社交媒体信息流引导访谈

文献标题

Social Media Feed Elicitation

出版信息

• 主题领域: 基于人工智能驱动的引导方法，实现以用户为中心的社交媒体信息流定制化。
• 关键词: 社交媒体、信息流算法、用户偏好、大型语言模型、信息流定制化、引导式访谈、个性化、用户自主性、内容审核、信息流排序。

背景与问题

• 问题/挑战: 社交媒体的信息流算法不透明且以提升参与度为优化目标，导致用户不满并引发多种社会问题。尽管已有信息流定制工具，但用户难以全面表达其偏好，导致信息流效果不佳。
• 重要性: 解决这一问题能够赋能用户掌控其社交媒体体验，有助于缓解极化、错误信息传播和情绪困扰等问题。
• 动机与相关研究: 现有研究主要集中于内容审核工具、按时间顺序排列的信息流以及基于价值的排序。然而，用户面临“表达鸿沟”，即由于认知偏差（如计划谬误和解释深度错觉），无法完整描述其理想的信息流。本研究通过提出结构化的引导过程来解决这一问题。

解决方案

• 提出的方法: 信息流引导式访谈——一种互动式、基于LLM的引导方法，帮助用户明确其定制化社交媒体信息流的偏好。
• 创新点:
  1. 确定“表达鸿沟”是用户驱动的信息流定制化的关键障碍。
  2. 开发基于LLM的访谈过程，帮助用户构建其偏好。
  3. 将引导过程与信息流生成系统相结合，根据用户定义的标准对帖子进行排序。
  4. 提供实证证据，证明该方法在提升信息流质量和用户满意度方面的有效性。
• 流程与关键技术:
  1. 引导式访谈: 分为三个阶段——(1)定义信息流的目的，(2)识别相关主题，(3)明确帖子属性（如语气、框架）。
  2. 偏好综合: 将用户的回答综合为详细的信息流规范。
  3. 信息流生成: 使用两步式LLM分类系统对帖子进行过滤和排序——相关性过滤后进行质量排序。
  4. 评估: 通过一项组间研究（N = 400），比较基线手动信息流规范与引导式访谈生成的规范。

结果

• 具体发现:
  • 48%的参与者更喜欢通过引导式访谈生成的信息流，相比之下，29%偏好基线规范，23%持中立态度。
  • 引导生成的信息流中获批准的帖子比例更高（56%对比基线的50%），被否决的帖子比例更低（22%对比基线的28%）。
  • 结构化的手动描述（非互动式）未显示出相较基线的显著改进。
• 相较基线的优势:
  • 引导式访谈生成的信息流更个性化且更具可操作性，更全面地满足用户偏好。
  • 参与者对移除无关或干扰性内容以及包含细化偏好的能力表示认可。
• 实验/评估:
  • 参与者对40个帖子（每个信息流20个）进行7分制评分，并表达对整体信息流的偏好。
  • 使用NASA-TLX指标评估认知负担、挫折感和满意度。
  • 统计分析包括Wilcoxon符号秩检验和累积logit混合效应模型。
• 局限性与未来工作:
  • 引导过程中的过度规范化有时会导致信息流过于狭窄，因帖子库存有限而质量下降。
  • 系统难以捕捉用户偏好的相对优先级。
  • 未来研究应探索更大的帖子库存、动态优先级排序，以及对用户福祉的长期影响。

总结

本文提出了信息流引导式访谈，一种基于LLM的引导方法，帮助用户明确其定制化社交媒体信息流的偏好。该方法通过结构化地引导用户考虑信息流的目的、主题和帖子属性，解决了“表达鸿沟”问题。评估结果表明，引导生成的信息流相较基线手动规范更受欢迎，具有更高的批准率且更符合用户需求。尽管该系统在增强用户自主性方面表现出色，但仍面临过度规范化和优先级捕捉的挑战。本研究推进了用户驱动的信息流定制工具，并对其他领域的引导方法具有广泛的启示意义。