📲Digital Trends•較早收集於 57m
研究指出 TikTok 的「不感興趣」按鈕效果不彰
💡深入了解推薦演算法如何處理負面回饋與互動指標之間的權衡。
⚡ 30-Second TL;DR
有什麼變化
按鈕無法阻止內容再次出現
為什麼重要
凸顯了大型社群平台在推薦引擎回饋機制與使用者控制功能上可能存在的缺陷。
下一步行動
在設計 RLHF 系統時，請確保負面回饋訊號的權重足以覆蓋互動偏誤。
誰應關注：Researchers & Academics
關鍵要點
- •按鈕無法阻止內容再次出現
- •被標記的內容在幾分鐘內重新出現
- •由東北大學進行的研究
🧠 深度解析
Web-grounded analysis with 22 cited sources.
🔑 增強重點摘要
- •東北大學的研究使用了機器人軟體來創建線上使用者帳戶進行測試和分析，以評估TikTok「不感興趣」按鈕的有效性。
- •該研究的結果可能對歐盟的政策制定者和監管機構有所助益，用於調查TikTok是否可能違反任何消費者法律。
- •TikTok的演算法旨在平衡「探索」（引入新內容）和「利用」（顯示使用者已喜歡的內容），以避免使用者感到厭倦並最大化留存率。
- •TikTok的推薦系統高度依賴多種使用者互動訊號，包括按讚、留言、分享、觀看時長、重複觀看率以及關注帳戶等，這些訊號的權重會隨時間調整。
- •自2026年初以來，TikTok的演算法進行了底層調整，將核心邏輯從內容優先轉向粉絲互動優先，這意味著影片會首先推播給粉絲，若互動率低則難以獲得廣泛推薦。
📊 競品分析▸ Show
| 平台 | 負面回饋機制 | 演算法推薦重點 | 內容過濾/審核 |
|---|---|---|---|
| TikTok | 「不感興趣」按鈕（研究顯示效果不彰）；隱藏使用者。 | 使用者互動（按讚、分享、評論、觀看時長、重複觀看率、關注）、內容資訊（音樂、標籤、觀看次數）、使用者資訊（位置、語言、裝置類型）；2026年起更側重粉絲互動。 | 系統會根據使用者標記為「不感興趣」的影片來調整推薦。 |
| YouTube | 「不喜歡」按鈕（數量自2021年11月起對公眾隱藏，但仍影響個人推薦）；「不感興趣」、「不要推薦此頻道」。 | 觀看留存率、留言、分享是關鍵；「不喜歡」僅告知系統不要再向該用戶推薦類似內容。 | 用戶可透過「不感興趣」及「不要推薦這個頻道」修正推薦演算法。 |
| 「減少顯示」功能；2025年推出「朋友」分頁以過濾演算法推薦內容。 | 2018年起優先顯示親友內容；2025年更看重「有意義的互動」、AI/機器學習個性化、內容類型平衡；Reels優先高品質、娛樂性、原創性內容。 | 演算法會考慮貼文作者類別、分享與互動狀況判斷是否「值得更多觸及」；避免「互動誘餌」。 | |
| 「隱藏貼文」（典藏功能）；「摯友」功能限制分享對象。 | 貼文演算法基於過去互動、貼文熱度、與發文者關係；限時動態重視「親密互動」與「高頻率溝通」；Reels演算法基於分享、按讚、完播率、使用者是否製作自己的Reels。 | 自2024年起逐步限制非原創內容曝光，2026年擴大至照片與輪播貼文，優先曝光原創內容。 |
🛠️ 技術深入
- TikTok的推薦系統是一個複雜的系統，旨在為其「為您推薦」頁面（FYP）提供內容。
- 該系統透過多種「訊號」來預測使用者可能感興趣的內容，並對影片進行排名。
- 主要訊號包括：使用者互動（例如按讚、分享、評論、觀看時長、重複觀看、關注帳戶）、內容資訊（例如音樂、主題標籤、影片觀看次數、內容發佈國家/地區）以及使用者資訊（例如位置、語言偏好、裝置類型）。
- 這些因素對推薦結果和內容排名的影響力互有高低，且其重要性可能會隨時間調整。
- TikTok的短影音格式使得演算法能夠以更快的速度收集使用者偏好數據，並迅速進行微調，甚至能根據一天中不同的行為模式推送對應內容。
- 演算法會平衡「探索」與「利用」，即在提供使用者熟悉內容的同時，也會主動推送一些使用者可能從未看過的新主題影片（約佔推薦影片的30%-50%），以擴大內容涉獵範圍並避免內容單一。
- 抖音（TikTok的中國姊妹應用程式）已發展出更進階的「多目標推薦系統」，同時考慮多種行為目標，如平台留存率、使用者的深層需求（例如收藏率）、創作者的互動參與，並嘗試打破推薦同溫層。 雖然TikTok未證實採用相同架構，但技術共享的可能性很高。
🔮 前景展望AI analysis grounded in cited sources
TikTok將面臨更嚴格的全球監管審查。
東北大學的研究結果可能被歐盟監管機構用於調查TikTok是否違反消費者法律，且歐盟已初步裁定TikTok的「成癮性設計」可能違法，這將促使全球其他地區也加強對其演算法的審查。
社交媒體平台將被迫重新評估其用戶回饋機制的有效性。
隨著研究揭示「不感興趣」按鈕效果不彰，其他平台可能會面臨壓力，需要證明其內容過濾和推薦調整工具的實際效用，以維持用戶信任和滿足監管要求。
用戶對演算法透明度和控制權的需求將會增加。
由於用戶發現其明確的負面回饋未能有效改變推薦內容，他們可能會要求平台提供更清晰的演算法運作方式和更強大的個人化控制選項，以更好地管理其內容體驗。
⏳ 時間線
2016
TikTok（抖音）推出，其短影音格式和演算法開始嶄露頭角。
2017
字節跳動併購Musical.ly並整合其演算法，顯著提升了TikTok的用戶平均使用時長。
2020-08
美國政府考慮強制出售TikTok，內容過濾和審核成為微軟潛在收購案中的首要挑戰。
2021-11
YouTube宣布全面隱藏影片的「不喜歡」數量，但用戶仍可透過點擊該按鈕來調整個人推薦內容。
2021-12
《紐約時報》揭露一份名為「TikTok Algo 101」的文件，詳細解釋了TikTok演算法的運作原理。
2026-01
TikTok演算法進行底層調整，將核心邏輯從內容優先轉向粉絲互動優先，影響影片的初始分發策略。
2026-02
歐盟監管機構發布初步裁決，指出TikTok的無限滾動、自動播放和推薦演算法構成「成癮性設計」，可能違反歐盟的網路安全法律。
📎 來源 (22)
Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.
📰
AI 週報
閱讀本週精選 AI 大事摘要 →
👉相關動態
AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源： Digital Trends ↗