Mapping the Design Space of Teachable Social Media Feed Experiences

社交媒体的信息流是深层的个人空间，反映了个人的价值观和偏好。然而，自上而下的平台广泛内容算法可能会减少用户的主动性，未能考虑到细致的经验和价值观。借鉴交互式机器教学 (IMT) 的范例，即针对非专家算法适应的交互框架，我们为可教授的社交媒体信息流体验绘制了一个设计空间，以赋予主动性和个性化的信息流策划。为此，我们进行了一个思考大声研究 (N=24)，包括 Instagram、Mastodon、TikTok 和 Twitter 四个社交媒体平台，以了解用户用来确定信息流中帖子价值的关键信号。我们将用户的信号综合成分类法，与用户访谈相结合，形成五个设计原则，将 IMT 扩展到社交媒体环境中。最后，我们将原则体现在三个信息流设计中，作为可教授信息流体验的敏感概念。

如何设计可教授的社交媒体内容算法，以便用户能够更好地控制他们的信息流？这是否是一个新问题？

通过交互式机器教学（IMT）范例，设计可教授的社交媒体内容算法，以便用户能够更好地控制他们的信息流。论文提出了五个设计原则，并将其应用于三个范例feed设计中。

通过对24名用户在四个社交媒体平台上的使用进行研究，论文提出了用户决定feed中帖子价值的关键信号，并将其综合成了分类法。实验结果表明，论文提出的范例设计可以帮助用户更好地控制他们的信息流。

近期相关研究包括：1.《个性化社交媒体推荐：一个综述》；2.《社交媒体上的信息过载和过滤：综述》；3.《社交媒体上的用户个性化信息流过滤：一个综述》。