論文の概要: Anticipated versus Actual Effects of Platform Design Change: A Case
Study of Twitter's Character Limit
- arxiv url: http://arxiv.org/abs/2208.14392v1
- Date: Tue, 30 Aug 2022 16:59:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 10:52:46.996249
- Title: Anticipated versus Actual Effects of Platform Design Change: A Case
Study of Twitter's Character Limit
- Title（参考訳）: プラットフォーム設計変更の予測と実際の影響:Twitterの文字制限を事例として
- Authors: Kristina Gligori\'c and Justyna Cz\k{e}stochowska and Ashton Anderson
and Robert West
- Abstract要約: われわれはTwitterが文字制限を140文字から280文字に倍増させ、ユーザーがツイートを'cram'または'squeeze'する必要性を和らげるために検討した。
また,140文字以下では「クラム」が280文字以下であるにもかかわらず,プラットフォーム変更時に「緊急クラミング」が考慮されなかったことが判明した。
- 参考スコア（独自算出の注目度）: 17.925651625409678
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The design of online platforms is both critically important and challenging,
as any changes may lead to unintended consequences, and it can be hard to
predict how users will react. Here we conduct a case study of a particularly
important real-world platform design change: Twitter's decision to double the
character limit from 140 to 280 characters to soothe users' need to ''cram'' or
''squeeze'' their tweets, informed by modeling of historical user behavior. In
our analysis, we contrast Twitter's anticipated pre-intervention predictions
about user behavior with actual post-intervention user behavior: Did the
platform design change lead to the intended user behavior shifts, or did a gap
between anticipated and actual behavior emerge? Did different user groups react
differently? We find that even though users do not ''cram'' as much under 280
characters as they used to under 140 characters, emergent ``cramming'' at the
new limit seems to not have been taken into account when designing the platform
change. Furthermore, investigating textual features, we find that, although
post-intervention ''crammed'' tweets are longer, their syntactic and semantic
characteristics remain similar and indicative of ''squeezing''. Applying the
same approach as Twitter policy-makers, we create updated counterfactual
estimates and find that the character limit would need to be increased further
to reduce cramming that re-emerged at the new limit. We contribute to the rich
literature studying online user behavior with an empirical study that reveals a
dynamic interaction between platform design and user behavior, with immediate
policy and practical implications for the design of socio-technical systems.
- Abstract（参考訳）: オンラインプラットフォームの設計は、あらゆる変更が意図しない結果をもたらす可能性があり、ユーザがどう反応するかを予測するのは難しいため、非常に重要かつ困難である。
ここでは、特に重要な現実世界のプラットフォームデザインの変更について、ケーススタディを実施します。Twitterが140文字から280文字に制限を倍増して、ユーザのツイートを'cram'や'squeeze'にしなければなりません。
分析では、twitterのユーザーの行動に関する予測と実際の介入後のユーザーの行動とは対照的に、プラットフォームデザインの変更は意図したユーザーの行動の変化につながったのか、それとも期待と実際の行動の間にギャップが生じたのか?
異なるユーザグループは異なる反応をしましたか?
また,140文字以下では280文字以下では「クラム」が使用できないものの,プラットフォーム変更の設計において「クラミング」という新たな制限が考慮されていなかったことが判明した。
さらに,テキストの特徴について検討した結果,対話後の'crammed'ツイートは長くなるが,その構文的特徴と意味的特徴は相似し,'squeezing' を示すことが明らかとなった。
twitterのポリシー作成者と同じアプローチを適用することで、更新された偽りの見積もりを作成し、新たな制限で再出現するクレームを減らすために文字制限をさらに増やさなければならないことを見出します。
我々は,オンラインユーザ行動を研究する豊かな文献に対して,プラットフォーム設計とユーザ行動のダイナミックな相互作用を明らかにする実験的な研究を行い,社会工学的システムの設計への即時的方針と実践的意義を明らかにした。
関連論文リスト
