Researchers use information about the amount of time people spend on digital media for a variety of purposes including to understand impacts on physical and mental health as well as attention and learning. To measure time spent on digital media, participants' self-estimation is a common alternative method if the platform does not allow external access to directly measure people's time spent. However, prior work raises questions about the accuracy of self-reports of time spent on traditional social media platforms and questions about the cognitive factors underlying people's perceptions of the time they spend on social media. In this work, we build on this body of literature by exploring a novel social platform: TikTok. We conduct platform-independent measurements of people's self-reported and server-logged TikTok usage (n=255) to understand how users' demographics and platform engagement influence their perceptions of the time they spend on the platform and the accuracy of their estimates. Our work adds to the body of work seeking to understand time estimations in different digital contexts, and identifies new engagement factors that may be relevant in future social media time estimation studies.


翻译:研究人员利用关于人们花在数字媒体上的时间数量的信息用于各种目的,包括了解对身心健康的影响以及注意力和学习。为了衡量在数字媒体上花费的时间,如果平台不允许外界直接访问,则参与者的自我估计是一种常见的替代方法,如果平台不允许外部访问,直接衡量人们花费的时间。然而,先前的工作使人们对在传统社交媒体平台上花费的时间的自我报告准确性产生疑问,并质疑人们对于在社交媒体上花费的时间的看法所基于的认知因素。在这项工作中,我们探索了一个新的社会平台:TikTok。我们从平台上独立地测量了人们自我报告和服务器对TikTok的使用情况(n=255),以了解用户的人口和平台参与如何影响他们对在平台上花费的时间的看法及其估计的准确性。我们的工作补充了为了解不同数字背景下的时间估计而寻求了解工作体的体积,并确定了可能与未来社交媒体时间估计研究有关的新的参与因素。</s>

0
下载
关闭预览

相关内容

强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
深度自进化聚类:Deep Self-Evolution Clustering
我爱读PAMI
15+阅读 · 2019年4月13日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
VIP会员
相关资讯
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
Top
微信扫码咨询专知VIP会员