Efficient Data Retrieval and Comparative Bias Analysis of Recommendation Algorithms for YouTube Shorts and Long-Form Videos
本研究开发高效数据收集框架,对比分析YouTube短视频与长视频推荐算法的差异及政治敏感话题偏差,为构建公平透明的推荐系统、践行负责任AI提供参考。
2025-07-29 cs.IR cs.SI
Who Watches (and Shares) What on YouTube? And When? Using Twitter to Understand YouTube Viewership
我们将以用户为中心的Twitter数据与以视频为中心的YouTube数据相结合,以分析谁在YouTube上观看和分享了什么。结合两个数据集,87k Twitter用户,560万YouTube视频和1500万视频共享事件,可以进行丰富的分析,超出了单独使用两个数据集中的任何一个所能获得的分析。对于Twitter,我们生成与活动、兴趣和人口统计相关的用户特征。对于YouTube,我们获得了主题,流行度和极化的视频特征。这两个功能集通过在Twitter上共享YouTube URL的事件进行组合。这种组合以用户、视频和共享事件为中心的方式完成。对于以用户为中心的分析,我们展示了Twitter用户功能如何与YouTube功能和共享相关功能相关联。作为两个例子,我们发现城市用户比农村用户更快地分享,对于一些“影响力”的概念,Twitter上有影响力的用户分享视频的浏览量更高。对于以视频为中心的分析,我们发现初始Twitter份额和最终的浏览量之间存在超线性关系,显示了Twitter的相关行为。在用户影响力方面,我们发现第一周分享视频的用户的粉丝总数并不影响视频的最终受欢迎程度。然而,聚合的用户转发率可以更好地预测YouTube视频的受欢迎程度。对于以共享为中心的分析,我们揭示了在一定的时间尺度内视频创建和共享之间的时间相关行为的存在,显示了连贯响应的时间开始,以及集体响应极不可能的时间限制。我…
2016-02-22 cs.SI physics.soc-ph
Tubes & Bubbles -- Topological confinement of YouTube recommendations
推荐算法在在线用户限制中的作用是快速增长的文献的核心。最近的实证研究一般表明,过滤气泡主要可以观察到的情况下,明确的建议(基于用户声明的偏好),而不是隐式推荐(基于用户活动)。我们专注于YouTube,它已经成为一个主要的在线内容提供方,但到目前为止,限制很少有系统的研究。从不同数量的种子视频开始,我们首先描述了建议的视频集的属性,以设计一个合理的探索协议,能够捕获潜在的推荐图递归诱导这些建议。这些图形成了潜在用户沿着非个性化推荐进行导航的背景。从那里,无论是在拓扑,主题或时间方面,我们表明,我们所谓的平均场YouTube推荐的景观往往倾向于限制动态。此外,最受限制的推荐图,即,潜在的泡沫,似乎是围绕着一组视频组织的,这些视频获得了最高的观众,从而获得了合理的观看时间。
2020-01-15 cs.CY cs.SI nlin.AO
Characterizing Abhorrent, Misinformative, and Mistargeted Content on YouTube
YouTube彻底改变了人们发现和消费视频的方式。尽管YouTube提供了数百个制作精良、值得信赖的视频,但令人憎恶、误导和误导的内容也很常见。该平台受到各种类型的问题内容的困扰:1)针对幼儿的令人不安的视频; 2)仇恨和厌恶女性的内容;以及3)伪科学错误信息。虽然YouTube的推荐算法在提高用户参与度和YouTube的货币化方面发挥着至关重要的作用,但它在无意中推广有问题的内容方面的作用并不完全清楚。在这篇论文中,我们揭示了YouTube上的问题内容的程度和推荐算法在传播这些内容中的作用。遵循数据驱动的定量方法,我们分析了YouTube上的数千个视频,以阐明:1)幼儿使用YouTube媒体的风险; 2)推荐算法在传播厌恶女性内容中的作用,重点关注非自愿独身者(Involuntary Celibates)社区;以及3)用户对平台的各个部分上的伪科学内容的暴露以及该暴露如何基于用户的观看历史而改变。我们的分析表明,幼儿在随机浏览平台时可能会遇到令人不安的内容。通过分析YouTube上的Incel社区,我们发现Incel活动随着时间的推移而增加,平台可能在引导用户转向极端内容方面发挥积极作用。最后,在研究伪科学错误信息时,我们发现YouTube建议更多关于传统伪科学主题的伪科学内容(例如,这些建议在搜索结果页面上比在用户主页或视频推荐部分更常见。
2021-05-20 cs.CY cs.SI
"It is just a flu": Assessing the Effect of Watch History on YouTube's Pseudoscientific Video Recommendations
