这一页讲的是隐私与行为操控的关系，重点在伦理问题和人工智能对社会的影响。

这一页讲的是隐私（Privacy）与行为操控（Manipulation of Behaviour）的关系，属于课程 COMPSCI 712: AI Agency, Ethics and Society 的内容。隐私是个人信息保护的重要领域，而行为操控则探讨如何通过技术影响或改变人的决策和行动。幻灯片中的图像表现了一个大脑被红色双手操控的画面，象征着个人思维可能受到外界干扰或控制。课程内容可能涉及人工智能（AI）如何通过数据收集、算法设计等方式影响用户行为，例如推荐系统如何引导消费习惯或社交媒体如何塑造公众观点。这些问题的核心在于伦理挑战，包括如何平衡技术创新与个人权利保护。举例来说，广告算法可以通过分析用户历史数据精准投放广告，但这是否构成行为操控？这类问题强调了技术开发者和社会对伦理责任的关注。

这一页讲的是学习满意度调查。主要内容包括二维码链接和网站地址，用于参与调查。

这一页讲的是学习满意度调查（Learning Satisfaction Survey），旨在收集学习者对课程或学习体验的反馈意见。页面中央展示了一个二维码，扫描后可以直接跳转到调查页面。此外，页面底部提供了调查链接：https://www.menti.com/al41ak8t362f，方便无法扫描二维码的用户直接访问。这样的调查通常用于评估课程质量、教学效果以及学习者的满意度，为后续课程优化提供重要参考。举例来说，如果多数学习者反馈某模块过于复杂，课程设计者可以考虑调整内容或增加辅助材料。

这一页讲的是课程学习目标，包括隐私定义、监控资本主义与注意力经济、欺骗性设计技术，以及同伴评审。

这一页讲的是课程学习目标，主要分为四个部分。第一部分是定义隐私（privacy），强调理解隐私的概念及其重要性。第二部分是描述监控资本主义（surveillance capitalism）和注意力经济（attention economy），并解释大型科技公司（Big Tech）如何收集和使用数据来操控用户行为，例如通过算法推荐或广告投放来影响决策。第三部分是识别欺骗性设计技术（deceptive design techniques），并举例说明这些技术在实际中的表现，例如使用复杂的界面或误导性选项让用户做出不利选择。最后是同伴评审（peer review），强调通过互相反馈来巩固学习内容。这些目标旨在帮助学生理解技术与社会的交互关系，培养批判性思维和实践能力。

这一页讲的是隐私的定义与一种理解方式。重点是隐私作为一种权利，即个人有权决定哪些信息可以被传递给他人。

这一页讲的是隐私（privacy）的定义与哲学层面的一种理解方式。根据 Schoeman 1984 的观点，隐私可以被视为一种权利（privacy as a right）。这种权利意味着个人拥有对自身信息的控制权，可以决定哪些信息可以被共享或传递给他人。这种定义强调了隐私在个人自由和自主性中的重要性。例如，一个人可以选择是否公开自己的健康状况或财务信息，这种选择权体现了隐私作为权利的核心意义。这一概念对于理解隐私的社会和法律意义非常重要，因为它涉及到个人与社会之间的权利界限，尤其在信息技术快速发展的时代，保护隐私权显得更加迫切。

这一页讲的是隐私（privacy）的定义及其核心概念。隐私是一种个人对信息的控制能力，包括个人身份和感官接触的管理。

这一页讲的是隐私（privacy）的定义及其核心概念。隐私被定义为个人对其信息的控制能力，具体包括对个人身份信息（intimacies of personal identity）的管理，以及决定谁可以通过感官接触这些信息的权利。这张幻灯片通过两个图示来表达隐私的不同方面：左侧的孤岛象征个人空间和隔离，右侧展示了数字化场景中隐私的挑战，例如照片曝光、评分系统和购物行为等。这些例子说明隐私不仅仅是物理空间的保护，更涉及数字环境中对个人信息的管理。隐私的重要性在于，它保护个人的自主权和安全，避免信息被滥用或侵犯。举例来说，用户在社交媒体上分享照片时，隐私设置可以帮助他们决定谁能看到这些内容，从而有效控制信息的传播范围。

这一页讲的是隐私的定义。隐私被描述为一种状态，强调对个人信息、生活细节和思想的有限访问。

这一页讲的是隐私（privacy）的定义，重点是将隐私视为一种状态（state）。根据 Schoeman 的定义，隐私是一种条件，指他人对个人信息、生活细节、思想或身体的访问受到限制的程度。隐私的核心在于保护个人的边界，使得他人无法随意获取或干涉这些敏感领域。这种定义并没有对隐私是否是一种理想状态或其价值进行评价，同时也没有明确规定哪些具体内容可以被视为隐私。例如，一个人的家庭生活细节可能被认为是隐私，而公开的职业信息可能不属于隐私范畴。这种定义的开放性使得隐私的范围可以根据具体情境和文化背景而变化。

这一页讲的是隐私的重要性，特别是探讨“如果没有什么可隐藏，隐私是否重要”的问题。通过一个名为 Nothing to Hide 的游戏引发思考。

这一页讲的是隐私的重要性，核心问题是“如果没有什么可隐藏，隐私是否重要”。幻灯片展示了一个名为 Nothing to Hide 的游戏，这款游戏的主题是反隐身机制（anti-stealth），玩家需要扮演自己的监督者（watchdog），以此模拟一个完全透明的环境。通过这种游戏设计，作者试图让人们意识到隐私不仅仅是为了隐藏秘密，而是关乎个人自由和社会平衡。标题中的问题暗示了一个常见的误解：认为隐私只有在隐藏不当行为时才重要。实际上，隐私是保护个人免受过度监控和外界干扰的关键。举例来说，即使一个人没有违法行为，他们仍然可能因为过度曝光而受到误解或不公平对待。因此，这一页通过游戏和问题引导我们重新思考隐私的真正意义和价值。

