Seguimiento de clics

El seguimiento de clics consiste en recopilar el comportamiento de clics o de navegación del usuario para obtener información y crear perfiles de usuario. ^{[ 1 ]}^{[ 2 ]} El comportamiento de clics se suele rastrear mediante registros del servidor que incluyen rutas de clics y URL (Localizador Uniforme de Recursos) clicadas . ^{[ 2 ]}^{[ 3 ]} Este registro suele presentarse en un formato estándar que incluye información como el nombre de host , la fecha y el nombre de usuario. ^{[ 2 ]} Sin embargo, a medida que la tecnología avanza, el nuevo software permite un análisis en profundidad del comportamiento de clics del usuario mediante herramientas de hipervídeo . ^{[ 1 ]} Dado que internet puede considerarse un entorno de riesgo, la investigación se esfuerza por comprender por qué los usuarios hacen clic en ciertos enlaces y no en otros. ^{[ 4 ]} También se ha llevado a cabo una investigación para explorar la experiencia del usuario en cuanto a la privacidad, anonimizando individualmente la información de identificación personal del usuario y mejorando la redacción y estructura de los formularios de consentimiento para la recopilación de datos. ^{[ 5 ]}^{[ 6 ]}

El seguimiento de clics es relevante en varias industrias, incluyendo la interacción persona-computadora (HCI), la ingeniería de software y la publicidad . ^{[ 1 ]}^{[ 7 ]} El seguimiento de correo electrónico , el seguimiento de enlaces, el análisis web y la investigación de usuarios también son conceptos y aplicaciones relacionados con el seguimiento de clics. ^{[ 8 ]} Una utilización común de los datos de clics del seguimiento de clics es mejorar las posiciones de los resultados de los motores de búsqueda para que su orden sea más relevante para las necesidades de los usuarios. ^{[ 9 ]} El seguimiento de clics emplea muchas técnicas modernas como el aprendizaje automático y la minería de datos . ^{[ 9 ]}

Tecnología de seguimiento y registro

Las tecnologías de seguimiento y registro (TRT) se pueden dividir en dos categorías: TRT institucionales y TRT de usuario final. ^{[ 10 ]} Las TRT institucionales y las TRT de usuario final se diferencian por quién recopila y almacena los datos, lo que se puede entender respectivamente como instituciones y usuarios. Ejemplos de TRT incluyen la identificación por radiofrecuencia (RFID), las tarjetas de crédito y las cámaras de videovigilancia en tiendas. Las investigaciones sugieren que las personas se preocupan por la privacidad, pero les preocupa menos cómo se utilizan las TRT en su día a día. ^{[ 10 ]} Esta discrepancia se ha atribuido a que el público no comprende cómo se recopila la información sobre ellos. ^{[ 10 ]}

Otro método para obtener información del usuario es el seguimiento ocular o de la mirada. La tecnología de seguimiento de la mirada es especialmente beneficiosa para personas con discapacidades motoras. ^{[ 11 ]} Los sistemas que emplean el seguimiento de la mirada suelen intentar imitar el comportamiento del cursor y el teclado. ^{[ 11 ]} En este proceso, el sistema de seguimiento de la mirada se separa en su propio panel dentro de la interfaz del sistema, y la experiencia del usuario se ve comprometida, ya que las personas tienen que alternar entre el panel y las demás funciones de la interfaz. La experiencia también es difícil porque los usuarios primero tienen que imaginar cómo completar la tarea usando el teclado y el cursor, y luego emplear la mirada. Esto hace que las tareas requieran más tiempo. ^{[ 11 ]} Por lo tanto, los investigadores crearon su propio navegador web llamado GazeTheWeb (GTW), y el enfoque de su investigación fue la experiencia del usuario. Mejoraron la interfaz para incorporar mejor la mirada. ^{[ 11 ]}

El seguimiento del movimiento ocular también se aplica en las pruebas de usabilidad al crear aplicaciones web. ^{[ 12 ]} Sin embargo, para rastrear los movimientos oculares del usuario, a menudo se requiere un entorno de laboratorio con el equipo adecuado. La actividad del ratón y el teclado se puede medir de forma remota, por lo que esta característica se puede aprovechar para las pruebas de usabilidad. ^{[ 12 ]} Los algoritmos pueden usar los movimientos del ratón para predecir y rastrear los movimientos oculares del usuario. Este seguimiento en un entorno remoto se denomina técnica de registro remoto. ^{[ 12 ]}

