Extended Summary of “What Twitter Knows: Characterizing Ad Targeting Practices, User Perceptions, and Ad Explanations Through Users' Own Twitter Data”

1. UNIVERSITÀ DEGLI STUDI DI TRIESTE
Dipartimento di Ingegneria e Architettura
Corso di Studi in Ingegneria Informatica ed Elettronica
Extended summary of “What Twitter Knows:
Characterizing Ad Targeting Practices, User
Perceptions, and Ad Explanations Through
Users' Own Twitter Data”
Tesi di Laurea Triennale
Laureando:
Gabriele MORELLI
Relatore:
prof. Alberto BARTOLI
_____________________________________
Anno Accademico 2019/2020

2. Sommario
1 Introduzione.................................................................................................................................................... 3
2 Metodo di raccolta dati................................................................................................................................... 3
3 Risultati ottenuti ............................................................................................................................................. 4
4 Conclusioni..................................................................................................................................................... 6
5 Bibliografia..................................................................................................................................................... 6

3. 1 Introduzione
Molte aziende online, tra cui Google, Twitter e Facebook, offrono servizi che permettono agli inserzionisti
di sfruttare le informazioni degli utenti, come, ad esempio, l’area geografica, gli interessi personali o la
lingua parlata, per inviare loro materiale pubblicitario in modo mirato.
Sebbene negli ultimi anni la pubblicità mirata online abbia attirato l’attenzione di molti ricercatori del
settore, gran parte dei sistemi utilizzati dalle principali piattaforme pubblicitarie sono ancora poco noti e gli
studi che esaminano come gli utenti percepiscano la pubblicità mirata sono fondati su situazioni ipotetiche.
Inoltre, non è ben chiaro in che modo e quanto gli attuali meccanismi di trasparenza, riguardanti l’accesso
ai dati degli utenti e le spiegazioni del perché vengano mostrati determinati annunci, siano utili all’utente.
Con lo scopo di far maggior chiarezza sulle tematiche sopra citate, questo articolo scientifico si pone
l’obiettivo di caratterizzare i meccanismi esistenti, definire come questi vengano utilizzati per bersagliare
determinati utenti di Twitter e cosa ne pensano gli utenti di tali pratiche e la relativa poca trasparenza.
2 Metodo di raccolta dati
Per questo studio sono stati coinvolti 231 partecipanti, tutti con età superiore ai 18 anni ed iscritti a Twitter
mediamente da 6,6 anni. Tali soggetti hanno fornito i loro dati e compilato alcuni questionari. All’inizio è
stato chiesto loro di scaricare i dati riguardanti le inserzioni pubblicitarie viste negli ultimi 90 giorni sul
proprio profilo Twitter e di condividerli con i ricercatori. Da questi dati sono stati estratti, per ragioni di
privacy, solamente i file contenenti il nome dell’inserzionista, l’inserzione pubblicitaria ed i criteri secondo i
quali l’inserzione è stata mostrata. Quest’ultimo file conteneva una serie di attributi (in inglese: types),
come ad esempio sesso, età, posizione geografica, e questi attributi assumevano ciascuno dei valori
(istanza) personalizzati per ogni utente, come, rispettivamente: maschio, 22, Trieste. Utilizzando le
informazioni raccolte nel passaggio precedente è stato poi creato, strutturandolo in due macro-sezioni, un
questionario personalizzato per ogni partecipante.
Nella prima sezione sono state valutate la consapevolezza, la percezione e le reazioni degli utenti ai diversi
attributi in base ai quali sono stati bersagliati da determinati annunci. Per ogni partecipante, sono stati
selezionati casualmente quattro diversi attributi e per ognuno di essi, sono state poste un insieme di
domande. Prima si è richiesto di darne una propria definizione. Poi, ne è stata fornita la definizione data da
Twitter. In seguito, sono stati mostrati un annuncio, scelto tra quelli presenti nel file dell’utente, che
sfruttasse tale attributo, e delle istanze di tale attributo, questo per agevolare la comprensione dell’utente.
Infine, è stato chiesto ai candidati di valutare quanto si sentissero a proprio agio e quanto ritenessero
accurata e, soprattutto, corretta tale pratica.
Nella seconda sezione si è cercato di caratterizzare la reazione degli utenti alle spiegazioni attualmente
fornite da compagnie come Twitter e Facebook sul perché determinati annunci vengano mostrati ad un
determinato utente. Con tale obiettivo, i ricercatori hanno creato sei diversi modelli di spiegazione, ognuno
dei quali fornisce la stessa spiegazione ma in maniera differente.
I primi due modelli forniscono una spiegazione identica a quella fornita da Twitter e Facebook.
Modello Facebook Modello Twitter

