In January 2019, YouTube announced it would exclude potentially harmful content from video recommendations but allow such videos to remain on the platform. While this step intends to reduce YouTube's role in propagating such content, continued availability of these videos in other online spaces makes it unclear whether this compromise actually reduces their spread. To assess this impact, we apply interrupted time series models to measure whether different types of YouTube sharing in Twitter and Reddit changed significantly in the eight months around YouTube's announcement. We evaluate video sharing across three curated sets of potentially harmful, anti-social content: a set of conspiracy videos that have been shown to experience reduced recommendations in YouTube, a larger set of videos posted by conspiracy-oriented channels, and a set of videos posted by alternative influence network (AIN) channels. As a control, we also evaluate effects on video sharing in a dataset of videos from mainstream news channels. Results show conspiracy-labeled and AIN videos that have evidence of YouTube's de-recommendation experience a significant decreasing trend in sharing on both Twitter and Reddit. For videos from conspiracy-oriented channels, however, we see no significant effect in Twitter but find a significant increase in the level of conspiracy-channel sharing in Reddit. For mainstream news sharing, we actually see an increase in trend on both platforms, suggesting YouTube's suppressing particular content types has a targeted effect. This work finds evidence that reducing exposure to anti-social videos within YouTube, without deletion, has potential pro-social, cross-platform effects. At the same time, increases in the level of conspiracy-channel sharing raise concerns about content producers' responses to these changes, and platform transparency is needed to evaluate these effects further.


翻译:在2019年1月,YouTube宣布,它将排除视频建议中的潜在有害内容,但允许这些视频留在平台上。虽然这一步骤旨在降低YouTube在传播此类内容方面的作用,但在其他在线空间继续提供这些视频使人不清楚这种妥协是否实际上减少了其传播。为了评估这一影响,我们采用了中断的时间序列模型,以衡量在YouTube公告前后八个月里,在Twitter和Redddit上的不同类型YouTube分享YouTube是否发生了显著变化。我们评价了三组可能有害的反社会内容的视频共享:一组阴谋内容在YouTube上减少了建议,一套以阴谋为导向的视频在YouTube上减少了建议,一套由阴谋为主的频道上张贴的更多视频,而由其他影响网络(AIN)频道张贴的一组视频。作为一种控制,我们还评估了在主流新闻频道上分享视频的效果。结果显示,阴谋标签和AIN视频在分享方面有很大的下降趋势。但是,对于阴谋导向性网站的反应,我们发现,在TwiTube网站内部没有显著的反向上发现,但是在预估变,在共享中,在共享中会增加这种潜在趋势中增加了这种趋势。

0
下载
关闭预览

相关内容

如何构建你的推荐系统?这份21页ppt教程为你讲解
专知会员服务
64+阅读 · 2021年2月12日
专知会员服务
39+阅读 · 2020年9月6日
【KDD2020-Tutorial】自动推荐系统,Automated Recommendation System
【Manning新书】现代Java实战,592页pdf
专知会员服务
99+阅读 · 2020年5月22日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
LibRec 精选:位置感知的长序列会话推荐
LibRec智能推荐
3+阅读 · 2019年5月17日
Unsupervised Learning via Meta-Learning
CreateAMind
42+阅读 · 2019年1月3日
LibRec 精选:推荐系统的论文与源码
LibRec智能推荐
14+阅读 · 2018年11月29日
【推荐】用Python/OpenCV实现增强现实
机器学习研究会
15+阅读 · 2017年11月16日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】免费书(草稿):数据科学的数学基础
机器学习研究会
20+阅读 · 2017年10月1日
【推荐】视频目标分割基础
机器学习研究会
9+阅读 · 2017年9月19日
Cold-start Sequential Recommendation via Meta Learner
Arxiv
15+阅读 · 2020年12月10日
Arxiv
92+阅读 · 2020年2月28日
Arxiv
23+阅读 · 2018年8月3日
Arxiv
14+阅读 · 2018年4月18日
Arxiv
6+阅读 · 2018年3月28日
VIP会员
相关资讯
Top
微信扫码咨询专知VIP会员