論文の概要: Quantifying the Engagement Trap: Impact of Short-form Video Recommender Systems on Users with ADHD
- arxiv url: http://arxiv.org/abs/2609.07795v1
- Date: Mon, 07 Sep 2026 17:38:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.493094
- Title: Quantifying the Engagement Trap: Impact of Short-form Video Recommender Systems on Users with ADHD
- Title（参考訳）: エンゲージメントトラップの定量化:ADHD利用者に対するショートフォームビデオレコメンダシステムの影響
- Abstract要約: 本研究は,ADHDによる不適切なユーザに対して,いかにレコメンデーションシステムを推奨するかを説明するとともに,エンゲージメントトラップの導入と運用を行う。
以上の結果から,ADHDレポートの参加者は,推奨項目がグループ間で関連していると認識される一方で,推奨項目を消費する際の時間的盲点,使用後の後悔,情緒的苦痛のレベルが有意に高いことが示唆された。
我々は、そのようなアルゴリズムの害を軽減し、より公平な体験をサポートする、神経多様性に配慮した人間中心のデザインアプローチを論じる。
- 参考スコア（独自算出の注目度）: 2.9402525467468315
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Short-form video platforms use recommender systems to maximize engagement through highly efficient personalized recommendations. However, the impact of these recommendations on users with ADHD compared to users without ADHD remains underexplored. Through this study, we introduce and operationalize the Engagement Trap, illustrating how recommender systems, while successfully optimizing for engagement, disproportionately disadvantage users with ADHD. This stratified study of 302 participants, recruited via the online platform Prolific, compares experiences between participants with and without ADHD. Our results show that while recommendations are perceived as relevant across groups, participants with ADHD report significantly higher levels of time blindness, post-usage regret, and emotional distress when consuming recommendations. Moreover, we collect feedback for several proof-of- concept, theoretical design interventions for neuro-inclusive design principles. These findings provide quantitative evidence of systemic differences in engagement-optimized recommender systems and highlight the unbalanced negative effects and interactions these systems create for participants with ADHD. We argue for neurodiversity-aware, human-centered design approaches that mitigate such algorithmic harms and support more equitable experiences.
- Abstract（参考訳）: ショートフォームビデオプラットフォームは、高度に効率的なパーソナライズされたレコメンデーションを通じてエンゲージメントを最大化するレコメンデーションシステムを使用する。
しかしながら、ADHDのないユーザと比較して、これらのレコメンデーションがADHDを持つユーザに与える影響は、まだ未調査である。
本研究では,ADHDによる不適切なユーザに対して,エンゲージメントトラップの導入と運用を行うとともに,エンゲージメントの最適化を成功させながら,いかにレコメンデーションシステムを推奨するかを解説する。
オンラインプラットフォームProlificを通じて募集された302人の参加者を対象としたこの階層化された調査は、ADHDと非使用者間の体験を比較している。
以上の結果から,ADHDレポートの参加者は,推奨項目がグループ間で関連していると認識される一方で,推奨項目を消費する際の時間的盲点,使用後の後悔,情緒的苦痛のレベルが有意に高いことが示唆された。
さらに, 概念実証のためのフィードバック, 理論的設計介入, 神経包摂的設計原則のフィードバックを収集する。
これらの結果は、エンゲージメント最適化レコメンダシステムにおけるシステム的差異の定量的証拠を提供し、これらのシステムがADHDの参加者に対して生み出す非バランスな負の効果と相互作用を強調している。
我々は、そのようなアルゴリズムの害を軽減し、より公平な体験をサポートする、神経多様性に配慮した人間中心のデザインアプローチを論じる。
関連論文リスト
- MODE: Mutual Optimality in Direct Effects of Reciprocal Recommendations in Matching Markets [0.7310043452300737]