La huella digital del navegador es otro método para identificar y rastrear a los usuarios. ^{[ 13 ]} En este proceso, se recopila información sobre un usuario desde su navegador web para crear una huella digital del navegador . Una huella digital del navegador contiene información sobre un dispositivo, su sistema operativo, su navegador y su configuración. Se pueden utilizar encabezados HTTP, JavaScript y complementos del navegador para construir una huella digital. ^{[ 13 ]} Las huellas digitales del navegador pueden cambiar con el tiempo debido a actualizaciones automáticas de software o ajustes en las preferencias del navegador del usuario. Las medidas para aumentar la privacidad en este ámbito pueden reducir la funcionalidad bloqueando ciertas características. ^{[ 13 ]}

Métodos de seguimiento de clics

El comportamiento de navegación del usuario se suele rastrear mediante registros de acceso al servidor que contienen patrones de URL, consultas y rutas pulsadas. ^{[ 1 ]} Sin embargo, el software de seguimiento más moderno utiliza JavaScript para rastrear el comportamiento del cursor. Los datos del ratón recopilados se pueden usar para crear vídeos, lo que permite reproducir y analizar fácilmente el comportamiento del usuario. La hipermedia se utiliza para crear visualizaciones que permiten monitorizar comportamientos como resaltar, dudar y seleccionar. ^{[ 1 ]} La tecnología utilizada para registrar dicho comportamiento también se puede utilizar para predecirlo. Una de estas herramientas de monitorización, SMT2є, recopila quince características del cursor y utiliza las otras catorce para predecir el resultado de la última característica. ^{[ 1 ]} Este software también genera un análisis de registro que resume la actividad del cursor del usuario. ^{[ 1 ]}

En una sesión de búsqueda, los usuarios pueden ser identificados mediante cookies , el protocolo identd o su dirección IP . Esta información puede almacenarse en una base de datos , y cada vez que un usuario vuelve a visitar una página web, su comportamiento de clics se añade a la base de datos. DoubleClick Inc. es un ejemplo de una empresa que tiene dicha base de datos y se asocia con otras empresas para ayudar con su minería web. ^{[ 2 ]} Las cookies se añaden a HTTP (Protocolo de Transferencia de Hipertexto), y cuando un usuario hace clic en un enlace, se conecta con el servidor web asociado . ^{[ 3 ]} Esta acción de un usuario al hacer clic en un enlace se considera una solicitud, y el servidor "responde" enviando la información del usuario, y esta información es una cookie. ^{[ 3 ]} Las cookies proporcionan un "marcador" para las sesiones de los usuarios en un sitio web, y almacenan la información de inicio de sesión del usuario y las páginas que los usuarios visitan en un sitio web. ^{[ 3 ]} Esto ayuda a preservar el estado de la sesión. Si hay más de un servidor de este tipo, la información debe ser consistente entre todos los servidores; por lo tanto, la información se transfiere. Los datos recopilados a través de cookies pueden utilizarse para mejorar los sitios web para todos los usuarios y esto también ayuda con la elaboración de perfiles de usuario para publicidad. ^{[ 3 ]}

Cuando se aplican técnicas de minería de datos y procedimientos estadísticos para comprender los datos de registro web, el proceso se denomina análisis de registros o minería de uso web . Esto ayuda a determinar patrones en los comportamientos de navegación de los usuarios. ^{[ 2 ]} Algunas características que se pueden observar incluyen cuánto tiempo los usuarios vieron las páginas, la longitud de las rutas de clics y el número de clics. ^{[ 2 ]} La minería de uso web tiene tres fases. Primero, los datos de registro se "preprocesan" para ver el contenido de los usuarios y las sesiones de búsqueda. Luego, se aplican herramientas como la asociación y la agrupación para buscar patrones y, por último, estos patrones se guardan para su posterior análisis. ^{[ 2 ]} La herramienta de minería de reglas de asociación ayuda a encontrar "patrones, asociaciones y correlaciones" entre las páginas que los usuarios visitan en una sesión de búsqueda. El descubrimiento de patrones secuenciales es minería de reglas de asociación, pero también tiene en cuenta el tiempo, como las vistas de página en un período de tiempo asignado. ^{[ 2 ]} La clasificación es una herramienta que permite agregar páginas a grupos que representan ciertas cualidades similares. ^{[ 2 ]}