YouTube的推荐算法在无意中推广错误信息和阴谋论方面所扮演的角色并不完全清楚。然而,这可能会在现实世界中产生可怕的后果,特别是当伪科学内容在关键时刻(如COVID-19大流行)向用户推广时。在本文中,我们开始描述和检测YouTube上的伪科学错误信息。我们收集了6.6K与COVID-19、地球平坦理论以及反疫苗接种和反口罩运动相关的视频。使用众包,我们将它们标注为伪科学,合法科学或无关紧要,并训练一个深度学习分类器来检测伪科学视频,准确率为0.79。我们量化了用户在平台各个部分对这些内容的曝光度,以及这种曝光度如何根据用户的观看历史记录而变化。我们发现YouTube建议更多关于传统伪科学主题的伪科学内容(例如,平坦的地球,反疫苗接种)而不是新兴的(如COVID-19)。同时,这些推荐在搜索结果页面上比在用户的主页上或在主动观看视频时的推荐部分中更常见。最后,我们揭示了用户的观看历史如何实质性地影响推荐视频的类型。
2021-10-12 cs.CY cs.SI
Simulating User Watch-Time to Investigate Bias in YouTube Shorts Recommendations
本研究通过模拟用户在YouTube Shorts上的不同观看行为,结合超40万视频数据集和GPT-4o语义评估,揭示了推荐算法在观看时长影响下出现的放大、漂移与主题泛化现象,为平台内容多样性与问责制提供了多学科视角。
2025-07-06 cs.SI
Causally estimating the effect of YouTube's recommender system using counterfactual bots
本文提出“反事实机器人”方法,通过对比真实用户模式机器人与规则轨迹机器人,因果评估 YouTube 推荐算法对党派化内容消费的影响,发现推荐系统整体起缓和作用而非激化作用。
2023-12-01 cs.SI
COVID-19 on YouTube: A Data-Driven Analysis of Sentiment, Toxicity, and Content Recommendations
Emory University(埃默里大学);South Dakota School of Mines and Technology(南达科他矿业理工学院)
本研究通过VADER、Detoxify和LDA分析YouTube上COVID-19视频的情感、毒性与主题,并构建基于TF-IDF和余弦相似度的内容推荐系统,总覆盖率达69%,为理解疫情话语与促进负责任内容提供了框架。
2024-12-22 cs.AI cs.CL cs.CY
How to Train Your YouTube Recommender to Avoid Unwanted Videos
本文通过模拟用户实验和问卷调查,系统评估了 YouTube“不感兴趣”等反馈按钮在清除不想要推荐方面的实际效果,发现“不感兴趣”按钮平均可移除 88% 的首页不相关推荐,但许多用户并不知道该功能。
2024-04-02 cs.CY cs.HC cs.SI
Auditing Radicalization Pathways on YouTube
非营利组织和媒体都假设YouTube上存在激进化管道,声称用户在平台上系统地向更极端的内容发展。然而,迄今为止,这一所谓的输油管道没有实质性的量化证据。为了缩小这一差距,我们对YouTube上的用户激进化进行了大规模审计。我们分析了发布在349个频道上的330,925个视频,我们大致将其分为四种类型:媒体、另类、知识暗网(I.D.W.),和另类右翼根据上述激进化假设,I.D.W.而Alt-lite则是边缘极右意识形态的门户,这里以Alt-right渠道为代表。处理72 M+评论,我们表明,这三种渠道类型确实越来越多地共享相同的用户群;用户一致地从温和的内容迁移到更极端的内容;消费Alt-right内容的用户中有很大一部分现在消费Alt-lite和I.D.W.。过去的内容。我们还调查了YouTube的推荐算法,查看了2019年5月至7月期间超过200万的视频和频道推荐。我们发现,Alt-lite内容很容易从I.D.W.频道,而Alt-right视频只能通过频道推荐访问。总的来说,我们描绘了YouTube上用户激进化的全面画面。
2021-10-21 cs.CY cs.SI
YouTube COVID-19 Vaccine Misinformation on Twitter: Platform Interactions and Moderation Blind Spots
虽然大多数社交媒体公司都试图应对COVID-19错误信息的挑战,但这些政策的成功很难评估,尤其是在关注单个平台时。这项研究探讨了Twitter和YouTube在传播COVID-19疫苗相关错误信息方面的关系,通过混合方法分析了2021年分享YouTube视频的推文集合,其中这些Twitter账户也链接到已删除的YouTube视频。主成分、聚类和网络分析用于将视频和推文按共享推文日期、术语和共享模式分组为可解释的组;内容分析用于评估推文和视频对COVID-19消息的定向。从这一点上,我们观察到,在以前分享可疑信息的用户中,反疫苗信息仍然占优势,其中持不同政见的政治框架占主导地位,这表明在平台互动的情况下,适度政策无效。
