, piilottaminen, käyttöliittymän häirintä ja pakotettu toiminta. Pimeät käytännöt ovat osoittautuneet ongelmallisiksi käyttäjille. Tavallinen käyttäjä ei todennäköisesti tunnista pimeitä käytäntöjä. Tunnistamisen avuksi on pyritty luomaan automatisoituja järjestelmiä, mutta ne ovat vielä kehitysvaiheessa.

Tutkielmassa tarkastellaan viittä järjestelmää, jotka etsivät pimeitä käytäntöjä verkkosivuilta, sovelluksista, evästedialogeista sekä piilotetuista mainoksista. Järjestelmät hyödyntävät vaihtelevia keinoja ja tutkivat eri asioita löytääkseen viitteitä käytäntöihin. Tutkielmassa järjestelmien tiedot taulukoidaan vertailua varten neljällä osa-alueella: käytetyt menetelmät, tutkitut asiat, tutkitut käytännöt ja saavutettu tarkkuus. Käytetyimpiä menetelmiä ovat tekoälyyn pohjautuvat ratkaisut sekä luonnollisen kielen prosessointi ja tutkituimpia asioita ovat teksti, elementtien sijainti ja verkkosivujen DOM-rakenne. Tunnistetuin pimeä käytäntö on käyttöliittymän häirintä. Kaikki tarkastellut järjestelmät saavuttavat tyydyttäviä tuloksia tarkkuuden puolesta: tarkin kertoi tarkkuudekseen 98,7 %. Tarkkuuteen vaikuttavia asioita olivat esimerkiksi tutkittavat pimeät käytännöt, tekoälyjärjestelmien kouluttamiseen käytetyt tietojoukot ja eri lähestymistavat tunnistamiseen. Järjestelmät eivät vielä ole sopivia yleiseen käyttöön, mutta niiden positiiviset tulokset lupaavat hyvää tulevaisuuden kannalta.