論文の概要: Recommender system in X inadvertently profiles ideological positions of users

• arxiv url: http://arxiv.org/abs/2602.02624v1
• Date: Mon, 02 Feb 2026 16:22:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.990133
• Title: Recommender system in X inadvertently profiles ideological positions of users
• Title（参考訳）: Xにおけるリコメンダシステムはユーザのイデオロギー的位置を不注意にプロファイルする
• Authors: Paul Bouchaud, Pedro Ramaciotti,
• Abstract要約: 我々はデータ提供プログラムを使い、1年間に682人のボランティアに250万人以上の友人からの推薦を集めています。 また,レコメンデータのアーキテクチャに関する公開知識を用いて,その埋め込み空間における推奨ユーザの位置を推定した。 この結果から, プラットホームのレコメンデータシステムは, 左右位置と高い相関関係を持つユーザの空間的順序を生成できることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Studies on recommendations in social media have mainly analyzed the quality of recommended items (e.g., their diversity or biases) and the impact of recommendation policies (e.g., in comparison with purely chronological policies). We use a data donation program, collecting more than 2.5 million friend recommendations made to 682 volunteers on X over a year, to study instead how real-world recommenders learn, represent and process political and social attributes of users inside the so-called black boxes of AI systems. Using publicly available knowledge on the architecture of the recommender, we inferred the positions of recommended users in its embedding space. Leveraging ideology scaling calibrated with political survey data, we analyzed the political position of users in our study (N=26,509 among volunteers and recommended contacts) among several attributes, including age and gender. Our results show that the platform's recommender system produces a spatial ordering of users that is highly correlated with their Left-Right positions (Pearson rho=0.887, p-value < 0.0001), and that cannot be explained by socio-demographic attributes. These results open new possibilities for studying the interaction between human and AI systems. They also raise important questions linked to the legal definition of algorithmic profiling in data privacy regulation by blurring the line between active and passive profiling. We explore new constrained recommendation methods enabled by our results, limiting the political information in the recommender as a potential tool for privacy compliance capable of preserving recommendation relevance.
• Abstract（参考訳）: ソーシャルメディアにおけるレコメンデーションの研究は、主に推奨項目(例えば、その多様性やバイアス)の品質とレコメンデーションポリシー(例えば、純粋な時系列ポリシーと比較して)の影響を分析してきた。 データ提供プログラムを使用して、1年間に682人のボランティアに250万人以上の友人の推薦を集め、その代わりに、現実世界のレコメンデーション担当者が、いわゆるAIシステムのブラックボックス内のユーザの政治的および社会的属性を学習し、表現し、処理する方法を研究する。 また,レコメンデータのアーキテクチャに関する公開知識を用いて,その埋め込み空間における推奨ユーザの位置を推定した。 政治調査データによるイデオロギーの尺度化を活用し, 年齢, 性別などいくつかの属性から, 調査対象者の政治的立場(ボランティア, 推奨接触者)を分析した。 以上の結果から, プラットホームのレコメンデータシステムは, 左利き位置と高い相関関係を持つユーザ(Pearson rho=0.887, p-value < 0.0001)の空間順序を生成できることが示唆された。 これらの結果は、人間とAIシステムの相互作用を研究する新たな可能性を開く。 また、アクティブなプロファイリングとパッシブなプロファイリングの境界線を曖昧にすることで、データプライバシー規制におけるアルゴリズムプロファイリングの法的定義に関連する重要な疑問も提起している。 本研究は,新たな制約付きレコメンデーション手法について検討し,レコメンデーション関連性を維持するためのプライバシコンプライアンスの潜在的なツールとして,レコメンデーター内の政治情報を限定する。

