本研究提出了一种算法框架，使得在通过类似赌博机学习用户喜好进行内容个性化推荐过程中能够控制偏差和歧视，并通过实验验证了该算法的可行性和效果。

Feb, 2018

通过重新加权用户关注的账户的相对重要性，我们提出了一种改善社交媒体中极端化和信息孤立化问题的新方法，以在相关性和多样性之间取得平衡，从而降低社交媒体的负面影响，同时保持信息流的质量。我们通过实验验证了这种方法的有效性，并证明其能够促进更健康、更具凝聚力的在线社区。

Aug, 2023

本文提出一种解决在社交网络中平衡信息暴露的问题的算法，通过使用近似算法来找到两组节点，以使两组节点的信息曝光在整个网络中基本上保持平衡。

Sep, 2017

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

本文提出了一个新方法来最大化社交网络中推荐新闻文章给特定用户的多样性，以确保用户暴露于不同的观点，而不是陷入过滤气泡。综合考虑用户性向、内容、分享概率等因素，该方法能够在保证信息传播最大化的同时实现多样性的平衡。作者通过引入新颖的随机可达集的概念扩展和以期约束来解决这个开放的挑战性问题，并设计了可扩展的近似算法。实验结果表明，该算法在多个真实世界的数据集上运行效率和可扩展性良好。

Sep, 2018

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

本文研究如何通过网络结构来降低社交媒体带来的观点极化和分歧，并提出了一种精确且高效的算法，同时对算法进行了合成及真实数据的测试，结果表明该算法对于推荐系统和社交网络优化具有重要意义。

Dec, 2017

本研究呈现了一个新闻搜索引擎的原型，该引擎根据用户定义的灵活限制，以平衡的视角呈现自由派和保守派文章，目的是减少极端化内容，帮助用户逃脱信息过滤泡沫。此项平衡工作利用最近的约束 乐观算法优化技术实现。研究通过将传统的（极端化的）新闻订阅与平衡新闻订阅并列展示来展示其平衡新闻流。

Jun, 2018

该研究提供了一个基于有限置信度模型的数学模型，以研究在线社会辩论和相关的极化动态，重点关注确认偏误在病毒现象中起到的关键作用，并证明了新模型（即无限置信度模型和重连置信度模型）可以解释现实中经常观察到的两种最终稳定观点的共存现象，最后展示了新模型的平均场近似。

Jun, 2016

对个人化的大型语言模型输出进行用户政治倾向性的引导，发现左倾用户更容易接收到对左派政界人物和媒体机构的正面评价，而右倾用户则更容易接收到对右派实体的正面评价。这种个人化模式会带来情感极化和过滤泡沫的风险。

Oct, 2023