論文の概要: Recommended Selves: Authenticity and Algorithmic Filtering

• arxiv url: http://arxiv.org/abs/2608.14602v1
• Date: Thu, 02 Jul 2026 15:14:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.229415
• Title: Recommended Selves: Authenticity and Algorithmic Filtering
• Title（参考訳）: Recommended Slves: 認証とアルゴリズムフィルタリング
• Abstract要約: アルゴリズムによるフィルタリングは、デジタルプラットフォームと対話する際に、何十億ものユーザの日々の振る舞いを形作る。 私は、レコメンダシステムは、肯定的かつ否定的な方法で、ユーザの正真正の自己である能力に影響を与えると論じます。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: By allocating their attention to pieces of content, algorithmic filtering shapes the daily behavior of billions of users when they interact with a digital platform. Beyond conditioning what we do, can recommendation algorithms influence who we are? This article suggests that they do. Specifically, I contend that recommender systems affect users' capacity to be their authentic selves in both positive and negative ways. I start by offering an account of authenticity that builds on two central concepts: volitional alignment and self-understanding. I then explain how algorithmic filtering works and impacts authenticity. While recommender systems frustrate users' second-order desires by relying on uninformative behavioral signals, they also facilitate self-understanding by inciting users to question their identity. I end by discussing how controllable and explainable recommenders would best enable users to be authentic.
• Abstract（参考訳）: コンテンツに注意を向けることで、アルゴリズムによるフィルタリングは、デジタルプラットフォームと対話する何十億ものユーザの日々の振る舞いを形作る。 私たちの行動の条件付け以外にも、推奨アルゴリズムは私たちが誰であるかに影響しますか? この記事は彼らがそうしていることを示唆している。 特に、リコメンダシステムは、肯定的かつ否定的な方法で、ユーザの正の自己である能力に影響を与えると私は主張する。 まず最初に,2つの中心的な概念 – 自発的なアライメントと自己理解 – に基づいて,真正性を説明することから始めます。 次に、アルゴリズムのフィルタリングがどのように機能し、信頼性に影響を与えるかを説明します。 推薦システムは、非形式的な行動信号に頼ることによって、ユーザの2階の欲求にフラストレーションを与える一方で、ユーザに対して、自身のアイデンティティを疑問視するように促すことによって、自己理解を促進する。 最後に、制御可能で説明可能なレコメンデータが、いかにユーザが信頼できるかを議論します。

関連論文リスト

• Using AI Agents to Automate Black-Box Audits of Personalization Algorithms at Scale [76.72846830885882]
  パーソナライズアルゴリズムは、ユーザーがオンラインプラットフォームで遭遇するコンテンツを決定する。 独立した監査役はアルゴリズムへのブラックボックスアクセスしか持たないため、これらのシステムの監査は難しい。 合成アカウントの動作エンジンとして生成AIエージェントを用いたパーソナライズアルゴリズムのブラックボックス監査のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-29T18:25:09Z)
• Transparent and Controllable Recommendation Filtering via Multimodal Multi-Agent Collaboration [48.028080782524064]
  我々は、エンドツーエンドのコラボレーション、マルチモーダル認識、マルチエージェントオーケストレーションを統合する新しいフレームワークを紹介します。 本システムでは,帰納的幻覚を除去するために,ファクトグラウンドの偏見パイプラインを用いている。 ダイナミックな2階層の嗜好グラフを構築し、明示的なループ内の人為的な修正を可能にする。
  論文  参考訳（メタデータ） (2026-04-19T14:19:28Z)
• Tackling the Algorithmic Control Crisis -- the Technical, Legal, and Ethical Challenges of Research into Algorithmic Agents [0.0]
  本稿では,アルゴリズムレコメンデータの個人的および社会的効果を研究するための一つの可能なアプローチについて述べる。 本論文は,アルゴリズムガバナンスに関する倫理的かつ法的に健全な研究に対する,異なるアプローチの相対的なメリット,コスト,メリットに関する議論に寄与する。
  論文  参考訳（メタデータ） (2025-10-29T09:52:02Z)
• The Burden of Interactive Alignment with Inconsistent Preferences [5.499453986105878]
  不整合な好みを持つユーザーが、エンゲージメント駆動型アルゴリズムをスタックルバーグ均衡に関心を持つように調整する方法を示す。 十分に注意を払っているユーザはアライメントを達成でき、そうでないユーザはアルゴリズムの目的に合わせたアライメントを実現することができることを示す。
  論文  参考訳（メタデータ） (2025-10-18T06:25:57Z)
• Looking for Fairness in Recommender Systems [0.6216023343793144]
  私たちは現在、ソーシャルメディア上でユーザーにコンテンツ提案を行うレコメンデーションシステムを構築しているところです。 これら3つに共通する公平性に関する懸念は、フィルターバブルの出現である。 ユーザの視点から見れば、これは操作に似ています。 社会の観点では、潜在的な影響は遥かに大きい。
  論文  参考訳（メタデータ） (2025-07-16T13:53:02Z)
• YouTube Recommendations Reinforce Negative Emotions: Auditing Algorithmic Bias with Emotionally-Agentic Sock Puppets [0.624709220163167]
  本研究では、感情的嗜好を認識し、強化するYouTubeの能力について検討する。 以上の結果から,YouTubeは怒りや悲しみなどの否定的な感情を増幅し,レコメンデーションの頻度と優位性を高めていることが明らかとなった。 発見は、アルゴリズムがユーザーのバイアスを増幅し、感情的なフィルターバブルに寄与し、ユーザーの幸福と社会的影響に対する懸念を高めることを示唆している。
  論文  参考訳（メタデータ） (2025-01-25T03:04:53Z)
• 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)
• Explainability in Music Recommender Systems [69.0506502017444]
  音楽レコメンダシステム(MRS)の文脈における説明可能性について論じる。 MRSは非常に複雑で、推奨精度に最適化されることが多い。 本稿では、MSSに説明可能性コンポーネントを組み込む方法と、どのようなフォーム説明を提供するかを示す。
  論文  参考訳（メタデータ） (2022-01-25T18:32:11Z)
• Regret in Online Recommendation Systems [73.58127515175127]
  本稿では,オンライン環境におけるレコメンデーションシステムの理論的分析について提案する。 各ラウンドにおいて、ユーザがランダムに$m$ユーザから選択され、レコメンデーションが要求される。決定者は、ユーザを観察し、$n$アイテムのカタログからアイテムを選択する。 推奨アルゴリズムのパフォーマンスは、これらの可能性を認識したOracleアルゴリズムを参照して、その後悔を通じて取得される。
  論文  参考訳（メタデータ） (2020-10-23T12:48:35Z)

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。