这一页讲的是社交媒体互动与个人形象管理的关系。主要内容包括用户交流、情绪影响以及与公众评价挂钩的行为。

这一页讲的是社交媒体上用户互动如何影响个人形象和公众评价。页面显示了一个名为 George Gardner 的用户在社交平台 The Wall 上发表的几条信息，内容涉及情绪交流和形象管理。他首先试图安慰另一位用户，并提到对方的情绪可能影响他的受欢迎程度(popularity ranking)。随后，他提到即将到来的非秘密选举(un-secret ballot election)，强调这对他的职业生涯很重要，并要求对方每天上传至少 400 张快乐照片以提升形象。这反映了社交媒体在个人形象塑造中的重要性，同时也暗示了公众评价与职业发展的紧密联系。通过这些信息可以看出，社交媒体不仅是沟通工具，还成为了管理个人品牌和公众认知的关键平台。

这一页讲的是监控与隐私的主题，强调公开行为与反对隐藏。主要内容包括监控摄像头的存在和对隐私的潜在威胁。

这一页讲的是监控与隐私的主题，图中展示了一个大眼睛的三角形符号，象征监控摄像头的存在，旁边有一名行走的人物，暗示个人行为始终处于监控之下。文字部分强调了两个观点：第一，“Smile for the camera”，要求人们始终保持在监控视野中；第二，“Hiding is criminal”，暗示隐藏行为被视为犯罪，并传递一种对隐私的否定态度。这种设计表达了对隐私权的警示或批判，同时可能暗示一种极端的监控社会环境。通过这种方式，提醒观众思考监控技术的伦理问题，例如：是否有必要牺牲隐私来换取安全？举例来说，在公共场所安装摄像头虽然能提升安全性，但过度监控可能导致个人自由受限。这一页通过视觉和文字结合，传达了关于隐私与监控的深刻反思。

这一页讲的是隐私权的重要性，引用了 Warren 和 Brandeis 在 1890 年的论文《The Right to Privacy》。隐私权是现代法律和社会的重要基础。

这一页讲的是隐私权的重要性，特别提到了 Warren 和 Brandeis 在 1890 年发表在《Harvard Law Review》上的论文《The Right to Privacy》。这篇论文首次系统阐述了隐私权的概念，认为个人有权保护自己的私人生活不受外界干扰。这一理论的核心是个人的尊严和自由，隐私权是现代法律体系中保护个人权利的重要部分。论文强调了隐私权在面对技术进步和社会变化时的必要性，例如新闻媒体的扩展可能会侵犯个人隐私。这一观点奠定了隐私权在法律中的基础，对后续的隐私保护立法和判例产生了深远影响。举例来说，今天的互联网隐私问题，如个人数据保护和信息泄露，仍然可以追溯到这篇论文的理论框架。

这一页讲的是技术与隐私的关系。重点包括：保护个人隐私的权利、技术对私人领域的侵入，以及现代电子设备对隐私的威胁。

这一页讲的是技术与隐私的关系。首先，引用了 Warren 和 Brandeis 在 1890 年提出的观点，强调随着技术和商业方法的发展，保护个人隐私的权利变得更加重要，尤其是所谓的“被独处的权利”（the right to be let alone）。其次，他们指出即时摄影和新闻业侵入了私人和家庭生活的神圣领域，机械设备的进步可能导致个人隐私被公开，例如“在壁橱里低语的话可能会被宣扬到屋顶上”。最后，引用了 Charles Fried 在 1984 年的分析，讨论现代电子设备对隐私的威胁。这些设备可以通过信号远程监控个人的位置，并且由于设备体积小、隐蔽性强，其他人难以察觉佩戴者已被监控。这些技术的存在使个体对隐私的意识更加敏感。这些观点揭示了技术进步对隐私保护提出的挑战，提醒我们在享受技术便利时，也需关注隐私权的维护。

这一页讲的是隐私权的差异性问题，探讨谁有资格享有隐私权。引用了 Eden Osucha 的研究，分析隐私权与种族、媒体和法律的关系。

这一页讲的是隐私权的差异性问题，核心问题是“谁有资格享有隐私权”（Who gets the right to privacy?）。这一讨论引自 Eden Osucha 的文章《The Whiteness of Privacy: Race, Media, Law》（2009）。Osucha 的研究重点在于隐私权的分配如何受到种族、媒体和法律的影响，尤其是隐私权在历史与社会背景中的不平等分布。幻灯片右侧展示了一张广告图片，可能暗示了隐私权在文化表现中的种族化或性别化特征。这一研究的重要性在于揭示隐私权并非均等赋予所有人，而是受到社会结构和权力关系的影响。举例来说，在某些历史时期，某些群体可能被剥夺了隐私权，而另一些群体则享有更高的隐私保护。理解这一点有助于我们反思隐私权在现代社会中的公平性和普适性。

这一页讲的是隐私保护的范围及其社会价值，尤其是隐私在私人和公共领域的界限模糊问题。还提到隐私可能维持家庭关系中的男性主导地位。

这一页讲的是隐私保护的范围及其社会价值，尤其是当隐私涉及私人和公共领域的界限时可能产生的模糊问题。幻灯片引用了 DeCew 的观点，强调了隐私保护个体亲密关系和家庭关系的重要性，但同时也提出了一个关键问题：隐私是否可能在某些情况下维持或强化家庭关系中的男性主导地位。尤其是在面对女性主义批评时，这种隐私保护可能被质疑是否在无意间支持了传统的性别权力结构。这一讨论对于理解隐私的复杂性和其在社会结构中的作用非常重要。例如，家庭中的隐私保护可能被认为是保护个人空间和亲密关系的必要条件，但从社会学角度来看，它也可能掩盖家庭中的不平等权力关系。这种分析提醒我们在设计隐私保护政策时需要全面考虑其潜在影响。

