트래킹 클릭]

Click tracking

클릭 트래킹은 사용자의 [1][2]통찰력과 지문 채취를 위해 사용자의 클릭 동작 또는 사용자 탐색 동작을 수집하는 것입니다.클릭 동작은 일반적으로 클릭 경로와 클릭 URL(Uniform Resource Locator)[2][3]을 포함하는 서버 로그를 사용하여 추적됩니다.이 로그는, 호스트명, 날짜, [2]유저명등의 정보를 포함한 표준 형식으로 표시되는 경우가 많습니다.그러나 테크놀로지가 발전함에 따라 새로운 소프트웨어에서는 하이퍼비디오 [1]툴을 사용하여 사용자의 클릭 동작을 상세하게 분석할 수 있습니다.인터넷은 위험한 환경으로 간주될 수 있기 때문에, 연구는 사용자들이 [4]왜 다른 링크가 아닌 특정 링크를 클릭하는지 이해하기 위해 노력하고 있다.또한 사용자 개인 식별 정보를 개별적으로 익명화하고 데이터 수집 동의서 작성 및 [5][6]구조화 방법을 개선함으로써 개인 정보 보호의 사용자 경험을 탐구하기 위한 연구도 수행되었다.

클릭 트래킹은 HCI(Human-Computer Interaction), 소프트웨어 엔지니어링, 광고 [1][7]등 여러 산업에 관련되어 있습니다.이메일 추적, 링크 추적, 웹 분석 및 사용자 조사도 클릭 [8]추적의 관련 개념 및 응용 프로그램입니다.클릭 트래킹에서 클릭 데이터를 사용하는 일반적인 방법은 검색 엔진에서 검색 결과의 위치를 개선하여 사용자의 [9]요구와 더 관련이 있는 순서를 만드는 것입니다.클릭 트래킹은 머신러닝이나 [9]데이터 마이닝 등 많은 최신 기술을 채용하고 있습니다.

추적 및 기록 기술

다음 항목도 참조하십시오.검색 엔진 프라이버시

Tracking and Recording Technology(TRT; 추적 및 기록 기술)는 기관용 TRT와 최종 사용자용 TRT의 [10]두 가지 범주로 나눌 수 있습니다.기관 TRT와 최종 사용자 TRT는 데이터를 수집하고 저장하는 사람에 따라 다르며, 이는 기관과 사용자로 각각 이해할 수 있습니다.TRT의 예로는 Radio Frequency Identification(RFID; 무선 주파수 식별), 신용카드, 스토어 비디오카메라 등이 있습니다.연구에 따르면 개인은 사생활에 대해 관심을 가지지만,[10] TRT가 매일 어떻게 사용되는지에는 관심이 적다고 한다.이러한 차이는 대중이 그들에 대한 정보가 어떻게 [10]수집되고 있는지 이해하지 못하기 때문이다.

사용자 입력을 얻는 또 다른 방법은 아이 트래킹 또는 시선 트래킹입니다.시선 추적 기술은 운동 장애를 [11]가진 사람들에게 특히 유용합니다.시선 추적을 사용하는 시스템은 종종 커서 및 키보드 [11]동작을 모방하려고 합니다.이 프로세스에서 시선 추적 시스템은 시스템 인터페이스 내의 자체 패널로 분리되며, 개인이 패널과 다른 인터페이스 기능 사이를 전환해야 하기 때문에 이 시스템의 사용자 경험이 저하된다.사용자는 키보드와 커서 기능을 사용하여 작업을 완료하는 방법을 먼저 상상하고 시선을 사용해야 하기 때문에 경험도 어렵다.이로 인해 작업에 [11]추가 시간이 걸립니다.따라서, 연구원들은 Gaze The Web(GTW)이라고 불리는 그들만의 웹 브라우저를 만들었고, 그들의 연구는 사용자 경험에 초점을 맞췄다.그들은 시선을 더 [11]잘 통합하기 위해 인터페이스를 개선했다.

