XiaoMi-AI文件搜索系统
World File Search SystemYouTube
Lawfluencers：Tiktok和YouTube上的法律专业精神
本文调查了律师影响者或“律师事务所”的兴起，以及他们的到来对法律专业的含义。在当今的注意力经济中，“影响者”现在是中心参与者。有影响力的人在社交媒体上分享了他们的知识和生活方式，以积累“追随者”。这些有影响力的人随后将追随者对商业利益和/或文化资本的忠诚度进行了了解。我们的文章解释了什么是法律，重点是Tiktok和YouTube，这是两个最杰出的基于视频的社交媒体平台。它标识了背后的驱动因素，以及塑造的技术特征，法律影响力的外观。它还描述了律师正在创建的视频类型，以及他们引人注目的（真实且平易近人的个人）与业余（可信赖的专家）的融合。我们的文章着重于法律对“专业精神”的影响，即通常表征专业地位的身份，专业知识，价值观和安排。律法可能会为公众提供更大的司法权，并为律师提供创造力和职业发展的新模式。仍然，这项活动仍在大型技术的平台上进行。那么，这是对他们的商业要求和数字文化的主题，以及观众的观看偏好或所谓的“算法”。本文概述了影响客户和法律的构成构成的道德风险，以及法律专业和法律制度的合法性带来的挑战。在此过程中，我们确定负责任的法律实践。
使用高级机器学习模型在YouTube评论上检测垃圾邮件：比较研究Gregorius Airlangga 1* 1 Atma Jaya天主教大学
摘要在YouTube等平台上产生的用户生成内容的指数增长导致垃圾邮件评论的增加，这对用户体验和内容审核的工作产生了负面影响。本研究介绍了各种机器学习模型的全面比较研究，用于检测YouTube上的垃圾评论。该研究评估了一系列传统和集合模型，包括线性支持向量分类器（LinearsVC），Randomforest，LightGBM，XGBoost和fotingClassifier，目的是识别自动垃圾邮件检测的最有效方法。数据集由标记的YouTube注释组成，并使用术语频率插图频率（TF-IDF）矢量化进行文本预处理。使用分层的10倍交叉验证对每个模型进行训练和评估，以确保鲁棒性和概括性。LinearsVC优于所有其他模型，其精度为95.33％，F1得分为95.32％。该模型表现出优异的精度（95.46％）和召回（95.33％），使其在区分垃圾邮件和合法评论方面非常有效。结果突出了线性垃圾邮件检测系统的线性潜力，在准确性和计算效率之间提供了可靠的平衡。此外，研究表明，尽管Random Forest和投票classifier之类的集合模型表现良好，但在这种情况下它们并没有超过更简单的线性模型。未来的工作将探索深度学习技术的结合，例如卷积神经网络（CNN）和经常性神经网络（RNN），以捕获更复杂的模式并进一步提高YouTube等社交媒体平台上的垃圾邮件检测准确性。
社交机器人索菲亚是如何通过YouTube视频介导的
机器人技术中的摘要，这是一个仍在原型的研究领域，大部分研究都是通过机器人的视频和图片进行的。我们研究如何通过YouTube视频来感知高度人类的机器人索菲亚。研究人员在实验中经常认为人们认为人形生物如此。通过这项研究，我们想了解大学生的便利样本在多大程度上感知索菲亚的人类风格；其次，我们调查了他们归因于她的精神能力和情感。第三，我们探索了他们想象的索菲亚的可能用途。我们的发现表明，通过视频的索菲亚的形态学人类风格在这些参与者的代表中并不重要。只有某些心理功能归因于索菲亚，而没有情感。最后，索菲亚的用法与性别刻板印象相关，这些观念是刻板印象的妇女专业和职业的特征，但并非完全。
在YouTube上审计娱乐陷阱：建议算法如何使用户脱离新闻
自定义个人信息提要的摘要建议算法引起了人们对加剧公民新闻暴露不平等的担忧。应对这些问题，我们对YouTube进行了一项审计研究，以分析对策展新闻与其他内容主题的算法影响。我们检查了2019年审核的170万次YouTube视频建议，并开发了包括网络分析和马尔可夫链在内的新颖分析方法。结果表明，建议算法可能会通过两种影响途径将用户从新闻内容重定向：（1）“局部过滤器泡泡”，其中娱乐内容具有更高的可能性，即以自我增强方式推荐而不是新闻内容； （2）“算法重定向”，其中在新闻视频之后推荐娱乐视频的可能性远高于相反的情况。总的来说，YouTube推荐算法的推荐娱乐视频的可能性高于新闻。这些发现意味着在数字平台上提出的算法建议中，除了放大用户的偏好之外，还存在。
推荐毒性：算法推荐人在YouTube短裤上的作用和Tiktok在促进男性至上主义的影响者中的作用
我们的研究团队在29个小时的视频中观看，录制和编码：12小时43分钟的Tiktok视频（或平均每个帐户2小时零32分钟）和16小时41分钟的YouTube短裤视频（或平均每个帐户3小时20分钟）。录音是手动和系统地编码的，以识别数据集中最常见的主题类别，参与者和标签以及最主要的神话或“谈话点”。通过编码和子编码与男性权利，反女权主义和新男性化的影响者有关的所有内容，我们能够根据不同的年龄概况，利益和相互作用的类型来确定Manosphere建议的频率和性质。
推荐毒性：算法推荐人在YouTube短裤上的作用和Tiktok在促进男性至上主义的影响者中的作用
