A Data-driven Study of View Duration on YouTube
观看视频已成为互联网上最常见的媒体活动之一。然而,人们对用户如何观看在线视频知之甚少。使用两个不同的YouTube数据集,一组随机的YouTube视频从网络上抓取和一组由Chrome扩展跟踪的参与者观看的视频,我们研究了集体偏好和反应的指标是否以及如何与视频的观看时间相关联。我们发现,视频观看持续时间与视频的观看次数,每次观看的喜欢数量以及评论中的负面情绪呈正相关。这些指标和反应在个人观看视频的持续时间内具有显著的预测能力。我们的研究结果提供了一个更精确的理解用户参与视频内容在社交媒体上超越观看计数。
2017-05-17 cs.HC
Between Flat-Earthers and Fitness Coaches: Who is Citing Scientific Publications in YouTube Video Descriptions?
本研究分析了在视频简介中引用研究出版物的YouTube频道,发现学术频道虽侧重科学与健康内容,但在观众参与度上不及商业媒体,且引用出版物多样但未必聚焦高影响力研究。
2024-04-23 cs.DL cs.HC
Endorsements on Social Media: An Empirical Study of Affiliate Marketing Disclosures on YouTube and Pinterest
伪装成非广告内容的在线广告给用户带来了许多风险。当内容创作者或“影响者”在其内容中为产品和品牌背书时,这种隐藏的广告就会出现在社交媒体平台上。虽然联邦贸易委员会(FTC)要求内容创作者披露他们的认可,以防止欺骗和伤害用户,但我们不知道内容创作者是否以及如何遵守FTC的指导方针。在本文中,我们研究了联盟营销中的披露,这是社交媒体内容创建者使用的一种基于背书的广告策略。我们检查了内容创建者是否遵循FTC的披露指南,他们如何披露,以及这些披露是否有助于用户识别广告的联盟营销内容。为此,我们首先测量了超过50万个YouTube视频和210万个Pinterest pin中的信息披露的普遍程度,并确定了这些信息披露的类型。然后,我们对1,791名参与者进行了用户研究,以测试这些披露的有效性。我们的调查结果显示,这两个平台上只有大约10%的联盟营销内容包含任何披露。此外,用户无法理解较短的、非解释性的披露。根据我们的研究结果,我们提出了各种设计和政策建议,以帮助改善社交媒体平台上的广告披露实践。
2018-10-06 cs.CY cs.HC cs.SI
Using Interaction Data to Predict Engagement with Interactive Media
University of Manchester(曼彻斯特大学);BBC R&D(英国广播公司研发部)
媒体正在从传统的线性叙事发展到个性化体验,在个性化体验中,对信息(或如何呈现)的控制权被赋予个体受众。测量和理解观众对这种媒体的参与至少在两个方面是重要的:(1)事后理解观众对内容的参与程度将有助于制作团队从经验中学习并改进未来的制作;(2)这种类型的媒体有可能用于实时测量参与度,以通过动态调整内容来增强用户体验。参与度通常通过要求用户样本自我报告来衡量,这既耗时又昂贵。然而,在某些领域中,交互数据已被用于推断参与。幸运的是,互动媒体的性质促进了比传统媒体更丰富的互动数据集;我们的研究旨在了解这些数据是否可以用来推断观众的参与度。在本文中,我们报告了一项研究,使用互动电视节目的观众互动捕获的数据来建模和预测参与。我们发现,时间指标,包括在体验上花费的总时间和事件之间的间隔,是预测的参与。结果表明,交互数据可以用来推断用户的参与过程中和之后的经验,所提出的技术是相关的,以更好地了解观众的喜好和反应。
2021-08-04 cs.HC cs.IR cs.LG
Characterizing and Predicting Supply-side Engagement on Crowd-contributed Video Sharing Platforms