Algunos ejemplos de herramientas que las personas pueden usar al realizar análisis de clics son Google Analytics (In-Page Analytics), ClickHeat y Crazy Egg. ^{[ 14 ]} Estas herramientas crean una representación visual a partir de los datos de clics de los usuarios en una página web. ^{[ 14 ]} ClickHeat y Crazy Egg muestran la densidad de clics de los usuarios mediante colores específicos, y todas estas herramientas permiten categorizar a los visitantes de la página web en grupos según características como ser usuario móvil o usar un navegador en particular. Los datos de los grupos específicos se pueden analizar para obtener información más detallada. ^{[ 14 ]}

Comportamiento del clic

Uno de los principales factores que los usuarios consideran al hacer clic en los enlaces es su posición en la lista de resultados. Cuanto más arriba se encuentren los enlaces, mayor será la probabilidad de que los usuarios los seleccionen. ^{[ 15 ]} Cuando los usuarios tienen una conexión personal con un tema, tienden a hacer clic en ese artículo con mayor frecuencia. Las imágenes, la posición y las personas específicas que aparecen en el contenido informativo también influyeron considerablemente en las decisiones de los usuarios. La fuente de la noticia se consideró menos importante. ^{[ 15 ]}

La actitud y la intención al hacer clic desempeñan un papel importante en el comportamiento de clic del usuario. ^{[ 8 ]} En un estudio donde se presentaron a los participantes fotografías de anuncios de seguros positivos y negativos, se observó que la emoción tenía una asociación positiva con la intención y la actitud al hacer clic. Los investigadores también observaron que la actitud al hacer clic afecta la intención al hacer clic, y que la emoción positiva tiene un mayor impacto que la emoción negativa en la actitud al hacer clic. ^{[ 8 ]}

Internet puede considerarse un entorno de riesgo debido a la abundancia de ciberataques que pueden ocurrir y la prevalencia del malware. Por lo tanto, cada vez que las personas usan Internet, deben decidir si hacen clic o no en los distintos enlaces. ^{[ 4 ]} Un estudio de 2018 encontró que los usuarios tienden a hacer clic en más URL en sitios web con los que están familiarizados; este rasgo del usuario es luego explotado por los ciberdelincuentes , y la información personal puede verse comprometida. Por lo tanto, se observa que la confianza también aumenta la intención de hacer clic. ^{[ 4 ]} Cuando se muestran advertencias de Google Chrome , el 70% de las veces las personas hacen clic. También tienden a ajustar la configuración predeterminada de la computadora en este proceso. ^{[ 4 ]} También se encontró que los usuarios reconocen mejor los riesgos de malware cuando hay un mayor potencial de revelar su información personal. ^{[ 4 ]}

Relevancia de los resultados de búsqueda

Las páginas que los usuarios ven durante una sesión de búsqueda específica constituyen datos de clics. ^{[ 9 ]} Estos datos se pueden usar para mejorar los resultados de búsqueda de dos maneras: como retroalimentación explícita e implícita. La retroalimentación explícita se produce cuando los usuarios indican qué páginas son relevantes para su consulta de búsqueda, mientras que la retroalimentación implícita se produce cuando se interpreta el comportamiento del usuario para determinar la relevancia de los resultados. Algunas acciones del usuario en una página web que se pueden usar como parte del proceso de interpretación incluyen marcar , guardar o imprimir una página web específica. ^{[ 9 ]} Al recopilar datos de clics de algunos individuos, se puede mejorar la relevancia de los resultados para todos los usuarios para consultas específicas. En una sesión de búsqueda, un usuario indica con sus clics en qué documentos está más interesado, y esto indica qué es relevante para la búsqueda. Los datos de clics más relevantes para determinar la relevancia de los resultados suelen ser la última página web vista, en lugar de todas las páginas en las que se hizo clic en una sesión de búsqueda. Los datos de clics fuera de las sesiones de búsqueda también se pueden usar para mejorar la precisión de los resultados relevantes para los usuarios. ^{[ 9 ]}

