.png){kind=icon}
返回
Quantifying feature importance for online content moderation
.png){kind=icon}
OA
AI
DOI：10.1140/epjds/s13688-026-00659-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确估计用户对干预措施的反应对于设计有效且以用户为中心的干预策略至关重要。这需要理解哪些用户特征与不同的行为反应相关。我们通过分析753个社会行为、语言、关系和心理特征对预测16.8K名受Reddit大规模干预措施影响的用户行为变化的信息量来解决这个问题。我们将任务表述为量化问题，这非常适合在分布转移下估计集体行为的转变，并应用贪婪特征选择策略来识别最具有信息量的特征并估计其重要性。我们的结果表明，预测性能在不同任务间存在显著差异：活动和毒性变化可以可靠地估计，而参与多样性变化则难以预测。我们发现一小部分特征能持续提升跨任务的性能，而许多其他特征要么是任务特定的，要么提供的附加价值有限。重要的是，基于精心选择特征的模型优于单一特征组和完整特征集，表明结合互补信号对于准确估计至关重要。总体而言，我们的发现强调了干预后用户行为的复杂性和任务依赖性，表明有效的干预策略不仅应针对用户特征，还应针对特定的行为结果进行定制。
Keyword:
Content moderation
Quantification
User behaviour
Feature importance
期刊
IF:
2.5
论文数:
704
被引数:
1.6K
机构
查看更多机构
引用论文
暂无论文信息