2022-08-27 cs.CY cs.SI
Subscriptions and external links help drive resentful users to alternative and extremist YouTube videos
研究使用2020年代表性样本的配对行为与调查数据(n=1,181),发现 YouTube 上另类和极端视频的接触高度集中于具有高性别与种族怨恨的少数群体,这些用户主要通过订阅和外部链接访问相关内容,而非算法推荐。
2023-04-02 cs.CY cs.HC cs.IR
Auditing YouTube's Recommendation Algorithm for Misinformation Filter Bubbles
Kempelen Institute of Intelligent Technologies(凯梅伦智能技术研究所);Brno University of Technology(布尔诺理工大学)
在本文中,我们介绍了在YouTube上进行的一项审计研究的结果,该研究旨在调查用户进入错误信息过滤器泡沫的速度,以及如何“打破泡沫”,即,恢复气泡罩。我们采用了一种傀儡审计方法,其中预编程的代理(作为YouTube用户)通过观看错误信息推广内容来深入研究错误信息过滤器泡沫。然后,他们试图通过观看错误信息揭穿内容来打破泡沫并获得更平衡的建议。我们会记录搜索结果、主页结果和观看视频的建议。总体而言,我们记录了17,405个独特的视频,其中我们手动注释了2,914个错误信息的存在。标记的数据用于训练机器学习模型,该模型将视频分类为三个类别(促进,揭穿,中性),准确率为0.82。我们使用经过训练的模型来对其余无法手动注释的视频进行分类。使用手动和自动注释的数据,我们观察了一系列审核主题的错误信息泡沫动态。我们的关键发现是,即使过滤气泡在某些情况下不会出现,当它们出现时,也可以通过观看错误信息揭穿内容来打破它们(尽管它在不同主题之间表现不同)。我们还观察到错误信息过滤器气泡效应的突然减少时,错误信息揭穿视频后,错误信息宣传视频观看,这表明一个强大的上下文的建议。最后,将我们的结果与以前的类似研究进行比较时,我们没有观察到推荐错误信息内容的总体数量有显着改善。
2022-10-18 cs.IR cs.LG cs.SI
A Survey on Watching Social Issue Videos among YouTube and TikTok Users
本文通过调查659名YouTube用户和127名TikTok用户,揭示用户观看社会议题视频的动机、互动行为及其与信息、娱乐和社交满足的关系,并指出用户对错误信息和回音室问题的担忧。
2023-10-29 cs.HC cs.SI
Examining the consumption of radical content on YouTube
尽管相对于其他社交媒体平台,YouTube的研究还不够深入,但它可以说是世界上最大、最具吸引力的在线媒体消费平台。最近,YouTube的规模引发了人们的担忧,即YouTube用户正在通过有偏见的推荐和表面上与政治无关的反觉醒频道的组合而变得激进,这两者都被声称直接关注激进的政治内容。在这里,我们使用一个由30多万美国人组成的代表性小组以及他们在2016年1月至2019年12月期间在YouTube上和YouTube外的个人浏览行为来测试这一假设。使用一组标记的政治新闻频道,我们发现YouTube上的新闻消费主要由主流和中间派来源主导。极右翼内容的消费者虽然比平均水平更投入,但在新闻消费者中所占的比例很小且稳定。然而,反觉醒内容的消费(定义为反对进步的知识分子和政治议程)的受欢迎程度稳步增长,并与平台外极右翼内容的消费相关。我们没有发现任何证据表明,与极右翼内容的接触是由YouTube的系统性推荐引起的,我们也没有发现明确的证据表明反觉醒频道是通往极右翼的门户。相反,YouTube上的政治内容消费似乎反映了整个网络的个人偏好。
2022-02-14 cs.CY cs.IR cs.SI
The topological face of recommendation: models and application to bias detection
推荐在电子商务和娱乐行业中起着关键作用。我们建议考虑连续推荐给用户的建议图的形式。我们给出了这种表示的模型。出于对算法透明度的日益增长的兴趣,我们提出了这些图的第一个应用程序,即服务提供商引入的推荐偏差的潜在检测。该应用程序依赖于对给定用户的提取图的拓扑结构的分析;我们提出了关于推荐项目的拓扑接近度的推荐一致性的概念(在项目的k-最近邻居的度量下,提醒Watts & Stroggatz的“小世界”模型)。最后,我们在模型和Youtube抓取上说明了这种方法,目标是预测“推荐给你”的链接(即,不管是不是Youtube的)。
2017-04-28 cs.CY cs.IR cs.SI
An Empirical Study of Affiliate Marketing Disclosures on YouTube and Pinterest