Los resultados de búsqueda para una consulta determinada suelen estar sujetos a un sesgo posicional. ^{[ 16 ]} Esto se debe a que los usuarios tienden a seleccionar los enlaces que se encuentran en la parte superior de las listas de resultados. Sin embargo, esta posición no significa que un resultado sea el más relevante, ya que la relevancia puede cambiar con el tiempo. Como parte de un enfoque de aprendizaje automático para mejorar el orden de los resultados, los editores humanos comienzan proporcionando una clasificación original para cada resultado al algoritmo. Luego, la retroalimentación de clics de los usuarios en tiempo real, en forma de tasas de clics (CTR) registradas en las sesiones de búsqueda, se puede utilizar para reclasificar los resultados en función de los datos. ^{[ 9 ]} Esto mejora el orden de los resultados en función de la relevancia indicada en tiempo real por los usuarios. ^{[ 16 ]}

El tiempo de permanencia del clic y la información de la secuencia de clics también se pueden utilizar para mejorar la relevancia de los resultados de búsqueda. ^{[ 17 ]} El tiempo de permanencia del clic es el tiempo que tarda un usuario en volver a la página de resultados del motor de búsqueda (SERP) después de hacer clic en un resultado en particular, y esto puede indicar qué tan satisfecho está el usuario con un resultado en particular. ^{[ 17 ]} La investigación de seguimiento ocular indica que los usuarios exhiben una gran cantidad de actividad de visualización no secuencial cuando miran los resultados de búsqueda. ^{[ 17 ]} Los modelos de clic que se adhieren al comportamiento de clic del usuario "de arriba hacia abajo" no pueden interpretar el proceso del usuario de volver a visitar las páginas. ^{[ 17 ]}

Extensiones

Los costos de desajuste entre oferta y demanda pueden reducirse mediante el seguimiento de clics. ^{[ 18 ]} Huang et al. definen a los clientes estratégicos como individuos con visión de futuro que saben que sus clics se están rastreando y esperan que las empresas realicen actividades comerciales apropiadas. En el estudio realizado, los investigadores utilizaron datos de flujo de clics de los clientes para observar sus preferencias y las cantidades de productos que deseaban. Los clics ruidosos son aquellos en los que los clientes hacen clic pero no compran el producto. Esto genera información de demanda anticipada imperfecta o ADI. ^{[ 18 ]}

El seguimiento de clics se puede utilizar en el ámbito de la publicidad, pero existe la posibilidad de que esta herramienta se utilice de forma negativa. Los editores muestran anuncios en sus sitios web y reciben dinero en función del tráfico, medido como el número de clics, que envían al sitio web del anunciante. ^{[ 7 ]} El fraude de clics se produce cuando los editores simulan clics para generar ingresos. En la conferencia de Detección de Fraude en Publicidad Móvil (FDMA) de 2012, los equipos participantes tuvieron que utilizar técnicas de minería de datos y aprendizaje automático para determinar los "editores fraudulentos" a partir de un conjunto de datos determinado. ^{[ 7 ]} Un algoritmo eficaz es capaz de observar y utilizar los patrones de tráfico de clics matutinos y nocturnos. Cuando existe una densidad de clics entre estos patrones principales, suele ser un indicador de un editor fraudulento. ^{[ 7 ]}

El contenido de un sitio web se puede ajustar para que sea específico para los usuarios utilizando el "comportamiento de navegación del usuario" y los intereses del usuario en un proceso llamado personalización web . ^{[ 2 ]} La personalización web es útil en el ámbito del comercio electrónico . Hay pasos únicos en el proceso de personalización web, y el primer paso se denomina " perfilado de usuario ". ^{[ 2 ]} En este paso, se comprende y constituye al usuario a través de su comportamiento de clics, preferencias y cualidades. Después del perfilado de usuario viene el "análisis de registros y minería de uso web". ^{[ 2 ]}

