The Extreme Right Filter Bubble
由于其作为最受欢迎的视频共享平台的地位,YouTube在极右团体的在线战略中发挥着重要作用,它经常被用来托管相关内容,如音乐和其他宣传。在本文中,我们开发了一个适合分析YouTube上极右频道的分类。通过将其与基于NMF的主题建模方法相结合,我们对来自极右Twitter帐户传播的链接的通道进行分类。此方法还用于对相关频道进行分类,这些频道是使用YouTube相关视频服务返回的结果确定的。我们发现存在一个“过滤气泡”,即访问极右YouTube视频的用户极有可能被推荐进一步的极右内容。
2013-08-28 cs.CY cs.SI physics.soc-ph
Forecasting popularity of videos in YouTube
本文提出了一种新的预测过程来解释和预测YouTube视频的流行度演变。我们利用我们最近对YouTube视频分类的研究来预测视频观看次数的演变。这种分类允许识别所观察到的流行动态的重要因素。我们的实验结果表明,与最先进的基线模型相比,我们的预测过程能够降低平均预测误差。我们还评估了在我们的分类中添加流行标准的影响。
2015-07-30 cs.SI
Engagement dynamics and sensitivity analysis of YouTube videos
拥有数百万内容创作者的YouTube已成为在线观看视频的首选目的地。通过合作伙伴计划,YouTube允许内容创作者将他们的热门视频货币化。对于内容创建者来说,重要的是哪些元级别的特征(例如标题、标签、缩略图)对于提升视频流行度最敏感。视频的受欢迎程度还取决于社会动态,即内容创作者(或频道)与YouTube用户的互动。使用由分布在2.5万个频道的约600万个视频组成的真实数据,我们实证研究了YouTube元级特征和社会动态的敏感性。影响视频观看次数的关键元级特征包括:第一天观看次数、订阅者数量、视频缩略图的对比度、Google点击率、关键字数量、视频类别、标题长度和标题中的大写字母数量,并分别说明这些元级特征可以用于估计视频的受欢迎程度。此外,在视频发布后优化元级别功能可以增加视频的受欢迎程度。在社会动力学的背景下,我们发现,有一个因果关系之间的意见,以一个渠道和相关的用户数量。此外,还提供了对频道中的调度和视频播放效果的见解。我们的研究结果提供了一个有用的了解用户在YouTube上的参与。
2016-11-02 cs.SI
In a World That Counts: Clustering and Detecting Fake Social Engagement at Scale
依赖于用户生成内容的Web服务如何区分垃圾邮件发送者的虚假社交活动和合法社交活动?在本文中,我们专注于YouTube的社交网站和识别不良行为者发布无机内容和膨胀的社会参与指标的计数的问题。我们提出了一种有效的方法,Leas(Local Expansion at Scale),并展示了如何通过分析基于用户和YouTube视频之间的参与行为模式的时间图来跟踪YouTube上的虚假参与活动。与垃圾邮件种子的领域知识,我们制定和解决问题的半监督的方式-与搜索的个人,具有类似的行为模式作为已知的种子-基于图扩散过程通过局部谱子空间的目标。我们提供了一个快速,可扩展的MapReduce部署适应本地化谱聚类算法。我们通过在实践中实现YouTube评论图上98%的手动审查准确率来证明我们在Google部署的有效性。与最先进的CopyCatch算法相比,Leas的运行时间快了10倍。Leas在Google积极使用,在YouTube的参与度图上搜索超过10亿用户的日常欺骗行为。
2016-01-20 cs.SI
Characterizing videos, audience and advertising in Youtube channels for kids
在线视频服务、短信系统、游戏和社交媒体服务在许多国家的年轻人和儿童中非常受欢迎。互联网上提供的大多数数字服务都是由广告资助的,这使得广告在儿童的日常生活中无处不在。为了了解基于广告的数字服务对儿童的影响,我们研究了YouTube儿童频道用户的集体行为,并展示了大量用户的人口统计数据。我们收集了来自美国和英国17个频道以及巴西24个频道的12,848个视频的数据。英语频道的观看次数超过370亿次。我们还收集了超过1400万条用户评论。基于文本分析和人脸识别工具的组合,我们在大样本用户中显示了种族和性别偏见的存在。我们还识别积极使用YouTube的儿童,尽管在大多数国家/地区,使用该服务的最低年龄为13岁。我们比较了这三个国家的用户行为,这三个国家代表了全球北方和南方的大量用户群体。
2017-07-04 cs.CY cs.SI
Half-life of Youtube News Videos: Diffusion Dynamics and Predictive Factors
该研究聚焦YouTube新闻视频前24小时的早期传播,基于覆盖75国的5万余条视频量化其24小时半衰期(平均约7小时,差异显著),构建6种模型预测半衰期延迟,并通过XAI分析预测因子的重要性,同时公开相关资源。
2025-07-27 cs.SI
Disturbed YouTube for Kids: Characterizing and Detecting Inappropriate Videos Targeting Young Children
订阅量最大的YouTube频道中有大量是针对年龄很小的儿童的。YouTube上有数百个面向幼儿的频道,提供无害、制作精良和教育性的视频。不幸的是,针对这一人群的不适当内容也很常见。令人遗憾的是,YouTube的算法推荐系统会推荐不合适的内容,因为其中一些内容模仿或衍生自其他合适的内容。考虑到幼儿发展的风险,以及幼儿消费YouTube媒体的增长趋势,这是一个令人担忧的问题。在这项工作中,我们建立了一个分类器,能够以84.3%的准确率识别YouTube上针对幼儿的不适当内容,并利用它来执行首次大规模定量表征,揭示了幼儿YouTube媒体消费的一些风险。我们的分析表明,YouTube仍然受到这些令人不安的视频的困扰,其目前部署的反措施在及时检测它们方面是无效的。令人担忧的是,使用我们的分类器,我们发现幼儿不仅能够,而且可能会在从良性视频开始随机浏览平台时遇到令人不安的视频。
2021-09-16 cs.CY cs.SI
Global YouTube Trending Dataset (2022-2025): Three Years of Platform-Curated, Cross-National Trends in Digital Culture
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
