論文の概要: Why Does Misinformation Propagate Faster? An Algorithmic Perspective on X
- arxiv url: http://arxiv.org/abs/2609.28947v1
- Date: Thu, 24 Sep 2026 02:53:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.680466
- Title: Why Does Misinformation Propagate Faster? An Algorithmic Perspective on X
- Title（参考訳）: 誤報はなぜ速くなるのか? Xのアルゴリズム的視点
- Abstract要約: 本研究は,ソーシャルメディアプラットフォームによるレコメンデーションアルゴリズムのコンポーネントレベルにおける最初の研究である。
提案アルゴリズムでは,最終的な推薦スコアが予測されたすべてのユーザアクティビティの重み付け和として構成される。
測定量の再調整は信頼性の露光ギャップの低減にほとんど、あるいは負の影響も与えないことがわかった。
- 参考スコア（独自算出の注目度）: 8.022751411333246
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Misinformation is widely reported to propagate faster on engagement-based platforms, yet prior work largely focused on empirical analysis, without identifying a specific algorithmic mechanism that results in this phenomenon. Thanks to the open-sourcing of X's recommendation algorithms, we conduct what is, to our knowledge, the first component-level study of the recommendation algorithm deployed by a social media platform, which examines how each of its components affects misinformation propagation. Specifically, we identify the engagement fungibility mechanism in the algorithm, where the final recommendation score is constructed as a weighted sum of all predicted user activities. As a result, a tweet can be repeatedly recommended simply because it is predicted to draw many instant reactions (e.g., likes and retweets), even when it is not expected to draw thoughtful responses (e.g., replies and quotes). Since misinformation typically draws a larger share of its engagement from instant reactions, this mechanism enables it to receive more recommendation exposure and to propagate faster. To empirically validate this mechanism, we re-implement X's recommendation algorithm on the USC X 2024 election corpus, and build a calibrated simulation study to analyze the impact of different scoring rules. We find that re-tuning the metric weights has little or even a negative impact on reducing the credibility exposure gap, while those scoring rules that set a precondition of thoughtful engagement for amplification would be able to alleviate the gap significantly, across 46 robustness checks. Our diagnosis, therefore, yields a simple and deployable fix, a reflective-threshold gate that withholds amplification until a tweet is predicted to draw thoughtful engagement, which we find to reallocate exposure away from low-credibility content at no cost to mainstream exposure and with no loss of engagement.
- Abstract（参考訳）: 誤報は、エンゲージメントベースのプラットフォームでより高速に伝播することが広く報告されているが、以前の研究は、この現象を引き起こす特定のアルゴリズムメカニズムを特定せずに、主に経験的分析に焦点を当てていた。
Xのレコメンデーションアルゴリズムのオープンソース化により、ソーシャルメディアプラットフォームが展開するレコメンデーションアルゴリズムに関する最初のコンポーネントレベル研究として、私たちの知識に基づいて、各コンポーネントが誤情報伝達にどのように影響するかを調査する。
具体的には、最終的な推薦スコアが予測されたすべてのユーザアクティビティの重み付けされた和として構成されるアルゴリズムにおけるエンゲージメント・ファンジビリティー機構を同定する。
その結果、直感的な反応(例えば、リプライや引用)が期待されない場合でも、多くの即時反応(例えば、いいね!
