論文の概要: Let's Influence Algorithms Together: How Millions of Fans Build Collective Understanding of Algorithms and Organize Coordinated Algorithmic Actions

• arxiv url: http://arxiv.org/abs/2409.10670v1
• Date: Mon, 16 Sep 2024 19:11:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 18:50:48.042328
• Title: Let's Influence Algorithms Together: How Millions of Fans Build Collective Understanding of Algorithms and Organize Coordinated Algorithmic Actions
• Title（参考訳）: アルゴリズムに影響を与えよう: 何百万人ものファンがアルゴリズムの集合的理解を構築し、協調的アルゴリズム行動の組織化
• Authors: Qing Xiao, Yuhang Zheng, Xianzhe Fan, Bingbing Zhang, Zhicong Lu,
• Abstract要約: 本研究では,大規模ファンの集団行動とそれに対応する一般ファン集団を常に組織する43人のコアファンについて検討した。 本研究は,大規模ドメインターゲティングアルゴリズムにおいて,コンピュータ支援による集団的アルゴリズム行動を可能にし,集団的行動研究を拡張できる重要な要因を明らかにするものである。
• 参考スコア（独自算出の注目度）: 20.976630706390367
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Previous research pays attention to how users strategically understand and consciously interact with algorithms but mainly focuses on an individual level, making it difficult to explore how users within communities could develop a collective understanding of algorithms and organize collective algorithmic actions. Through a two-year ethnography of online fan activities, this study investigates 43 core fans who always organize large-scale fans' collective actions and their corresponding general fan groups. This study aims to reveal how these core fans mobilize millions of general fans through collective algorithmic actions. These core fans reported the rhetorical strategies used to persuade general fans, the steps taken to build a collective understanding of algorithms, and the collaborative processes that adapt collective actions across platforms and cultures. Our findings highlight the key factors that enable computer-supported collective algorithmic actions and extend collective action research into large-scale domain targeting algorithms.
• Abstract（参考訳）: 従来の研究は、ユーザーがアルゴリズムを戦略的に理解し、意識的に操作する方法に注意を払っていたが、主に個々のレベルに焦点を当てており、コミュニティ内のユーザーがアルゴリズムの集合的理解を開発し、集団的なアルゴリズム行動の組織化をいかに困難にするかを探求する。 オンラインファン活動の2年間のエスノグラフィーを通じて,大規模ファンの集団行動とそれに対応する一般ファン集団を常に組織する43人のコアファンを調査した。 この研究は、これらのコアファンが集団的なアルゴリズム行動を通じて何百万もの一般ファンを動員する方法を明らかにすることを目的としている。 これらの中核的なファンは、一般のファンを説得するための修辞的戦略、アルゴリズムの集合的理解を構築するためのステップ、プラットフォームや文化全体にわたる集合的行動に適応する協調的なプロセスについて報告した。 本研究は,大規模ドメインターゲティングアルゴリズムにおいて,コンピュータが支援する集団的アルゴリズム行動と集団的行動研究の拡張を可能にする重要な要因を明らかにするものである。

