# Series A — Algorithmic Observation, Recommendation & Platform Ecology ## Paper A05 — Recommendation, Cold Start, and Creator Ecological Collapse ### 推薦、冷啟動與創作者生態退化：從證據飢餓、曝光不可行到供給集中化的動態模型 **English Title:** Recommendation, Cold Start, and Creator Ecological Collapse: A Dynamic Model of Evidence Starvation, Exposure Inviability, and Supply-Side Concentration **Series:** Algorithmic Observation, Recommendation & Platform Ecology **Paper ID:** A05 **Version:** v0.1 **Date:** 2026-08-31 **Status:** Canonical UTF-8 Source **Author:** Neo.K / EveMissLab --- ## Abstract 推薦系統中的 cold-start problem 通常被描述為新使用者或新內容缺乏歷史互動資料，導致模型無法準確估計偏好。然而，在以創作者為核心的內容平台中，cold start 不只是預測問題，也是一個生態問題。新創作者需要曝光才能產生互動證據，需要互動證據才能被模型識別，需要模型識別才能獲得更多曝光；若第一輪曝光不足，系統可能將「沒有被測試」誤讀為「沒有需求」，形成 evidence starvation。當此機制長期存在，創作者面臨的問題不再只是某支作品表現不佳，而是平台內部缺乏可建立可持續 audience relation 的可行路徑。 本文延續 A01–A04 的 Recommendation-as-Observation-Operator、Multidimensional Preference-State、Endogenous Preference Contamination 與 Platform-Induced Exposure Bubble frameworks，提出 Creator Viability Dynamics。本文將 creator entry、cold-start exposure、evidence accumulation、audience conversion、monetization、creation cost、paid promotion、off-platform acquisition 與 exit decision 放入同一個動態系統。 本文提出 Evidence-Starved Cold Start（ESCS）、Creator Viability Threshold（CVT）、Organic Discovery Viability（ODV）、Exposure-to-Evidence Conversion（EEC）、Audience Stock Dynamics、Creator Expected Return（CER）、Exit Pressure（XP）與 Supply Concentration Feedback（SCF）等概念。核心命題是： $$ \boxed{ NoExposure \neq NegativeDemandEvidence } $$ 以及： $$ \boxed{ NoEvidence \neq LowQuality } $$ 若推薦系統需要既有互動才能給曝光，而互動又需要先有曝光，則 cold start 會形成結構性 circular dependency。 本文進一步分析 paid promotion。付費曝光可以作為 cold-start bridge，但若 organic visibility 被過度壓縮，平台可能將「可發現性」由普遍基礎設施轉化為付費商品。近期 UGC 平台研究顯示，sponsored recommendations 在某些條件下可增加短期平台收益，但過度依賴 paid visibility 可能降低內容創作投入、削弱外部流量獲取並限制長期 audience growth。本文因此提出 Organic-to-Paid Substitution Risk（OPSR）。 本文所稱「Creator Ecological Collapse」不是指所有創作者離開或平台必然失敗，而是指一種可檢驗的動態 regime：當新人與中小創作者的 entry viability 持續下降、退出率上升、供給集中於頭部與高資本創作者、內容多樣性下降，並使推薦系統更依賴既有高證據節點時，平台供給側形成自我強化集中化。本文最後提出一組可實作的 cold-start exposure budget、evidence-first exploration、provider-side viability audit 與 longitudinal ecosystem metrics。 **Keywords:** recommender systems; cold start; creator economy; provider fairness; exposure fairness; creator incentives; platform ecology; sponsored recommendations; evidence starvation; supply concentration --- ## 1. Introduction 推薦系統通常將 cold start 描述為： $$ InsufficientHistory \rightarrow PoorPrediction. $$ 這在 user-item recommendation 中是正確的，但在 creator-driven platform 上仍不完整。 對一個新創作者 $k$ 而言，真正的鏈條更接近： $$ Exposure \rightarrow Interaction \rightarrow Evidence \rightarrow AudienceMatching \rightarrow FutureExposure. $$ 因此，如果第一步： $$ Exposure\approx0, $$ 後面幾乎全部都無法發生。 