誤情報は通常、インスタント反応からエンゲージメントの大部分を引き出すため、このメカニズムにより、より多くのレコメンデーション露光を受け取り、より速く伝播することができる。
このメカニズムを実証的に検証するために、我々はUSC X 2024選挙コーパスにXの推薦アルゴリズムを再実装し、異なるスコアリングルールの影響を分析するための校正シミュレーション研究を構築した。
測定量の再調整は信頼性の露光ギャップの低減にほとんど、あるいは負の影響も与えないが、増幅のための思慮深いエンゲージメントを前提としたスコアリングルールでは、46の堅牢性チェックにおいて、そのギャップを著しく軽減することができる。
我々の診断は、単純で展開可能な修正であり、ツイートが思慮深いエンゲージメントを導き出すまで増幅を控える反射閾値ゲートであり、低クレーディビリティコンテンツからの露出を、メインストリームの露出に何のコストもかからず、エンゲージメントを損なうことなく、再配置することができる。
関連論文リスト
- Perception Without Engagement: Dissecting the Causal Discovery Deficit in LMMs [68.58207076756237]
本稿では,結果評価からメカニズム診断へ移行する摂動に基づく評価プロトコルProCauEvalを紹介する。
因果推論において,ビデオコンテンツは体系的に過小評価されている。
教師のネガティブなアライメントに基づく強化学習フレームワークであるADPOを提案する。
論文 参考訳（メタデータ） (2026-05-10T08:48:58Z) - \mathsf{VISTA}: Decentralized Machine Learning in Adversary Dominated Environments [21.69919643934826]
分散機械学習は、評価などのアウトソーシング計算を信頼できないワーカノードに頼っていることが多い。
本稿では, 相互に整合性がある場合にのみ, 報告を受理し, 報奨するインセンティブ指向の枠組みを通じて, 敵に支配される設定について検討する。
本稿では,最適化履歴を用いた適応アルゴリズムであるmathsfVISTAを提案する。
論文 参考訳（メタデータ） (2026-05-08T15:07:15Z) - Beyond Semantic Relevance: Counterfactual Risk Minimization for Robust Retrieval-Augmented Generation [19.888565537472363]
CoRM-RAG(Counterfactual Risk Minimization for RAG)は、検索と意思決定の安全性を一致させるフレームワークである。
トレーニング中にユーザのバイアスをシミュレートする認知摂動プロトコルを導入し,それを軽量なエビデンス・クリティカルに蒸留する。
このスコアリングモジュールは、対向的なクエリの摂動にも拘わらず、モデルの正しさを判断するために十分な明らかな強度を持つ文書を特定することを学習する。
論文 参考訳（メタデータ） (2026-05-02T07:22:24Z) - APR: Penalizing Structural Redundancy in Large Reasoning Models via Anchor-based Process Rewards [61.52322047892064]
テスト時間スケーリング(TTS)は、Large Reasoning Models(LRM)の機能を大幅に強化した。
我々は, LRM が推論過程において最終回答を得た後も, 再検討なしに反復的自己検証を頻繁に行うことを観察した。
本稿では,Anchor-based Process Reward (APR)を提案する。
論文 参考訳（メタデータ） (2026-01-31T14:53:20Z) - Greedy Is Enough: Sparse Action Discovery in Agentic LLMs [11.62669179647184]
経験的証拠は、少数のアクションだけが、所定のデプロイメントのパフォーマンスに有意義に影響を及ぼすことを示唆している。
この観察によって動機づけられた行動が構造化された空間性仮定によって制御される文脈線形報酬モデルについて検討する。
本研究は,スパース行動発見を大アクション意思決定の基礎となる基本原理とみなす。
論文 参考訳（メタデータ） (2026-01-13T07:15:32Z) - Posets and Bounded Probabilities for Discovering Order-inducing Features in Event Knowledge Graphs [6.96958458974878]
イベント知識グラフ(EKG)は、プロセス実行の複数の対話的なビューをキャプチャする。
未処理データからのEKG発見のオープンな問題に対処する。
統計的推測に基づくEKG探索アルゴリズムを導出する。
論文 参考訳（メタデータ） (2024-10-08T14:12:51Z) - Multi-Armed Bandits with Abstention [62.749500564313834]
本稿では, 新たな戦略要素である禁忌を取り入れた, 正準多重武装バンディット問題の拡張を提案する。
この強化されたフレームワークでは、エージェントは各タイムステップでアームを選択することだけでなく、観察する前に即時報酬を受け付けないオプションも備えている。
論文 参考訳（メタデータ） (2024-02-23T06:27:12Z) - Are We Wasting Time? A Fast, Accurate Performance Evaluation Framework
for Knowledge Graph Link Predictors [4.31947784387967]
より大規模な知識グラフでは、ランク付けプロセスは急速に重くなります。
従来のアプローチでは、エンティティのランダムサンプリングを使用して、メソッドによって予測または提案されるリンクの品質を評価していた。
得られた評価基準が真の結果を適切に反映していないため,本手法には深刻な限界があることが示されている。
本稿では,リレーショナルリコメンデータを用いて候補の選択を誘導するフレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-25T15:44:46Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Hybrid Predictive Coding: Inferring, Fast and Slow [62.997667081978825]
本稿では,反復型と償却型の両方を原則的に組み合わせたハイブリッド予測符号化ネットワークを提案する。
我々は,本モデルが本質的に不確実性に敏感であり,最小計算費用を用いて正確な信念を得るためにバランスを適応的にバランスさせることを実証した。
論文 参考訳（メタデータ） (2022-04-05T12:52:45Z)
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。