눈동자 이동 추적은 웹 애플리케이션을 [12]만들 때 사용성 테스트에도 적용됩니다.그러나 사용자의 눈의 움직임을 추적하려면 적절한 장비를 갖춘 실험실 설정이 필요한 경우가 많습니다.마우스와 키보드의 액티비티를 리모트로 측정할 수 있기 때문에, 이 품질을 조작성 [12]테스트에 활용할 수 있습니다.알고리즘은 마우스 움직임을 사용하여 사용자의 눈 움직임을 예측하고 추적할 수 있습니다.원격 환경에서 이러한 추적을 원격 로깅 기술로 나타냅니다.[12]

이것은, 복수의 참가자를 대상으로 한, 녹화된 시선 추적의 예입니다.

브라우저 핑거프린트는 사용자를 식별하고 [13]추적하는 또 다른 수단입니다.이 프로세스에서는 웹 브라우저에서 사용자에 대한 정보를 수집하여 브라우저 핑거 프린트를 만듭니다.브라우저 핑거프린트에는 디바이스, 운영체제시스템, 브라우저 및 설정에 대한 정보가 포함되어 있습니다.HTTP 헤더, JavaScript 및 브라우저 플러그인을 사용하여 [13]지문을 작성할 수 있습니다.브라우저 지문은 자동 소프트웨어 업데이트 또는 사용자 브라우저 기본 설정 조정에서 시간이 지남에 따라 변경될 수 있습니다.이 영역에서 프라이버시를 높이기 위한 조치는 [13]기능을 차단함으로써 기능을 저하시킬 수 있습니다.

클릭 추적 방법

사용자 브라우징 동작은 클릭된 URL, 쿼리 및 [1]경로 패턴을 포함하는 서버 액세스 로그를 사용하여 추적되는 경우가 많습니다.그러나 보다 현대적인 추적 소프트웨어는 커서 동작을 추적하기 위해 JavaScript를 사용합니다.수집된 마우스 데이터를 사용하여 동영상을 만들 수 있으므로 사용자의 동작을 재생하고 쉽게 분석할 수 있습니다.하이퍼미디어는 강조 표시, 망설임 및 모니터링 선택 [1]등의 동작을 허용하는 시각화를 만드는 데 사용됩니다.이러한 동작을 기록하는 테크놀로지도 예측에 사용할 수 있습니다.이러한 모니터링 도구 중 하나인 SMT2는 15개의 커서 기능을 수집하고 나머지 14개를 사용하여 마지막 기능의 [1]결과를 예측합니다.이 소프트웨어는 사용자 커서 액티비티를 [1]요약한 로그 분석도 생성합니다.

검색 세션에서는 쿠키, 식별 프로토콜 또는 IP 주소를 사용하여 사용자를 식별할 수 있습니다.이 정보는 데이터베이스에 저장될 수 있으며 사용자가 웹 페이지를 다시 방문할 때마다 클릭 동작이 데이터베이스에 추가됩니다.Double Click Inc.는 이러한 데이터베이스를 보유하고 있으며 웹 [2]마이닝을 지원하기 위해 다른 회사와 제휴하고 있는 기업의 예입니다.쿠키는 HTTP(Hypertext Transfer Protocol)에 추가되며 사용자가 링크를 클릭하면 연결된 웹 [3]서버에 연결됩니다.사용자가 링크를 클릭하는 이 액션은 요청으로 간주되며 서버는 사용자의 정보를 전송하여 "응답"하며 이 정보는 [3]쿠키입니다.쿠키는 웹 사이트의 사용자 세션에 대한 "북마크"를 제공하며 웹 [3]사이트에 사용자 로그인 정보와 사용자가 방문하는 페이지를 저장합니다.이렇게 하면 세션 상태를 유지하는 데 도움이 됩니다.이러한 서버가 여러 개 있는 경우 모든 서버 간에 정보가 일치해야 합니다.따라서 정보가 전송됩니다.쿠키를 통해 수집된 데이터는 모든 사용자의 웹 사이트를 개선하는 데 사용할 수 있으며 [3]광고용 사용자 프로파일링에도 도움이 됩니다.