视频共享和娱乐网站已经迅速普及,并且现在构成互联网上访问量最大的网站。尽管这些在线视频共享平台上的用户参与度很高,但最近对在线媒体平台的大多数研究都局限于基于网络的社交媒体网站,如Facebook或Twitter。我们离开了以往的研究,在网络媒体空间,专门关注需求方的用户参与,通过建模的供应方的群众贡献的视频在这个平台上。目前的研究是第一次使用大型在线视频平台的纵向视频上传数据进行大规模实证研究。视频上传的建模和后续预测由于视频类型的异质性(例如,流行视频类型与利基视频类型)以及与媒体上传相关联的固有时间趋势效应而变得复杂。我们从我们的数据集中识别不同的类型集群,并在每个集群上采用自激霍克斯点过程模型来完全指定和估计视频上传过程。此外,我们超越了预测,解开了控制用户参与度和确定视频上传率的潜在因素,这提高了我们的分析与额外的解释力。我们的研究结果表明,使用相对简约的点过程模型,我们能够实现更高的模型拟合,并以比竞争模型更高的准确度预测视频上传到平台。这项研究的结果可以使平台所有者更好地了解他们的供应方用户如何随着时间的推移与他们的网站互动。我们还提供了一个强大的方法来执行媒体上传预测,很可能是概括跨媒体平台,表现出类似的时间和体裁层次的异质性。
2017-06-10 cs.HC cs.IR cs.MM
Lonely Individuals Show Distinct Patterns of Social Media Engagement
本研究利用六个月网络追踪数据,发现孤独个体在社交媒体上表现出更频繁但更短的参与,且更多使用视觉分享和消息平台,揭示了数字痕迹可用于研究心理状态。
2026-10-19 cs.HC
Beyond Likes: How Normative Feedback Complements Engagement Signals on Social Media
本研究提出基于大语言模型的规范性反馈系统,通过专家评估补充点赞等参与信号,实验表明专家反馈能引导用户选择更高质量内容,促进健康在线环境。
2025-09-12 cs.HC
Beyond Views: Measuring and Predicting Engagement in Online Videos
视频在互联网流量中的份额一直在增长,因此了解视频如何在全球范围内吸引注意力也越来越重要。目前大多数研究集中在建模的意见,但我们认为,视频参与,或观看时间是一个更合适的措施,注意力,网络和推广活动的资源分配问题。在本文中,我们首次从公开的数据流中对视频级聚合参与进行了大规模测量,收集了2016年两个月内发布的530万个YouTube视频。我们研究了一组指标,包括时间和观看视频的平均百分比。我们定义了一个新的指标,相对参与度,这是校准对视频属性和强烈相关的公认的质量概念。此外,我们发现,视频的参与度随着时间的推移是稳定的,从而将参与度建模和受欢迎度建模的关注分开-后者被认为是不稳定的,并由外部促销驱动。我们还发现,从冷启动设置中可以预测参与度指标,其大部分差异都可以通过视频上下文,主题和渠道信息来解释- R2=0.77。我们的观察意味着参与度指标的几种潜在用途-选择视频制作的参与主题,或在推荐系统中推广参与视频。
2018-04-10 cs.HC cs.SI
Quantifying attention via dwell time and engagement in a social media browsing environment
现代计算系统具有前所未有的能力来检测、利用和影响人类的注意力。先前的工作将用户参与度和停留时间确定为数字环境中注意力的两个关键指标,但这些指标尚未整合到一个统一的模型中,以推进数字注意力的理论和实践。我们借鉴了认知科学、数字广告和人工智能的研究成果,提出了一个两阶段的社交媒体环境注意力模型,该模型将参与和停留分开。在一个在线实验中,我们发现注意力在这两个阶段的运作方式不同,并找到了分离的明确证据:当停留在帖子(阶段1)时,用户更多地关注耸人听闻的内容而不是可信的内容,但当决定是否参与内容(阶段2)时,用户更多地关注可信的内容而不是耸人听闻的内容。这些发现对测量和模拟人类注意力的计算系统的设计和开发具有影响,例如社交媒体上的新闻推送算法。
2022-11-07 cs.CY cs.HC
YouthCare: Building a Personalized Collaborative Video Censorship Tool to Support Parent-Child Joint Media Engagement
针对亲子联合媒体参与(JME)过度依赖父母时间与经验的问题,本研究通过形成性研究设计了个性化协同视频审查工具YouthCare,支持亲子协同过滤不当内容,经10对亲子评估验证了其优势并为未来系统设计提供见解。
2025-03-04 cs.HC
