當「為你」並非為你：衡量 TikTok 算法推送中的用戶自主性
arXiv - Computers and SocietyLevi Kaplan, Devin Patel, Nicole Gerzon, Alan Mislove, Piotr Sapiezynski
研究發現 TikTok FYP 算法對使用者的明示與暗示訊號皆敏感，但用戶難以有效阻止不想看的內容，且停止標記後內容又會再次佔據主流。
AI 幫你先抓重點
AI 重點 1
算法對暗示訊號的高度敏感性揭示個人化推送的脆弱性
滑鼠懸停看 AI 判斷理由
即使是微小的觀看行為也能重塑內容供給，這提醒教育工作者需關注平台算法對學習者資訊暴露的潛在風險，並推動更透明的調整機制。
AI 重點 2
用戶難以掌控『不感興趣』功能凸顯介面設計對自主學習的限制
滑鼠懸停看 AI 判斷理由
介面可用性直接影響使用者自我調節能力，對於培養數位素養與自我調控學習策略至關重要，提示設計者需優化可見度與操作流程。
核心研究發現
- 1
FYP 算法對明示訊號（如標記『不感興趣』）與暗示訊號（觀看時間）皆高度敏感，能改變個人化內容比例。
- 2
用戶難以有效執行『不感興趣』訊號，因為該功能隱藏在介面深處，且即使使用也不一定立即生效。
- 3
一旦停止標記不感興趣，該類內容會再次佔據使用者的 FYP，顯示算法對過去興趣的持久記錄。
對教育工作者的啟發
1. 平台應將『不感興趣』按鈕設置於更顯眼位置，並提供即時回饋，提升使用者自我調節能力。2. 教育工作者可利用此研究說明算法對學習者資訊暴露的影響，設計數位素養課程。3. 政策制定者可要求平台公開算法調整機制，保障使用者知情權。4. 研究者可借用本文方法測試其他社交媒體平台的內容推送機制，擴展對算法影響的跨平台比較。5. 學校可在課堂中引入實驗帳號，讓學生體驗算法推送，培養批判性思維與自我監控能力。
原始文獻資訊
- 英文標題：
- When 'For You' Isn't For You: Measuring User Agency in TikTok's Algorithmic Feed
- 作者：
- Levi Kaplan, Devin Patel, Nicole Gerzon, Alan Mislove, Piotr Sapiezynski
- 來源：
- arXiv - Computers and Society
- 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。