Correo electrónico

El phishing generalmente se administra a través de correos electrónicos, y cuando un usuario hace clic en un correo electrónico de intento de phishing, su información se filtrará a sitios web específicos. ^{[ 19 ]} El spear-phishing es una forma más "dirigida" de phishing en la que la información del usuario se utiliza para personalizar correos electrónicos e incitar a los usuarios a hacer clic. ^{[ 19 ]} Algunos correos electrónicos de phishing también contienen otros enlaces y archivos adjuntos. Una vez que se hace clic en estos o se descargan, la privacidad de los usuarios puede verse vulnerada. Lin et al. realizaron un estudio para ver qué "armas de influencia" psicológicas y "dominios de la vida" afectan más a los usuarios en los intentos de phishing, y encontraron que la escasez era el factor de influencia más influyente, y el dominio legal era el dominio de la vida más influyente. ^{[ 19 ]} La edad también es un factor importante para determinar quiénes son más susceptibles a hacer clic en intentos de phishing. ^{[ 19 ]}

Cuando un virus infecta una computadora, encuentra direcciones de correo electrónico y envía copias de sí mismo a través de ellas. Estos correos electrónicos suelen contener un archivo adjunto y se envían a varias personas. ^{[ 20 ]} Esto difiere del comportamiento de las cuentas de correo electrónico de los usuarios, ya que estos tienden a tener una red particular con la que se comunican regularmente. ^{[ 20 ]} Los investigadores estudiaron cómo se podría usar Email Mining Toolkit (EMT) para detectar virus analizando dicho comportamiento de las cuentas de correo electrónico de los usuarios y descubrieron que era más fácil descifrar propagaciones virales rápidas y extensas en comparación con propagaciones virales lentas y graduales. ^{[ 20 ]}

Para saber qué correos electrónicos han abierto los usuarios, los remitentes de correo electrónico realizan un seguimiento de correo electrónico. ^{[ 21 ]} Con solo abrir un correo electrónico, las direcciones de correo electrónico de los usuarios pueden filtrarse a terceros, y si los usuarios hacen clic en los enlaces dentro de los correos electrónicos, su dirección de correo electrónico puede filtrarse a un número mayor de terceros. ^{[ 21 ]} Además, cada vez que un usuario abre un correo electrónico que se le envía, su información puede enviarse a un nuevo tercero entre aquellos a los que ya se les ha filtrado su dirección. Muchos rastreadores de correo electrónico de terceros también participan en el seguimiento web , lo que lleva a una mayor elaboración de perfiles de usuario. ^{[ 21 ]}

Privacidad

Los modelos de protección de la privacidad anonimizan los datos después de enviarlos a un servidor y almacenarlos en una base de datos. ^{[ 6 ]} Por lo tanto, aún se recopila información de identificación personal del usuario, y este proceso de recopilación se basa en la confianza que los usuarios depositan en dichos servidores. Los investigadores estudian cómo otorgar a los usuarios control sobre la información que se envía desde sus dispositivos móviles. También observan cómo se les da control sobre cómo se representa esa información en las bases de datos en el ámbito de los datos de trayectoria, y crean un sistema que permite este enfoque. Este enfoque brinda a los usuarios la posibilidad de aumentar su privacidad. ^{[ 6 ]}

Cuando se va a vulnerar la privacidad del usuario, a menudo se distribuyen formularios de consentimiento. El tipo de actividad del usuario requerida en estos formularios puede afectar la cantidad de información que el usuario retiene del formulario. ^{[ 5 ]} Karegar et al. comparan el formato simple de acuerdo/desacuerdo con formularios que incorporan casillas de verificación, arrastrar y soltar (DAD) y funciones de deslizamiento. Al probar qué información aceptarían revelar los usuarios con cada uno de los formatos de formulario de consentimiento, los investigadores observaron que los usuarios a los que se les presentaron formularios DAD tenían un mayor número de fijaciones oculares en el formulario de consentimiento proporcionado. ^{[ 5 ]}