这一页讲的是 AI 如何操控人类行为，重点是人类决策的对抗性脆弱性。研究提出了一个框架，用于理解和避免对抗性攻击。

这一页讲的是 AI 与人类行为操控相关的研究，特别是关于人类决策的对抗性脆弱性（adversarial vulnerabilities）。研究指出，理解人类选择过程中的弱点可以帮助检测并避免对抗性攻击。页面引用了一篇学术文章，标题为《Adversarial vulnerabilities of human decision-making》，作者提出了一个通用框架，用于创建针对人类决策的对抗性方法。文章强调，这一框架基于深度学习模型的最新发展，能够有效揭示人类行为在面对对抗性环境时的弱点。举例来说，AI 可以通过设计特定的刺激或信息，影响人类的选择，从而达到操控行为的目的。这项研究对于防范AI滥用以及设计更安全的技术具有重要意义。

这一页讲的是科技公司进行心理实验的案例，重点提到 OkCupid 曾通过误导用户关于匹配度的信息来进行实验。

这一页讲的是科技公司进行心理实验的现象，特别提到 OkCupid 的一个案例。OkCupid 是一个在线约会平台，根据 Forbes 2014 的报道，它曾故意向用户提供错误的匹配度信息，作为一种实验手段。这种做法引发了对科技公司伦理和隐私问题的讨论。心理实验通常用于研究用户行为和反应，但如果缺乏透明度或用户知情同意，就可能引发信任危机。例如，OkCupid 的实验可能是为了研究用户在接收到错误信息后是否会改变行为，但这种未经用户许可的干预可能会损害平台的声誉，并引发法律和道德问题。这一案例提醒我们，科技公司在设计实验时需要更加注重用户权益和透明度，以避免负面影响。

这一页讲的是Facebook情绪实验的伦理问题及相关研究。重点包括实验规模、情绪传染现象和知情同意的争议。

这一页讲的是Facebook在2014年进行的大规模情绪实验及其伦理争议。幻灯片展示了两篇相关内容的文章：一篇是Forbes报道，标题强调Facebook操控了近69万用户的情绪以进行科学研究；另一篇是发表在PNAS上的学术研究，题为《Experimental evidence of massive-scale emotional contagion through social networks》。研究探讨了情绪传染（emotional contagion）的现象，即通过调整社交媒体上的内容展示，观察用户情绪的变化。这个实验引发了关于知情同意（informed consent）的伦理争议，因为用户并未明确知道自己参与了实验。此事件不仅揭示了科技公司对用户行为的影响力，也引发了关于隐私和伦理的广泛讨论。例如，如果一个平台可以操控用户情绪，它是否有责任公开实验目的并获得用户的同意？这一问题在数据科学和心理学研究中具有重要意义。

这一页讲的是大数据对知情同意(Informed Consent)的影响，以及推断经济(Inference Economy)的隐私问题。

这一页讲的是大数据如何影响美国的知情同意制度，以及推断经济对隐私的挑战。A. Michael Froomkin 在其2019年的文章中指出，大数据使得美国的知情同意制度变得不连贯且难以支持，甚至质疑了知情同意这一概念在现代数据分析中的适用性。这表明在大数据时代，传统的隐私保护机制可能已经无法有效应对。幻灯片还提到 Alicia Solow-Niederman 的研究《信息隐私与推断经济》(Information Privacy and the Inference Economy)，这篇文章探讨了推断经济如何通过数据分析生成用户信息，从而对隐私构成威胁。推断经济利用大数据和算法预测个人行为和属性，即使用户没有直接提供这些信息。这种模式可能导致隐私侵害并对个人权利产生深远影响。例如，基于用户的浏览记录推断其健康状况或消费习惯，可能会被用于商业或决策中。

这一页讲的是信息隐私在机器学习时代面临的挑战，主要讨论隐私保护的不足、数据推断的风险，以及数据聚合的影响。

这一页讲的是信息隐私在机器学习（ML）时代面临的挑战。首先提到，美国的隐私保护制度依赖个人对数据的控制，但机器学习的推断能力超越了这一假设的极限。其次，现代隐私保护未能应对机器学习所推动的推断经济，即组织通过收集个人数据来推断更多信息，不仅关于数据主体，还关于其他人。接着，机器学习可以通过汇总看似无害的数据（如公开照片或 IP 地址）推断个人信息，即使个人未意识到自己在泄露这些数据。这种能力使得保护隐私变得困难，因为个人无法预测哪些数据是关键的。此外，开发者可以通过聚合数据训练机器学习模型，用于预测其他人的行为。这些内容强调了机器学习对传统隐私保护机制的冲击，以及数据推断和聚合带来的风险。

这一页讲的是《监视资本主义时代》(The Age of Surveillance Capitalism)的核心观点，强调公司如何通过干预用户行为来预测和控制行为结果。

这一页讲的是《监视资本主义时代》(The Age of Surveillance Capitalism)这本书的主要思想，作者 Shoshana Zuboff 提出了一种新的资本主义形式——监视资本主义。她指出，公司不仅仅监控我们的行为，还会主动干预我们的行为过程，以便更好地预测和控制我们的行为结果。页面引用了 Zuboff 的观点，认为监视资本家发现最具预测性的行为数据来源于对用户行为状态的干预，比如通过引导、劝诱、调整和操控行为来实现盈利目标。这种模式已经超越了传统的数据自动化，目标是直接自动化我们自身的行为。这一理论揭示了现代技术和商业如何通过深度数据分析和行为干预来获取利润，同时对个人隐私和自主权构成了威胁。

这一页讲的是“监控资本主义”（Surveillance Capitalism）中的知识政变（Epistemic Coup）。重点是监控资本主义如何通过数据操控影响认知和社会结构。