AI Credibility Signals Outrank Institutions and Engagement in Shaping News Perception on Social Media
University of Notre Dame(圣母大学)
研究通过大规模实验发现,AI生成的可信度评分能显著调节党派偏见和机构不信任,在影响用户政治新闻感知方面超越传统参与度信号,揭示了生成式AI的说服力及平衡认知影响与用户自主性的设计需求。
2025-11-04 cs.AI cs.HC
How many others have shared this? Experimentally investigating the effects of social cues on engagement, misinformation, and unpredictability on social media
与传统媒体不同,社交媒体通常提供量化指标,衡量有多少用户参与了每一项内容。有些人认为,这些线索的存在促进了错误信息的传播。在这里,我们调查的因果关系的社会线索对用户的参与与社会媒体的帖子。我们在一个定制的新闻推送界面上对N=628名美国人进行了一项实验,在这个界面上,我们系统地改变了社交线索的存在和强度。我们发现,当提示显示时,表明有更多的其他人参与了帖子,用户更有可能分享和喜欢该帖子。此外,相对于没有社会线索的对照组,社会线索的存在增加了真实新闻相对于虚假新闻的分享。社交线索的存在也使得精确预测任何给定帖子的受欢迎程度变得更加困难。总之,我们的研究结果表明,在某些情况下,社交线索可能会提高真相的识别力,减少错误信息的分享,而不是分散用户的注意力或导致他们分享低质量的新闻。我们的工作表明,社交线索在塑造用户在社交媒体上的注意力和参与度方面发挥着重要作用,平台应该在改变显示哪些线索以及如何显示之前了解不同线索的影响。
2022-07-15 cs.HC cs.SI
Examining the Impact of Label Detail and Content Stakes on User Perceptions of AI-Generated Images on Social Media
Cornell University(康奈尔大学)
本研究通过105名参与者的被试内实验,探究标签细节程度与内容风险程度对用户感知社交媒体AI生成图像的影响,发现详细标签可提升透明度且不影响参与度,低风险内容的用户参与度与信任度更高,为平台标签策略提供参考。
2025-10-21 cs.HC
A Data-Driven Approach for Finding Requirements Relevant Feedback from TikTok and YouTube
本文提出数据驱动方法,利用 transformer 模型分析 TikTok 与 YouTube 视频的音频、视觉文本和元数据,识别并聚类需求相关反馈,为企业提炼产品需求提供新来源。
2023-07-24 cs.HC cs.SE
Making AI-Enhanced Videos: Analyzing Generative AI Use Cases in YouTube Content Creation
本研究分析了274个YouTube教程视频,揭示了生成式AI在视频规划、制作、编辑和上传等环节的具体用例,并探讨了其未来在视频创作任务中的整合方向。
2025-03-05 cs.HC
How a user's personality influences content engagement in social media
社交媒体为人们提供了一个分享他们认为重要,有趣或值得注意的内容的机会。没有一个单一的内容会吸引所有的用户,但是用户之间是否存在系统性的差异,可以帮助我们更好地理解信息传播?我们进行了一项实验,探索在灾难场景中社交媒体的使用,结合脑电图(EEG),个性调查和分享社交媒体的提示,我们展示了个性如何不仅驱动与社交媒体互动的意愿,还有助于确定用户认为哪种类型的内容引人注目。正如预期的那样,外向的人更有可能分享内容。相比之下,我们的一个核心结果是,抑郁人格的人最有可能分享信息内容,如新闻或警报。因为朋友之间的性格和情绪通常会通过同质性高度相关,我们的结果可能是理解社会传染的重要因素。
2016-09-01 cs.HC cs.SI
How the Design of YouTube Influences User Sense of Agency
