論文の概要: Auditing Engagement Incentives in the Kidfluencer Ecosystem: A Multimodal Weak Supervision Approach

• arxiv url: http://arxiv.org/abs/2606.03173v1
• Date: Tue, 02 Jun 2026 05:29:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.777038
• Title: Auditing Engagement Incentives in the Kidfluencer Ecosystem: A Multimodal Weak Supervision Approach
• Title（参考訳）: Kidfluencerエコシステムにおけるエンゲージメントインセンティブの監査:マルチモーダル弱スーパービジョンアプローチ
• Authors: Zijing Wei, Chao Peter Yang, Xuanjie Chen,
• Abstract要約: 本研究では、YouTube上の79のキッドフルエンサーチャンネルにまたがる5,051本のビデオのマルチモーダルAI監査を示す。 ノイズラベリング機能を用いて,各ビデオに確率的評価スコアを割り当てる。 以上の結果から,パフォーマンス労働,情緒的餌食,プライバシー侵害に対する有意義なエンゲージメントプレミアムが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.13108652488669734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rise of `kidfluencers' on YouTube has raised ethical concerns about child digital labor and exploitation. While emerging legislation attempts to regulate this ecosystem, empirical evidence linking exploitation to engagement remains scarce, given the difficulty of operationalizing exploitation at scale. This study presents a multimodal AI audit of 5,051 videos across 79 kidfluencer channels, using weak supervision to detect exploitation signals without large-scale manual labels. We aggregate noisy labeling functions -- including LLM-based classification of titles and GPT-4 Vision analysis of thumbnails and descriptions across six literature-grounded dimensions -- to assign a probabilistic exploitation score to each video. A multi-annotator validation study (N=107) shows strong agreement with human judgment (macro-average F1 $= 0.911$) and high sensitivity for overall exploitation risk (recall $= 0.960$, F1 $= 0.793$). Our findings reveal a significant engagement premium for performative labor, emotional bait, and privacy violations. Exploitation scores correlate with view counts (Spearman $ρ= 0.229$, $p < 10^{-50}$), and mixed-effects regression controlling for channel-level variation shows that a one-unit increase in exploitation score yields a $4.4\times$ increase in views ($p < 0.001$). Within-channel analyses indicate median view boosts of $+65.6\%$ for emotional bait and $+56.0\%$ for performative content (FDR-corrected $p<0.001$), with effects holding in same-year robustness checks ($p=0.030$). Explicit commercial content (product placement), by contrast, shows no premium ($-3.8\%$, n.s.), suggesting the platform rewards commodification of the child's identity and labor over traditional advertising. These findings challenge policy frameworks focused solely on financial trusts, showing that engagement is systematically tied to the intensive, performative labor of children.
• Abstract（参考訳）: YouTube上の「キッドフルエンサー」の台頭は、児童デジタル労働と搾取に関する倫理的な懸念を提起している。 新たな法律がこの生態系を規制しようとする一方で、大規模な搾取の運用が困難であることを考えると、搾取とエンゲージメントを結びつける実証的な証拠は乏しいままである。 本研究では,79チャンネルにまたがる5,051本のビデオのマルチモーダルAI監査を行い,大規模手動ラベルを使わずにエクスプロイト信号を検出する。 LLMをベースとしたタイトル分類やGPT-4によるサムネイルの視覚分析,6つの文学的次元にわたる記述などを含むノイズラベリング関数を集約し,各ビデオに確率的評価スコアを割り当てる。 マルチアノテーション検証(N=107)では、人的判断(macro-average F1 $=0.911$)と、全体的な搾取リスクに対する高い感度(recall $=0.960$, F1 $= 0.793$)との強い一致を示している。 以上の結果から,パフォーマンス労働,情緒的餌食,プライバシー侵害に対する有意義なエンゲージメントプレミアムが明らかとなった。 爆発スコアは、ビューカウント(Spearman $ρ= 0.229$, $p < 10^{-50}$)と相関し、チャネルレベルの変動に対する回帰制御の混合効果は、1単位のエクスプロイトスコアの増加が4.4\times$ビューの増加(p < 0.001$)をもたらすことを示している。 チャンネル内の分析では、感情的な餌食に対する$+65.6\%と、パフォーマンスコンテンツに対する$+56.0\%(FDR補正された$p<0.001$)の中央値のビューアップが示され、同じ年のロバストネスチェック(p=0.030$)で効果が保持される。 対照的に、商業的コンテンツ(商品の配置)の明示は、プレミアム(3.8 %$、n.s.)を示さず、このプラットフォームは、従来の広告よりも子供のアイデンティティと労働のコモディティ化に報いることを示唆している。 これらの知見は、金銭的信頼にのみ焦点を絞った政策枠組みに挑戦し、エンゲージメントが児童の集中的行動労働と体系的に結びついていることを示した。