这一页讲的是“监控资本主义”（Surveillance Capitalism）中的知识政变（Epistemic Coup），即通过操控数据和信息来影响人类的认知和决策。监控资本主义是一种经济体系，它通过收集用户数据来预测和影响行为，从而获利。这种知识政变指的是，科技公司利用数据和算法控制信息流，改变公众对事实和现实的认知。幻灯片中的图像表现了一个监控装置投射到国会大厦的场景，象征着这种数据操控可能对社会和政治结构造成的深远影响。例如，社交媒体平台通过算法推荐内容，可以影响用户的观点和行为，甚至改变选举结果。这一现象的重要性在于，它不仅改变了传统的经济模式，还对民主和社会秩序构成了挑战。

这一页讲的是注意力经济(The Attention Economy)的核心理念。主要探讨技术行业如何设计用户而非产品，以及对个人自由的影响。

这一页讲的是注意力经济(The Attention Economy)的核心理念，引用了 James Williams 的书《Stand Out of Our Light》的观点。Williams 提到，技术行业的目标已经从信息的组织转变为对用户注意力的争夺。他强调，科技公司并不是在设计产品，而是在设计用户，这揭示了一个重要问题：注意力经济对个人自由和生活方式的深远影响。这种设计方式可能导致用户行为被操控，甚至影响他们的价值观和决策能力。通过这种视角，我们可以理解注意力经济如何成为现代社会的重要议题。举例来说，社交媒体平台通过算法推荐内容，吸引用户停留更多时间，这不仅是商业策略，也是对用户注意力的深度干预。这一理念提醒我们要警惕技术对个人生活的潜在控制，并思考如何在注意力经济中保持自主性。

这一页讲的是意图经济（Intention Economy）及其与大型语言模型的关系。主要探讨数据收集和意图商品化的影响。

这一页讲的是意图经济（Intention Economy），重点关注通过大型语言模型（Large Language Models）进行意图的收集和商品化（Commodification of Intent）。意图经济指的是通过分析用户行为和数据来预测或影响用户选择的经济模式。幻灯片标题提醒我们要警惕这种经济模式可能带来的伦理问题，例如隐私侵犯和数据滥用。背景中提到了一篇文章，其作者是 Yaqub Chaudhary 和 Jonnie Penn，进一步探讨了这一主题。这一页的核心是强调在生成式 AI技术快速发展的背景下，如何平衡技术应用与伦理责任。举例来说，大型语言模型可能通过分析用户输入来推测其意图，从而为广告商或其他商业目的服务，这可能导致用户数据的过度商品化。

这一页讲的是 Deceptive Patterns（欺骗性设计模式）。主要内容包括其定义、用途，以及相关网站的介绍。

这一页讲的是 Deceptive Patterns（欺骗性设计模式），也叫 Dark Patterns（黑暗模式）。这一概念指的是网站或应用程序中设计的某些技巧，这些技巧会诱导用户做出他们本不想做的行为，比如购买某个商品或注册某项服务。这种设计通常隐藏在用户界面中，通过误导或操纵用户的选择来达到设计者的目的。幻灯片还提到一个专门关注这些模式的网站——deceptive.design，该网站自 2010 年起开始传播关于欺骗性设计的知识，旨在提高公众的意识。这一主题的重要性在于，它揭示了设计伦理的问题，提醒开发者在设计用户界面时应避免使用不道德的手段，同时帮助用户识别和规避这些潜在的陷阱。例如，一个典型的欺骗性设计可能是订阅页面中默认选中的付费选项，而用户可能在不经意间完成了支付。

这一页讲的是 Comparison prevention（比较阻碍）。主要内容包括定义和一个具体例子，说明用户因信息复杂难以比较产品，从而可能做出对自身不利的购买决策。

这一页讲的是 Comparison prevention（比较阻碍）的概念及其应用。首先，定义部分指出，当用户做购买决策时，通常会尝试比较产品的价格和功能以满足个人需求。然而，如果这种比较变得过于困难，用户可能会放弃理性评估，转而做出仓促的决定。这种模式利用了用户的认知偏差，例如社会认同效应（social proof）、权威偏差（authority bias）或默认效应（default effect），使用户倾向于选择对商家更有利但未必对用户最佳的选项。其次，例子部分以 T-Mobile 的页面设计为例，展示了如何通过复杂的信息呈现阻碍用户比较价格和功能。页面中将功能和费用以不同方式组合，税费在部分计划中包含而在另一些计划中未显示，导致用户无法轻松判断哪种计划更划算。此外，详细信息隐藏在多个链接中，用户需要多次点击才能查看完整内容。这种设计迫使用户记住价格和功能细节，增加了比较的难度，最终可能促使用户选择价格更高但对商家更有利的选项。这种策略虽然提高了商家的收入，但可能并不符合用户的最佳利益。

这一页讲的是 Confirmshaming，通过情感操控用户做出他们本不会选择的行为。主要讲解了定义和一个具体案例。

这一页讲的是 Confirmshaming，这是一种通过引发用户不适情绪（如内疚或羞愧）来影响决策的设计模式。定义部分解释了这种模式的工作原理：网站或应用通过使用带有贬低或嘲讽意味的退出按钮标签，使用户因选择不参与服务或功能而感到不舒服，从而增加用户屈服于期望行为的可能性，最终使服务提供方获益。页面还提供了一个案例：2018年，电商网站 Mymedic.com 使用了 Confirmshaming 模式，在请求用户允许接收通知时，退出选项标签被设计为“我不想活了”或“我宁愿流血至死”。这种设计尤其令人不安，因为该网站的目标客户群体是容易接触到事故和死亡风险的工作者。这一案例说明了这种模式如何利用用户的情感和自我形象来达到商业目的，同时也揭示了其潜在的伦理问题。