웹 로그 데이터를 이해하기 위해 데이터 마이닝 기술과 통계 절차를 적용할 경우 이 프로세스는 로그 분석 또는 웹 사용 마이닝으로 표시됩니다.이것은 사용자의 탐색 [2]동작에서 패턴을 결정하는 데 도움이 됩니다.사용자가 페이지를 본 시간, 클릭 경로 길이, [2]클릭 횟수 등을 확인할 수 있습니다.웹 사용 마이닝은 3단계로 구성됩니다.먼저 로그 데이터를 "사전 처리"하여 사용자와 검색 세션의 내용을 확인합니다.그 후, 어소시에이션이나 clustering등의 툴을 사용해 패턴을 찾아내고, 마지막으로, 이러한 패턴을 보존해 [2]상세하게 분석합니다.연관 규칙 마이닝 도구는 사용자가 검색 세션에서 방문하는 페이지 간에 "패턴, 연관성 및 상관 관계"를 찾는 데 도움이 됩니다.순차적 패턴 검출은 연결 규칙 마이닝이지만 할당된 기간 [2]내의 페이지 뷰와 같은 시간도 고려합니다.분류는 유사한 [2]특성을 나타내는 그룹에 페이지를 추가할 수 있는 도구입니다.

클릭 분석을 수행할 때 개인이 사용할 수 있는 도구의 예로는 Google Analytics 도구 In-Page Analytics, ClickHeat 및 Crazy [14]Egg 등이 있습니다.이러한 도구는 웹 페이지의 [14]클릭 데이터에서 시각 정보를 생성합니다.Click Heat and Crazy Egg은 특정 색상을 사용하여 사용자의 클릭 밀도를 보여줍니다.이러한 툴은 모두 웹 페이지 방문자를 모바일 사용자나 특정 브라우저를 사용하는 등의 자질에 따라 그룹으로 분류할 수 있습니다.특정 그룹의 데이터를 분석하여 [14]더 많은 통찰력을 얻을 수 있습니다.

클릭 동작

사용자가 링크를 클릭할 때 고려하는 주요 요소 중 하나는 결과 목록에서 링크의 위치입니다.링크가 상단에 가까울수록 사용자가 [15]선택할 가능성이 높아집니다.사용자가 주제와 개인적인 관계가 있을 경우 해당 기사를 더 자주 클릭하는 경향이 있습니다.뉴스 콘텐츠의 사진, 위치 및 특정 개인도 사용자의 결정에 더 큰 영향을 미쳤다.그 뉴스의 출처는 덜 [15]중요한 것으로 여겨졌다.

attachment를 클릭하고 intention을 클릭하는 것은 사용자 클릭 [8]동작에서 큰 역할을 합니다.한 연구에서 연구 참가자들에게 긍정적이고 부정적인 보험 광고 사진을 제시했을 때, 감정은 클릭 의도 및 클릭 태도와 긍정적인 관련이 있는 것으로 나타났다.연구원들은 또한 클릭 자세가 클릭 의도에 영향을 미치고 긍정적인 감정이 클릭 [8]자세에 부정적인 감정보다 더 많은 영향을 미친다는 것을 관찰했다.

인터넷은 발생할 수 있는 사이버 보안 공격의 풍부함과 악성 프로그램의 확산으로 인해 위험한 환경으로 간주될 수 있습니다.따라서 개인은 인터넷을 사용할 때마다 다양한 [4]링크를 클릭할지 여부를 결정해야 한다.2018년 조사에 따르면 사용자는 익숙한 웹사이트에서 더 많은 URL을 클릭하는 경향이 있습니다. 이 사용자 특성은 사이버 범죄자에 의해 악용되어 개인 정보가 유출될 수 있습니다.따라서 신뢰는 클릭스루 [4]의도도 높이는 것으로 보인다.구글 크롬 경고를 받으면 70%의 사람들이 클릭할 것이다.또, 이 프로세스에서는,[4] 컴퓨터의 디폴트 설정도 조정하는 경향이 있습니다.또한 사용자는 자신의 개인정보가 [4]노출될 가능성이 더 클 때 악성 프로그램 위험을 더 잘 인식하는 것으로 나타났습니다.