在注意力经济中,视频应用程序采用自动播放等设计机制,利用心理弱点最大化观看时间。因此,许多人对他们的应用程序使用感到缺乏代理,这与睡眠不足等负面生活影响有关。之前的设计研究已经创新了监管多个应用程序的外部机制,例如锁定计时器。在这项工作中,我们将重点转移到应用程序的内部机制如何支持用户代理,以流行的YouTube移动应用程序作为测试案例。通过对120名美国用户的调查,我们发现自动播放和推荐主要破坏代理感,而搜索和播放列表则支持代理感。通过13次共同设计会议,我们发现,当用户对如何使用YouTube有特定意图时,他们更喜欢支持更大代理的界面。我们讨论了设计师如何帮助用户重新获得媒体使用的代理感。
2021-01-28 cs.HC
TikTok Engagement Traces Over Time and Health Risky Behaviors: Combining Data Linkage and Computational Methods
本研究结合TikTok数字痕迹、计算分析与自我报告数据,探究健康风险类视频点赞行为与吸电子烟、饮酒行为的关联,验证了多源数据结合研究社交媒体行为影响的方法学价值。
2024-06-23 cs.CY cs.HC
Digital Wellbeing Redefined: Toward User-Centric Approach for Positive Social Media Engagement
针对现有数字福祉干预过度限制的问题,本文提出以赋能积极体验为中心的新视角,并介绍干预措施PauseNow,通过数字助推和意图感知推荐引导用户回归意图,实现正念社交媒体使用。
2024-03-19 cs.HC cs.SE
The Capacity to Care: Designing Social Technology for Sustained Engagement With Societal Challenges
University of Washington(华盛顿大学);Stanford University(斯坦福大学);University of Notre Dame(圣母大学);Northwestern University(西北大学);Carnegie Mellon University(卡内基梅隆大学);Nanyang Technological University(南洋理工大学);Cornell University(康奈尔大学);MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);National Yang Ming Chiao Tung University(国立阳明交通大学);University of Southern California(南加州大学)
本文基于Tronto的关怀伦理框架,探讨社交媒体设计如何影响人们持续参与社会挑战的能力,并提出设计方向以支持可持续关怀。
2026-05-22 cs.HC
The Hidden Toll of Social Media News: Causal Effects on Psychosocial Wellbeing
研究揭示社交媒体新闻参与对心理社会幸福感的因果影响,发现不同参与方式产生系统性权衡,且书签行为对心理恶化影响更显著。
2026-01-20 cs.AI cs.CL cs.CY
Engaging Users through Social Media in Public Libraries
Queensland University of Technology(昆士兰科技大学);San José State University(圣何塞州立大学);Griffith University(格里菲斯大学)
参与式图书馆是一个新兴的概念,它指的是一个综合的图书馆系统必须允许用户参与图书馆的核心功能,而不是参与边缘。为了接受参与式理念,图书馆采用了许多技术,如社交媒体,以帮助他们建立参与式服务和吸引用户。为了帮助图书馆员了解新兴技术对参与式服务建设的影响,本文以社会媒体为例,探讨如何利用社会媒体提供的不同参与策略来吸引更多的用户。本文对图书馆系统做出了三大贡献。图书馆可以使用由此产生的参与策略来吸引用户。此外,可以根据用户的偏好来推断和设计最适合的策略。最后,可以根据社交媒体的数据分析来了解用户的偏好。三个这样的贡献放在一起,以充分解决拟议的研究问题,如何使用不同的参与策略在社会媒体上建立参与式图书馆服务,更好地吸引更多的用户访问图书馆?
2020-10-30 cs.HC cs.LG cs.OH