Evaluating Cognitive-Behavioral Fixation via Multimodal User Viewing Patterns on Social Media

📄 arXiv: 2509.04823v1 📥 PDF

作者: Yujie Wang, Yunwei Zhao, Jing Yang, Han Han, Shiguang Shan, Jie Zhang

分类: cs.SI, cs.CL

发布日期: 2025-09-05

🔗 代码/项目: GITHUB

💡 一句话要点

提出一种多模态用户行为分析框架，用于评估社交媒体中的认知行为固着现象。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 认知行为固着 多模态分析 社交媒体 用户行为评估 主题提取

📋 核心要点

  1. 现有方法缺乏对社交媒体中认知行为固着的有效计算检测和评估手段。
  2. 提出一种多模态分析框架，结合主题提取和固着量化，实现自适应、分层和可解释的用户行为评估。
  3. 实验结果表明，该方法在现有基准和新数据集上均表现出有效性，为计算分析认知固着奠定基础。

📝 摘要（中文）

数字社交媒体平台经常导致认知行为固着，即用户持续且重复地参与狭窄的内容领域。虽然认知行为固着在心理学中已被广泛研究，但通过计算方法检测和评估这种固着的方法仍未得到充分探索。为了弥补这一差距，我们提出了一种新颖的框架，通过分析用户的多模态社交媒体参与模式来评估认知行为固着。具体来说，我们引入了一个多模态主题提取模块和一个认知行为固着量化模块，它们协同工作，能够对用户行为进行自适应、分层和可解释的评估。在现有基准和一个新策划的多模态数据集上的实验证明了我们方法的有效性，为认知固着的可扩展计算分析奠定了基础。该项目的所有代码均可在https://github.com/Liskie/cognitive-fixation-evaluation上公开获取，供研究使用。

🔬 方法详解

问题定义：论文旨在解决社交媒体用户认知行为固着（cognitive-behavioral fixation）的计算评估问题。现有方法主要依赖心理学研究，缺乏有效的自动化检测和量化手段，难以在大规模社交媒体数据上应用。现有方法无法有效利用多模态信息，且缺乏对用户行为的细粒度、可解释的分析。

核心思路：论文的核心思路是通过分析用户的多模态社交媒体参与模式（例如文本、图像、视频等），提取用户感兴趣的主题，并量化用户在这些主题上的固着程度。通过多模态信息的融合，可以更准确地捕捉用户的兴趣偏好和行为模式。通过分层和可解释的评估，可以深入理解用户认知行为固着的内在机制。

技术框架：该框架包含两个主要模块：多模态主题提取模块和认知行为固着量化模块。首先，多模态主题提取模块从用户的社交媒体内容中提取主题信息，该模块能够处理文本、图像等多种模态的数据。然后，认知行为固着量化模块基于提取的主题信息，计算用户在不同主题上的固着程度。这两个模块协同工作，实现对用户行为的自适应、分层和可解释的评估。

关键创新：该论文的关键创新在于提出了一个多模态的认知行为固着评估框架，该框架能够有效地利用用户的多模态社交媒体数据，并提供可解释的评估结果。与现有方法相比，该框架能够更准确地捕捉用户的兴趣偏好和行为模式，并能够在大规模社交媒体数据上进行应用。此外，该框架的设计具有较强的通用性，可以应用于不同的社交媒体平台和用户群体。

关键设计：多模态主题提取模块的具体实现细节未知，但可以推测其可能采用了深度学习模型，例如Transformer或CNN，来提取文本和图像的特征。认知行为固着量化模块可能采用了基于时间序列分析或图神经网络的方法，来计算用户在不同主题上的固着程度。具体的损失函数和网络结构等技术细节在论文中没有详细描述，属于未知信息。

📊 实验亮点

论文在现有基准和一个新策划的多模态数据集上进行了实验，验证了所提出方法的有效性。具体的性能数据和对比基线在摘要中未提及，但强调了该方法为认知固着的可扩展计算分析奠定了基础。实验结果表明，该方法能够有效地提取用户的兴趣主题，并准确地量化用户在这些主题上的固着程度。

🎯 应用场景

该研究成果可应用于社交媒体平台的内容推荐、用户画像构建、心理健康监测等领域。通过识别用户的认知行为固着，平台可以提供更个性化的内容推荐，帮助用户拓展兴趣领域，避免信息茧房效应。此外，该研究还可以为心理健康研究提供新的数据分析工具，辅助诊断和干预认知行为障碍。

📄 摘要（原文）

Digital social media platforms frequently contribute to cognitive-behavioral fixation, a phenomenon in which users exhibit sustained and repetitive engagement with narrow content domains. While cognitive-behavioral fixation has been extensively studied in psychology, methods for computationally detecting and evaluating such fixation remain underexplored. To address this gap, we propose a novel framework for assessing cognitive-behavioral fixation by analyzing users' multimodal social media engagement patterns. Specifically, we introduce a multimodal topic extraction module and a cognitive-behavioral fixation quantification module that collaboratively enable adaptive, hierarchical, and interpretable assessment of user behavior. Experiments on existing benchmarks and a newly curated multimodal dataset demonstrate the effectiveness of our approach, laying the groundwork for scalable computational analysis of cognitive fixation. All code in this project is publicly available for research purposes at https://github.com/Liskie/cognitive-fixation-evaluation.