関連論文リスト

• Let's Measure the Elephant in the Room: Facilitating Personalized Automated Analysis of Privacy Policies at Scale [14.986181740022106]
  PoliAnalyzerは、パーソナライズされたプライバシポリシ分析を支援するニューロシンボリックシステムである。 自然言語処理を使用して、ポリシーテキストからデータ使用慣行の形式的な表現を抽出する。 オフザシェルフのNLPツールを使用して、大規模にパーソナライズされたプライバシポリシの自動分析をサポートすることができる。
  論文  参考訳（メタデータ） (2025-07-15T20:19:33Z)
• Why am I seeing this? Towards recognizing social media recommender systems with missing recommendations [4.242821809663174]
  グラフニューラルネットワーク(GNN)を用いた自動レコメンダ認識手法を提案する。 提案手法は,隠されたレコメンデータの正確な検出とユーザ行動への影響を可能にする。 この研究は、レコメンダが行動をどのように形成し、偏光と誤情報を減らすための努力を支援するかについての洞察を提供する。
  論文  参考訳（メタデータ） (2025-04-15T09:16:17Z)
• Quantifying User Coherence: A Unified Framework for Cross-Domain Recommendation Analysis [69.37718774071793]
  本稿では,レコメンデーションシステムを理解するための新しい情報理論手法を提案する。 9つのデータセットで7つのレコメンデーションアルゴリズムを評価し、測定値と標準的なパフォーマンス指標の関係を明らかにする。
  論文  参考訳（メタデータ） (2024-10-03T13:02:07Z)
• CURE4Rec: A Benchmark for Recommendation Unlearning with Deeper Influence [55.21518669075263]
  CURE4Recは、レコメンデーションアンラーニング評価のための最初の包括的なベンチマークである。 さまざまな影響レベルのデータに対する推薦公正性と堅牢性に対するアンラーニングの影響について検討する。
  論文  参考訳（メタデータ） (2024-08-26T16:21:50Z)
• Transparency, Privacy, and Fairness in Recommender Systems [0.19036571490366497]
  このハビテーションは、(i)透明性と認知モデル、(ii)プライバシーと限定された嗜好情報、(iii)推薦システムにおける公正性と人気バイアスに関連する側面を精査する。
  論文  参考訳（メタデータ） (2024-06-17T08:37:14Z)
• How to Diversify any Personalized Recommender? [0.0]
  精度を維持しつつTop-Nレコメンデーションの多様性を向上させるための新しいアプローチを提案する。 当社のアプローチでは,ユーザを幅広いコンテンツカテゴリやトピックに公開するための,ユーザ中心の事前処理戦略を採用しています。 トレーニングに事前処理されたデータを使用すると、元の未修正データでトレーニングされたデータと同等のパフォーマンスレベルを達成するためのレコメンデーションシステムになる。
  論文  参考訳（メタデータ） (2024-05-03T15:02:55Z)
• Improving Recommendation System Serendipity Through Lexicase Selection [53.57498970940369]
  本稿では,レコメンデーションシステムにおけるエコーチャンバーとホモフィリーの存在を測定するための新しいセレンディピティー指標を提案する。 そこで我々は,レキシケース選択と呼ばれる親選択アルゴリズムを採用することにより,よく知られたレコメンデーション手法の多様性保存性の向上を試みる。 以上の結果から,レキシケースの選択とランキングの混合は,パーソナライゼーション,カバレッジ,セレンディピティー・ベンチマークにおいて,純粋にランク付けされている。
  論文  参考訳（メタデータ） (2023-05-18T15:37:38Z)
• Two-Stage Neural Contextual Bandits for Personalised News Recommendation [50.3750507789989]
  既存のパーソナライズされたニュースレコメンデーション手法は、ユーザの興味を搾取することに集中し、レコメンデーションにおける探索を無視する。 我々は、エクスプロイトと探索のトレードオフに対処する文脈的包括的レコメンデーション戦略に基づいて構築する。 我々はユーザとニュースにディープラーニング表現を使用し、ニューラルアッパー信頼境界(UCB)ポリシーを一般化し、加法的 UCB と双線形 UCB を一般化する。
  論文  参考訳（メタデータ） (2022-06-26T12:07:56Z)
• Random Walks with Erasure: Diversifying Personalized Recommendations on Social and Information Networks [4.007832851105161]
  ユーザ・項目グラフのランダムウォーク探索を改良することにより,情報多様性の向上を目標とした新しい推薦フレームワークを開発した。 ソーシャルネットワーク上での政治コンテンツを推薦するために,まず,利用者と共有するコンテンツのイデオロギー的立場を推定する新しいモデルを提案する。 これらの推定位置に基づいて,新しいランダムウォークに基づくレコメンデーションアルゴリズムを用いて,多様なパーソナライズドレコメンデーションを生成する。
  論文  参考訳（メタデータ） (2021-02-18T21:53:32Z)
• A Survey on Knowledge Graph-Based Recommender Systems [65.50486149662564]
  我々は知識グラフに基づく推薦システムの体系的な調査を行う。 論文は、知識グラフを正確かつ説明可能なレコメンデーションにどのように活用するかに焦点を当てる。 これらの作業で使用されるデータセットを紹介します。
  論文  参考訳（メタデータ） (2020-02-28T02:26:30Z)

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。