Nội dung bài viết
Tính năng “không quan tâm” là bạn của bạn, nhưng người dùng phải cố ý và liên tục quản lý FYP của họ. Trang dành cho bạn của TikTok (FYP) là màn hình chính mặc định cho người dùng nền tảng chia sẻ video.
Đó là nguồn cấp dữ liệu nội dung được cá nhân hóa, được điều khiển bằng thuật toán, nhưng cách tiếp cận này khác với các phương tiện truyền thông xã hội khác ở chỗ thuật toán của TikTok phụ thuộc rất nhiều vào các tín hiệu ngầm—chẳng hạn như thời lượng người dùng xem các video cụ thể—cũng như các tín hiệu rõ ràng như lượt thích hoặc theo dõi.
Và nói chung, thuật toán đó thực hiện rất tốt việc dự đoán video nào sẽ thu hút người dùng cụ thể. Nhưng một số người dùng đã bày tỏ lo ngại rằng thuật toán toàn năng của TikTok dường như không kết hợp tốt các phản hồi tiêu cực.
Ngay cả khi họ không xem video được đề xuất hoặc nhấp vào tính năng “không quan tâm”, họ vẫn tiếp tục xem những video đó trên FYP của mình. Các nhà khoa học máy tính của Đại học Northwestern đã kiểm chứng những nghi ngờ đó.
Theo bài báo gần đây của họ, các tín hiệu tương tác có tác dụng nhưng chỉ tạm thời. Sau đó, thuật toán sẽ dần dần lặp lại trừ khi người dùng liên tục đưa ra cùng một phản hồi lặp đi lặp lại.
Nhóm nghiên cứu chuyên về “kiểm toán thuật toán”, đồng tác giả Piotr Sapiezy nski nói với Ars, để hiểu rõ hơn về các nền tảng trực tuyến: “cách chúng hoạt động, cách chúng thất bại, thời điểm chúng thất bại, chúng gây hại cho các cá nhân và xã hội như thế nào”.
Trong trường hợp này, anh và các đồng tác giả muốn xem xét kỹ hơn cơ quan người dùng sau khi nghe nhiều báo cáo giai thoại từ người dùng TikTok rằng phản hồi tiêu cực của họ — phản hồi lời nhắc bằng cách cho biết họ không quan tâm hoặc muốn xem ít hơn một loại video nhất định — dường như không xóa những bài đăng đó khỏi FYP của họ.
Sapiezynski cho biết: “Mặt khác, không rõ tại sao các nền tảng lại cung cấp nó nếu nó không hoạt động”. Phương pháp của họ không liên quan đến mô phỏng máy tính; đúng hơn, họ đã tạo tài khoản bot trên ứng dụng di động TikTok thực tế, thay vì nghiên cứu người dùng thực tế.
Đồng tác giả Levi Kaplan nói với Ars: “Chúng tôi đã sử dụng các thiết bị mô phỏng, nơi chúng tôi tạo tài khoản và tự động can thiệp vào thuật toán TikTok thông qua mã với các tài khoản bù nhìn”.
"Chúng tôi đã nghĩ ra một phương pháp trong đó chúng tôi lấy siêu dữ liệu bằng cách chặn lưu lượng truy cập mạng, sau đó chúng tôi đưa ra quyết định bằng cách sử dụng LLM.
Tất cả các LLM cũng được xác thực bằng phản hồi của con người." “Về cơ bản, chúng tôi làm việc dựa trên giả định rằng nếu chúng tôi muốn có dữ liệu thì chúng tôi cần phải Sapiezynski nói về phương pháp nhân bản tài khoản của họ.
“Ngay cả khi chúng tôi muốn sử dụng API nhà nghiên cứu TikTok chính thức, chẳng hạn, không có cơ quan người dùng nào được bảo vệ ở đó.