個人ユーザの推薦リストの「直接効果の最適性」の概念を定式化する。
そこで本研究では,直接効果の相互に最適なレコメンデーションを計算できる新しい手法であるMODEを提案する。
論文 参考訳（メタデータ） (2026-08-03T05:54:55Z) - Tree of Preferences for Diversified Recommendation [54.183647833064136]
データバイアスの観点から、多種多様な推薦について検討する。
本研究では,世界知識を活用したゼロショット推論における大規模言語モデル(LLM)の卓越した性能に着想を得て,新しいアプローチを提案する。
論文 参考訳（メタデータ） (2025-12-24T04:13:17Z) - RecGPT Technical Report [57.84251629878726]
本稿では,レコメンデーションパイプラインの中心にユーザの意図を配置する次世代フレームワークRecGPTを提案する。
RecGPTは、大きな言語モデルをユーザ関心のマイニング、アイテム検索、説明生成のキーステージに統合する。
オンライン実験では、RecGPTが利害関係者間で一貫したパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2025-07-30T17:55:06Z) - 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) - Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。
よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
論文 参考訳（メタデータ） (2025-02-05T17:14:45Z) - Negotiating the Shared Agency between Humans & AI in the Recommender System [1.4249472316161877]
本研究では,ユーザエージェンシーの強化を目的とした二重制御機構を提案する。
透明性とコントロールのレベルがユーザエクスペリエンスに与える影響を評価した。
論文 参考訳（メタデータ） (2024-03-23T19:23:08Z) - RAH! RecSys-Assistant-Human: A Human-Centered Recommendation Framework
with LLM Agents [30.250555783628762]
この研究は、これらの問題に対処することは単にレコメンダシステムの責任ではないと主張している。
本稿では,RAH Recommenderシステム,Assistant,Humanフレームワークを紹介する。
私たちのコントリビューションは、さまざまなレコメンデーションモデルと効果的に連携する、人間中心のレコメンデーションフレームワークを提供します。
論文 参考訳（メタデータ） (2023-08-19T04:46:01Z) - Recency Dropout for Recurrent Recommender Systems [23.210278548403185]
本稿では,リコメンデータシステムにおけるリコメンデーションバイアスを軽減するために,簡易かつ効果的なデータ拡張手法であるリコメンデーションドロップアウト手法を提案する。
シミュレーション実験,オフライン実験,大規模産業レコメンデーションプラットフォームでのライブ実験など,各種実験環境における遅延降下の有効性を実証する。
論文 参考訳（メタデータ） (2022-01-26T15:50:20Z) - Deep Causal Reasoning for Recommendations [47.83224399498504]
推薦システム研究の新たなトレンドは、共同創設者の影響を因果的観点から否定することである。
提案手法は多因性マルチアウトカム(MCMO)推論問題としてモデル化する。
MCMOモデリングは,高次元因果空間に付随する観測が不十分なため,高いばらつきをもたらす可能性があることを示す。
論文 参考訳（メタデータ） (2022-01-06T15:00:01Z) - Heterogeneous Demand Effects of Recommendation Strategies in a Mobile
Application: Evidence from Econometric Models and Machine-Learning
Instruments [73.7716728492574]
本研究では,モバイルチャネルにおける様々なレコメンデーション戦略の有効性と,個々の製品に対する消費者の実用性と需要レベルに与える影響について検討する。
提案手法では, 有効性に有意な差が認められた。
我々は,ユーザ生成レビューのディープラーニングモデルに基づいて,製品分化(アイソレーション)をキャプチャする新しいエコノメトリ機器を開発した。
論文 参考訳（メタデータ） (2021-02-20T22:58:54Z) - Fairness-Aware Explainable Recommendation over Knowledge Graphs [73.81994676695346]
ユーザのアクティビティのレベルに応じて異なるグループのユーザを分析し、異なるグループ間での推奨パフォーマンスにバイアスが存在することを確認する。
不活性なユーザは、不活性なユーザのためのトレーニングデータが不十分なため、不満足なレコメンデーションを受けやすい可能性がある。
本稿では、知識グラフに対する説明可能な推奨という文脈で、この問題を緩和するために再ランク付けすることで、公平性に制約されたアプローチを提案する。
論文 参考訳（メタデータ） (2020-06-03T05:04:38Z) - Personalized Recommendation of PoIs to People with Autism [5.052126684056964]
ユーザの慣用的嫌悪感と彼女/彼の好みをパーソナライズするTop-Nレコメンデーションモデルを提案する。
ASDと"ニューロタイプ"の両方でモデルをテストしました。
論文 参考訳（メタデータ） (2020-04-27T12:04:58Z)
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。