虽然与各种形式的互联网广告有关的披露已经确立并遵循特定的格式,但代言营销披露通常是开放式的,由个人出版商撰写。由于这种营销往往作为出版商实际内容的一部分出现,因此确保充分披露至关重要,以便最终用户能够识别。在本文中,我们描述了两个流行的社交媒体平台上与联属网络营销(一种基于背书的营销)相关的披露:YouTube和Pinterest。我们发现,这两个平台上只有大约十分之一的联盟内容包含披露。根据我们的调查结果,我们针对联盟营销行业的各种利益相关者提出了政策建议,强调社交媒体平台和联盟公司如何能够实现更好的披露实践。
2018-03-26 cs.CY cs.HC cs.SI
Modeling Rabbit-Holes on YouTube
本文提出一种以用户侧机器人为中心的大规模数据收集方法和简单理论,通过解析建模严格定义了YouTube上的兔子洞现象,为推荐系统的大规模自动化审计铺平道路。
2023-07-19 cs.CY cs.SI
Cultural Values and Cross-cultural Video Consumption on YouTube
像YouTube这样的视频分享社交媒体提供了访问世界各地不同文化产品的机会,使网络促进全球文化融合的理论成为可能。根据YouTube在58个国家最受欢迎的视频的每日列表,我们调查了文化价值观,语言,国内生产总值和互联网渗透率不同的国家的流行视频的消费情况。虽然在线社交媒体促进了全球对文化产品的获取,但我们发现这种技术能力并没有导致普遍的文化融合。相反,在文化不同的国家,流行视频的消费似乎受到文化价值观的限制。跨文化融合在具有个人主义和权力不平等文化价值观的国际化国家更为先进。
2017-05-17 cs.SI
Sentiment Analysis on YouTube: A Brief Survey
情感分析或意见挖掘是与分析用户在社交媒体和其他在线资源上表达的意见、情感、评价、态度和情绪相关的研究领域。社交媒体网站的革命也吸引了视频分享网站的用户,如YouTube。在线用户在他们在这些网站上观看的视频上表达他们的意见或情感。本文提出了一个简短的调查技术,分析用户发布的意见,一个特定的视频。
2015-11-30 cs.IR cs.SI
YTCommentVerse: A Multi-Category Multi-Lingual YouTube Comment Corpus
本文提出了大规模多语言多类别YouTube评论数据集YTCommentVerse,包含超3200万条评论,覆盖15个内容类别和50多种语言,为跨文化情感、毒性和参与度模式分析提供了丰富资源,填补了视频分享平台数据集的空白。
2025-09-14 cs.SI
Mi YouTube es Su YouTube? Analyzing the Cultures using YouTube Thumbnails of Popular Videos
University of Rochester(罗切斯特大学)
YouTube是一个世界著名的视频分享网站,它在平台上维护了一个热门视频列表。由于其庞大的用户量,它使研究人员能够通过分析趋势视频来了解人们的偏好。热门视频因国家而异。通过分析这些差异和变化,我们可以了解用户的偏好在不同位置之间的差异。以往的研究主要集中在从视频元数据中分析这种文化偏好,而隐藏在视觉内容中的文化信息尚未被发现。在这项研究中,我们使用YouTube趋势视频的缩略图来探索各国之间的文化偏好。我们首先使用对象检测器处理视频的缩略图图像。收集的对象信息然后用于各种统计分析。特别是,我们从三个角度研究数据:地理位置,视频类型和用户的反应。实验结果表明,来自相似文化的用户在观看YouTube上的相似视频时具有共同的兴趣。我们的研究表明,通过缩略图发现的文化偏好可以是一个有效的机制,视频社交媒体分析。
2020-01-27 cs.CV cs.CY cs.SI
Gender Bias in YouTube Exposure: Allocative and Structural Inequalities in Political Information Environments
Computation Communication Research Center, Beijing Normal University(北京师范大学计算传播研究中心);School of Journalism and Communication, Beijing Normal University(北京师范大学新闻与传播学院);Faculty of Arts and Sciences, Beijing Normal University(北京师范大学文理学院)
研究通过YouTube实验分析性别偏见对政治信息推荐的影响,发现分配偏见和结构性偏见的存在,揭示了算法推荐对社会不平等的强化作用。
2026-04-30 cs.CY cs.SI
A Longitudinal Analysis of YouTube's Promotion of Conspiracy Videos