这一页讲的是伪装广告（Disguised ads）。它通过模糊广告与内容的界限，误导用户点击广告，以增加点击率和收益。

这一页讲的是伪装广告（Disguised ads）。这种广告模式故意模糊实际内容与广告之间的界限，造成用户的混淆。伪装广告通常设计成类似界面元素、相关文章或用户感兴趣的内容，从而提高用户点击的可能性。通过这种方式，网站所有者可以通过广告展示获得更多收入，而广告商也可能从更高的点击率中获益，最终增加销售额。举个例子，Softpedia，一个流行的软件下载网站，经常在其下载页面使用伪装广告。他们的做法是在页面上展示一个与实际软件下载按钮非常相似的广告按钮，导致用户误以为点击的是下载软件的按钮，实际上却点击了广告。这种设计不仅误导用户，还提高了广告点击率，增加了广告收入。

这一页讲的是 OpenAI 与 Shopify 合作推动 AI 驱动广告的影响。主要内容包括 AI 广告的隐蔽性及消费者需要了解的相关信息。

这一页讲的是 OpenAI 和 Shopify 合作开发 AI 驱动的在线广告解决方案。这种广告利用人工智能技术生成高度个性化的内容，使消费者难以察觉其为广告。这一技术的核心是通过分析用户行为数据和购物习惯，精准投放广告内容，从而提升转化率。这张图展示了一个机器人手指指向购物车图标的场景，象征了 AI 技术在电子商务中的深度应用。消费者需要了解的是，这种广告可能会影响他们的购物决策，使得广告与真实推荐内容之间的界限变得模糊。举个例子，当用户浏览某一网站时，AI 可能会根据用户的兴趣动态生成广告，而用户可能误以为这是网站的推荐内容。这种技术的应用虽然提高了广告效率，但也引发了隐私和透明度方面的讨论，值得进一步关注。

这一页讲的是假稀缺性 (Fake scarcity)。主要内容包括定义：通过虚假的稀缺感促使用户快速购买；以及一个例子：HeyMerch 的 Shopify 应用如何实现假库存显示。

这一页讲的是假稀缺性 (Fake scarcity)。假稀缺性是一种通过人为制造产品或服务的有限供应感来影响用户行为的手段。它通过展示虚假的低库存或高需求信息，利用用户的稀缺认知偏差 (scarcity cognitive bias)，让用户误以为某些商品稀有或独特，从而促使他们在未充分评估选项的情况下做出快速购买决策。这种模式常用于营销和电商领域，目的是加速用户的购买行为。举例来说，Shopify 的应用“Sales & Stock Counter”由 HeyMerch 公司开发，它允许商家显示虚假的低库存信息。商家可以选择设置显示虚假库存计数或销售数字的选项，从而在促销材料中营造一种紧迫感。这种手段虽然能短期提升销售，但可能会损害用户信任。

这一页讲的是假社交证明 (Fake social proof)。主要内容包括定义：通过虚假或夸大的评价误导用户，以及一个例子：展示营销自动化工具如何利用这种模式。

这一页讲的是假社交证明 (Fake social proof)。假社交证明是一种操控模式，通过展示虚假或夸大的评价、推荐或活动信息，制造产品受欢迎或可信的假象。这种手段利用了社交认知偏差 (social proof cognitive bias)，即人们倾向于跟随他人行为的心理机制。这样用户无需进行深度评估便可能被误导，最终做出购买或参与的决定。页面提供了一个例子：Beeketing 是一家营销自动化公司，其产品 Sales Pop 通过屏幕上的活动信息误导用户，例如显示“9 位顾客刚刚购买了商品 x 和商品 y”或“某某在某地刚刚购买了商品”。这种信息是随机生成的，包括地点和时间，目的是制造紧迫感和可信度。这种模式揭示了数字营销中常见的操控手段，提醒用户在面对类似信息时保持批判性思维。

这一页讲的是假紧迫性 (Fake urgency)，即通过虚假的时间限制让用户感到压力并完成某个行为。

这一页讲的是假紧迫性 (Fake urgency)，指通过人为制造的时间压力让用户感到紧迫，从而削弱他们对信息的批判性分析能力，可能导致焦虑或压力。商家利用这种心理效应促使用户快速做决定，完成对商家有利但可能不符合用户利益的行为。举例来说，一个名为 Hurrify 的 Shopify 应用由公司 Twozillas 开发，它可以生成各种假紧迫性信息，例如虚假的倒计时器。用户在网站上看到的倒计时器通常会声称活动在倒计时结束后停止，但实际上后台设置可以让倒计时器循环重置，从而制造持续的紧迫感。2023 年 4 月更新显示，Hurrify 已被 Shopify 应用商店禁止。这种假紧迫性策略常用于电商领域，目的是通过操控用户心理增加购买行为。

这一页讲的是强制行为 (Forced action)，即用户想做某事时却被要求完成其他不愿意的操作。

这一页讲的是强制行为 (Forced action)，指服务提供者在用户想完成某项操作时，强制要求用户完成其他不愿意的行为。这种行为可能结合其他欺骗性设计模式，例如通过视觉干扰或误导性措辞让用户忽略或误解其真实意图。在 Cookie 同意界面中，强制行为可能以“捆绑同意”的形式出现，将多个协议合并为一个选项，使用户无法单独选择性地同意某些内容。幻灯片还举了一个例子：2015 年 LinkedIn 的注册流程中，用户被要求填写邮箱地址，看似是正常的注册步骤，但实际上其目的是访问用户邮箱并提取所有联系人地址。这种设计通过低对比度的文本和不清晰的说明降低了用户注意到其真实目的的可能性。虽然页面提供了一个“跳过此步骤”的选项，但位置隐蔽且不显眼，进一步增加了用户完成强制行为的可能性。

