本文提出了一个名为 MyTool 的自动化系统，用于检测 GDPR 规定是否得到遵守。作者检查了 796 个移动健康应用程序，发现其中 189 个应用程序没有提供完整的隐私协议；另外，59 个应用程序通过不同的措施收集敏感数据，但其中 46 个应用程序的至少一个收集行为存在不一致性；最糟糕的是，在 59 个应用程序中，只有 8 个应用程序尝试确保所收集的数据传输的安全性，但它们中的所有应用程序都存在加密或 SSL 滥用的问题。

Aug, 2020

本文介绍了使用自然语言处理技术分析隐私政策以帮助用户理解及满足法规要求的必要性，并构建了首个中文隐私政策数据集 CA4P-483，用于帮助隐私政策和软件间的序列标记任务和法规合规识别。

Dec, 2022

通过利用大型语言模型（LLM）开展文本分析，本研究构建了 PolicyGPT 隐私政策文本分析框架，并在两个数据集上进行了测试，结果表明在零样本学习条件下，PolicyGPT 取得了强大的性能，并优于传统机器学习和神经网络模型。

Sep, 2023

本研究利用自然语言推断（NLI）技术，采用预训练的嵌入和 BiLSTM 注意力机制，比较大公司的隐私政策与隐私法规，测试发现，在实际 NLI 任务中，基于 MNLI 数据集训练的模型更好。

Mar, 2022

利用大型语言模型（LLM）以替代传统的自然语言处理技术，在较大规模上从隐私政策中高效准确地提取隐私做法，并实现出色的性能评估和降低成本。

May, 2024

在本论文中，我们提出了一种自动化策略，用于对一般数据保护条例（GDPR）下的数据处理协议（DPAs）进行完整性检查。我们使用了以预训练的 BERT 和 RoBERTa 语言模型为基础的十种替代解决方案，并通过对 30 个真实 DPAs 进行 F2 分数计算。结果显示，表现最佳的解决方案分别基于预训练的 BERT 和 RoBERTa 语言模型，其 F2 分数分别为 86.7% 和 89.7%。我们的分析进一步显示，其他基于深度学习（如 BiLSTM）和少样本学习（如 SetFit）的替代解决方案可以实现可比较的准确性，但开发效率更高。

Nov, 2023

我们提出了一个基于 Polisis 的自动化框架，能够在隐私政策的众多细节方面进行可扩展的、动态的、多维查询。最初的 Polisis 具有一个隐私中心语言模型和神经网络分类器的新等级结构，支持由结构化和自由形式查询支持的两个应用程序：自动分配隐私图标和 PriBot 隐私答案查询。

Feb, 2018

提出了基于大型语言模型和语义网络的隐私合规方法，通过开发隐私政策合规验证知识图谱（PrivComp-KG），有效存储和检索有关隐私政策、法规框架和领域特定知识的全面信息，实现对供应商隐私政策与相关政策法规的合规性查询。

Apr, 2024

该论文介绍了一种名为 DroidBot-GPT 的工具，利用大型语言模型（LLMs）自动化与 Android 移动应用程序的交互。给定所需任务的自然语言描述，DroidBot-GPT 可以自动生成并执行操作，以完成任务。

Apr, 2023

本文介绍了 PrivacyQA 数据集，以及采用神经网络进行隐私政策问题回答的方法和挑战。PrivacyQA 数据集包括 1750 个问题和 3500 个相关答案的专业注释，研究表明，当前的神经网络方法在回答隐私政策问题上存在诸多问题，该数据集为未来的问题回答系统提供了巨大的改进空间。

Nov, 2019