阴谋论在社交媒体上蓬勃发展,人们担心这些内容正在助长虚假信息的传播,支持极端主义意识形态,并在某些情况下导致暴力。在立法者和公众越来越多的审查和压力下,YouTube宣布努力改变其推荐算法,以便最令人震惊的阴谋视频被降级和妖魔化。为了验证这一说法,我们开发了一个分类器,用于自动确定视频是否是阴谋的(例如,登月是假的,吉萨金字塔是外星人建造的,世界末日的预言等等)。我们将这个分类器与YouTube的watch-next算法在一千多个流行的信息频道上的仿真相结合,以获得YouTube积极推广的视频的长达一年的图片。我们还得到了阴谋论中所谓的过滤气泡效应的趋势。
2020-03-06 cs.CY cs.HC cs.IR
TubeCensus: A Transparent, Replicable, and Large-Scale Census of YouTube Channels and their Subscriber Counts Over Time
University of Colorado Boulder(科罗拉多大学博尔德分校)
TubeCensus通过收集互联网档案馆近二十年的YouTube页面快照,构建了一个大规模的纵向数据集,用于研究YouTube创作者和订阅者数量的变化,解决了缺乏透明和可复现方法的难题。
2026-05-07 cs.SI
Protecting Young Users on Social Media: Evaluating the Effectiveness of Content Moderation and Legal Safeguards on Video Sharing Platforms
本研究通过13岁与18岁实验账号评估三大视频平台的3000条视频,发现未成年用户更易快速接触有害内容,揭示平台审核与年龄验证的漏洞,提出需强化相关机制。
2025-05-16 cs.CY cs.SI
Analyzing Right-wing YouTube Channels: Hate, Violence and Discrimination
截至2018年,主要的在线视频分享网站YouTube拥有多个宣传右翼内容的频道。在本文中,我们观察了包含7,000多个视频和1700万条评论的数据集中与仇恨,暴力和歧视性偏见有关的问题。我们调查的相似之处和差异之间的用户的评论和视频内容的右翼渠道的选择,并将其与基线设置使用三层的方法,其中我们分析(a)词汇,(b)主题和(c)隐含的偏见存在于文本中。在其他结果中,我们的分析表明,右翼频道倾向于(a)包含更高程度的“负面”语义场的单词,(b)提出更多与战争和恐怖主义相关的话题,(c)对穆斯林(在视频中)和对LGBT人群(在评论中)表现出更多的歧视性偏见。我们的发现不仅揭示了YouTube社区推广和消费右翼内容的集体行为,还揭示了YouTube用户的一般行为。
2018-04-11 cs.SI
Investigating Algorithmic Bias in YouTube Shorts
本研究通过分析685,842个YouTube Shorts视频,首次揭示了推荐算法从政治敏感内容向娱乐内容漂移的现象,并发现其系统性偏好愉悦内容和强化流行度偏见。
2025-07-07 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
Understanding and Mitigating Mental Health Misinformation on Video Sharing Platforms
本文针对视频分享平台上心理健康错误信息泛滥的问题,通过示例界定其概念,并提出待解决的研究问题与挑战,为后续治理工作奠定基础。
2023-04-14 cs.HC cs.SI
The Interconnected Nature of Online Harm and Moderation: Investigating the Cross-Platform Spread of Harmful Content between YouTube and Twitter
本研究基于6亿条2020年美国大选相关推文,分析了受审核YouTube视频在Twitter上的传播,发现分享者多认同极端和阴谋论意识形态,揭示了有害信息跨平台扩散的复杂性,呼吁制定跨平台审核策略。
2023-04-06 cs.SI
UniShare: A Unified Framework for Joint Video and Receiver Recommendation in Social Sharing
Kuaishou Technology(快手科技)
UniShare通过统一框架联合预测视频和接收者推荐,利用增强的表示学习和联合训练范式提升分享效果,实现在快手平台上的显著性能提升。
2026-02-10 cs.SI
Novel Machine Learning Algorithms for Centrality and Cliques Detection in Youtube Social Networks
School of Engineering and Computer Science, Morehead State University(莫尔黑德州立大学工程与计算机科学学院)