Cuando un tercero se asocia con un sitio web o aplicación móvil de primera parte, cada vez que un usuario visita el sitio web o aplicación móvil de primera parte, su información se enviará al tercero. ^{[ 22 ]} El seguimiento de terceros genera más preocupaciones de privacidad que el seguimiento de primera parte porque permite combinar muchos registros de sitios web o aplicaciones sobre un usuario en particular, lo que produce mejores perfiles de usuario. ^{[ 22 ]} Binns et al. encontraron que entre 5000 sitios web populares, los dos sitios web principales tenían 2000 rastreadores. De los 2000 rastreadores integrados, 253 se usaban en otros 25 sitios web. ^{[ 22 ]} Los investigadores evaluaron el alcance de los rastreadores de terceros en función de su contacto con los usuarios en lugar de los sitios web, por lo que los rastreadores más "populares" fueron aquellos que recibieron información sobre la mayor cantidad de personas en lugar del código integrado en la mayoría de las primeras partes. ^{[ 22 ]} Google y Facebook fueron considerados como el primer y segundo rastreador web más grande, y Google y Twitter fueron considerados como el primer y segundo rastreador móvil más grande. ^{[ 22 ]}

Véase también

Referencias

^ ^a^b^c^d^e^f^g Leiva, Luis (noviembre de 2013). "Análisis del comportamiento de navegación web e hipervídeo interactivo". ACM Transactions on the Web . 7 (4): 1– 28. doi : 10.1145/2529995.2529996 . hdl : 10251/39081 . S2CID 14720910 .
^ ^a^b^c^d^e^f^g^hⁱ^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 .
^ ^a^b^c^d^e Kristol, David (2001). "HTTP Cookies: Estándares, privacidad y política". ACM Transactions on Internet Technology . 1 : 151– 198. arXiv : cs/0105018 . Bibcode : 2001cs........5018K . doi : 10.1145/502152.502153 . S2CID 1848140 .
^ ^a^b^c^d^e Ogbanufe, Obi (2018). ""¿Qué tan arriesgado es realmente?" El papel de la percepción del riesgo y la confianza en la intención de clic". Gestión de Sistemas de Información . 35 (3): 182– 200. doi : 10.1080/10580530.2018.1477292 . S2CID 49411483 .
^ ^a^b^c Karegar, Farzaneh (2020). "El dilema de la participación del usuario en los avisos de privacidad" . ACM Transactions on Privacy and Security . 23 : 1–38 . doi : 10.1145/3372296 . S2CID 211263964 .
^ ^a^b^c Romero-Tris, Cristina (2018). "Protegiendo la privacidad en trayectorias con un enfoque centrado en el usuario". ACM Transactions on Knowledge Discovery from Data . 12 (6): 1– 27. doi : 10.1145/3233185 . S2CID 52182075 .
^ ^a^b^c^d Oentaryo, Richard (2014). "Detección de fraude de clics en publicidad en línea: un enfoque de minería de datos" . The Journal of Machine Learning Research . 15 : 99–140 – vía ACM.
^ ^a^b^c Wu, ChienHsing (2018). "Inducción de emociones en la intención de clic en anuncios con imágenes: un examen de campo". Journal of Internet Commerce . 17 (4): 356– 382. doi : 10.1080/15332861.2018.1463803 . S2CID 158798317 .
^ ^a^b^c^d^e^f Jung, Seikyung (2007). "Datos de clics como retroalimentación implícita de relevancia en la búsqueda web" . Procesamiento y gestión de la información . 43 (3): 791– 807. doi : 10.1016/j.ipm.2006.07.021 .
^ ^a^b^c Nguyen, David (2009). "Privacidad de la información en tecnologías de seguimiento y grabación institucionales y de usuarios finales" . Personal and Ubiquitous Computing . 14 : 53–72 . doi : 10.1007/s00779-009-0229-4 . S2CID 8546306 .
^ ^a^b^c^d Menges, Raphael (2019). "Mejora de la experiencia del usuario en la interacción basada en el seguimiento ocular" (PDF) . ACM Transactions on Computer-Human Interaction . 26 (6): 1– 46. doi : 10.1145/3338844 . S2CID 207834246 .
^ ^a^b^c Boi, Paolo (2016). "Reconstrucción de la atención del usuario en la web a través de los movimientos del ratón y la identificación de contenido basada en la percepción". ACM Transactions on Applied Perception . 13 (3): 1– 21. doi : 10.1145/2912124 . S2CID 15346882 .
^ ^a^b^c Laperdrix, Pierre (2020). "Huella digital del navegador: una revisión" (PDF) . ACM Transactions on the Web . 14 : 1–33 . doi : 10.1145/3386040 . S2CID 145051810 .
^ ^a^b^c Farney, Tabatha (2011). "Análisis de clics: visualización de datos de uso de sitios web" . Information Technology and Libraries . 30 (3): 141– 148. doi : 10.6017/ital.v30i3.1771 .
^ ^a^b Kessler, Sabrina Heike (2019). "¿Por qué hacemos clic? Investigación de las razones de la selección de usuarios en un sitio web agregador de noticias" . European Journal of Communication Research . 44 : 225–247 .
^ ^a^b Moon, Taesup (2012). "Un marco de aprendizaje en línea para refinar los resultados de búsqueda de recencia con retroalimentación de clics del usuario". ACM Transactions on Information Systems . 30 (4): 1– 28. doi : 10.1145/2382438.2382439 . S2CID 15825473 .
^ ^a^b^c^d Liu, Yiqun (2016). "Modelo de clic sensible al tiempo". ACM Transactions on Information Systems . 35 (3): 1– 24. doi : 10.1145/2988230 . S2CID 207243041 .
^ ^a^b Huang, Tingliang (2011). "La promesa del comportamiento estratégico del cliente: sobre el valor del seguimiento de clics". Production and Operations Management . 22 (3): 489– 502. doi : 10.1111/j.1937-5956.2012.01386.x .
^ ^a^b^c^d Lin, Tian (2019). "Susceptibilidad a los correos electrónicos de spear-phishing: efectos de la demografía de los usuarios de Internet y el contenido del correo electrónico" . ACM Transactions on Computer-Human Interaction . 26 (5): 1– 28. doi : 10.1145/3336141 . PMC 7274040. PMID 32508486 .
^ ^a^b^c Stolfo, Salvatore (2006). "Modelado basado en el comportamiento y su aplicación al análisis de correo electrónico". ACM Transactions on Internet Technology . 6 (2): 187– 221. doi : 10.1145/1149121.1149125 . S2CID 13438014 .
^ ^a^b^c Englehardt, Steven (2018). "¡Nunca me registré para esto! Implicaciones de privacidad del seguimiento de correo electrónico" . Actas sobre tecnologías de mejora de la privacidad . 1 : 109–126 . doi : 10.1515/popets-2018-0006 . S2CID 41532115 .
^ ^a^b^c^d^e Binns, Reuben (2018). "Medición del poder de los rastreadores de terceros en la web y en dispositivos móviles" . ACM Transactions on Internet Technology . 18 (4): 1– 22. arXiv : 1802.02507 . doi : 10.1145/3176246 . S2CID 3603118 .

