A Predictive Model of Digital Information Engagement: Forecasting User Engagement With English Words by Incorporating Cognitive Biases, Computational Linguistics and Natural Language Processing

要約

この研究は、デジタル情報エンゲージメント (IE) の新しい予測モデルを導入し、実証的にテストします。READ モデルは、魅力的な情報の 4 つの重要な属性 (代表性、使いやすさ、影響力、配布) の頭字語です。
累積プロスペクト理論の理論的枠組み内で概念化されたこのモデルは、重要な認知バイアスを計算言語学および自然言語処理と統合して、情報関与に関する多次元の視点を開発します。
WordNet データベースからランダムに選択された 50 組の同義語 (合計 100 語) を対象とした、厳密なテスト プロトコルが実装されました。
これらの単語のエンゲージメント レベルは、経験的な IE 指標を導き出すために、大規模なオンライン調査 (n = 80,500) を通じて評価されました。
次に、各単語の READ 属性が計算され、その予測有効性が検査されました。
この結果は、READ モデルの堅牢性を裏付け、単語の IE レベルを正確に予測し、84% の精度率で同義語のペアからより魅力的な単語を区別します。
READ モデルの可能性は、ビジネス、教育、政府、医療などのさまざまな領域に広がり、コンテンツのエンゲージメントを強化し、AI 言語モデルの開発や生成テキストの作業に情報を提供する可能性があります。
今後の研究では、さまざまなドメインや言語にわたるモデルの拡張性と適応性に対処し、それによってモデルの適用性と有効性を広げる必要があります。

要約(オリジナル)

This study introduces and empirically tests a novel predictive model for digital information engagement (IE) – the READ model, an acronym for the four pivotal attributes of engaging information: Representativeness, Ease-of-use, Affect, and Distribution. Conceptualized within the theoretical framework of Cumulative Prospect Theory, the model integrates key cognitive biases with computational linguistics and natural language processing to develop a multidimensional perspective on information engagement. A rigorous testing protocol was implemented, involving 50 randomly selected pairs of synonymous words (100 words in total) from the WordNet database. These words’ engagement levels were evaluated through a large-scale online survey (n = 80,500) to derive empirical IE metrics. The READ attributes for each word were then computed and their predictive efficacy examined. The findings affirm the READ model’s robustness, accurately predicting a word’s IE level and distinguishing the more engaging word from a pair of synonyms with an 84% accuracy rate. The READ model’s potential extends across various domains, including business, education, government, and healthcare, where it could enhance content engagement and inform AI language model development and generative text work. Future research should address the model’s scalability and adaptability across different domains and languages, thereby broadening its applicability and efficacy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google