論文の概要: Studying Behavioral Addiction by Combining Surveys and Digital Traces: A Case Study of TikTok
- arxiv url: http://arxiv.org/abs/2501.15539v1
- Date: Sun, 26 Jan 2025 14:24:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:57:33.847044
- Title: Studying Behavioral Addiction by Combining Surveys and Digital Traces: A Case Study of TikTok
- Title(参考訳): 調査とデジタルトレースを組み合わせた行動適応の研究:TikTokを事例として
- Authors: Cai Yang, Sepehr Mousavi, Abhisek Dash, Krishna P. Gummadi, Ingmar Weber,
- Abstract要約: ソーシャルメディアプラットフォームから得られたデジタルデータを用いて,行動依存症を効果的に診断できるかどうかを検討した。
我々は1590人のTikTokユーザーを調査し、3つの中毒グループに分類した。
ユーザーのデータを分析することで、中毒の可能性が高いユーザーがTikTokの動画を見て、一日中TikTokに戻ってくる時間が増えていることがわかりました。
- 参考スコア(独自算出の注目度): 8.709322238283734
- License:
- Abstract: Opaque algorithms disseminate and mediate the content that users consume on online social media platforms. This algorithmic mediation serves users with contents of their liking, on the other hand, it may cause several inadvertent risks to society at scale. While some of these risks, e.g., filter bubbles or dissemination of hateful content, are well studied in the community, behavioral addiction, designated by the Digital Services Act (DSA) as a potential systemic risk, has been understudied. In this work, we aim to study if one can effectively diagnose behavioral addiction using digital data traces from social media platforms. Focusing on the TikTok short-format video platform as a case study, we employ a novel mixed methodology of combining survey responses with data donations of behavioral traces. We survey 1590 TikTok users and stratify them into three addiction groups (i.e., less/moderately/highly likely addicted). Then, we obtain data donations from 107 surveyed participants. By analyzing users' data we find that, among others, highly likely addicted users spend more time watching TikTok videos and keep coming back to TikTok throughout the day, indicating a compulsion to use the platform. Finally, by using basic user engagement features, we train classifier models to identify highly likely addicted users with $F_1 \geq 0.55$. The performance of the classifier models suggests predicting addictive users solely based on their usage is rather difficult.
- Abstract(参考訳): 不透明なアルゴリズムは、ユーザーがオンラインソーシャルメディアプラットフォームで消費するコンテンツを拡散し、仲介する。
このアルゴリズムの仲介は、ユーザーが好みのコンテンツを提供する一方で、大規模な社会にいくつかの不注意なリスクを引き起こす可能性がある。
これらのリスクのいくつか、例えば、フィルターバブルやヘイトフルコンテンツの拡散は、コミュニティでよく研究されているが、デジタルサービス法(DSA)によってシステム的リスクとして指定されている行動依存は、調査されている。
本研究では,ソーシャルメディアプラットフォームからのデジタルデータトレースを用いて,行動依存症を効果的に診断できるかどうかを検討する。
事例研究として,TikTokショートフォーマットビデオプラットフォームに着目し,調査応答と行動トレースのデータ提供を併用する,新たな混合手法を採用した。
我々は1590人のTikTokユーザーを調査し、それらを3つの中毒グループ(つまり、より少ない/少ない/多分中毒者)に分類する。
そして,調査対象者107名からデータ提供を得た。
ユーザーのデータを分析することで、酔っ払ったユーザーがTikTokの動画を見て、一日中TikTokに戻ってくる時間が増え、プラットフォームを使わざるを得ないことがわかりました。
最後に、基本的なユーザエンゲージメント機能を使用することで、非常に中毒性の高いユーザをF_1 \geq 0.55$で識別する分類モデルを訓練する。
