[论文解读] #TulsaFlop: A Case Study of Algorithmically-Influenced Collective Action on TikTok

Jack Bandy, Nicholas Diakopoulos|arXiv (Cornell University)|Dec 14, 2020

Social Media and Politics参考文献 20被引用 34

一句话总结

本论文分析TikTok的推荐算法是否放大了与塔尔萨相关的行动呼吁视频，整体可见性较高但在控制参与度因素后，对塔尔萨视频的额外提升并无统计显著性。

ABSTRACT

When a re-election rally for the U.S. president drew smaller crowds than expected in Tulsa, Oklahoma, many people attributed the low turnout to collective action organized by TikTok users. Motivated by TikTok's surge in popularity and its growing sociopolitical implications, this work explores the role of TikTok's recommender algorithm in amplifying call-to-action videos that promoted collective action against the Tulsa rally. We analyze call-to-action videos from more than 600 TikTok users and compare the visibility (i.e. play count) of these videos with other videos published by the same users. Evidence suggests that Tulsa-related videos generally received more plays, and in some cases the amplification was dramatic. For example, one user's call-to-action video was played over 2 million times, but no other video by the user exceeded 100,000 plays, and the user had fewer than 20,000 followers. Statistical modeling suggests that the increased play count is explained by increased engagement rather than any systematic amplification of call-to-action videos. We conclude by discussing the implications of recommender algorithms amplifying sociopolitical messages, and motivate several promising areas for future work.

研究动机与目标

• 调查TikTok的为你算法是否提高了塔尔萨相关行动号召视频的可见性。
• 理解参与度指标与用户特征如何影响TikTok上视频的可见性。
• 评估塔尔萨相关视频是否在参与度驱动效应之外呈现系统性放大。
• 为关于推荐系统的算法审计及其社会政治影响的更广泛讨论做出贡献。

提出的方法

• 使用种子视频与TikTok API，从616位用户（619条视频）构建种子-雪球数据集，收集塔尔萨相关行动号召视频；扩展到80,682条视频用于基线比较。
• 使用观看次数作为对算法可见性的代理，因推荐中的自动播放；分析与参与度指标（点赞、评论、分享）及粉丝数量的关系。
• 进行非参数分析（Spearman相关、Wilcoxon符号秩检验）以评估可见性模式和用户特异性效应。
• 拟合负二项回归，将播放次数建模为视频长度、点赞数、评论数、分享数、粉丝数和塔尔萨相关状态的函数；在考虑多重共线性的同时解释发生率比。
• 将塔尔萨相关视频的可见性与同一用户的非塔尔萨相关视频进行比较，以控制用户层面的因素。

实验结果

研究问题

• RQ1 TikTok的推荐算法在多大程度上提高了塔尔萨集会行动号召视频的可见性？
• RQ2 参与信号和作者特征如何与TikTok上的视频可见性相关？
• RQ3 在控制其他因素后，塔尔萨相关视频是否对同一用户的其他视频显示出系统性的放大？

主要发现

变量	发生率比
Video Length	0.98890***
Like Count	1.00012***
Comment Count	1.00212***
Share Count	0.99967***
Follower Count	1.00001***
Tulsa Video	1.00633
Pseudo-R² (Cragg-Uhler)	0.66949

• 塔尔萨相关视频通常比其他视频有更高的播放量，对某些用户存在显著放大的例子。
• 对于9%的用户，塔尔萨视频是他们播放量最高的视频；有些案例显示塔尔萨视频获得超过200万次播放，而其他视频仍低于10万。
• 播放次数与点赞数之间存在强相关性（ρ = 0.86），与粉丝数量之间存在中等相关性（ρ = 0.48）；参与度（点赞、评论、分享）与播放次数的相关性高于粉丝数量。
• Wilcoxon检验显示相比中位数视频，塔尔萨视频在播放量、点赞、评论和分享上有更高的倾向（所有p < 0.001）。
• 负二项回归模型发现，在控制参与度指标及其他因素后，塔尔萨视频对播放次数没有统计显著的独立效应；更长时长和参与信号通常预测更高的播放次数，而塔尔萨指示本身并不显著。
• 模型的伪R²（Cragg-Uhler）为0.66949，表明拟合良好，且若干预测变量解释了视频的可见性。