Predikcia aktivity používateľov v prostredí sociálnych médií

Proliferácia odporúčacích systémov na sociálnych sieťach zvýšila potrebu metód, ktoré dokážu predikovať, ako používatelia interagujú s im prezentovaným obsahom. Kým súčasné prístupy označované aj ako digitálne dvojča (angl. digital twin) simulujú správanie konkrétnych jednotlivcov, tento projekt je motivovaný potrebou predpovedať ďalšiu interakciu archetypov používateľov, teda person definovaných demografickými a záujmovými charakteristikami. S rýchlym vývojom generatívnych modelov umelej inteligencie, vrátane LLM a multimodálnych systémov, zostávajú ich schopnosti predpovedať akcie používateľov – ako je kliknutie, označenie „páči sa mi“, preskočenie alebo zotrvanie pri obsahu – stále málo preskúmané.

Hlavným cieľom doktorandského výskumu je preskúmať a porovnať prístupy založené na AI na predikciu ďalšej interakcie používateľa v prostredí sociálnych médií, so zameraním na používateľské archetypy namiesto jednotlivcov. Na tento účel sa práca zameria na generatívne modelovacie stratégie (napr. prediktory založené na LLM), multimodálne enkodéry a hybridné architektúry schopné spracovávať a reagovať na streamovaný online obsah. Významná časť dizertačnej práce sa bude venovať anotácii obsahu v reálnom čase, identifikácii textových, obrazových a video atribútov, ktoré najlepšie predpovedajú používateľské správanie, napr. s využitím PEFT tehcník na rýchlu a efektívnu adaptáciu modelov. Projekt bude tiež analyzovať metodiky hodnotenia sekvenčných predikcií používateľských interakcií vrátane simulačných benchmarkov, ktoré odrážajú realistickú dynamiku platforiem.

Oblasťou aplikácie bude algoritmické auditovanie, výskumná oblasť skúmajúca, ako algoritmické systémy fungujú a či spĺňajú právne, etické alebo výkonnostné požiadavky. Presnejšie modely na predikciu ďalšej interakcie môžu prispieť prístupom algoritmického auditovani, ktoré budú viac autentické, keďže umožnia simulovaným agentom správať sa organickejšie a prirodzenejšie pri interakcii s odporúčacími systémami. Takéto vylepšenia môžu posilniť validitu auditov, umožniť testovanie vo veľkom rozsahu a priniesť hlbšie porozumenie vplyvu dizajnu odporúčacích systémov na rôzne používateľské archetypy.

Súvisiace publikácie:

• Ivan Srba, Branislav Pecher, Jakub Simko, Robert Moro, Maria Bielikova. 2025. Model-based Algorithmic Auditing of Social Media AI Algorithms. In Proceedings of Fourth European Workshop on Algorithmic Fairness, Vol. 294. 439-445.
• Matej Mosnar, Adam Skurla, Branislav Pecher, Matus Tibensky, Jan Jakubcik, Adrian Bindas, Peter Sakalik, and Ivan Srba. 2025. Revisiting Algorithmic Audits of TikTok: Poor Reproducibility and Short-term Validity of Findings. In Proceedings of SIGIR '25. ACM, New York, NY, USA, 3357–3366.

Výskum bude doktorand vykonávať v rámci Kempelenovho inštitútu inteligentných technológií (KInIT, https://kinit.sk) v Bratislave v spolupráci s priemyselnými partnermi alebo výskumníkmi zo svetovo uznávaných výskumných skupín v rámci medzinárodných výskumných grantov. Predpokladá sa kombinovaná (externá) forma štúdia a pracovný pomer na plný úväzok v KInIT.