Detección de Contenido Adictivo en la plataforma TikTok usando algoritmos de aprendizaje supervisado.
Contenido principal del artículo
Resumen
El crecimiento exponencial de las plataformas de redes sociales, como TikTok, ha traído consigo preocupaciones sobre los efectos negativos del contenido adictivo en la salud mental y el bienestar de los usuarios, especialmente en niños y adolescentes. Este proyecto se centra en el desarrollo de un sistema de clasificación automatizada utilizando modelos de aprendizaje automático para identificar contenido potencialmente adictivo en TikTok. Se entrenaron y evaluaron varios modelos, incluidos Regresión Logística, Máquinas de Vectores de Soporte (SVM), k-Nearest Neighbors (k-NN), Árboles de Decisión, Naive Bayes y Redes Neuronales, utilizando un conjunto de datos de interacciones de usuarios y características del contenido. Los resultados preliminares muestran que los modelos de Redes Neuronales y SVM lineal y Decision Tree son los más efectivos para capturar las complejas relaciones que definen la adictividad del contenido. Con una precisión superior al 90%, el sistema desarrollado puede ser una herramienta valiosa para mitigar la exposición de los usuarios a contenido perjudicial, reduciendo así el tiempo de pantalla y promoviendo hábitos digitales más saludables. Este estudio propone un enfoque innovador para abordar el problema emergente de la adicción a las redes sociales mediante la intervención directa en los algoritmos de recomendación.
Detalles del artículo
Los autores conservan los derechos de autor y garantizan a la revista el derecho de ser la primera publicación del trabajo al igual que licenciado bajo una Creative Commons Attribution License que permite a otros compartir el trabajo con un reconocimiento de la autoría del trabajo y la publicación inicial en esta revista.
Los autores pueden establecer por separado acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista (por ejemplo, situarlo en un repositorio institucional o publicarlo en un libro), con un reconocimiento de su publicación inicial en esta revista.
Se permite y se anima a los autores a difundir sus trabajos electrónicamente (por ejemplo, en repositorios institucionales o en su propio sitio web) antes y durante el proceso de envío, ya que puede dar lugar a intercambios productivos, así como a una citación más temprana y mayor de los trabajos publicados.