論文の概要: When 'For You' Isn't For You: Measuring User Agency in TikTok's Algorithmic Feed

• arxiv url: http://arxiv.org/abs/2605.10690v1
• Date: Mon, 11 May 2026 15:03:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.924473
• Title: When 'For You' Isn't For You: Measuring User Agency in TikTok's Algorithmic Feed
• Title（参考訳）: TikTokのアルゴリズムフィードでユーザーエージェンシーを計測する
• Authors: Levi Kaplan, Devin Patel, Nicole Gerzon, Alan Mislove, Piotr Sapiezynski,
• Abstract要約: 我々は、ユーザーがTikTokアプリで見るコンテンツをコントロールできる範囲について調査する。 FYPアルゴリズムは両方の種類の信号に敏感であり、アカウントが見るパーソナライズされたコンテンツの量を変える。
• 参考スコア（独自算出の注目度）: 1.283645731622868
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The short-form video-sharing service TikTok has become an important platform in the social media landscape, with much of its popularity owed to its algorithmically-driven "For You Page" (FYP). This feature serves as the "home screen" for the platform and provides a personalized feed of content for each user. Unlike other social media services-where new users start their journey by explicitly signaling whom they choose to friend or follow-the TikTok FYP algorithm instead begins making inferences based on implicit signals, such as how long they watch particular videos. As a result, users have less explicit control over what content they see, and concerns have been raised about the impact on users (e.g., the delivery of potentially harmful content). In this work, we investigate the extent to which users have control over the content they see on the FYP on TikTok. We first develop novel techniques to study the TikTok mobile app, introducing a new avenue for conducting controlled experiments that enable us to send both explicit and implicit signals on the app. We then use these techniques to study the FYP algorithm based on accounts we control. We find that the FYP algorithm is sensitive to both types of signals, changing the amount of personalized content the account sees. However, we find that users may have difficulty convincing the FYP algorithm to stop showing content the user wishes to no longer see: the most effective explicit signal-marking a video as 'Not Interested'-is unintuitively buried in the interface. Worse, we find that once accounts cease to indicate disinterest in a topic, many find their feeds dominated by such content again.
• Abstract（参考訳）: 短いフォーマットのビデオ共有サービスTikTokは、ソーシャルメディアの世界で重要なプラットフォームとなり、その人気の大部分はアルゴリズム駆動の「For You Page」(FYP)に拠っている。 この機能はプラットフォームの"ホームスクリーン"として機能し、各ユーザにパーソナライズされたコンテンツのフィードを提供する。 他のソーシャルメディアサービスとは異なり、新しいユーザーは友達を選ぶかフォローするかを明示的に通知し、その代わりに特定のビデオを見る時間などの暗黙の信号に基づいて推論を始める。 その結果、ユーザは目に見えるコンテンツに対して明確なコントロールをしなくなり、ユーザへの影響(潜在的に有害なコンテンツの配信など)に対する懸念が高まっている。 そこで本研究では,TikTok上のFYP上のコンテンツに対して,ユーザが制御できる範囲について検討する。 最初に、TikTokモバイルアプリを研究するための新しいテクニックを開発し、コントロールされた実験を実行するための新しい方法を導入し、アプリに明示的な信号と暗黙的な信号の両方を送ることができるようにしました。 次に、これらの手法を用いて、制御するアカウントに基づいてFYPアルゴリズムを研究する。 FYPアルゴリズムは両方の種類の信号に敏感であり、アカウントが見るパーソナライズされたコンテンツの量を変える。 しかし、ユーザーがFYPアルゴリズムを説得して、ユーザーが望まないコンテンツを表示するのをやめることが困難であることが判明した。 さらに悪いことに、もしアカウントが話題に不関心を示すのをやめたら、多くの人はフィードが再びそのようなコンテンツに支配されていることに気付く。

関連論文リスト

• Learning Next Action Predictors from Human-Computer Interaction [53.41504288073184]
  LongNAPは、パラメトリックとコンテキスト内学習を組み合わせて、長時間のインタラクション履歴を推論するユーザモデルである。 当社は、20ユーザーから1ヶ月の連続電話使用で360K以上のアクションをラベル付けし、1,800時間のスクリーンタイムを提供しています。 LongNAPは教師付き微調整を著しく上回り、ホールドアウトデータにベースラインを誘導する。
  論文  参考訳（メタデータ） (2026-03-06T05:31:04Z)
• 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)
• Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
  本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。 本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
  論文  参考訳（メタデータ） (2022-06-27T08:16:59Z)
• 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)
• Federated Learning of User Authentication Models [69.93965074814292]
  機械学習モデルのプライバシー保護のためのフレームワークであるFederated User Authentication (FedUA)を提案する。 FedUAは、フェデレートされた学習フレームワークを採用して、ユーザが生の入力を共有することなく、共同でモデルをトレーニングできるようにする。 提案手法はプライバシ保護であり,多数のユーザに対してスケーラブルであることを示し,出力層を変更することなく,新たなユーザをトレーニングに追加できるようにした。
  論文  参考訳（メタデータ） (2020-07-09T08:04:38Z)

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。