AppRay-Dark 和 AppRay-Light

AppRay-Dark 和 AppRay-Light 数据集由澳大利亚CSIRO的Data61创建，旨在识别移动应用中的暗模式（Dark Patterns）。数据集包含2,185个独特的欺骗性模式实例，涵盖18种类型，涉及876个用户界面（UI）和871个良性UI。数据集的创建过程结合了大型语言模型（LLM）驱动的应用导航和传统的自动化应用探索工具，以捕捉广泛的UI状态。该数据集主要应用于自动化检测移动应用中的暗模式，旨在减少手动检测的繁琐工作，提高检测效率。

The AppRay-Dark and AppRay-Light datasets were created by Data61 of Australia's CSIRO, aiming to identify dark patterns in mobile applications. The dataset contains 2,185 unique deceptive pattern instances covering 18 types, involving 876 user interface (UI) and 871 benign UIs. The development of the dataset incorporated large language model (LLM)-driven application navigation and traditional automated app exploration tools to capture a wide range of UI states. This dataset is primarily applied to the automated detection of dark patterns in mobile applications, with the goal of reducing the tedious workload of manual detection and improving detection efficiency.

搜集汇总

数据集介绍

构建方式

AppRay-Dark和AppRay-Light数据集的构建基于一个创新的系统AppRay，该系统结合了任务导向的应用探索和自动化的暗模式检测，以减少人工努力。首先，利用大型语言模型的常识知识进行目标应用探索，并辅以传统的随机探索以捕捉更广泛的UI状态。其次，开发了一个基于对比学习的静态和动态暗模式检测器，通过多标签分类器和基于规则的优化器进行检测。最终，从876个UI中提取了2,185个独特的欺骗模式（包括149个动态实例），并从这些UI中收集了871个良性UI，形成了AppRay-Dark和AppRay-Light数据集。

特点

AppRay-Dark和AppRay-Light数据集的主要特点在于其全面覆盖了静态和动态的暗模式，并保留了UI之间的关系。AppRay-Dark数据集包含了18种类型的2,185个独特的欺骗模式实例，其中149个是动态实例，涉及48个应用。AppRay-Light数据集则包含了871个良性UI，用于评估检测系统的假阳性率。这些数据集不仅提供了丰富的暗模式实例，还通过对比学习和规则优化器确保了检测的高精度和召回率。

使用方法

AppRay-Dark和AppRay-Light数据集可用于训练和测试暗模式检测算法，特别是那些需要处理静态和动态暗模式的算法。研究者可以使用这些数据集来评估和改进现有的暗模式检测技术，通过对比学习和规则优化器来提高检测的准确性和可靠性。此外，这些数据集还可用于开发新的暗模式检测方法，通过分析UI之间的关系和动态行为来识别更复杂的暗模式。

背景与挑战

背景概述

随着移动应用在日常生活中的普及，用户界面（UI）中的暗模式（dark patterns）问题日益凸显。暗模式是指设计者通过视觉或语言手段，诱导用户做出不符合其最佳利益的行为。当前的研究主要依赖人工方法检测暗模式，这一过程耗时且难以跟上不断更新和涌现的应用。AppRay-Dark和AppRay-Light数据集由CSIRO’s Data61的研究团队创建，旨在通过结合任务导向的应用探索和自动化的暗模式检测，减少人工努力。该数据集包含2,185个独特的欺骗性模式，涵盖18种类型，涉及876个UI和871个良性UI，旨在解决现有数据集在静态和动态暗模式检测中的不足。

当前挑战

AppRay-Dark和AppRay-Light数据集面临的挑战主要包括：1) 静态和动态暗模式的检测，现有方法主要集中在静态模式，而动态模式的检测仍是一个未被充分探索的领域；2) 数据集构建过程中的挑战，如如何高效地收集和标注大量UI状态，以及如何确保标注的准确性和一致性；3) 检测算法的复杂性，需要结合对比学习、多标签分类器和规则基础的优化器，以提高检测的精确度和召回率。此外，数据集的构建还需考虑如何处理UI之间的关系，以确保检测结果的全面性和准确性。

常用场景

经典使用场景

AppRay-Dark和AppRay-Light数据集在移动应用中的暗模式检测中发挥了关键作用。这些数据集通过结合任务导向的应用探索和自动化的暗模式检测，显著减少了手动检测的时间和精力。经典的使用场景包括在移动应用的用户界面中识别和分类各种暗模式，如视觉欺骗、语言策略等，以揭示这些设计如何操纵用户行为。

解决学术问题

这些数据集解决了当前研究中手动检测暗模式的耗时问题，并克服了现有自动化检测方法仅限于静态模式的局限性。通过提供包含静态和动态暗模式的全面数据集，AppRay-Dark和AppRay-Light促进了更高效和准确的暗模式检测技术的发展，推动了伦理设计和用户界面研究的前沿。

衍生相关工作

基于AppRay-Dark和AppRay-Light数据集，许多相关工作得以开展，包括改进的暗模式检测算法、用户界面分析工具和伦理设计指南。例如，一些研究利用这些数据集开发了更精确的多标签分类器，以区分不同类型的暗模式。此外，这些数据集还激发了关于用户对暗模式感知和反应的进一步研究，推动了用户界面设计伦理的讨论和实践。