通过分析一百万个卧底账号的数据，我们发现 YouTube 推荐算法导致特定倾向用户越来越极端化的问题，设计了底层干预方法，成功将这种倾向最小化，然而这种干预措施对于偏向右翼用户来说更为困难。

Mar, 2022

人面向算法的战略行为对算法的可靠性和决策能力有负面影响，因此需要设计可信的算法，研究用户信任的形式化方法及潜在干预手段。

Dec, 2023

通过分类研究了近 800 个政治频道的 YouTube 算法流量，并分析了每个群体的推荐结构，结果表明，YouTube 推荐算法不会鼓励极端化或激进化内容，相反，它更喜欢传统媒体和有着左倾或政治中立态度的独立的 YouTube 频道。

Dec, 2019

本文旨在利用机器学习和人工智能技术，通过一些特征来识别和估计 YouTube 视频的观看量，同时使用排名系统来确定哪些视频是热门的，从而帮助内容创作者判断他们的内容是否可靠，鼓励其进行更健康的竞争以提升其影响力。

Nov, 2022

本文旨在提高用户参与度的同时避免滥用或成瘾行为，介绍了使用 Lotka-Volterra 动力学模型的框架，学习个性化休息策略并通过半合成数据的理论保证和实证评估了其性能。

Nov, 2022

用户行为对推荐算法产生影响，用户可以采取策略来塑造其未来的推荐结果。该研究实验证明用户策略化行为普遍存在，推荐平台需要考虑算法对用户行为的影响。

May, 2024

该研究探讨了内容创作者为获取用户关注所采取的策略，以及在线平台开发者所做出的算法选择对其影响，并提出了一种名为曝光博弈的模型来形式化这种动态。该模型证明了算法选择对曝光博弈的 Nash 均衡的存在和性质产生了重大影响，并提出了一种针对曝光游戏的 (前置) 审核工具来识别理想内容和以激励为导向的排名之间的不一致情况。

Jun, 2022

该研究旨在研究信息过滤泡沫如何产生及如何消除，通过观察预先编程的代理在 YouTube 上观看不实信息宣传内容，然后通过观看辟谣信息以达到平衡推荐结果，结果表明推翻过滤泡沫在不同话题上表现不一，有时也不会表现出真正的过滤泡沫；然而，尽管 YouTube 作出了最近的承诺，但仍未发现太多消除不实信息的改进。

Mar, 2022

本文研究视频传播中的一些因素对视频受欢迎程度的影响，主要得出 “富者愈富”、视频年龄等因素是影响视频流行度的关键。同时，本文研究表明在没有控制视频内容的情况下，将会得出错误的结论。

Nov, 2013

本研究研究了移动健康应用程序的用户参与度和保留度，由于用户有多种不同的主要意图或目标使用应用程序，故他们有多种生命。在这项研究中，我们开发了一个改进的预测模型，可以达到 71％ROC AUC，并对如何使用通知，建议以及游戏化来增加用户参与度具有重要影响。

Feb, 2018