검색 결과의 관련성

특정 검색 세션 중에 사용자가 보는 페이지는 클릭 [9]데이터를 구성합니다.이러한 데이터는 명시적 피드백과 암시적 피드백의 두 가지 방법으로 검색 결과를 개선하는 데 사용될 수 있습니다.명시적 피드백은 사용자가 검색 쿼리와 관련된 페이지를 지정하는 경우이며, 암묵적 피드백은 사용자 동작이 결과의 관련성을 결정하는 것으로 해석되는 경우입니다.해석 프로세스의 일부로 사용할 수 있는 웹 페이지의 특정 사용자 작업에는 특정 웹 페이지의 [9]북마크, 저장 또는 인쇄가 포함됩니다.소수의 개인으로부터 클릭 데이터를 수집함으로써 주어진 쿼리에 대한 모든 사용자의 결과 관련성을 개선할 수 있습니다.검색 세션에서 사용자는 클릭으로 더 관심 있는 문서를 나타내며, 이는 검색과 관련된 내용을 나타냅니다.결과의 관련성을 판단하기 위한 가장 적절한 클릭 데이터는 검색 세션에서 클릭한 모든 페이지가 아니라 마지막으로 본 웹 페이지인 경우가 많습니다.검색 세션 외부의 클릭 데이터를 사용하여 사용자에게 [9]관련 결과의 정확성을 높일 수도 있습니다.

특정 쿼리에 대한 검색 결과는 일반적으로 위치 [16]편향의 영향을 받습니다.이는 사용자가 결과 목록의 맨 위에 있는 링크를 선택하는 경향이 있기 때문입니다.그러나 이러한 입장은 시간이 지남에 따라 관련성이 변경될 수 있기 때문에 결과가 가장 목적적합하다는 것을 의미하지는 않는다.결과 순서를 개선하기 위한 머신러닝 어프로치의 일부로서 인간 에디터는 알고리즘에 각 결과의 원래 순위를 제공하는 것으로 시작한다.그런 다음 검색 세션에서 추적된 클릭률(CTR) 형태의 실시간 사용자 클릭 피드백을 사용하여 [9]데이터를 기반으로 결과의 순위를 다시 매길 수 있습니다.이렇게 하면 [16]사용자가 실시간으로 지정한 관련성에 따라 결과의 순서가 개선됩니다.

클릭 드웰 시간 및 클릭 시퀀스 정보를 사용하여 [17]검색 결과의 관련성을 높일 수도 있습니다.클릭 드웰 시간은 사용자가 특정 결과를 클릭한 후 검색 엔진 결과 페이지(SERP)로 돌아가기까지 걸리는 시간으로, 사용자가 특정 [17]결과에 얼마나 만족하고 있는지를 나타낼 수 있습니다.시선 추적 조사에 따르면 사용자는 검색 결과를 [17]볼 때 비순차적인 보기 활동을 많이 보입니다."하향식" 사용자 클릭 동작을 따르는 클릭 모델은 페이지를 [17]다시 방문하는 사용자 프로세스를 해석할 수 없습니다.

내선번호

광고

클릭 [18]추적을 통해 수급 불일치 비용을 줄일 수 있습니다.Huang 등은 전략적 고객을 클릭이 추적되고 있음을 알고 기업이 적절한 비즈니스 활동에 참여하기를 기대하는 "미래 지향적인" 개인으로 정의합니다.실시된 연구에서 연구자들은 고객의 클릭스트림 데이터를 사용하여 고객의 선호도와 원하는 제품 수량을 관찰했습니다.클릭 소음은 고객이 클릭을 했지만 실제로 제품을 구매하지 않았을 때 발생합니다.이로 인해 ADI([18]advanced demand information)가 불완전해집니다.