针对 YouTube 热门页面停用,构建2022-2025年覆盖104国、78.4百万条记录的非个性化数据集,为研究数字文化与平台治理提供独特资源。
2025-10-24 cs.SI
YouNiverse: Large-Scale Channel and Video Metadata from English-Speaking YouTube
YouTube在娱乐和告知全球各地的人们方面发挥着关键作用。然而,研究该平台是困难的,由于缺乏随机抽样数据和系统的方法来查询平台的庞大目录。在本文中,我们介绍了YouNiverse,一个来自英语YouTube的频道和视频元数据的大型集合。YouNiverse包含2005年5月至2019年10月期间发布的超过13.6万个频道和7290万个视频的元数据,以及每周订阅和观看次数的频道级时间序列数据。利用socialblade.com(一个提供有关YouTube信息的在线服务)的频道排名,我们能够评估和提高频道样本的代表性。此外,该数据集还包含一个表格,指定了一组4.49亿匿名用户评论了哪些视频。YouNiverse可在https://doi.org/10.5281/zenodo.4650046上公开获取,将使社区能够对YouTube进行研究。
2021-04-08 cs.CY cs.SI
Shorts on the Rise: Assessing the Effects of YouTube Shorts on Long-Form Video Content
本文通过研究 250 名拥有大量受众的创作者,评估 YouTube Shorts 等短视频对长视频的影响,发现长视频观看次数与互动量均显著下降。
2024-04-08 cs.MM cs.SI
"You Know What to Do": Proactive Detection of YouTube Videos Targeted by Coordinated Hate Attacks
像YouTube这样的视频共享平台越来越多地成为攻击和仇恨攻击的目标。先前的工作已经表明,这些攻击往往是由于“突袭”而发生的,即,由来自第三方社区的特别暴徒协调组织的努力。然而,尽管这种现象的相关性越来越大,但在线服务往往缺乏有效的对策来缓解它。与垃圾邮件和网络钓鱼等经过充分研究的问题不同,协调的攻击行为既针对人类,又由人类实施,使得寻找自动活动的防御机制不适用。因此,事实上的解决方案是被动地依赖于用户报告和人工审核。在本文中,我们提出了一个自动化的解决方案,以识别YouTube视频,这些视频可能会被来自4chan等边缘社区的协调骚扰者作为目标。首先,我们根据被突袭的视频的地面实况数据集,沿着几个轴(元数据,音频转录,缩略图)对YouTube视频进行表征和建模。然后,我们使用分类器的集合来确定视频被突袭的可能性,并获得非常好的结果(AUC高达94%)。总体而言,我们的工作为部署主动系统以检测和缓解YouTube等平台上的协同仇恨攻击迈出了重要的第一步。
2019-08-23 cs.CR cs.CY cs.SI
ThumbnailTruth: A Multi-Modal LLM Approach for Detecting Misleading YouTube Thumbnails Across Diverse Cultural Settings
针对YouTube等平台误导性缩略图的普遍问题,本文提出多模态LLM检测流水线,构建跨文化数据集,评估多款前沿模型,其中Claude 3.5 Sonnet表现最优,为视频平台内容治理提供支撑。
2025-09-05 cs.SI
Separating Clicks from Baits: Using Large Language Models to Detect Misleading YouTube Thumbnails
Duke University(杜克大学);Lahore University of Management Sciences(拉合尔管理科学大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学)
研究针对YouTube等平台误导性缩略图问题,提出用大语言模型的多模态检测管道,构建数据集并评估多个模型,发现Claude 3.5 Sonnet性能突出,通过失败分析为视频平台发展提供方向。
2026-07-28 cs.SI
Asymmetric Dynamics of Partisan Warriors in YouTube Comments
Seoul National University(首尔大学);University of Iowa(爱荷华大学)
研究分析了YouTube评论中党派战士的行为,发现跨意识形态评论者并不比同阵营者更文明,保守派观众更奖励对异己领导者的攻击,而左派观众则惩罚此类攻击,且保守派频道中党派战士更普遍,其行为受频道层面异质性驱动。
2026-03-23 cs.CY cs.SI
Modelling infodemics on a global scale: A 30 countries study using epidemiological and social listening data
Sapienza University of Rome(罗马第一大学);Ca’ Foscari University of Venice(威尼斯卡福斯卡里大学);Centro Ricerche Enrico Fermi(恩里科·费米研究中心);University of Pisa(比萨大学)
本研究以30国数据为基础,用回归模型分析疫情变量对新冠信息疫情的影响,发现邻国疫情负担对内容产出影响更大,还提出数据驱动的国家响应分类方法,证实可密切监测信息疫情演变。
2026-09-04 cs.SI physics.soc-ph
Agent based network modelling of COVID-19 disease dynamics and vaccination uptake in a New South Wales Country Township
本研究构建基于智能体的接触网络模型,模拟NSW乡镇COVID-19传播与Pfizer疫苗接种,发现三剂疫苗可遏制疫情但难根除,且感染节点平均度可预测感染高峰。
2024-01-07 cs.MA cs.SI physics.soc-ph
Counting How the Seconds Count: Understanding Algorithm-User Interplay in TikTok via ML-driven Analysis of Video Content
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
通过机器学习分析TikTok视频内容,研究算法与用户互动的时间演变及用户体验影响。
2026-02-08 cs.SI