- Beyond Trial-and-Error: Predicting User Abandonment After a Moderation Intervention [0.6918368994425961]
本稿では,Redditにおけるモデレーション介入の効果を予測する新しいタスクを提案する。
ユーザの活動、毒性、関係性、書き込みスタイルに関する情報を伝達する142の機能のセットを計算するために、138万の投稿のデータセットを使用します。
本研究は,モデレーション介入の効果を予測できる可能性を示し,予測コンテンツのモデレーションにおける新たな研究方向の道を開くものである。
論文 参考訳（メタデータ） (2024-04-23T08:52:41Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳（メタデータ） (2023-10-20T06:17:02Z) - Understanding writing style in social media with a supervised
contrastively pre-trained transformer [57.48690310135374]
オンラインソーシャルネットワークは、ヘイトスピーチから偽情報の拡散まで、有害な行動の場として機能している。
本稿では, 4.5 x 106テキストの公開資料から得られた大規模コーパスに基づいて学習したStyle Transformer for Authorship Representations (STAR)を紹介する。
512個のトークンからなる8つのドキュメントからなるサポートベースを使用して、著者を最大1616人の著者のセットから、少なくとも80%の精度で識別することができる。
論文 参考訳（メタデータ） (2023-10-17T09:01:17Z) - PinnerFormer: Sequence Modeling for User Representation at Pinterest [60.335384724891746]
我々は、ユーザの将来的なエンゲージメントを予測するためにトレーニングされたユーザ表現であるPinnerFormerを紹介する。
従来のアプローチとは異なり、新しい密集した全アクション損失を通じて、モデリングをバッチインフラストラクチャに適応させます。
その結果,1日に1回発生するバッチユーザ埋め込みと,ユーザがアクションを行うたびに発生するリアルタイムユーザ埋め込みとの間には,大きなギャップがあることが判明した。
論文 参考訳（メタデータ） (2022-05-09T18:26:51Z) - The Challenge of Understanding What Users Want: Inconsistent Preferences
and Engagement Optimization [2.690930520747925]
我々は、ユーザーが不整合な嗜好を持つメディア消費のモデルを開発する。
本稿では,ユーザの嗜好不整合モデルが日常体験に慣れ親しんだ現象をいかに生み出すかを示す。
論文 参考訳（メタデータ） (2022-02-23T20:45:31Z) - A deep dive into the consistently toxic 1% of Twitter [9.669275987983447]
この調査は、112万のTwitterプロフィールから14年間のツイートと2億2300万以上のツイートをカバーしている。
有害なコンテンツの一貫性の観点から最も極端なプロファイルを選択し、彼らのツイートテキストと、彼らが共有したドメイン、ハッシュタグ、URLを調べました。
その結果、これらのプロファイルはハッシュタグ、URL、ドメインの多様性の低い狭いテーマに保たれており、数学的に互いに似ており、ボットのような振る舞いの可能性が高いことがわかった。
論文 参考訳（メタデータ） (2022-02-16T04:21:48Z) - Identification of Twitter Bots based on an Explainable ML Framework: the
US 2020 Elections Case Study [72.61531092316092]
本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。
Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。
また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
論文 参考訳（メタデータ） (2021-12-08T14:12:24Z) - Analyzing Behavioral Changes of Twitter Users After Exposure to
Misinformation [1.8251012479962594]
一般のTwitterユーザーが誤報に晒された後に行動を変えたかどうかを理解することを目的としている。
露出したユーザーの行動前後を比較して、投稿したツイートの頻度に大きな変化があったかどうかを判断する。
また,潜在的に影響を受けやすい2つの特定のユーザグループ,マルチ露光と極端な変更グループの特徴についても検討した。
論文 参考訳（メタデータ） (2021-11-01T04:48:07Z) - News consumption and social media regulations policy [70.31753171707005]
我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。
以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。
Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
論文 参考訳（メタデータ） (2021-06-07T19:26:32Z) - Adoption of Twitter's New Length Limit: Is 280 the New 140? [20.146636010105926]
2017年11月、Twitterは最大ツイート長を140文字から280文字に倍増させた。
約3年間にわたって、Twitterが公開している1%のサンプルを分析します。
長さ制限が140文字から280文字に引き上げられたとき、140文字前後のツイートの頻度はすぐに低下した。
この上昇にもかかわらず、長さ制限に近づいたツイートは、スイッチ前よりもはるかに少なかった。
論文 参考訳（メタデータ） (2020-09-16T13:01:05Z) - Privacy-Aware Recommender Systems Challenge on Twitter's Home Timeline [47.434392695347924]
ACM RecSysが主催するRecSys 2020 Challengeは、このデータセットを使用してTwitterと提携している。
本稿では,ユーザエンゲージメントを予測しようとする研究者や専門家が直面する課題について述べる。
論文 参考訳（メタデータ） (2020-04-28T23:54:33Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。