本研究项目的目标是使用机器学习技术来分析社交网络的动态,以定位最大的集团,并找到集群,以确定目标人口。在这个项目中,设计并实现了无监督的机器学习技术来分析来自YouTube的数据集,以发现社交网络中的社区并找到中心节点。实现了不同的聚类算法并应用于YouTube数据集。著名的Bron-Kerbosch算法有效地用于本研究中找到最大团。从这项研究中获得的结果可以用于广告目的和构建智能推荐系统。所有算法均使用Python程序设计语言实现。实验结果表明,我们能够成功地找到中心节点,通过中心中心度和度中心度。通过利用集团检测算法,该研究展示了机器学习算法如何在更大的网络中检测紧密联系的群体。
2020-02-10 cs.LG cs.SI stat.ML
Detecting Suspicious Commenter Mob Behaviors on YouTube Using Graph2Vec
COSMOS Research Center(COSMOS研究中心);University of Arkansas at Little Rock(阿肯色大学小石城分校)
本文提出一种基于社交网络分析和Graph2Vec的方法,用于检测YouTube频道中的可疑评论者群体行为,并通过分析20个频道的数据揭示了此类行为的普遍相似性。
2023-11-09 cs.LG cs.SI
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
Doing data science with platforms crumbs: an investigation into fakes views on YouTube
本文有助于学术访问社交媒体数据正在进行的讨论,讨论这种访问被禁止的情况下,尽管它的价值理解和打击网上虚假信息,尽管没有隐私或版权问题。我们的研究关注YouTube的参与度指标,更具体地说,是该平台删除“虚假视图”的方式(即,被平台视为人为或非法的观点)。我们使用从1000个法国YouTube频道中提取的一年半的数据,展示了这种现象的巨大程度,这涉及我们语料库中的绝大多数频道和一半以上的视频。我们的分析表明,大多数假新闻在视频的生命周期中相对较晚才被纠正,并且视频的最终观看次数与他们收到的假观看次数并不独立。我们讨论了延迟更正可能在内容传播中产生的潜在危害:通过夸大观看次数,非法观看可能会使视频看起来比实际更受欢迎,并毫无疑问地鼓励其人工和算法推荐。不幸的是,我们无法对这种现象提供明确的评估,因为YouTube在其API或界面中没有提供关于虚假视图的信息。因此,这份文件也呼吁YouTube和其他在线平台提高对在线公共辩论质量具有关键影响的信息的透明度。
2022-09-28 cs.SI physics.soc-ph
"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
Inferring the geographic focus of online documents from social media sharing patterns
确定数字媒体的地理焦点是现代地理信息检索必不可少的第一步。然而,公开可见的位置注释在在线数据中非常稀疏。在这项工作中,我们展示了一种方法,推断的地理重点的在线文档,通过检查Twitter用户共享链接到该文件的位置。我们将地理标记技术应用于从不同内容构建的多个数据集:手动注释的新闻文章,GDELT,YouTube,Flickr,Twitter和Tumblr。
2014-06-10 cs.SI physics.soc-ph
Characterizing Alternative Monetization Strategies on YouTube
YouTube平台的一个关键新兴角色是为创作者提供从内容和互动中创收的能力。除了平台直接提供的工具(如广告收入分成)外,创作者还选择平台来使用各种平台外的货币化机会。在这项工作中,我们专注于研究和描述这些替代货币化策略。利用YouTube上流行创作者的大型纵向数据集,我们开发了一种替代货币化策略的分类法和一种自动检测其使用情况的简单方法。然后,我们继续描述这些策略的采用。首先,我们发现外部货币化的使用范围很广,并且越来越普遍,在所有视频中使用了18%,61%的渠道至少使用过一次这样的策略。其次,我们发现,不同类型和受欢迎程度的渠道对这些策略的采用存在很大差异,建立这些替代收入流的渠道在平台上往往更具生产力。最后,我们调查了潜在的问题渠道-那些生产Alt-lite,Alt-right和Manosphere内容的渠道-如何利用替代的货币化策略,发现他们采用更多样化的此类策略比精心选择的比较频道更频繁。这一发现使YouTube作为看门人的角色变得复杂,因为将违反政策的内容排除在其原生平台货币化之外的做法可能无效。总的来说,这项工作为扩大对YouTube内容创作背后的货币激励的理解迈出了重要的一步。
2022-10-06 cs.CY cs.SI
Social Recommendations within the Multimedia Sharing Systems
提出了一种在多媒体共享系统中支持用户之间建立新关系的社会推荐系统。为了生成建议,引入了多关系社会网络的新概念。它涵盖了直接关系和基于对象的关系,反映了用户之间的社交和语义联系。新方法的主要目标是根据社交网络中分配给每一层的个人权重,创建不断适应用户需求的个性化建议。所进行的实验证实了所提出的模型的实用性。