这一页讲的是“Hard to cancel”（难以取消）的用户体验模式。重点包括定义它是一种欺骗性设计，用户容易订阅但难以取消，以及举例说明如《纽约时报》的案例。

这一页讲的是“Hard to cancel”（难以取消）的设计模式。这种模式又称为“Roach Motel”，指用户在订阅服务时非常容易，但当他们试图取消时却遇到困难。这通常通过隐藏取消选项、要求用户拨打客服热线、或者让取消流程异常复杂和耗时来实现。这种设计可能导致用户放弃取消，继续支付不需要的服务费用。举例来说，《纽约时报》虽然订阅过程简单，但取消过程却非常繁琐。用户需要拨打客服热线，等待长时间的接通，或者被重定向到其他网页，而这些网页无法完成取消操作。在一个测试中，用户花费了约8分钟与客服沟通才成功取消订阅，而创建新的订阅仅需几秒。这种设计对用户体验造成了负面影响，同时可能延长服务商的收入周期。

这一页讲的是 Hidden Costs（隐藏成本），主要讨论用户在购买过程中遇到的隐藏费用问题。定义强调隐藏费用的特性，例子分析 Stubhub 如何利用这一策略增加收入。

这一页讲的是 Hidden Costs（隐藏成本），即商家通过在购买或注册过程中隐瞒额外费用，直到用户投入大量时间和精力后才发现这些费用。定义部分指出，这种策略利用了用户在交易中已投入的时间和精力，使他们更倾向于接受这些意外费用。例子部分提到票务转售平台 Stubhub 的做法：他们先用低价吸引用户，通过一系列复杂步骤让用户投入时间和精力，最后在支付前揭示实际更高的价格。用户此时面临寻找其他价格的时间成本和失败风险，往往选择直接支付高价。研究表明，这种策略使未提前显示费用的用户多花约 21% 的钱，并且完成购买的概率增加了 14.1%。这一现象揭示了隐藏成本对消费者行为的显著影响。

这一页讲的是隐藏订阅（Hidden subscription），即用户在不知情或未明确同意的情况下被加入循环订阅或支付计划。主要讨论其定义和一个实际例子。

这一页讲的是隐藏订阅（Hidden subscription），指通过隐蔽或误导的方式让用户在不知情的情况下加入循环订阅。用户可能以为自己购买的是一次性服务，但实际上签订了含有循环支付条款的协议。服务通常不会主动发送提醒或通知，导致用户持续支付费用。此外，这种模式通常还伴随难以取消的欺骗性设计。例子部分提到 Figma 的共享功能，当用户点击“Share”按钮并选择“can edit”选项时，系统会在邀请者的信用卡上生成一个新的月度订阅，但这一额外费用并未在界面中明确说明。由于 Figma已存储邀请者的信用卡信息，费用会直接扣除，用户通常是在社交媒体上抱怨后才发现问题。这种设计隐蔽性强，容易引发用户的不满。

这一页讲的是 Nagging(持续打扰)的概念及一个实际例子。主要内容包括定义这种行为如何耗费用户资源，以及 Instagram 的案例说明其影响。

这一页讲的是 Nagging(持续打扰)，即用户尝试完成某事时不断被要求做其他事情，这些请求可能不符合用户的最佳利益。定义部分解释了这种行为是一种对抗性资源消耗(adversarial resource depletion)，每次应用或网站打断用户并提出请求，都会耗费用户的时间和注意力。这类似于一种非财务成本的“税”，随着干扰次数增加，这种成本会累积，最终可能迫使用户选择妥协，接受提供方的要求，即使这违背了他们的最佳利益。例子部分提到 2018 年 Instagram 持续要求用户开启通知，定期重复这一请求，用户无法完全拒绝，只能选择“Not Now”，从而让这种打扰行为持续存在。这说明 Nagging 不仅影响用户体验，还可能迫使用户做出违背意愿的选择。

这一页讲的是 Obstruction（阻碍）。主要内容包括它的定义——通过人为设置障碍让用户难以完成任务，以及一个 Facebook 的实际案例。

这一页讲的是 Obstruction（阻碍），指一种故意设置障碍或路障的欺骗模式，使用户难以完成目标任务或采取某种行动。这种方法会通过消耗用户的耐心和精力，让他们放弃目标，尤其当用户的目标与企业的收入或增长目标相悖时。阻碍还可能作为更大欺骗行为的前奏，利用用户的疲惫或沮丧心理，使他们更容易受到操控。页面举了一个 Facebook 的案例：Facebook 使用阻碍技术让用户很容易接受隐私侵害设置，但拒绝这些设置却变得困难。用户需要点击一个不明确的按钮并向左切换选项，这种设计让用户感到困惑，也无法确定是否成功保护了隐私。这个案例来自 Norwegian Consumer Council（挪威消费者委员会，2018）。

这一页讲的是 Preselection（预选）的定义及其影响。主要内容包括预选如何利用默认选项影响用户决策，以及一个实际案例说明其欺骗性应用。

这一页讲的是 Preselection（预选），即通过向用户展示一个默认选项来影响其决策的行为。定义部分解释了预选如何利用默认效应（default effect）这一认知偏差：人们倾向于选择已经为他们预先选好的选项，即使还有其他可选项可供选择。常见的做法包括展示已勾选的复选框（pre-ticked checkbox）、将商品直接放入购物车或在一系列步骤中预选某些内容。这种模式之所以有效，是因为用户通常不会注意或深究这些默认选项的意义，甚至可能完全忽略它们。此外，预选还可能利用其他认知偏差，例如社会认同偏差（social proof bias），让用户觉得其他人选择默认选项自己也应该选择；或者通过权威偏差（authority bias），利用权威人物施加压力让用户接受默认选项。案例部分提到 2021 年特朗普竞选团队使用预选的欺骗性模式，通过预选复选框让捐赠者无意中选择每月定期捐款，甚至在后期增加了另一个复选框以引导额外捐款。这些模式被认为是利用了认知偏差来影响用户行为的典型例子。

