Incentivizing News Consumption on Social Media Platforms Using Large Language Models and Realistic Bot Accounts
作者: Hadi Askari, Anshuman Chhabra, Bernhard Clemm von Hohenberg, Michael Heseltine, Magdalena Wojcieszak
分类: cs.SI, cs.AI, cs.CL
发布日期: 2024-03-20 (更新: 2024-03-30)
💡 一句话要点
利用大型语言模型和虚拟机器人提升社交媒体新闻消费
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 社交媒体 新闻消费 大型语言模型 虚拟机器人 用户参与 信息传播
📋 核心要点
- 现有社交媒体环境中，用户对优质新闻的接触和参与度不足，导致信息极化和信任下降。
- 论文提出通过创建虚拟机器人，利用大型语言模型与用户互动，鼓励他们关注和分享优质新闻内容。
- 实验结果显示，接受女性机器人回复的用户更倾向于喜欢新闻内容，且整体上用户对新闻账户的关注度有所提升。
📝 摘要（中文）
极化、信任下降和对民主规范的支持动摇是美国民主面临的紧迫威胁。接触经过验证的优质新闻可能降低个体对这些威胁的易感性，使公民更能抵御虚假信息、民粹主义和极端党派言论。该项目研究如何在生态有效的环境中增强用户对经过验证和意识形态平衡新闻的接触和参与。我们进行了为期两周的大规模实地实验，涉及28,457名Twitter用户。我们创建了28个利用GPT-2的机器人，针对用户关于体育、娱乐或生活方式的推文进行回应，回复中包含两个硬编码元素：指向相关优质新闻组织的URL和鼓励关注其Twitter账户。我们还测试了机器人性别的差异性效果，结果显示，接受女性机器人回复的用户更可能喜欢新闻内容。尽管结果相对较小且局限于已有政治兴趣的用户，但这些发现对社交媒体和新闻组织具有重要意义。
🔬 方法详解
问题定义：本研究旨在解决社交媒体用户对优质新闻的接触不足问题，现有方法未能有效提升用户的新闻消费和参与度。
核心思路：通过创建基于GPT-2的虚拟机器人，针对用户的社交媒体互动进行定向回复，鼓励用户关注和分享优质新闻，旨在提高用户的新闻参与度。
技术框架：整体架构包括数据收集、机器人创建、用户互动和效果评估四个主要模块。首先收集用户推文数据，然后利用GPT-2生成针对性的回复，最后评估用户的行为变化。
关键创新：本研究的创新点在于结合大型语言模型与社交媒体互动，通过虚拟机器人实现个性化的新闻推荐，区别于传统的静态信息推送方式。
关键设计：在设计中，机器人回复中包含指向新闻内容的URL和鼓励关注的文本，且随机分配机器人性别以测试其对用户行为的影响。
🖼️ 关键图片
📊 实验亮点
实验结果表明，接受女性机器人回复的用户更可能喜欢新闻内容，且整体上，处理组用户对新闻账户的关注度显著提高。尽管效果相对较小，但在已有政治兴趣的用户中表现更为明显，显示出该方法的潜在有效性。
🎯 应用场景
该研究的潜在应用领域包括社交媒体平台和新闻组织，能够通过增强用户对优质新闻的接触，提升信息传播的质量与效率。未来，类似的方法可以推广到其他社交媒体平台，帮助用户更好地抵御虚假信息和极端言论。
📄 摘要（原文）
Polarization, declining trust, and wavering support for democratic norms are pressing threats to U.S. democracy. Exposure to verified and quality news may lower individual susceptibility to these threats and make citizens more resilient to misinformation, populism, and hyperpartisan rhetoric. This project examines how to enhance users' exposure to and engagement with verified and ideologically balanced news in an ecologically valid setting. We rely on a large-scale two-week long field experiment (from 1/19/2023 to 2/3/2023) on 28,457 Twitter users. We created 28 bots utilizing GPT-2 that replied to users tweeting about sports, entertainment, or lifestyle with a contextual reply containing two hardcoded elements: a URL to the topic-relevant section of quality news organization and an encouragement to follow its Twitter account. To further test differential effects by gender of the bots, treated users were randomly assigned to receive responses by bots presented as female or male. We examine whether our over-time intervention enhances the following of news media organization, the sharing and the liking of news content and the tweeting about politics and the liking of political content. We find that the treated users followed more news accounts and the users in the female bot treatment were more likely to like news content than the control. Most of these results, however, were small in magnitude and confined to the already politically interested Twitter users, as indicated by their pre-treatment tweeting about politics. These findings have implications for social media and news organizations, and also offer direction for future work on how Large Language Models and other computational interventions can effectively enhance individual on-platform engagement with quality news and public affairs.