大禁令理論：線上內容審查前後資料集
arXiv - Human-Computer InteractionAldo Cerulli, Lorenzo Cima, Benedetta Tessa, Serena Tardelli, Stefano Cresci
提供一個涵蓋25種審查干預、339K用戶、近39M訊息的標準化資料集，方便研究者系統比較審查效果。
AI 幫你先抓重點
AI 重點 1
資料集的標準化與時間窗口設計，使研究者能跨干預比較效應，突破以往單一案例限制。
滑鼠懸停看 AI 判斷理由
此設計允許研究者進行系統化、可重複的效應評估，為政策制定與技術開發提供統一基準，改變以往依賴單一案例的研究模式。
AI 重點 2
提供的探索性分析示範多種研究用例，顯示資料集可用於評估審查偏差、用戶復原力與訊息擴散模式。
滑鼠懸停看 AI 判斷理由
這凸顯資料集在實務應用中的多樣性，讀者可直接借鑑方法設計，快速驗證審查策略對不同社群層面的影響，促進跨領域合作。
核心研究發現
- 1
TBBT資料集包含25種不同類型、嚴重程度與範圍的審查干預，涵蓋339,000多名用戶與近39,000,000條訊息。
- 2
每項干預提供三個月前後的標準化元資料與匿名用戶活動，允許一致且可比的效果分析。
- 3
初步探索性分析顯示，審查干預對用戶行為與訊息內容有可觀察的變化，並示範多種研究用例。
對教育工作者的啟發
研究者可利用TBBT資料集，先行建立基線模型評估不同審查策略對用戶行為與訊息品質的影響；透過三個月前後的時間窗口，可觀察短期與長期效應，進而調整審查頻率與嚴格度。政策制定者可藉此辨識偏差來源，優化審查規則，並設計透明度報告。資訊安全專業人員則可用於開發自動化審查工具的訓練資料，提升偵測準確度與公平性。
原始文獻資訊
- 英文標題：
- The Big Ban Theory: A Pre- and Post-Intervention Dataset of Online Content Moderation Actions
- 作者：
- Aldo Cerulli, Lorenzo Cima, Benedetta Tessa, Serena Tardelli, Stefano Cresci
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。