論文の概要: Rewarding Engagement and Personalization in Popularity-Based Rankings Amplifies Extremism and Polarization
- arxiv url: http://arxiv.org/abs/2510.24354v1
- Date: Tue, 28 Oct 2025 12:19:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-29 15:35:37.108407
- Title: Rewarding Engagement and Personalization in Popularity-Based Rankings Amplifies Extremism and Polarization
- Title（参考訳）: 人気ランキングにおけるリワードエンゲージメントとパーソナライゼーションは極端主義と分極を増幅する
- Authors: Jacopo D'Ignazi, Andreas Kaltenbrunner, Gaël Le Mens, Fabrizio Germano, Vicenç Gómez,
- Abstract要約: 実験的な証拠に基づくメカニズムを同定し、検証し、ランキングアルゴリズムが極端主義と偏極をいかに増幅するかを説明する。
我々は、このメカニズムを力学モデルで定式化し、シミュレーションと数百人の被験者によるインタラクティブな実験により評価する。
- 参考スコア（独自算出の注目度）: 1.9084046244608193
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite extensive research, the mechanisms through which online platforms shape extremism and polarization remain poorly understood. We identify and test a mechanism, grounded in empirical evidence, that explains how ranking algorithms can amplify both phenomena. This mechanism is based on well-documented assumptions: (i) users exhibit position bias and tend to prefer items displayed higher in the ranking, (ii) users prefer like-minded content, (iii) users with more extreme views are more likely to engage actively, and (iv) ranking algorithms are popularity-based, assigning higher positions to items that attract more clicks. Under these conditions, when platforms additionally reward \emph{active} engagement and implement \emph{personalized} rankings, users are inevitably driven toward more extremist and polarized news consumption. We formalize this mechanism in a dynamical model, which we evaluate by means of simulations and interactive experiments with hundreds of human participants, where the rankings are updated dynamically in response to user activity.
- Abstract（参考訳）: 広範な研究にもかかわらず、オンラインプラットフォームが過激主義や分極を形作るメカニズムはいまだに理解されていない。
実験的な証拠に基づいて、ランキングアルゴリズムが両方の現象を増幅する方法を説明するメカニズムを同定し、検証する。
このメカニズムは、よく文書化された仮定に基づいている。
一 利用者が位置バイアスを呈し、上位の項目を優先する傾向があること。
(二)ユーザーは同情的なコンテンツを好む。
三 より極端な視点を持つユーザは、活発に活動する傾向があり、
(4)ランク付けアルゴリズムは人気ベースで、より多くのクリックを惹きつけるアイテムにより高い位置を割り当てる。
これらの条件下では、プラットフォームが \emph{active} のエンゲージメントを付加し、 \emph{personalized} のランキングを実装すると、ユーザーは必然的に、より過激で偏りのあるニュース消費に向かわせる。
我々はこのメカニズムを動的モデルで定式化し、シミュレーションと数百人の被験者によるインタラクティブな実験により評価し、ユーザ活動に応じてランキングを動的に更新する。
関連論文リスト
- Identifying and Upweighting Power-Niche Users to Mitigate Popularity Bias in Recommendations [1.4513864254603666]
ベンチマークレコメンデーションデータセットにおけるニッチアイテムとのインタラクションについて検討する。
主流のユーザに比べて、ニッチなユーザは、より長い範囲のアクティビティレベルの分布を示すことに気付きました。
本稿では,ベイズ個人格付け(BPR)の損失を,ユーザ活動レベルとアイテム人気に基づいて同時に軽減する枠組みを提案する。
論文 参考訳（メタデータ） (2025-09-21T22:41:07Z) - Addressing Personalized Bias for Unbiased Learning to Rank [56.663619153713434]