関連論文リスト

• GoAT-X: A Graph of Auditing Thoughts for Securing Token Transactions in Cross-Chain Contracts [52.51342355102833]
  マルチチェーンエコシステムの重要な基盤であるクロスチェーンブリッジは、攻撃者にとって主要なターゲットとなっている。 バイトコードレベルの静的解析のような既存の防御は、チェーン間の相互作用のセマンティックな複雑さを扱うには不十分である。 パターンマッチングから体系的な第一原理検証へ自動的なクロスチェーンスマートコントラクト監査を移行するフレームワークであるGoAT-Xを提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:34:21Z)
• Narrative over Numbers: The Identifiable Victim Effect and its Amplification Under Alignment and Reasoning in Large Language Models [0.8122270502556375]
  本稿では,大規模言語モデル(LLM)におけるIVEの体系的,大規模な実証的研究について紹介する。 IVEは多用されるが、アライメントトレーニングによって強く調節される。 我々はさらに、人道的・倫理的意思決定の文脈におけるAIの展開に影響を及ぼす、精神物理学的、完全な量無視、グループ内/グループ外の文化的偏見を文書化する。
  論文  参考訳（メタデータ） (2026-04-13T21:29:46Z)
• Auditing the Reliability of Multimodal Generative Search [0.10742675209112622]
  本稿では,Gemini 2.5 Proマルチモーダル検索システムの大規模監査を行い,11,943対のクレームビデオ解析を行った。 審査員の厳格性により、ビデオグラウンドドクレームの3.7%から18.7%は、引用された資料では支持されていないことが判明した。
  論文  参考訳（メタデータ） (2026-04-01T14:15:41Z)
• Prism-$Δ$: Differential Subspace Steering for Prompt Highlighting in Large Language Models [85.18197548789291]
  PRISM-$ (Projection-based Relevance-Informed Steering Method) を提案する。 PRISM-$$は20種中19種で最も優れた方法であり、相対的な利得は+10.6%まで上昇し、ステアリングのコストは半減する。 PRISM-$はFlashAttentionと互換性があり、無視できるメモリオーバーヘッドを追加する。
  論文  参考訳（メタデータ） (2026-03-11T12:24:45Z)
• VOGUE: Guiding Exploration with Visual Uncertainty Improves Multimodal Reasoning [62.09195763860549]
  検証可能な報酬(RLVR)による強化学習は、大きな言語モデル(LLM)の推論を改善するが、探索に苦労する。 出力(テキスト)から入力(視覚)空間へ探索をシフトする新しい手法である$textbfVOGUE(Visual Uncertainty Guided Exploration)を紹介した。 本研究は,視覚入力の本質的不確実性における基盤探索が,マルチモーダル推論を改善するための効果的な戦略であることを示す。
  論文  参考訳（メタデータ） (2025-10-01T20:32:08Z)
• FingER: Content Aware Fine-grained Evaluation with Reasoning for AI-Generated Videos [18.3012265316413]
  本稿では,新しいエンティティレベルの推論評価フレームワークである $textbfF$ine-fine $textbfE$ntity-level を提案する。 我々のモデルは、GenAI-Benchが11.8%、MonetBenchが5.5%、トレーニングビデオが3.3kという既存の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2025-04-14T16:07:16Z)
• Smart Contract Fuzzing Towards Profitable Vulnerabilities [10.908512696717724]
  VERITEは利益中心のスマートコントラクトファジィフレームワークである。 悪質な脆弱性を検出し、悪用された利益を最大化する。 合計で1800万ドル以上を抽出でき、検出と悪用の両方で最先端のファズーであるITYFUZZよりはるかに優れている。
  論文  参考訳（メタデータ） (2025-01-15T14:38:18Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• Mastering the Task of Open Information Extraction with Large Language Models and Consistent Reasoning Environment [52.592199835286394]
  オープン情報抽出(OIE)は、自然文から客観的な構造化された知識を抽出することを目的としている。 大規模言語モデル(LLM)は、テキスト内学習能力に優れています。
  論文  参考訳（メタデータ） (2023-10-16T17:11:42Z)
• Foreseeing the Benefits of Incidental Supervision [83.08441990812636]
  本稿では,実験を行なわずに,特定の目標タスクに対して,様々な種類の偶発信号の利点を定量化できるかどうかを考察する。 本稿では,PABI(PAC-Bayesian motivated informativeness measure)を提案する。
  論文  参考訳（メタデータ） (2020-06-09T20:59:42Z)

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。