这一页讲的是 Sneaking 的定义和一个实际例子。Sneaking 是通过隐藏或延迟重要信息来误导用户，使其在不知情的情况下做出选择。例子涉及一家零售商在结账时偷偷加入额外商品。

这一页讲的是 Sneaking 的概念及其实际应用。Sneaking 是一种故意隐藏或模糊对用户有重要影响的信息（例如额外费用或不想要的后果），以操纵用户做出他们原本不会选择的行为。这种行为通常利用用户对信息的不了解或注意力的分散来实现。一个例子是 2015 年英国体育零售商 sportsdirect.com 的行为：他们在结账过程中未经用户同意或知情的情况下，将一个额外的杂志订阅加入用户的购物篮中。这份杂志订阅额外收费 1 英镑，并且用户如果注意到这一项，必须主动将其移除才能避免购买。这说明 Sneaking 会让用户在不完全知情的情况下承担额外成本或做出不必要的选择，强调了透明信息在交易中的重要性。

这一页讲的是 Trick wording(欺骗性措辞)的定义和一个实际例子。主要内容包括这种模式如何通过模糊或误导性语言让用户做出非最佳选择，以及 Ryanair 的具体案例。

这一页讲的是 Trick wording(欺骗性措辞)的概念及其应用。Trick wording 是一种欺骗性模式，通过利用用户的预期和模糊的语言误导用户。由于在线信息量巨大，用户通常会快速浏览内容，而不会仔细阅读每一页的每一个字。Trick wording 就是利用这一点，让内容看起来像是在表达某种意思，但实际上却暗含其他不符合用户最佳利益的信息。这种模式的本质是通过语言混淆用户的判断力。页面还举了一个 Ryanair 的案例：2010 到 2013 年间，Ryanair 在航班预订过程中使用了 Trick wording 模式。他们要求用户选择“居住国家”，但在下拉菜单中隐藏了“不需要旅游保险”的选项，并将其放在两个国家之间(拉脱维亚和立陶宛)，使用户容易忽略这一选项，从而无意间购买了旅游保险。这一案例说明了 Trick wording 如何结合视觉干扰模式来误导用户。

这一页讲的是视觉干扰 (Visual interference)。主要内容包括定义和一个实际案例，说明如何通过设计干扰用户的视觉感知。

这一页讲的是视觉干扰 (Visual interference)，即用户期望页面信息清晰可见，但信息被隐藏、模糊或伪装。定义部分指出，视觉干扰可以通过使用小字体或低对比度文本来操控视觉感知，也可以通过制造混乱或过于复杂的界面来干扰用户理解。此外，将重要信息放在用户意料之外的位置或样式也会破坏用户的预期。案例部分举了一个具体例子：2019 年，特斯拉在其移动应用中加入了一个电子商务功能，允许车主购买升级服务，比如价值 4000 美元的“完全自动驾驶”功能。一些用户因误操作购买了此服务，当发现无法退款时感到愤怒。特斯拉在购买页面上隐藏了一条低对比度的文字，写着“升级不可退款”。这段文字难以被用户注意到，导致了用户体验问题。这一案例展示了视觉干扰如何通过设计细节影响用户行为和感知。

这一页讲的是欧盟人工智能法案(EU AI Act 2024)中关于禁止的 AI 系统。重点包括禁止使用操控性技术和利用弱势群体的行为。

这一页讲的是欧盟人工智能法案(EU AI Act 2024)中第二章第五条(Title II, Art. 5)规定的禁止性 AI 系统。法案明确指出两类 AI 系统是被禁止的：第一类是使用潜意识影响、操控或欺骗性技术(subliminal, manipulative, or deceptive techniques)，这些技术会扭曲用户行为并削弱其做出明智决策的能力，造成显著伤害；第二类是利用弱势群体的脆弱性(exploiting vulnerabilities)，例如基于年龄、残疾或社会经济状况来影响行为，导致显著伤害。这些规定旨在保护用户权益，避免 AI 技术被滥用以造成社会或个人层面的负面影响。举例来说，一个 AI 系统如果通过隐蔽的广告操控用户购买不必要的商品，或利用老年人的认知弱点进行诈骗，都属于禁止行为。这一法案的链接提供了更多详细信息。

这一页讲的是欧盟人工智能法案中禁止的实践，包括利用潜意识技术操控个人或群体行为，导致重大伤害。

这一页讲的是欧盟人工智能法案（EU Artificial Intelligence Act）中明确禁止的一类人工智能实践。具体来说，这些禁止的行为包括：将利用潜意识技术（subliminal techniques）或故意操控性、欺骗性技术的人工智能系统推向市场或投入使用。这些技术的目的是或结果是显著扭曲个人或群体的行为，损害其做出知情决策的能力，从而导致他们做出本不会选择的决定，并因此可能对个人或群体造成重大伤害。这样的规定旨在保护用户免受人工智能技术的滥用，特别是那些可能利用心理学或技术手段操控用户行为的系统。这一条款强调了人工智能伦理的重要性，确保技术的应用不会侵犯个人自由或造成社会危害。例如，一个广告推荐系统如果利用潜意识技术让用户购买不必要的产品，并导致经济损失或心理压力，就可能被视为违反该法案的行为。

这一页讲的是 Peer Review Activity（同行评审活动）。强调合作与反馈的重要性，促进学习与改进。

这一页讲的是 Peer Review Activity（同行评审活动）。同行评审是一种通过让同伴互相检查和评价工作来提升质量的活动。它的核心是通过合作和反馈，帮助参与者发现问题、改进内容，并学习新的视角。在这个活动中，参与者通常会交换自己的作品或任务，彼此提供具体的建议和意见。图中的两个人物象征着积极互动和合作的氛围，强调活动的友好性和建设性。同行评审不仅能提高作品质量，还能培养批判性思维和沟通能力。例如，在学术写作中，同行评审可以帮助作者发现逻辑漏洞或表达不清的地方，从而提升文章的整体质量。这种活动在团队项目和学习环境中非常重要，可以促进知识共享和共同进步。

