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

本文旨在研究推荐系统中的过滤气泡现象，通过对过滤气泡的原因、潜在解决方案的探讨和一个整合工具的提出，论述了这一问题的存在及其解决途径，并提出了缓解过滤气泡对推荐系统的影响的机制和方案。

Jul, 2023

在这项研究中，我们通过在中国一家顶级短视频平台的一年交互数据，对 “深度” 筛选气泡进行了调查，该平台包括每个视频的三级类别的层次数据，我们对这种情况下的 “深度” 筛选气泡进行了形式化定义，然后在数据中探索了各种相关性，首先了解了深度筛选气泡随时间的演变，然后揭示了导致该现象的一些因素，如特定类别、用户人口统计数据和反馈类型。我们观察到，尽管筛选气泡中用户的整体比例随时间基本保持不变，但其筛选气泡的深度构成会发生变化。此外，我们发现一些具有更大可能性看到较狭窄内容和隐性反馈信号的人口群体会导致较少的筛选气泡形成。最后，我们提出了一些减少用户陷入气泡风险的推荐系统设计方法。

Mar, 2024

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

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

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

研究表明，电商平台上的疫苗错误信息越来越受到关注。通过两组算法审计，发现亚马逊的搜索和推荐算法存在排名偏见和过滤气泡效应。

Jan, 2021

本研究介绍了一个新数据集，其中包含 250 个手动注释的前列腺癌视频，用于自动检测 YouTube 视频中的错误信息。研究者们利用语言、声学、和用户参与等特征开发了分类模型，其识别错误信息的准确率可达到 74％，具有 76.5％的精确度和 73.2％的召回率。

Sep, 2019

本研究探讨了机器学习在推荐系统中的应用，分析了用户动态和推荐系统行为对 “回声室” 和 “筛选气泡” 现象的影响及其解决方案。该研究有助于理解和解决该领域仍然存在的复杂时间情景及其常见问题。

Feb, 2019

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