Evaluating Cognitive-Behavioral Fixation via Multimodal User Viewing Patterns on Social Media
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 用户行为分析 主题提取
📋 核心要点
- 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与评估手段。
- 提出一种多模态分析框架，结合主题提取与固着量化，实现自适应、分层和可解释的用户行为评估。
- 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，为进一步研究奠定基础。
📝 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。虽然心理学已经广泛研究了认知行为固着，但计算检测和评估此类固着的方法仍未得到充分探索。为了解决这一差距，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，以供研究使用。
🔬 方法详解
问题定义：论文旨在解决社交媒体用户中认知行为固着（cognitive-behavioral fixation）的计算检测与评估问题。现有方法主要依赖心理学研究，缺乏有效的自动化分析工具，难以在大规模社交媒体数据上进行应用。现有方法无法有效捕捉用户在多模态内容上的细粒度行为模式，难以准确量化认知行为固着的程度。
核心思路：论文的核心思路是通过分析用户在社交媒体上的多模态行为模式（例如，文本、图像、视频等），提取用户感兴趣的主题，并基于这些主题的参与度来量化认知行为固着的程度。通过多模态信息的融合，可以更全面地了解用户的兴趣偏好和行为模式，从而更准确地评估认知行为固着。
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，该模块能够处理文本、图像和视频等多种模态的数据。然后，认知行为固着量化模块基于提取的主题，分析用户在不同主题上的参与度，并计算认知行为固着的程度。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，该框架能够有效地融合不同模态的信息，并自适应地提取用户感兴趣的主题。与现有方法相比，该框架能够更全面地了解用户的兴趣偏好和行为模式，从而更准确地评估认知行为固着的程度。此外，该框架还具有可解释性，能够提供关于用户认知行为固着的具体原因和表现的 insights。
关键设计：多模态主题提取模块可能采用了深度学习模型，例如Transformer或BERT，来处理文本数据，并使用卷积神经网络（CNN）来处理图像和视频数据。认知行为固着量化模块可能采用了基于注意力机制的模型，来衡量用户在不同主题上的参与度。损失函数的设计可能包括主题一致性损失和固着程度损失，以确保提取的主题具有一致性，并能够准确地反映用户的认知行为固着程度。具体参数设置未知。
🖼️ 关键图片
📊 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。具体性能数据未知，但摘要中提到该方法能够实现对用户行为的自适应、分层和可解释的评估，为认知固着的可扩展计算分析奠定了基础。与现有方法相比，该方法在认知行为固着的检测和评估方面取得了显著提升。
🎯 应用场景
该研究成果可应用于心理健康监测、个性化推荐系统、网络成瘾干预等领域。通过自动检测用户的认知行为固着程度，可以帮助识别潜在的心理健康问题，并提供个性化的干预措施。此外，该研究还可以用于改进推荐系统，避免用户过度沉迷于特定类型的内容，从而提高用户体验。
📄 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.