YouTube短视频与长视频推荐算法的高效数据检索与比较偏差分析
信息检索
2025-07-30 v1 社会与信息网络
摘要
短格式视频内容（如YouTube Shorts）的日益流行已改变用户在数字平台上的参与方式，引发了关于推荐算法在塑造用户体验方面作用的关键问题。这些算法显著影响内容消费，但关于偏见、回音室和内容多样性的担忧仍然存在。本研究开发了高效的数据收集框架，分析YouTube为短视频和长视频所采用的推荐算法，采用并行计算和高级抓取技术来克服YouTube API的局限性。分析结果揭示了两种视频格式下推荐算法呈现出不同的行为模式，短视频显示出更快地转向引人入目但多样性较低的内容，而长视频则相对更具多样性。此外，本研究对政治敏感话题（如南海争端）的算法偏见进行了新型调查，凸显了这些算法在塑造叙事和放大特定观点的作用。通过提供可行的见解，以设计公平且透明的推荐系统，本研究强调了在不断演变的数字媒体环境中负责任的人工智能实践的重要性。
引用
@article{arxiv.2507.21467,
title = {Efficient Data Retrieval and Comparative Bias Analysis of Recommendation Algorithms for YouTube Shorts and Long-Form Videos},
author = {Selimhan Dagtas and Mert Can Cakmak and Nitin Agarwal},
journal= {arXiv preprint arXiv:2507.21467},
year = {2025}
}