클릭 트래킹은 광고 영역에서도 사용할 수 있지만 이 툴이 부정적으로 사용될 가능성이 있습니다.퍼블리셔는 웹사이트에 광고를 게재하고, 광고주 웹사이트에 [7]보내는 트래픽의 양(클릭 횟수)에 따라 돈을 받습니다.클릭 사기란 출판사가 수익을 창출하기 위해 가짜 클릭을 하는 것을 말합니다.2012년 모바일 광고에서의 부정 행위 탐지(FDMA) 컨퍼런스에서 경쟁 팀은 데이터 마이닝 및 머신 러닝 기술을 사용하여 특정 [7]데이터셋에서 "사기 게시자"를 결정해야 했습니다.성공적인 알고리즘은 아침 및 야간 클릭 트래픽 패턴을 관찰하고 사용할 수 있습니다.이러한 주요 패턴 사이에 클릭 밀도가 높은 경우,[7] 부정 퍼블리셔의 지표가 되는 경우가 많습니다.

웹 콘텐츠는 "사용자 탐색 동작"을 [2]사용하는 사용자 및 웹 개인화 프로세스에서 사용자의 관심사에 맞게 조정할 수 있습니다.웹 퍼스낼라이제이션은 전자상거래 분야에서 유용합니다.웹 퍼스낼라이제이션 프로세스에는 고유한 단계가 있으며 첫 번째 단계는 "사용자 프로파일링"[2]입니다.이 단계에서 사용자는 클릭 동작, 선호도 및 품질을 통해 이해되고 구성됩니다.사용자 프로파일링은 로그 분석 및 웹 [2]사용 마이닝입니다.

이메일

피싱은 보통 이메일을 통해 관리되며 사용자가 피싱 시도 이메일을 클릭하면 해당 정보가 특정 [19]웹 사이트로 유출됩니다.스피어 피싱은 사용자 정보를 사용하여 이메일을 개인화하고 사용자가 [19]클릭하도록 유도하는 피싱의 보다 "타깃팅"된 형태입니다.일부 피싱 전자 메일에는 다른 링크 및 첨부 파일도 포함됩니다.한번 클릭하거나 다운로드하면 사용자의 사생활이 침해될 수 있습니다.린 등은 피싱 시도에서 어떤 심리학적 "영향 무기"와 "생명 도메인"이 사용자에게 가장 큰 영향을 미치는지 알아보기 위해 연구를 수행했으며, 그들은 희소성이 가장 영향력 있는 요소 무기이며 법률 도메인이 가장 영향력 있는 생명 [19]영역이라는 것을 발견했다.또한 연령은 [19]피싱 시도를 클릭하기 쉬운 사용자를 결정하는 데 중요한 요소입니다.

바이러스가 컴퓨터를 감염시키면 전자 메일 주소를 찾아 전자 메일을 통해 자신의 복사본을 보냅니다.이러한 전자 메일에는 일반적으로 첨부 파일이 포함되어 여러 사람에게 [20]전송됩니다.이것은, [20]유저가 정기적으로 통신하는 특정의 네트워크를 가지는 경향이 있기 때문에, 유저의 전자 메일 어카운트 동작과는 다릅니다.연구진은 Email Mining Toolkit(EMT)을 사용하여 이러한 사용자 이메일 계정의 동작을 연구함으로써 바이러스를 검출하는 방법을 연구했습니다.또, 바이러스 [20]전파의 속도가 느리고 점진적인 것에 비해, 보다 빠르고 광범위한 바이러스 전파를 해독하는 것이 용이하다는 것을 알았습니다.

사용자가 열어본 전자 메일을 파악하기 위해 전자 메일 보낸 사람은 전자 메일 [21]추적을 수행합니다.e메일을 여는 것만으로 사용자의 e메일 주소가 제3자에게 유출될 수 있고, e메일 내 링크를 클릭하면 다수의 [21]e메일 주소가 제3자에게 유출될 수 있다.또, 유저가 송신한 전자 메일을 열 때마다, 유저의 정보가 이미 유출된 전자 메일의 제삼자에게 송신될 수 있다.많은 서드파티 E-메일 트래커도 웹 트래킹에 관여하고 있기 때문에 사용자 [21]프로파일링이 더욱 진행됩니다.