近年来，人们对推荐算法在向社交媒体用户推广极端内容中的作用越来越关注。来自教育工作者和父母的轶事记录表明，尤其是男孩，尤其是受到备受瞩目的“ Manosphere”影响者的目标，通常是出于关于心理健康或财富积累的建议。虽然社交媒体一直在扩大反女权主义者的权利活动家一段时间，但尤其是在蒂克托克（Tiktok）上的有影响力文化的增长，已经平台了大量有影响力的意识形态企业家，例如安德鲁·泰特（Andrew Tate），迈伦·盖恩斯（Myron Gaines）和Sneako。男性不安全感的这种货币化不仅是主流反女权主义者和反LGBTQ意识形态，而且还可以用作通向边缘远处和其他极端世界观的门户（Ribeiro等人，2021年； Brace等，2023）。
YouTube作为出血胶的信息源
口香糖出血是一个常见的牙齿问题，许多患者在线寻求有关该主题的健康相关信息。YouTube网站是搜索医疗信息的人们的流行资源。据我们所知，最近没有研究评估了与YouTube™上出血胶有关的内容。 因此，本研究旨在对与牙龈出血有关的YouTube视频进行定量和定性分析。 使用Google趋势中的关键字“出血胶”在YouTube上进行了搜索。 在前200个结果中，有107个视频符合纳入标准。 视频的描述性统计信息包括自上传以来的时间，视频长度以及喜欢，视图，评论，订阅者和查看率的数量。 全球质量评分（GQS），有用性得分和分数用于评估视频质量。 使用Kruskal -Wallis检验，Mann -Whitney检验和Spearman相关分析进行统计分析。 大多数（n = 69，64.48％）观察到的视频是由医院/诊所和牙医/专家上传的。 最高覆盖范围是症状（95.33％）。 只有14.02％的视频被归类为“好”。 被评为“良好”的视频的平均视频长度明显长于其他组（p <0.05），而评级为“差”的视频的平均观看率（63,943.68％）大大高于其他组（p <0.05）。 you-牙龈出血的视频质量中等，但它们的内容不完整且不可靠。据我们所知，最近没有研究评估了与YouTube™上出血胶有关的内容。因此，本研究旨在对与牙龈出血有关的YouTube视频进行定量和定性分析。使用Google趋势中的关键字“出血胶”在YouTube上进行了搜索。在前200个结果中，有107个视频符合纳入标准。视频的描述性统计信息包括自上传以来的时间，视频长度以及喜欢，视图，评论，订阅者和查看率的数量。全球质量评分（GQS），有用性得分和分数用于评估视频质量。使用Kruskal -Wallis检验，Mann -Whitney检验和Spearman相关分析进行统计分析。大多数（n = 69，64.48％）观察到的视频是由医院/诊所和牙医/专家上传的。最高覆盖范围是症状（95.33％）。只有14.02％的视频被归类为“好”。被评为“良好”的视频的平均视频长度明显长于其他组（p <0.05），而评级为“差”的视频的平均观看率（63,943.68％）大大高于其他组（p <0.05）。you-牙龈出血的视频质量中等，但它们的内容不完整且不可靠。不正确和内容不足会显着影响患者的身份和医疗决定。需要由牙科专业人员，组织和YouTube平台来花费努力，以确保YouTube可以作为出血胶的可靠信息来源。
辩论聊天机器人，以促进YouTube上的批判性思考
暴露于各种观点有助于在线公共视频平台中破坏过滤器泡沫。最新的大语模型（LLMS）的进步阐明了创建辩论聊天机器人的潜力，该聊天机器人促使用户严格检查他们对观看视频形成的主题的立场。但是，观众是否受聊天机器人的影响可能取决于其角色。在本文中，我们研究了两个相关角色属性的影响 - 社会认同和修辞风格 - 对批判性思维。在一项混合方法研究（n = 36）中，我们发现聊天机器人具有外部（vs. ingroup）身份（t（33）= -2.33，p = 0.03）和有说服力的（vs. eristic）修辞（t（44）= 1.98，p = 0.05）引起了最有效地思考最有效的参与者，他们的参与者是有效的，他们的参与者是他们的参与者。但是，参与者的立场在很大程度上不受影响，这可能是由于聊天机器人缺乏上下文知识和人类的触觉。我们的论文为设计聊天机器人角色提供了用于补救在线社区中的过滤泡沫的经验基础。
使用反事实机器人
近年来，对在线平台的批评提出了人们对推荐算法扩大有问题内容的能力的担忧，并具有潜在的激进后果。但是，试图评估推荐人的效果的尝试遭受了缺乏适当的反事实的困扰 - 在没有算法建议的情况下，用户会看待的是什么，因此无法将算法的影响从用户的意图中解散。在这里，我们提出了一种我们称为“反事实机器人”的方法，以估计算法建议在YouTube上摄入高度党派内容的作用。通过比较将真实用户的消费模式与遵循基于规则的轨迹的“反事实”机器人进行比较，我们表明，平均而言，仅依靠YouTube推荐人会导致党派消费较少，在这种情况下，这种效果最为明显。按照类似的方法，我们还表明，如果党派消费者切换到中等内容，YouTube的侧边栏建议在大约30个视频中“忘记”他们的党派偏好，而不论其先前的历史记录如何，而主页建议则更逐渐地转向中等内容。总的来说，我们的发现表明，至少自YouTube在2019年实施的算法变化以来，个人消费模式主要反映了个体偏好，算法建议在其中扮演的角色（如果有的话）是一个调节角色。