使用数据捐赠分析TikTok短格式视频推荐的用户参与度

文献标题

使用数据捐赠分析用户对TikTok短视频推荐的互动行为 (Analyzing User Engagement with TikTok’s Short Format Video Recommendations using Data Donations)

文献信息

• 主题领域: 短视频内容推荐算法与用户行为分析
• 关键词: TikTok, 推荐算法, 用户互动, 数据捐赠, 数据隐私, 短视频平台, 用户行为, 社交媒体, 数据挖掘

研究背景与问题

• 作者发现了哪些问题或挑战？

  • 社交媒体短视频的流行性日益增加，但针对用户如何消费这些短视频内容以及推荐算法对用户体验的影响却缺乏大规模实证研究。
  • 尽管媒体报道指出TikTok算法能准确推荐用户感兴趣的视频，但它可能会诱导用户接触问题性内容。
  • 此类研究往往依赖自动化账号或公开爬取数据，缺乏来自真实用户行为的数据。

• 为什么这个问题很重要？

  • TikTok等短视频平台已成主流社交媒体内容消费形式，拥有超过13亿全球用户，其推荐算法在用户注意力和互动中作用显著，这对用户的心理健康与科技伦理等方面有重要影响。
  • 短视频平台的算法优化以用户粘性和平台收益为目标，可能带来成瘾性和潜在隐患。

• 研究动机与相关工作

  • 本研究填补了以真实用户行为数据为基础的短视频推荐算法效果分析的空白。
  • 探索通过数据捐赠系统从属实用户收集数据，以实现对短视频算法的更精准审计。

解决方案

• 作者提出了哪些方法或解决方案？

  • 设计并实现了一个名为“Social Media Donator (SMD)”的数据捐赠系统，使用户能够匿名捐赠从TikTok获取的观看历史及相关数据。
  • 通过对347名用户的9.2M条观看记录进行分析，评估TikTok算法推荐的有效性，重点关注用户观看时间、视频注意力和互动（例如点赞行为）。

• 该解决方案的创新之处是什么？

  • 数据来源采取了GDPR规定的用户数据访问权，通过真实用户提供的行为数据开展分析，避免了自动化模拟账号带来的数据偏差。
  • 集成了数据匿名化与可定制化机制，提升了用户信任度和隐私保护水平。

• 实施步骤

  1. 数据收集与捐赠：引导用户通过TikTok申请并下载行为数据包并完成匿名化和定制化操作。
  2. 样本招募与激励机制：利用Facebook广告和Twitter传播方式招募参与者，提供$5-16的金钱补偿以激励参与。
  3. 数据分析：
     • 通过受控实验推断用户观看时长。
     • 使用视频观看量、用户互动行为（如点赞率与观看完整率）、内容来源（已关注 vs 未关注账号）等维度开展数据分析。
  4. 实验敏感性分析：对不同天数活跃用户和指标阈值等进行鲁棒性检查。

研究成果

• 具体成果

  1. 用户行为趋势：
     • 用户观看的视频数量与平均使用时间随时间显著增加，例如，使用80天后视频观看量翻倍。
     • 平均用户每天消费约89.9个视频，每天花费时间约27分钟至48分钟。
  2. 用户关注稳定性：
     • 尽管观看时间提高，但用户对视频的“注意力”（观看视频至结束的比例）保持稳定，平均为45%。
     • 视频从未关注账号的观看率高于已关注账号。
  3. 用户互动模式：
     • 点赞行为随时间增加，例如，对已关注账号上传视频点赞率在120天后提高2倍。
     • 发现用户更倾向点赞已关注账号的内容，反映社会网络的情感联系。
  4. 内容特性分析：
     • 对比发现未关注账号视频在整体平台中更受欢迎，播放量更高，可能由于内容质量更吸引人。

• 与现有解决方案相比的优势

  • 提供了一种基于真实用户数据捐赠的机制，使分析更具真实性与广泛性。
  • 数据匿名化策略和用户隐私保护设计大幅提升了用户行为数据分析的可信度和合规性。

• 实验与评估结果

  • 用户互动（点赞）随着时间显著增加，而用户对推荐视频的注意力表现稳定。
  • 平台算法更倾向于推荐“未关注账号”的内容以提升内容的吸引力和用户留存时间。

• 局限性与未来方向

  1. 参与者样本：参与者主要集中于特定地理区域或人口群体，因此可能未完全代表TikTok整体用户生态。
  2. 数据偏差：部分字段（如点赞记录）出现空缺，或由于平台日志记录问题导致还原度受限。
  3. 算法推测：虽然分析了用户行为，但未能直接解释TikTok算法设计的“刻意性”，如是否包含负面强化（例如强制探索性推荐）。
  4. 跨平台比较：本研究仅聚焦TikTok，未来可扩展至其他短视频平台如YouTube Shorts进行比较。

总结

本文提供了对短视频推荐平台用户行为的首次基于数据捐赠的实证分析。研究揭示了用户与算法推荐的复杂互动关系，强调了设计用户友好且伦理考量明确的数据捐赠平台的重要性。同时，研究为进一步审计短视频平台推荐算法及其对用户心理影响的研究铺平了道路，建议未来聚焦平台算法透明性及用户健康管理功能。