2013-03-01 cs.IR cs.SI physics.soc-ph
The Influence of Text Variation on User Engagement in Cross-Platform Content Sharing
Georgia Institute of Technology(佐治亚理工学院);SRI International(SRI国际)
本文通过构建Reddit分享YouTube视频的数据集和受控实验,研究标题文本改写对用户参与度的影响,发现有效改写具有情感共鸣、词汇丰富和社区规范一致性等特征,并用微调BERT实现74%的排序预测准确率,显著优于GPT-4o等基线。
2025-04-26 cs.AI cs.IR cs.SI
Security Advice for Parents and Children About Content Filtering and Circumvention as Found on YouTube and TikTok
本研究分析YouTube和TikTok上839个关于内容过滤与规避的视频,发现约四分之三建议准确,针对儿童的视频更易不准确且可操作,且缺乏伦理讨论,呼吁安全专家加强平台参与。
2024-02-05 cs.CY cs.HC cs.SI
A Latent Social Approach to YouTube Popularity Prediction
当前关于信息中心网络的工作假设最近最少/频繁使用(LRFU)方案下的高速缓存策略的频谱作为事实标准,这是由于这种策略的容易实现和更容易分析。在本文中,我们预测的流行分布的YouTube视频在校园网络。我们探索了两种广泛的方法来预测网络中视频的流行度:基于网络中聚合行为的共识方法,以及基于隐式网络上信息扩散的社会方法。我们在一个简单的缓存框架下通过根据我们预测的分布挑选k个最受欢迎的视频并计算缓存的命中率来衡量我们的方法的性能。我们首先将视频到达间隔时间(基于无标度网络中相同消息的两个接收者之间的传输时间的幂律分布)结合到基线(LRFU),然后结合信息扩散模型,推断出潜在的社交图,控制网络中视频的扩散。我们应用潜在的社会网络推理技术来学习网络中用户之间的共享概率,并应用从数学流行病学中借来的病毒传播模型来估计视频在未来被访问的次数。我们的方法比基线提高了14%的命中率。
2013-08-06 cs.MM cs.NI cs.SI
Towards Reliable Online Clickbait Video Detection: A Content-Agnostic Approach
在线视频共享平台(例如,YouTube、Vimeo)已经成为人们消费视频内容的越来越流行的范例。点击诱饵视频,其内容明显偏离其标题/缩略图,已经成为在线视频共享平台上的一个关键问题。当前的点击诱饵检测解决方案主要集中在分析标题的文本、缩略图的图像或视频的内容,在检测在线点击诱饵视频时显示为次优的。在本文中,我们开发了一种新的内容不可知的计划,在线视频点击诱饵保护器(OVCP),有效地检测点击诱饵视频通过探索观众观看视频的评论。与现有解决方案不同,OVCP不直接分析视频的内容及其预点击信息(例如,标题和缩略图)。因此,它对复杂的内容创作者来说是强大的,他们经常生成可以绕过当前点击诱饵检测器的点击诱饵视频。我们使用从YouTube收集的真实数据集评估OVCP。实验结果表明,OVCP在识别点击诱饵视频方面是有效的,并且显著优于最先进的基线模型和人类注释器。
2019-07-18 cs.IR cs.SI
Podcast Outcasts: Understanding Rumble's Podcast Dynamics
本文分析 YouTube 与 Rumble 上逾1.3万个播客视频,结合转录、主题建模和对比学习,揭示 Rumble 播客的右翼倾向及其观看驱动与视觉策略。
2024-06-24 cs.SI
Supporters and Skeptics: LLM-based Analysis of Engagement with Mental Health (Mis)Information Content on Video-sharing Platforms
Georgia Institute of Technology(佐治亚理工学院);Rowan University(罗文大学);Zucker Hillside Hospital, Psychiatry Research(扎克山坡医院精神病学研究部);Hofstra University(霍夫斯特拉大学)
本文首次基于YouTube Shorts和BitChute构建心理健康错误信息数据集MentalMisinfo,利用大语言模型少样本学习检测错误信息视频,并揭示受众评论互动的语言模式及其加剧污名化的风险。
2024-07-02 cs.CL cs.CY cs.SI
On Sharing Viral Video over an Ad Hoc Wireless Network