分類器モデルの性能は、使用量のみに基づいて中毒性ユーザを予測することは、かなり難しいことを示唆している。
関連論文リスト
- How Unique is Whose Web Browser? The role of demographics in browser fingerprinting among US users [50.699390248359265]
ブラウザのフィンガープリントは、クッキーを使わずとも、Web上のユーザを識別し、追跡するために利用できる。
この技術と結果として生じるプライバシーリスクは10年以上にわたって研究されてきた。
我々は、さらなる研究を可能にするファースト・オブ・ザ・キンド・データセットを提供する。
論文 参考訳(メタデータ) (2024-10-09T14:51:58Z) - Modeling offensive content detection for TikTok [0.0]
本研究では,攻撃内容を含むTikTokデータの収集と解析を行う。
攻撃的なコンテンツ検出のための一連の機械学習とディープラーニングモデルを構築している。
論文 参考訳(メタデータ) (2024-08-29T18:47:41Z) - TikTok Engagement Traces Over Time and Health Risky Behaviors: Combining Data Linkage and Computational Methods [13.061341132181097]
本研究では,様々な健康リスクトピックに関するTikTokビデオが,喫煙行動や飲酒行動とどのように関連しているかを検討する。
2020年から2023年にかけて、これらの回答者が好んだ健康関連ビデオ13,724本を計算分析した。
以上の結果から、当初TikTokで飲酒関連コンテンツを好んだユーザーは、時間とともにこうした動画を好む傾向にあることが示唆された。
論文 参考訳(メタデータ) (2024-06-23T02:58:30Z) - Measuring Strategization in Recommendation: Users Adapt Their Behavior to Shape Future Content [66.71102704873185]
実験と調査を行うことで,ユーザストラテジゼーションの試行を行う。
参加者の居住時間や「いいね!」の使用など,結果指標間での戦略化の強い証拠を見出す。
この結果から,プラットフォームはアルゴリズムがユーザの行動に与える影響を無視できないことが示唆された。
論文 参考訳(メタデータ) (2024-05-09T07:36:08Z) - User Strategization and Trustworthy Algorithms [81.82279667028423]
ユーザストラテジゼーションがプラットフォームを短期間で支援できることが示されています。
そして、それがプラットフォームのデータを破壊し、最終的に反実的な決定を下す能力を損なうことを示します。
論文 参考訳(メタデータ) (2023-12-29T16:09:42Z) - Analyzing User Engagement with TikTok's Short Format Video Recommendations using Data Donations [31.764672446151412]
データ提供システムを通じて収集したデータを用いて、TikTok上のユーザエンゲージメントを分析する。
利用者の注意力は45%程度で安定しているのに対し,平均日使用時間は1日平均で1日当たり1時間以上上昇していることがわかった。
また、フォローしていない人よりもフォローしている人がアップロードしたビデオの方が多いこともわかりました。
論文 参考訳(メタデータ) (2023-01-12T11:34:45Z) - D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling
Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。
ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。
それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文 参考訳(メタデータ) (2022-08-10T03:41:48Z) - An Empirical Investigation of Personalization Factors on TikTok [77.34726150561087]
TikTokのアルゴリズムがプラットフォームの成功とコンテンツの配布に重要であるにもかかわらず、アルゴリズムの実証的な分析はほとんど行われていない。
我々は,私たちが開発したカスタムアルゴリズムを用いたソック・パペット・監査手法を用いて,TikTokへのアクセスに使用される言語と位置情報の効果を検証,分析した。
その結果,フォローフェールが最も強い影響を受けており,ライクフェールやビデオ視聴率が高いことが判明した。
論文 参考訳(メタデータ) (2022-01-28T17:40:00Z) - Learning Language and Multimodal Privacy-Preserving Markers of Mood from
Mobile Data [74.60507696087966]
精神状態は、先進医療に共通する国でも診断されていない。
人間の行動を監視するための有望なデータソースのひとつは、日々のスマートフォンの利用だ。
本研究では,自殺行動のリスクが高い青少年集団の移動行動のデータセットを用いて,日常生活の行動マーカーについて検討した。
論文 参考訳(メタデータ) (2021-06-24T17:46:03Z) - Learning User Embeddings from Temporal Social Media Data: A Survey [15.324014759254915]
我々は,簡潔な潜在ユーザ表現(a.k.a.)を学習する代表的作業について調査する。
ユーザー埋め込み)は、ソーシャルメディアユーザーの主な特徴を捉えることができる。
学習されたユーザー埋め込みは、その後、パーソナリティモデリング、自殺リスクアセスメント、購買判断予測など、さまざまな下流のユーザー分析タスクをサポートするために使用できます。
論文 参考訳(メタデータ) (2021-05-17T16:22:43Z)
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。