Unbiased Learning to rank (ULTR)は、バイアスのあるユーザの行動ログからバイアスのないランキングモデルを学ぶことを目的としている。
そこで本研究では,学習からランクへの目標値を求めるために,新しいユーザ認識逆確率スコア推定器を提案する。
論文 参考訳（メタデータ） (2025-08-28T14:01:31Z) - Finding Interest Needle in Popularity Haystack: Improving Retrieval by Modeling Item Exposure [8.3095709445007]
本稿では、アイテムの露出確率を明示的にモデル化し、推論時に検索ステージランキングを調整する、露出認識型検索スコアリング手法を提案する。
実世界のビデオレコメンデーションシステムにおけるオンラインA/B実験によるアプローチの有効性を検証し、一意に検索されたアイテムの25%増加と、過度な人気コンテンツの優位性の40%低下を実証した。
本研究は,検索段階で人気バイアスを緩和するためのスケーラブルでデプロイ可能なソリューションを構築し,バイアス認識のパーソナライゼーションのための新しいパラダイムを提供する。
論文 参考訳（メタデータ） (2025-03-31T00:04:01Z) - Unbiased Learning to Rank with Query-Level Click Propensity Estimation: Beyond Pointwise Observation and Relevance [74.43264459255121]
現実のシナリオでは、ユーザーは複数の関連するオプションを調べた後、1つまたは2つの結果だけをクリックします。
本稿では,ユーザが異なる検索結果リストをクリックする確率を捉えるために,クエリレベルのクリック確率モデルを提案する。
本手法では,2次元逆重み付け機構を導入し,相対飽和度と位置偏差に対処する。
論文 参考訳（メタデータ） (2025-02-17T03:55:51Z) - Retrieval Augmentation via User Interest Clustering [57.63883506013693]
インダストリアルレコメンデータシステムは、ユーザ・イテム・エンゲージメントのパターンに敏感である。
本稿では,ユーザの関心を効率的に構築し,計算コストの低減を図る新しい手法を提案する。
当社のアプローチはMetaの複数の製品に展開されており、ショートフォームビデオ関連の推奨を助長しています。
論文 参考訳（メタデータ） (2024-08-07T16:35:10Z) - Click-Conversion Multi-Task Model with Position Bias Mitigation for
Sponsored Search in eCommerce [51.211924408864355]
位置認識型クリック変換(PACC)と位置埋め込み(PACC-PE)によるPACCの2つの位置バイアスのない予測モデルを提案する。
Eコマースが支援する製品検索データセットの実験により、提案したモデルではランキングの有効性が向上し、CTRとCVRの予測における位置バイアスを大幅に軽減できることが示された。
論文 参考訳（メタデータ） (2023-07-29T19:41:16Z) - Meta-Wrapper: Differentiable Wrapping Operator for User Interest
Selection in CTR Prediction [97.99938802797377]
クリックスルー率(CTR)予測は、ユーザーが商品をクリックする確率を予測することを目的としており、リコメンデーションシステムにおいてますます重要になっている。
近年,ユーザの行動からユーザの興味を自動的に抽出する深層学習モデルが大きな成功を収めている。
そこで我々は,メタラッパー(Meta-Wrapper)と呼ばれるラッパー手法の枠組みに基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2022-06-28T03:28:15Z) - Cross Pairwise Ranking for Unbiased Item Recommendation [57.71258289870123]
我々はCPR(Cross Pairwise Ranking)という新しい学習パラダイムを開発する。
CPRは、露出メカニズムを知らずに不偏の推奨を達成する。
理論的には、この方法が学習に対するユーザ/イテムの適合性の影響を相殺することを証明する。
論文 参考訳（メタデータ） (2022-04-26T09:20:27Z) - Unbiased Pairwise Learning to Rank in Recommender Systems [4.058828240864671]
アルゴリズムをランク付けする偏見のない学習は、候補をアピールし、既に単一の分類ラベルを持つ多くのアプリケーションに適用されている。
本稿では,この課題に対処するための新しい非バイアス付きLTRアルゴリズムを提案する。
パブリックベンチマークデータセットと内部ライブトラフィックを用いた実験結果から,分類ラベルと連続ラベルのいずれにおいても提案手法の優れた結果が得られた。
論文 参考訳（メタデータ） (2021-11-25T06:04:59Z) - A Robust Reputation-based Group Ranking System and its Resistance to
Bribery [8.300507994596416]
マルチパートレーティングワークを利用した評価に基づく新しいランキングシステムを提案する。
贈賄に対する抵抗性と最適な贈賄戦略の設計方法について検討する。
論文 参考訳（メタデータ） (2020-04-13T22:28:29Z)
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。