Bạn có thể xem nội dung nào có sẵn nhưng bạn không thể xem từng dòng thời gian riêng lẻ sẽ cho bạn biết thuật toán phản ứng như thế nào với một người dùng cụ thể đang xem hoặc không xem một video cụ thể.
Tương tự, với quyền truy cập dữ liệu nhà nghiên cứu của Liên minh Châu Âu, tất cả dữ liệu này chỉ có thể được truy cập tổng hợp chứ không phải từ góc độ của một người dùng.
Vì vậy, khi bạn thực sự muốn nghiên cứu về tính cá nhân hóa, nghiên cứu này không thể được thực hiện trên dữ liệu tổng hợp.” Nhóm đã chạy thử nghiệm nhiều lần trên 90 tài khoản nhân bản và thực hiện so sánh song song, sử dụng cả tín hiệu ngầm và rõ ràng, để xem thuật toán của TikTok phản ứng như thế nào đối với nội dung được đề xuất trên FYP.
Họ tập trung vào ba chủ đề phổ biến: video nấu ăn, video thể dục và cá cược thể thao. Nút “không quan tâm” tỏ ra hiệu quả nhất, giảm khoảng 84% nội dung không mong muốn, so với mức giảm chỉ 48% khi chỉ bỏ qua video.
“Vì vậy, nếu bạn không muốn nhìn thấy thứ gì đó, bạn nên nhấn vào cái đó utton," Kaplan cho biết. Nhưng các tác giả lưu ý rằng tùy chọn "không quan tâm" dường như được cố tình ẩn khỏi người dùng.
Và thuật toán rất dễ dàng "tái phát" thành một lần nữa làm ngập FYP với nội dung không mong muốn trước đó; ngay cả một sự tương tác lại ngắn gọn của người dùng cũng là đủ. Sapiezynski nói: "Hóa ra là nó hoạt động ngay từ đầu.
Khi bạn bắt đầu nói, 'Tôi không muốn xem chủ đề cụ thể này', nền tảng thực sự có thể hiển thị cho bạn ít nội dung như vậy hơn. Nhưng sau đó nền tảng sẽ dần dần bắt đầu đưa nó trở lại nguồn cấp dữ liệu của bạn.
Và nếu bạn không tiếp tục nói, 'Tôi thực sự không muốn nhìn thấy nó', thì điều này có thể quay trở lại vị trí ban đầu. Vì vậy, nền tảng sẽ phản ứng với phản hồi tiêu cực của bạn, nhưng sau đó nó cũng phản ứng rất nhiều với hành vi thể hiện của bạn.
Vì vậy, nếu bạn được xem lại nội dung này và bạn bắt đầu xem nó, nền tảng sẽ lại cung cấp nội dung đó cho bạn ngày càng nhiều hơn”. Nói cách khác, hãy luôn chủ động đưa ra phản hồi của mình— thường xuyên cảnh giác !—khi quản lý FYP của TikTok.
Các nhà nghiên cứu hy vọng có thể kiểm tra giả thuyết này trên dữ liệu người dùng thực trong tương lai. Điều đó có nghĩa là “Chúng tôi có thể hướng dẫn người dùng cách sử dụng nền tảng một cách Kaplan cho biết: “Kỷ yếu của Hội nghị AAAI quốc tế lần thứ 20 về Web và Truyền thông xã hội năm 2026.
DOI: 10.1609/icwsm.v20i1.42688 (Giới thiệu về DOI). Ars Technica đã tách tín hiệu khỏi nhiễu trong hơn 25 năm.
Sự kết hợp độc đáo giữa hiểu biết về kỹ thuật và mối quan tâm rộng rãi đến nghệ thuật và khoa học công nghệ, Ars là nguồn đáng tin cậy trong biển thông tin.
Gợi ý thực hành:
1. Theo dõi thông báo từ cơ quan địa phương tại California.
2. Kiểm tra nguồn chính thức trước khi chia sẻ lại thông tin.