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

本文利用大规模数据分析研究了 YouTube 上用户的激进化现象，结果表明随着时间推移，用户越来越倾向于消费极端化的内容，尤其是从 I.D.W 和 Alt-lite 渐进到 Alt-right 频道，并且通过探究 YouTube 的推荐算法，发现 Alt-lite 容易从 I.D.W 频道中获得推荐，而 Alt-right 只能通过频道推荐获得。

Aug, 2019

本文介绍了一种基于 sock puppet 审计方法的调查研究，旨在研究用户观看不实信息内容时进入误导过滤 “气泡” 的速度以及如何破解这一 “气泡” 封闭。通过人工和机器学习模型对 17,405 个不同视频进行筛选和分类，发现观看反驳错误信息的视频可以破解 “气泡” 效应，但这一效应在不同主题下表现不一致，并且视频推荐十分依赖上下文。

Oct, 2022

使用分类器与仿真 YouTube 观看下一个视频算法的方法开发了一个方法，用于确定视频是否伪造，以验证 YouTube 的推荐算法是否将阴谋论排除在最恶劣的范畴之外。我们还获得了 YouTube 关于阴谋论主题的趋势和所谓的筛选气泡效果。

Mar, 2020

本文探讨了三个阶段的算法干预方案，重点在于如何利用推荐系统来解决分裂和冲突问题，以达到更具建设性的冲突转型。实证研究表明，基于多样性的干预措施可能会在某些情况下加剧分裂。因此，本文建议将文本中的温和性度量与多样性相结合，以制定更有效的干预措施。

Jul, 2021

该研究通过构建多模数据集和深度学习算法，探讨了基于视频和音频进行新闻 YouTube 频道的政治意识形态预测问题，并在文本和元数据的基础上通过使用声音信号，将偏见检测能力提高了 6% 以上。

Oct, 2019

本文通过收集 6.6K 有关 COVID-19，平地球理论以及反疫苗和反口罩运动的视频，用众包的方式注释它们的科学性，并训练了一种深度学习分类器来检测虚假科学视频，揭示了用户在 YouTube 上曝光这些内容的情况及其变化，以及用户历史记录对推荐视频类型的影响。

Oct, 2020

美国约四分之一的成年人定期通过 YouTube 获取新闻内容。然而，尽管该平台上存在大量政治内容，但迄今为止还没有提出可以识别 YouTube 视频政治倾向的分类器。为了填补这一空白，我们提出了一种基于 Google 的语言模型 Bert 的新型分类器，仅通过视频标题将 YouTube 视频分为六类：极左、左派、中间、反唤醒、右派和极右。我们使用一个公共数据集中的 1000 万个 YouTube 视频标题（涵盖各种类别）来训练和验证所提出的分类器。我们将分类器与使用相同数据集训练的几种替代算法进行了比较，结果显示我们的分类器在准确性（75%）和 F1 分数（77%）方面都达到了最高水平。为了进一步验证分类性能，我们从包括 Fox News 和 New York Times 在内的多家知名新闻机构的 YouTube 频道收集视频，并将我们的分类器应用于它们的视频标题。在绝大多数情况下，预测的政治倾向与新闻机构相匹配。

Feb, 2024

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

本文提出了一个基于 Monte Carlo 模拟的框架来评估人们推荐算法对意见演变的影响，结果发现人们推荐算法确实会导致峡谷效应显著增加，但仅在网络中有相当数量的同质性的情况下发生。

Dec, 2021