我们考虑通过自组织无线网络(例如,校园里的学生)。许多智能手机都支持GPS,并配备了点对点(ad hoc)传输模式,使它们能够在短距离内无线交换文件,而不是使用运营商的WAN。然而,对文件的需求通过社交网络(例如,Facebook上的YouTube链接)。为了解决这个耦合网络的问题(社交网络的需求;无线网络的带宽),其中两个网络具有不同的拓扑结构,我们提出了一个文件传播算法。在我们的计划中,用户查询他们的社交网络,找到地理上附近的朋友,有所需的文件,并利用底层的ad hoc网络通过多跳传输的数据路由。我们发现,对于许多流行的模型社交网络,文件传播时间尺度与n次线性;用户的数量相比,如果每个用户想要的文件必须从运营商的WAN下载它所需的线性缩放。
2011-01-26 cs.SI
Leveraging Natural Language Processing For Public Health Screening On YouTube: A COVID-19 Case Study
Mehran University of Engineering and Technology(梅赫拉工程技术大学)
本研究以 COVID-19 为例,对 1000 个 YouTube 英语视频转写并结合词云、词典匹配和 LDA 主题建模,验证 NLP 可从 vlog 口播内容中识别诊断相关信息以辅助公共卫生筛查。
2023-06-01 cs.CL cs.SI
Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems
社交网络网站,如Facebook,YouTube,Lastfm等,已经成为用户相互联系和分享内容或观点的流行平台。这些数据为我们研究用户的社交圈对决策过程的影响提供了丰富的信息。在本文中,我们感兴趣的是研究社会网络信息的有效性,以预测用户的评分项目。提出了一种新的分层贝叶斯模型,它结合了社交网络的主题建模和概率矩阵分解。我们的模型的一个主要优点是自动推断有用的潜在主题和社会信息,以及它们的重要性,协同过滤的训练数据。在两个大规模数据集上的实验结果表明,该算法比现有的推荐方法更有效。我们的研究结果揭示了有趣的见解,即社交圈对人们关于信息有用性的决定有更大的影响(例如,对美味的书签偏好)而不是个人品味(例如,在Lastfm上的音乐偏好)。我们还研究和讨论了潜在的信息泄漏的解决方案,在许多推荐系统,利用社会信息。
2012-06-18 cs.IR cs.SI
Analyzing User Engagement with TikTok's Short Format Video Recommendations using Data Donations
本研究利用数据捐赠系统收集347名TikTok用户的920万条推荐数据,分析发现用户日均使用时长随生命周期增加而注意力稳定在45%,且更偏好关注者上传的视频。
2024-03-20 cs.CY cs.SI
#mytweet via Instagram: Exploring User Behaviour across Multiple Social Networks
我们研究了多个在线社交网络(OSN)的用户如何使用和共享信息,通过研究一个共同的用户池,使用六个OSN- Flickr,Google+,Instagram,Tumblr,Twitter和YouTube。我们分析了用户共享行为的时间和主题签名,展示了他们如何在不同的网络上表现出不同的行为模式。我们还研究了交叉共享(即,用户几乎同时向多个OSN广播他们的活动的行为),这是一种先前未研究的行为,并演示了某些OSN如何扮演始发源和目的地汇的角色。
2015-07-14 cs.SI
Uncovering the Interaction Equation: Quantifying the Effect of User Interactions on Social Media Homepage Recommendations
该研究针对YouTube、Reddit和X三大平台,通过设计实验量化用户交互对首页推荐内容的影响,揭示平台内容算法的响应规律及特定主题被降权的现象。
2024-07-09 cs.CY cs.SI
Comfort Foods and Community Connectedness: Investigating Diet Change during COVID-19 Using YouTube Videos on Twitter
ISI Foundation(ISI基金会);Rensselaer Polytechnic Institute(伦斯勒理工学院)
本研究利用COVID-19前后推文中嵌入的YouTube视频,分析封锁对饮食营养的影响,发现不同收入和种族地区在营养素摄入上存在显著变化,并揭示了从流行饮食博主向健康食品和抚慰性食物的转变。
2023-05-19 cs.CL cs.SI
Reducing Exposure to Harmful Content via Graph Rewiring
针对算法推荐导致的有害内容曝光问题,将推荐系统建模为有向图,提出快速贪心算法Gamine,通过边重连在保证推荐相关性损失可控的前提下高效降低有害内容曝光,经实验验证其有效性、鲁棒性与效率。
2023-06-05 cs.CY cs.DS cs.SI