論文の概要: Friction Interventions to Curb the Spread of Misinformation on Social
Media
- arxiv url: http://arxiv.org/abs/2307.11498v1
- Date: Fri, 21 Jul 2023 11:05:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-24 12:41:59.206614
- Title: Friction Interventions to Curb the Spread of Misinformation on Social
Media
- Title(参考訳): ソーシャルメディア上の誤情報の拡散を抑える摩擦干渉
- Authors: Laura Jahn, Rasmus K. Rendsvig, Alessandro Flammini, Filippo Menczer,
Vincent F. Hendricks
- Abstract要約: 品質認知学習における摩擦の効果について検討した。
しかし、少量の摩擦と学習が組み合わさって、ポストの平均品質が著しく向上する。
提案された介入は、エンゲージメントに最小限の影響を与え、簡単に大規模に展開できる。
- 参考スコア(独自算出の注目度): 60.327955710977555
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Social media has enabled the spread of information at unprecedented speeds
and scales, and with it the proliferation of high-engagement, low-quality
content. *Friction* -- behavioral design measures that make the sharing of
content more cumbersome -- might be a way to raise the quality of what is
spread online. Here, we study the effects of friction with and without
quality-recognition learning. Experiments from an agent-based model suggest
that friction alone decreases the number of posts without improving their
quality. A small amount of friction combined with learning, however, increases
the average quality of posts significantly. Based on this preliminary evidence,
we propose a friction intervention with a learning component about the
platform's community standards, to be tested via a field experiment. The
proposed intervention would have minimal effects on engagement and may easily
be deployed at scale.
- Abstract(参考訳): ソーシャルメディアは、前例のないスピードとスケールで情報の拡散を可能にし、高いエンゲージメントと低品質コンテンツの普及をもたらした。
Friction* -- コンテンツの共有をより面倒なものにする行動設計手法 -- は、オンラインで拡散するコンテンツの質を高める方法かもしれない。
本稿では,品質認知学習における摩擦の効果について検討する。
エージェントベースのモデルによる実験では、摩擦だけで品質を向上することなく投稿数を減らすことが示唆されている。
しかし、少量の摩擦と学習が組み合わさることで、投稿の平均品質が著しく向上する。
この予備的なエビデンスに基づいて,フィールド実験によりテストを行うための,プラットフォームのコミュニティ標準に関する学習コンポーネントとの摩擦介入を提案する。
提案された介入はエンゲージメントに最小限の影響を与え、簡単に大規模に展開できる。
関連論文リスト
- Controllable Relation Disentanglement for Few-Shot Class-Incremental Learning [82.79371269942146]
本稿では,FewShot Class-Incremental Learning (FSCIL) を新たな視点,すなわち関係の絡み合いから扱うことを提案する。
急激な相関関係を切り離すことの課題は、FSCILの制御性が悪いことである。
我々は、CTRL-FSCIL(Controllable Relation-disentang FewShot Class-Incremental Learning)と呼ばれる、新しいシンプルな効果のある手法を提案する。
論文 参考訳(メタデータ) (2024-03-17T03:16:59Z) - Fair Effect Attribution in Parallel Online Experiments [57.13281584606437]
A/Bテストは、オンラインサービスで導入された変更の影響を確実に特定する目的で役立ちます。
オンラインプラットフォームでは,ユーザトラフィックをランダムに分割して多数の同時実験を行うのが一般的である。
異なるグループ間の完全なランダム化にもかかわらず、同時実験は互いに相互作用し、平均的な集団の結果に負の影響をもたらす。
論文 参考訳(メタデータ) (2022-10-15T17:15:51Z) - Heterogeneous Treatment Effect Bounds under Sample Selection with an
Application to the Effects of Social Media on Political Polarization [0.0]
本研究では,不均一因果効果パラメータに対する境界の推定と推定手法を提案する。
この方法は、ポリシーに関連する事前処理変数の関数として条件効果境界を提供する。
フレキシブルなデバイアス/ダブルな機械学習アプローチを使って、非線形機能形式や高次元の共創者に対応しています。
論文 参考訳(メタデータ) (2022-09-09T14:42:03Z) - Suppressing Noise from Built Environment Datasets to Reduce
Communication Rounds for Convergence of Federated Learning [22.484542356562695]
フェデレーション学習は、複数の参加者間のプライバシー保護コラボレーションを提供する。
参加者のデータセットのノイズラベルが 性能を低下させた
本稿では,各参加者のデータセットにおける雑音ラベルの不等分布を抑制するためのフェデレート学習手法を提案する。
論文 参考訳(メタデータ) (2022-09-03T13:36:45Z) - MixKD: Towards Efficient Distillation of Large-scale Language Models [129.73786264834894]
データに依存しない蒸留フレームワークであるMixKDを提案する。
妥当な条件下では、MixKDは誤差と経験的誤差の間のギャップを小さくする。
限定的なデータ設定とアブレーションによる実験は、提案手法の利点をさらに証明している。
論文 参考訳(メタデータ) (2020-11-01T18:47:51Z) - Learning, compression, and leakage: Minimising classification error via
meta-universal compression principles [87.054014983402]
学習シナリオのための圧縮技法の有望なグループは、正規化極大(NML)符号化である。
ここでは,教師付き分類問題に対するNMLに基づく意思決定戦略を検討し,多種多様なモデルに適用した場合にPAC学習を実現することを示す。
本手法の誤分類率は,プライバシに敏感なシナリオにおいて,データ漏洩の可能性を定量化するための指標である最大リークによって上限づけられていることを示す。
論文 参考訳(メタデータ) (2020-10-14T20:03:58Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳(メタデータ) (2020-06-12T12:23:50Z) - Independent Component Analysis for Trustworthy Cyberspace during High
Impact Events: An Application to Covid-19 [4.629100947762816]
新型コロナウイルス(COVID-19)の感染拡大など、ソーシャルメディアは重要なコミュニケーションチャンネルとなっている。
ソーシャルメディアにおける誤報が急速に拡散し、社会不安を生じさせるため、そのような出来事における誤報の拡散は重要なデータ課題である。
本稿では,ICAモデルに基づくデータ駆動型ソリューションを提案する。
論文 参考訳(メタデータ) (2020-06-01T21:48:22Z) - Quantifying the Vulnerabilities of the Online Public Square to
Adversarial Manipulation Tactics [47.189859616654736]
ソーシャルメディアモデルを用いて、コンテンツの品質に対するいくつかの敵の操作戦術の影響を定量化する。
ソーシャルメディアの目印である影響力のあるアカウントの存在は、操作するオンラインコミュニティの脆弱性を悪化させる。
これらの知見は、プラットフォームがソーシャルメディアユーザーによる操作のレジリエンスを高めるために使われる可能性があることを示唆している。
論文 参考訳(メタデータ) (2019-07-13T21:12:08Z)
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。