4. Il terzo ed il quarto, rispettivamente in forma testuale e visiva, forniscono la stessa spiegazione ma in
maniera molto più dettagliata rispetto alle precedenti.
Modello con dettagli in forma testuale Modello con dettagli in forma testuale
Il quinto, soprannominato “creepy” (inquietante) dai ricercatori, fornisce una spiegazione estremamente
dettagliata e completa. Il sesto invece, quello di controllo, non forniva alcun tipo di informazione sul perché
venisse mostrato tale annuncio.
Modello “creepy” Modello di controllo
La procedura seguita è stata quella di mostrare inizialmente un’inserzione pubblicitaria, seguita da uno dei
sei modelli di spiegazione ed infine, domandare se tale spiegazione fosse stata utile ai fini della
comprensione e se la fiducia verso l’inserzionista fosse accresciuta dopo aver ricevuto tali informazioni.
3 Risultati ottenuti
Tra i dati forniti dai 231 candidati sono state osservate complessivamente 24.065 inserzioni pubblicitarie
che sfruttavano almeno un attributo, quindi ogni candidato aveva in media 1.046,6 inserzioni pubblicitarie
nel proprio file. I differenti attributi osservati sono stati 30, quindi ogni inserzione utilizza potenzialmente
fino a 30 diversi criteri per definire quale utente bersagliare. Inoltre, sono state osservate
complessivamente 45.209 differenti istanze: questo significa che ogni attributo può assumere diversi valori.
Meccanismi di bersagliamento ed utilizzo
Attraverso un’analisi più dettagliata, è stato deciso di raggruppare questi attributi in tre diversi macro-
gruppi.
Il primo gruppo è stato definito come “demografico” e raggruppa tutti gli attributi che riguardano le
caratteristiche dell’utente e dei dispositivi da esso utilizzati. Le istanze possono essere fornite direttamente
dall’utente oppure dedotte dagli algoritmi utilizzati da Twitter. Tra questi attributi troviamo: lingua, sesso,
età, piattaforma, posizione geografica e addirittura se un utente stia utilizzando un dispositivo “nuovo” o
no (Twitter non fornisce una spiegazione su cosa sia definito come nuovo).
Il secondo gruppo è definito come “psicografico” e raggruppa tutti gli attributi che riguardano lo stile di
vita, i comportamenti o le abitudini dell’utente. Anche di essi le istanze possono essere fornite dall’utente o
dedotte tramite algoritmi. Tra questi attributi troviamo: interessi, eventi, comportamento e conversazione;
le istanze di entrambi quest’ultimi sono dedotte dagli algoritmi basandosi sulle azioni dell’utente. Troviamo
inoltre attributi come “somiglianze con gli utenti seguiti”, utilizzato dagli inserzionisti per bersagliare
persone simili ad un certo profilo.

