典型文献
基于机器学习的医疗健康APP隐私政策合规性研究
文献摘要：
[目的]采用机器学习集成方法对我国医疗健康APP隐私政策的合规性进行测评,提高隐私政策合规性测评的效率与精准性.[方法]依据国家相关政策法规构建医疗健康APP隐私政策合规性测评指标体系,基于硬投票分类器,综合应用卷积神经网络、循环神经网络、长短期记忆人工神经网络三种机器学习算法建立合规性检测模型,通过采集安卓手机应用市场中1 210款医疗健康APP数据,验证模型的有效性并进行隐私政策合规性测评.[结果]我国医疗健康APP隐私政策整体合规性较差,在6项测评维度上均存在较多违规问题,在线医疗、医药服务、健康管理、医学资讯4类细分领域APP的隐私政策合规性得分分别为0.63、0.59、0.61、0.66.[局限]由于标注的隐私政策数据量有限,合规性检测模型无法充分学习测评指标特征.[结论]基于机器学习集成方法的检测模型能够对APP隐私政策的合规性进行大规模、细粒度自动测评,为政府部门科学监管和APP运营商自检自查提供了新的思路与方法.
文献关键词：
医疗健康APP;隐私政策;机器学习;合规性测评
中图分类号：
作者姓名：
赵杨;严周周;沈棋琦;李钟航
作者机构：
武汉大学信息管理学院 武汉430072;武汉大学国家保密学院 武汉430072
文献出处：
引用格式：
[1]赵杨;严周周;沈棋琦;李钟航-.基于机器学习的医疗健康APP隐私政策合规性研究)[J].数据分析与知识发现,2022(05):112-126
A类：
合规性测评
B类：
基于机器学习,医疗健康,隐私政策,政策合规,集成方法,精准性,政策法规,测评指标,投票,分类器,综合应用,循环神经网络,长短期记忆人工神经网络,机器学习算法,合规性检测,检测模型,集安,安卓,手机应用,应用市场,验证模型,测评维度,违规,在线医疗,资讯,分领,数据量,学习测评,指标特征,细粒度,自动测评,门科,科学监管,运营商,自检自查,思路与方法
AB值：
0.280633
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