这一页讲的是如何成为优秀的同行评审者。重点包括提供礼貌、具体且建设性的反馈，避免直接批评；通过提问了解对方的思路；以及开放接受批评和建议。

这一页讲的是如何成为优秀的同行评审者。同行评审(peer review)是学术生活中至关重要的一部分，也是追求研究事业时需要培养的一项技能。首先，反馈应该是礼貌的、具体的和建设性的。例如，不要直接说“你的文章结构很糟糕”或“你的文章没有意义”，因为这种反馈既不具体也没有建设性。相反，可以说“我建议你在文章开头更清晰地呈现你的论点”。其次，不要急于直接批评，而是通过提问来了解对方为什么以某种方式组织文章或使用某个例子。如果对方的反馈不清楚，也可以主动寻求澄清。最后，要开放地接受批评和建设性建议，因为这是改进文章和学习新技能的关键。通过这些方法，评审者不仅可以帮助同行提升作品质量，也能促进自己的学术成长。

这一页讲的是评估标准，包括哲学/伦理问题分析质量、论点清晰呈现、文献引用、APA格式引用以及可读性。

这一页讲的是评估标准（Assessment Criteria），主要用于评价学术或项目工作的质量。首先是哲学和伦理问题分析与评价的质量（philosophical/ethical issue analysis and evaluation），强调对复杂问题的深度思考和批判性分析。其次是论点的清晰呈现（clear presentation of arguments in support of a position），要求表达逻辑清晰、支持观点的论据充分。第三是相关文献的引用（the inclusion of relevant literature），包括原始来源的使用，确保研究的扎实性和权威性。第四是正确的 APA 格式引用（correct APA referencing and citations），确保引用规范，避免学术不端行为。最后是可读性（readability），强调文本的清晰度和流畅性，使读者能够轻松理解内容。这些标准共同构成了评估工作的核心指标，确保学术内容的质量和专业性。例如，在论文写作中，如果能清晰表达观点并正确引用文献，就能更好地满足这些评估标准。

这一页讲的是提高论文分析的方法，包括明确论点、反驳观点、例子选择、结构安排和简洁表达。

这一页讲的是提高论文分析的技巧。首先，论点（Argument）需要明确，建议选择一个清晰的立场并考虑支持和反驳的观点，而不是简单地说问题“复杂”。其次，反驳观点（Counterclaims）是与主要论点相冲突的观点，需分析这些观点为何不如主要论点有说服力。第三，例子（Examples）必须相关且支持论点，同时一个例子可以从多个角度进行分析以增强说服力。第四，结构（Structure）要求清晰，确保读者能够理解各个论点和例子如何层层递进，形成连贯的叙述。最后，简洁（Brevity）是关键，删除任何与论点无关的内容，即使它看起来有趣。这些技巧帮助作者提升论文的逻辑性和说服力。

这一页讲的是提升论文与文献互动的技巧，包括相关性、领域理解和深度互动。

这一页讲的是提升论文与文献互动的技巧。首先是相关性（Relevancy），强调引用文献时要有意图地选择与主题相关的内容，而不是随意或大量引用。其次是领域理解（Understanding of the field），要求论文展示对相关领域关键概念的理解，尤其是如 AI伦理学等领域，并能结合主题和案例研究进行深入探讨。最后是文献互动（Engagement with literature），关注论文是否能深入理解所引用的文献，并与其论点进行互动。这一点对于领域外的同行评审可能更具挑战性，因为需要对领域有一定的熟悉度。这些技巧旨在帮助作者更有针对性地引用文献，同时提升论文的学术深度和说服力。

这一页讲的是提高论文可读性的技巧，包括明确指引、段落和句子长度、论证结构以及清晰的开头。

这一页讲的是提高论文可读性（readability）的技巧。首先，Signposting（明确指引）强调需清楚地告诉读者你的论点方向，避免让读者猜测你的意思。其次，段落长度（Paragraph length）应控制在一个段落只包含一个核心观点，并用证据支持，避免多观点混杂。第三，句子长度（Sentence length）要求关注句子长度，避免过长或冗余的句子。然后，论证结构（Argument → explanation → example）建议通过清晰的主题句（如“Noodles are the best food”），进一步解释（如“它们美味、营养丰富且易于制作”），以及举例支持（如“上周我吃了7包方便面，感觉很好”）来增强论证效果。最后，清晰的开头（Clear introduction）是论文的关键，需为论文的论点和结构提供明确的路线图。这些技巧可以帮助读者更轻松地理解和跟随你的论述逻辑。

这一页讲的是同行评审(peer review)的指导问题，包括如何评估文章的论点、证据、说服力以及结构和理解程度。

这一页讲的是同行评审(peer review)过程中需要考虑的指导问题。这些问题帮助评审者全面分析文章的质量和有效性。首先，需要明确文章的主要论点是什么，并检查作者是否提供了充足的证据来支持这一论点。其次，评估文章的说服力，即论点是否能够有效地影响读者的观点。此外，还需要关注文章是否考虑了反对观点(counterclaims)，以及这些反对观点是否被合理地回应。进一步分析文章是否引用了相关文献(relevant literature)，以确保论述的学术性和权威性。评审者还需要检查文章的可读性(readability)，并提出结构或呈现方式的改进建议。最后，评审者要确认作者是否理解了任务要求及其评审标准。这些问题的设计旨在帮助评审者进行全面、客观的评价，并为作者提供有价值的反馈。