社交媒体使用可从应用序列预测：利用LSTM和Transformer神经网络建模习惯行为
人机交互
2024-06-25 v2 机器学习
社会与信息网络
摘要
本文提出了一种通过预测性建模智能手机用户序列行为来研究社交媒体习惯的新方法。尽管关于媒体与技术习惯的文献大多依赖自我报告问卷和简单的行为频率测量，我们考察了媒体与技术习惯中一个重要但尚未充分研究的方面：它们嵌入在重复的行为序列中。利用长短期记忆网络和Transformer神经网络，我们展示了：(i) 社交媒体使用在个体内和个体间层面均可预测；(ii) 社交媒体使用的可预测性存在稳健的个体差异。我们考察了几种建模方法的性能，包括：(i) 基于所有参与者合并数据训练的全局模型，(ii) 个体特异性的个人模型，以及(iii) 在个体特异性数据上微调的全局模型。个体特异性建模或在个体特异性数据上微调均未显著优于全局模型，表明全局模型能够表征多种特异性的行为模式。此外，我们的分析揭示，个体层面的社交媒体使用可预测性与智能手机使用频率或社交媒体使用频率并无显著关联，表明我们的方法捕捉到了习惯中区别于行为频率的一个方面。本文讨论了其对习惯建模和理论发展的启示。
引用
@article{arxiv.2404.16066,
title = {Social Media Use is Predictable from App Sequences: Using LSTM and Transformer Neural Networks to Model Habitual Behavior},
author = {Heinrich Peters and Joseph B. Bayer and Sandra C. Matz and Yikun Chi and Sumer S. Vaid and Gabriella M. Harari},
journal= {arXiv preprint arXiv:2404.16066},
year = {2024}
}