[:02-1] Leiva, Luis (noviembre de 2013). "Análisis del comportamiento de navegación web e hipervídeo interactivo". ACM Transactions on the Web . 7 (4): 1– 28. doi : 10.1145/2529995.2529996 . hdl : 10251/39081 . S2CID 14720910 .

[:125-2] 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 .

[:134-3] Kristol, David (2001). "HTTP Cookies: Estándares, privacidad y política". ACM Transactions on Internet Technology . 1 : 151– 198. arXiv : cs/0105018 . Bibcode : 2001cs........5018K . doi : 10.1145/502152.502153 . S2CID 1848140 .

[:64-4] Ogbanufe, Obi (2018). ""¿Qué tan arriesgado es realmente?" El papel de la percepción del riesgo y la confianza en la intención de clic". Gestión de Sistemas de Información . 35 (3): 182– 200. doi : 10.1080/10580530.2018.1477292 . S2CID 49411483 .

[:113-5] Karegar, Farzaneh (2020). "El dilema de la participación del usuario en los avisos de privacidad" . ACM Transactions on Privacy and Security . 23 : 1–38 . doi : 10.1145/3372296 . S2CID 211263964 .

[:103-6] Romero-Tris, Cristina (2018). "Protegiendo la privacidad en trayectorias con un enfoque centrado en el usuario". ACM Transactions on Knowledge Discovery from Data . 12 (6): 1– 27. doi : 10.1145/3233185 . S2CID 52182075 .