関連論文リスト

• The Role of Learning Algorithms in Collective Action [8.955918346078935]
  本研究では,学習アルゴリズムの特性に大きく依存していることを示す。 このことは、機械学習における集団行動の影響を研究する際に、学習アルゴリズムを考慮に入れる必要性を強調している。
  論文  参考訳（メタデータ） (2024-05-10T16:36:59Z)
• A Rapid Review of Clustering Algorithms [5.46715422237599]
  クラスタリングアルゴリズムは、データ内の固有のパターンと類似性に基づいて、データをグループまたはクラスタにまとめることを目的としている。 それらは、マーケティングやeコマース、ヘルスケア、データ組織と分析、ソーシャルメディアなど、今日の生活において重要な役割を担っている。 既存のクラスタリングアルゴリズムを分析し、5つの異なる次元で主要なアルゴリズムを分類した。
  論文  参考訳（メタデータ） (2024-01-14T23:19:53Z)
• Algorithmic Collective Action in Machine Learning [35.91866986642348]
  機械学習アルゴリズムをデプロイするデジタルプラットフォーム上でのアルゴリズム集合行動について研究する。 本稿では,企業の学習アルゴリズムと相互作用する集合の単純な理論的モデルを提案する。 我々は,フリーランサーのためのギグプラットフォームから数万の履歴書を含むスキル分類タスクについて,体系的な実験を行った。
  論文  参考訳（メタデータ） (2023-02-08T18:55:49Z)
• Crowdsourcing Impacts: Exploring the Utility of Crowds for Anticipating Societal Impacts of Algorithmic Decision Making [7.068913546756094]
  我々は、政府のアルゴリズムによる意思決定ツールのセットに基づいて、さまざまなタイプの影響領域を明らかにするためにクラウドソーシングを採用している。 本手法は, 群集の認知的多様性を活用し, 様々な問題を明らかにするのに有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-07-19T19:46:53Z)
• Incentivizing Combinatorial Bandit Exploration [87.08827496301839]
  自己関心のあるユーザに対してレコメンデーションシステムでアクションを推奨するバンディットアルゴリズムを考える。 ユーザーは他のアクションを自由に選択でき、アルゴリズムの推奨に従うためにインセンティブを得る必要がある。 ユーザは悪用を好むが、アルゴリズムは、前のユーザから収集した情報を活用することで、探索にインセンティブを与えることができる。
  論文  参考訳（メタデータ） (2022-06-01T13:46:25Z)
• Deep Algorithm Unrolling for Biomedical Imaging [99.73317152134028]
  本章では,アルゴリズムのアンロールによるバイオメディカル応用とブレークスルーについて概説する。 我々はアルゴリズムのアンローリングの起源を辿り、反復アルゴリズムをディープネットワークにアンローリングする方法に関する包括的なチュートリアルを提供する。 オープンな課題を議論し、今後の研究方向性を提案することで、この章を締めくくります。
  論文  参考訳（メタデータ） (2021-08-15T01:06:26Z)
• Algorithm Selection on a Meta Level [58.720142291102135]
  本稿では,与えられたアルゴリズムセレクタの組み合わせに最適な方法を求めるメタアルゴリズム選択の問題を紹介する。 本稿では,メタアルゴリズム選択のための一般的な方法論フレームワークと,このフレームワークのインスタンス化として具体的な学習手法を提案する。
  論文  参考訳（メタデータ） (2021-07-20T11:23:21Z)
• Deep reinforcement learning models the emergent dynamics of human cooperation [13.425401489679583]
  実験では、社会的認知メカニズムが集団行動の場所と時期にどのように貢献するかを明かすことができなかった。 我々は,多エージェントの深層強化学習を活用し,社会認知メカニズム,特に,評価の高い集団行動を達成するための本質的な動機をモデル化する。
  論文  参考訳（メタデータ） (2021-03-08T18:58:40Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)
• Tighter Generalization Bounds for Iterative Differentially Private Learning Algorithms [95.73230376153872]
  本稿では,反復学習アルゴリズムにおける一般化とプライバシ保護の関係を2つのステップで検討する。 我々は、$(varepsilon, delta)$-differential privacyは、マルチデータベース学習アルゴリズムに縛られる平均的な一般化を意味することを証明している。 次に,ほとんどの学習アルゴリズムが共有する反復的な性質が,プライバシーの保護とさらなる一般化にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2020-07-18T09:12:03Z)
• A Brief Look at Generalization in Visual Meta-Reinforcement Learning [56.50123642237106]
  メタ強化学習アルゴリズムの一般化性能を評価する。 これらのアルゴリズムは、困難なタスクで評価された場合、強いオーバーフィッティングを示すことができる。
  論文  参考訳（メタデータ） (2020-06-12T15:17:17Z)

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。