好奇短片:短片视频平台上基于好奇心的探索与学习

大语言模型(LLM)的人机协作数据故事讲述(Data Storytelling)在线学习与 MOOC 平台记者与编辑消费者与购物者

研究背景与问题

  • 发现的问题或挑战:

    1. 短视频平台(Short-Form Video Platforms,SFVs)如抖音、YouTube Shorts,主要围绕娱乐和用户参与设计,在促进无意学习(incidental learning)方面潜力尚未得到充分探索。
    2. 现有的内容推荐系统常缺乏满足用户因好奇心驱动的探索需求的机制,无法抓住用户的学习契机。
    3. 长视频(如MOOC课程)虽然支持深度学习,但要求用户保持长时间注意力,不适合短时间的学习场景。
  • 为何重要:

    1. 好奇心是增强自发学习、记忆和认知加工的关键驱动力。
    2. SFV的快速内容消费特性潜在可更有效地捕捉日常零散时间,用于促进信息获取和新知识的激发。
    3. 增加学习性内容,可转化用户的娱乐观看行为为探索性学习,从而赋予短视频新用途并兼顾用户的成长需求。
  • 研究动机: 作者旨在探讨如何在以娱乐和参与率为中心的短视频体验中,融入能激发用户好奇心并触发探索行为的机制,从而支持偶得学习(incidental learning)。

解决方案

  • 提出的解决方案: 作者提出了一种新的概念框架“Curious Shorts”,通过在短视频中引入激发好奇心的设计元素(如“好奇提示”问题按钮),重塑用户与视频的交互方式。

  • 创新之处:

    1. 扩展了已有的“Hook模型”,引入了“好奇路径”机制,不仅满足了传统的内容消费模式需求,还进一步激发用户主动探索更多学习内容。
    2. 提出了两种设计模式:问题引导式探索设计(Question-Guided Exploration)和相关主题探索设计(Related-Topic Exploration)。
  • 实施步骤:

    1. 在每个视频结束时提示用户若干好奇心促发问题(例如,“身体语言如何揭示欺骗?”),用户点击后进入与问题相关联的语义跟随视频。
    2. 允许用户在好奇探索路径和传统消费路径之间自由转换。
    3. 利用实验数据和用户行为日志,调查好奇提示对用户参与、探索和学习的影响。
  • 关键技术:

    • 基于自然语言处理(NLP)的语义分析,用于构建视频间的关联性。
    • 用户点击行为的日志记录,量化探索路径的有效性。

研究成果

  • 具体成果:

    1. 实验1(n=18):问题引导式探索比其他设计更能激发好奇心,并显著提升观看深度(Follow-up视频的观看完成率高于初始视频)。
    2. 实验2(n=115):好奇路径设计在仅有学习内容的环境下显著提高了学习效果,但在混入娱乐视频场景中,尽管参与度未受影响,学习效益有所削弱。
  • 相较现有解决方案的优势:

    1. 在基于娱乐驱动的短视频环境中,同时融入了学习与探索的设计,使用户能够更有目的性地观看内容。
    2. 提高用户专注于深层信息的可能性,将“零碎时间”转化为知识积累的机会。
  • 实验与评估结果:

    • 在纯学习环境下,使用问题引导设计的跟随视频的学习分数显著高于随机视频。
    • 混入娱乐视频的条件下,尽管参与率维持,学习效益被娱乐内容分散。
  • 局限性与未来方向:

    1. 局限性:

      • 当前实验数据集精心策划,无法直接扩展至未知用户或海量多样化内容。
      • 当前的好奇路径仅限于初始视频和单层后续视频之间,复杂度有限。
      • 未能完全分离好奇心驱动的交互行为与语义连续性的学习效益影响。
    2. 未来方向:

      • 在实际平台中引入动态模式,允许用户在学习和娱乐模式之间灵活切换。
      • 开发基于机器学习和NLP的自动化语义分析,用于大规模构建关联路径。
      • 探讨加入多层次深入学习路径,研究其对长效学习记忆的影响。
      • 引入长时间纵向实验以测量学习成果的持续性。

总结

Curious Shorts通过结合用户的自然观看习惯和好奇心驱动,提出了一种兼具娱乐性和教育性的短视频平台设计,既保持用户参与度,又开拓了促进偶发学习的可能性。未来工作应探索其自动化扩展能力和跨多场景适用性,以进一步实现用户数字消费到知识探索的全面转型。

快捷操作

分享

分享当前页面

ios_share

https://hci.top/zh/papers/chi/188231/2025

广告推荐

学习 AI 编程到 CodeNow

open_in_new打开DOI链接
DOI: https://dl.acm.org/doi/10.1145/3706598.3713951
一眼看懂

论文快照

fact_check
dataset
来源
CHI
calendar_month
年份
2025
emoji_events
奖项
未标记奖项
group
作者
5 位作者
sell
研究子方向
大语言模型(LLM)的人机协作、数据故事讲述(Data Storytelling)、在线学习与 MOOC 平台
work
职业/产业
记者与编辑、消费者与购物者
article
内容状态
已索引正文
hub
相关论文
0 篇相关论文