[:94-7] Oentaryo, Richard (2014). "Detección de fraude de clics en publicidad en línea: un enfoque de minería de datos" . The Journal of Machine Learning Research . 15 : 99–140 – vía ACM.

[:24-8] Wu, ChienHsing (2018). "Inducción de emociones en la intención de clic en anuncios con imágenes: un examen de campo". Journal of Internet Commerce . 17 (4): 356– 382. doi : 10.1080/15332861.2018.1463803 . S2CID 158798317 .

[:34-9] Jung, Seikyung (2007). "Datos de clics como retroalimentación implícita de relevancia en la búsqueda web" . Procesamiento y gestión de la información . 43 (3): 791– 807. doi : 10.1016/j.ipm.2006.07.021 .

[:73-10] Nguyen, David (2009). "Privacidad de la información en tecnologías de seguimiento y grabación institucionales y de usuarios finales" . Personal and Ubiquitous Computing . 14 : 53–72 . doi : 10.1007/s00779-009-0229-4 . S2CID 8546306 .

[:53-11] Menges, Raphael (2019). "Mejora de la experiencia del usuario en la interacción basada en el seguimiento ocular" (PDF) . ACM Transactions on Computer-Human Interaction . 26 (6): 1– 46. doi : 10.1145/3338844 . S2CID 207834246 .

[:143-12] Boi, Paolo (2016). "Reconstrucción de la atención del usuario en la web a través de los movimientos del ratón y la identificación de contenido basada en la percepción". ACM Transactions on Applied Perception . 13 (3): 1– 21. doi : 10.1145/2912124 . S2CID 15346882 .

[:183-13] Laperdrix, Pierre (2020). "Huella digital del navegador: una revisión" (PDF) . ACM Transactions on the Web . 14 : 1–33 . doi : 10.1145/3386040 . S2CID 145051810 .

[:20-14] Farney, Tabatha (2011). "Análisis de clics: visualización de datos de uso de sitios web" . Information Technology and Libraries . 30 (3): 141– 148. doi : 10.6017/ital.v30i3.1771 .

[:43-15] Kessler, Sabrina Heike (2019). "¿Por qué hacemos clic? Investigación de las razones de la selección de usuarios en un sitio web agregador de noticias" . European Journal of Communication Research . 44 : 225–247 .

[:111-16] Moon, Taesup (2012). "Un marco de aprendizaje en línea para refinar los resultados de búsqueda de recencia con retroalimentación de clics del usuario". ACM Transactions on Information Systems . 30 (4): 1– 28. doi : 10.1145/2382438.2382439 . S2CID 15825473 .

[:153-17] Liu, Yiqun (2016). "Modelo de clic sensible al tiempo". ACM Transactions on Information Systems . 35 (3): 1– 24. doi : 10.1145/2988230 . S2CID 207243041 .

[:83-18] Huang, Tingliang (2011). "La promesa del comportamiento estratégico del cliente: sobre el valor del seguimiento de clics". Production and Operations Management . 22 (3): 489– 502. doi : 10.1111/j.1937-5956.2012.01386.x .

[:162-19] Lin, Tian (2019). "Susceptibilidad a los correos electrónicos de spear-phishing: efectos de la demografía de los usuarios de Internet y el contenido del correo electrónico" . ACM Transactions on Computer-Human Interaction . 26 (5): 1– 28. doi : 10.1145/3336141 . PMC 7274040. PMID 32508486 .

[:172-20] Stolfo, Salvatore (2006). "Modelado basado en el comportamiento y su aplicación al análisis de correo electrónico". ACM Transactions on Internet Technology . 6 (2): 187– 221. doi : 10.1145/1149121.1149125 . S2CID 13438014 .

[:212-21] Englehardt, Steven (2018). "¡Nunca me registré para esto! Implicaciones de privacidad del seguimiento de correo electrónico" . Actas sobre tecnologías de mejora de la privacidad . 1 : 109–126 . doi : 10.1515/popets-2018-0006 . S2CID 41532115 .

[:192-22] Binns, Reuben (2018). "Medición del poder de los rastreadores de terceros en la web y en dispositivos móviles" . ACM Transactions on Internet Technology . 18 (4): 1– 22. arXiv : 1802.02507 . doi : 10.1145/3176246 . S2CID 3603118 .