5. Il terzo gruppo invece, utilizza i dati raccolti dagli inserzionisti sugli utenti. Permette quindi all’inserzionista
di caricare su Twitter delle liste di profili che decide di bersagliare e Twitter si occupa semplicemente di
associare i profili contenuti nella lista con i profili degli utenti iscritti al social network, questo tramite
indirizzo e-mail o altri identificatori.
Opinione degli utenti su tali pratiche
Una parte cruciale dello studio è stata la possibilità di porre ai partecipanti domande riguardo i criteri
utilizzati negli annunci pubblicitari che gli sono stati sottoposti.
Quando ai partecipanti sono state poste domande riguardanti un particolare attributo, per esempio
”evento”, che ha portato alla visualizzazione di tale annuncio, gli utenti hanno risposto tendenzialmente
approvando tali pratiche, solo il 25% si è dichiarato contro l’utilizzo dell’attributo “evento”, mentre quando
è stata posta la stessa domanda ma specificandone un’istanza, per esempio “campionato del mondo
femminile”, gli utenti hanno risposto dichiarandosi non d’accordo con tali pratiche, il 75% si è dichiarato
contrario.
Inoltre, quando i partecipati concordavano che una particolare istanza fosse accurata e precisa,
dichiaravano anche di essere significativamente più propensi ad accettare tali pratiche. Ciò nonostante, dai
commenti lasciati dagli utenti è emerso una sorta di “limite superiore” che sottolinea come un’eccessiva
precisione corrisponda ad un senso di disagio e diffidenza verso l’inserzionista.
Opinione degli utenti sulla trasparenza di tali pratiche
Grazie alle domande poste ai candidati nella seconda sezione del sondaggio, si è potuto testare la loro
reazione alla spiegazione dei motivi per i quali determinati annunci pubblicitari gli venissero mostrati.
Comparando i diversi modelli di spiegazioni fornite, è emerso che gli utenti hanno trovato notevolmente
più utili e che preferiscano delle spiegazioni con un maggior numero di informazioni. Allo stesso tempo,
come si è evinto anche dalla prima sezione del questionario, all’aumentare dell’accuratezza delle
spiegazioni, si riscontrava una maggior preoccupazione verso la propria privacy online e un senso di
diffidenza verso l’inserzionista.
Inoltre, è emerso che gli utenti, a fronte di spiegazioni meno dettagliate o ambigue, hanno l’impressione di
essere posti volutamente nella condizione di non dover saperne di più: ciò sembra spiegare la preferenza
per le spiegazioni più accurate.
I due grafici sottostanti espongono le percentuali di approvazione degli utenti verso l’utilità dei vari modelli
che forniscono le spiegazioni e se volessero delle spiegazioni di quel tipo per le inserzioni mostrategli.

6. 4 Conclusioni
Questo studio ha permesso di esaminare i meccanismi utilizzati da Twitter per la pubblicità mirata sulla loro
piattaforma. È emerso come gli utenti vengano caratterizzati da 30 diversi attributi divisi in tre macro-
gruppi: demografico, psicografico o dalle informazioni fornite dagli inserzionisti e che queste informazioni
vengono fornite direttamente dall’utente o dedotte tramite algoritmi. È stato poi misurato
quantitativamente che gli utenti preferiscano delle spiegazioni più dettagliate rispetto a quelle attualmente
fornite da Facebook e Twitter.
È emerso poi che l’inesattezza delle istanze corrisponde ad un desiderio da parte degli utenti che tale
istanza non venga utilizzata. Quindi una maggior precisione dei valori degli attributi dovrebbe ridurre lo
sconforto provocate dall’inesattezza e potrebbe far sembrare giustificabile una maggior invasione da parte
di Twitter della privacy degli utenti. Ciò nonostante, gli utenti hanno dimostrato come istanze
eccessivamente precise creino comunque un senso di sconforto e sfiducia verso gli inserzionisti, definendo
quindi una sorta di “limite superiore”.
5 Bibliografia
Miranda Wei, University of Washington / University of Chicago; Madison Stamos and Sophie Veys,
University of Chicago; Nathan Reitinger and Justin Goodman, University of Maryland; Margot Herman,
University of Chicago; Dorota Filipczuk, University of Southampton; Ben Weinshel, University of Chicago;
Michelle L. Mazurek, University of Maryland; Blase Ur, University of Chicago
“What Twitter Knows: Characterizing Ad Targeting Practices, User Perceptions, and Ad
Explanations Through Users’ Own Twitter Data” Proceedings of the 29th USENIX Security
Symposium.
August 12–14, 2020