사생활

다음 항목도 참조하십시오.정보 프라이버시

개인 정보 보호 모델은 데이터가 서버로 전송되고 데이터베이스에 [6]저장된 후 데이터를 익명화합니다.따라서 사용자 개인 식별 정보는 여전히 수집되며, 이 수집 프로세스는 이러한 서버를 신뢰하는 사용자를 기반으로 합니다.연구진은 모바일 기기에서 전송되는 정보를 사용자가 제어할 수 있도록 하는 연구를 한다.또한 사용자가 궤적 데이터의 영역에서 해당 정보가 데이터베이스에서 어떻게 표현되는지를 제어할 수 있도록 하는 것을 관찰하고 이러한 접근 방식을 허용하는 시스템을 구축합니다.이 접근방식은 사용자의 프라이버시를 [6]높일 수 있는 가능성을 제공합니다.

사용자의 프라이버시가 침해될 경우 동의서가 배포되는 경우가 많습니다.이러한 양식에 필요한 사용자 활동 유형은 [5]양식에서 사용자가 보유한 정보의 양에 영향을 미칠 수 있습니다.Karegar 등은 간단한 동의/불합치 형식을 확인란, 끌어서 놓기(DAD), 스와이프 기능이 포함된 양식과 비교한다.사용자가 각 동의서 형식으로 공개하는 데 동의하는 정보를 테스트했을 때, 연구자들은 DAD 양식을 가진 사용자가 주어진 [5]동의서에 대해 더 많은 시력 고정 횟수를 갖는 것을 관찰했다.

서드파티가 제1자 웹사이트 또는 모바일 어플리케이션에 관련되어 있는 경우 사용자가 제1자 웹사이트 또는 모바일 어플리케이션을 방문할 때마다 해당 정보가 [22]제3자에게 전송됩니다.서드파티 트래킹은 특정 사용자에 대한 많은 웹 사이트 또는 응용 프로그램레코드를 조합할 수 있기 때문에 퍼스트파티 트래킹보다 프라이버시 문제가 더 커집니다.[22]Binns et al.는 5000개의 인기 웹사이트 중 상위 2개의 웹사이트에만 2000개의 추적기가 있다는 것을 발견했다.2000개의 임베디드 트래커 중 253개가 25개의 [22]다른 웹사이트에서 사용되었습니다.연구자들은 웹사이트보다는 사용자와의 접촉을 바탕으로 서드파티 추적자의 도달 범위를 평가했으므로, 가장 많은 퍼스트파티에 [22]내장된 코드보다는 가장 많은 사람들에 대한 정보를 받은 사람들이 더 "인기 있는" 추적자였다.구글과 페이스북이 1, 2위, 구글과 트위터가 1, 2위 모바일 [22]트래커로 꼽혔다.

참고 항목

레퍼런스

  1. ^ a b c d e f g Leiva, Luis (November 2013). "Web browsing behavior analysis and interactive hypervideo". ACM Transactions on the Web. 7 (4): 1–28. doi:10.1145/2529995.2529996. hdl:10251/39081. S2CID 14720910.
  2. ^ a b c d e f g h i j k l Eirinaki, Magdalini (2003). "Web mining for web personalization". ACM Transactions on Internet Technology. 3: 1–27. doi:10.1145/643477.643478. S2CID 2880491.
  3. ^ a b c d e Kristol, David (2001). "HTTP Cookies: Standards, privacy, and politics". ACM Transactions on Internet Technology. 1: 151–198. arXiv:cs/0105018. Bibcode:2001cs........5018K. doi:10.1145/502152.502153. S2CID 1848140.
  4. ^ a b c d e Ogbanufe, Obi (2018). ""Just how risky is it anyway?" The role of risk perception and trust on click-through intention". Information Systems Management. 35 (3): 182–200. doi:10.1080/10580530.2018.1477292. S2CID 49411483.
  5. ^ a b c Karegar, Farzaneh (2020). "The Dilemma of User Engagement in Privacy Notices". ACM Transactions on Privacy and Security. 23: 1–38. doi:10.1145/3372296. S2CID 211263964.
  6. ^ a b c Romero-Tris, Cristina (2018). "Protecting Privacy in Trajectories with a User-Centric Approach". ACM Transactions on Knowledge Discovery from Data. 12 (6): 1–27. doi:10.1145/3233185. S2CID 52182075.
  7. ^ a b c d Oentaryo, Richard (2014). "Detecting click fraud in online advertising: A data mining approach". The Journal of Machine Learning Research. 15: 99–140 – via ACM.
  8. ^ a b c Wu, ChienHsing (2018). "Emotion Induction in Click Intention of Picture Advertisement: A Field Examination". Journal of Internet Commerce. 17 (4): 356–382. doi:10.1080/15332861.2018.1463803. S2CID 158798317.
  9. ^ a b c d e f Jung, Seikyung (2007). "Click data as implicit relevance feedback in web search". Information Processing & Management. 43 (3): 791–807. doi:10.1016/j.ipm.2006.07.021.
  10. ^ a b c Nguyen, David (2009). "Information privacy in institutional and end-user tracking and recording technologies". Personal and Ubiquitous Computing. 14: 53–72. doi:10.1007/s00779-009-0229-4. S2CID 8546306.
  11. ^ a b c d Menges, Raphael (2019). "Improving User Experience of Eye Tracking-Based Interaction" (PDF). ACM Transactions on Computer-Human Interaction. 26 (6): 1–46. doi:10.1145/3338844. S2CID 207834246.
  12. ^ a b c Boi, Paolo (2016). "Reconstructing User's Attention on the Web through Mouse Movements and Perception-Based Content Identification". ACM Transactions on Applied Perception. 13 (3): 1–21. doi:10.1145/2912124. S2CID 15346882.
  13. ^ a b c Laperdrix, Pierre (2020). "Browser Fingerprinting: A Survey" (PDF). ACM Transactions on the Web. 14: 1–33. doi:10.1145/3386040. S2CID 145051810.
  14. ^ a b c Farney, Tabatha (2011). "Click Analytics: Visualizing Website Use Data". Information Technology and Libraries. 30 (3): 141–148. doi:10.6017/ital.v30i3.1771.
  15. ^ a b Kessler, Sabrina Heike (2019). "Why do we click? Investigating reasons for user selection on a news aggregator website". European Journal of Communication Research. 44: 225–247.
  16. ^ a b Moon, Taesup (2012). "An Online Learning Framework for Refining Recency Search Results with User Click Feedback". ACM Transactions on Information Systems. 30 (4): 1–28. doi:10.1145/2382438.2382439. S2CID 15825473.
  17. ^ a b c d Liu, Yiqun (2016). "Time-Aware Click Model". ACM Transactions on Information Systems. 35 (3): 1–24. doi:10.1145/2988230. S2CID 207243041.
  18. ^ a b Huang, Tingliang (2011). "The Promise of Strategic Customer Behavior: On the Value of Click Tracking". Production and Operations Management. 22 (3): 489–502. doi:10.1111/j.1937-5956.2012.01386.x.
  19. ^ a b c d Lin, Tian (2019). "Susceptibility to Spear-Phishing Emails: Effects of Internet User Demographics and Email Content". ACM Transactions on Computer-Human Interaction. 26 (5): 1–28. doi:10.1145/3336141. PMC 7274040. PMID 32508486.
  20. ^ a b c Stolfo, Salvatore (2006). "Behavior-based modeling and its application to Email analysis". ACM Transactions on Internet Technology. 6 (2): 187–221. doi:10.1145/1149121.1149125. S2CID 13438014.
  21. ^ a b c Englehardt, Steven (2018). "I never signed up for this! Privacy implications of email tracking". Proceedings on Privacy Enhancing Technologies. 1: 109–126. doi:10.1515/popets-2018-0006. S2CID 41532115.
  22. ^ a b c d e Binns, Reuben (2018). "Measuring Third-party Tracker Power across Web and Mobile". ACM Transactions on Internet Technology. 18 (4): 1–22. arXiv:1802.02507. doi:10.1145/3176246. S2CID 3603118.