模型看到的可能只是： $$ Interaction\approx0. $$ 但它無法直接區分： $$ \text{Nobody liked it} $$ 與： $$ \text{Nobody was given a chance to see it}. $$ 這是推薦系統 cold start 的核心反事實問題。 A04 已提出： $$ NoExposure \neq NegativePreferenceEvidence. $$ A05 將其推向供給側： $$ \boxed{ NoExposure \rightarrow NoEvidence \rightarrow NoAudienceFormation \rightarrow LowCreatorReturn } $$ 若這種結構持續存在，創作者可能降低： $$ CreationEffort, $$ 改變內容策略、購買流量、轉向其他平台，或停止創作。 因此，cold start 不能只被視為： $$ ModelAccuracyProblem. $$ 它同時是： $$ \boxed{ CreatorEntryInfrastructureProblem. } $$ --- ## 2. Relation to A01–A04 Series A 至目前的鏈條為： $$ \mathcal{C}_t \xrightarrow{ \mathcal{O}_t } Exposure_t \xrightarrow{ Telemetry } PreferenceEstimate_t \xrightarrow{ Feedback } Exposure_{t+1}. $$ A04 再建立 platform-level concentration： $$ ExposureConcentration_t \rightarrow InteractionConcentration_t \rightarrow ExposureConcentration_{t+1}. $$ A05 加入 creators： $$ K_t = \{ k_1,k_2,\ldots,k_n \}. $$ 每個 creator $k$ 有內容集合： $$ V_k(t). $$ 平台 exposure allocation： $$ X_k(t) = \sum_{u,v\in V_k} e_{u,v,t}. $$ 現在問題變成： $$ \boxed{ \text{How does exposure allocation affect creator survival, effort, entry, and supply?} } $$ --- ## 3. Related Work ### 3.1 Cold-start items Cold-start recommendation 長期被視為推薦系統的主要挑戰之一。Liu 等人指出，新 items 容易被忽略，而缺乏曝光本身會阻礙新產品進入推薦網路 [2]。 這與本文的基本方向一致： $$ NewItem \rightarrow LowHistory \rightarrow LowRecommendationOpportunity. $$ ### 3.2 Fairness among new items Zhu 等人研究 cold-start recommender systems 中新 items 的 fairness，指出即使所有新 items 都缺乏 feedback history，系統仍可能在新 items 之間產生不公平，並以 equal opportunity 與 max-min fairness 形式化 cold-start exposure fairness [3]。 因此： $$ NoHistory $$ 並不代表推薦器對所有新人： $$ EqualOpportunity. $$ ### 3.3 Provider-side fairness Provider fairness research 將 items 背後的 producers 視為平台的重要 stakeholders。Gómez、Boratto 與 Salamó 指出，推薦排序決定 provider visibility 與 exposure，而低代表性的 provider groups 可能受到較低曝光，進一步影響其經濟機會 [4]。 Two-sided fairness work 也指出，只以 consumer satisfaction 為目標的推薦可能產生不公平的 producer exposure distribution [5][6]。 因此： $$ Recommendation $$ 不是只有： $$ ConsumerUtility. $$ 也包含： $$ ProviderOpportunity. $$ ### 3.4 Creator exposure and audience stock Sun 與 Sun 在 2026 年提出 creator dynamics 的 stock-and-flow closed-loop framework，將 platform-allocated exposure 連接到 follower inflow、saturation 與 churn，並從大量 creator-day panel data 估計其動態 [7]。 這提供一個重要實證方向： $$ Exposure \rightarrow AudienceStock. $$ ### 3.5 Creator incentives under algorithmic curation Hron 等人將創作者競爭形式化為 exposure game，指出推薦演算法的設計會改變創作者的策略性行為、內容多樣性與均衡結果 [8]。 因此 creator supply 不是固定背景： $$ Supply_t $$ 會對： $$ RecommendationPolicy_t $$ 作出反應。 ### 3.6 Sponsored recommendations Zhao 等人於 2026 年以 UGC platform game-theoretic model 研究 sponsored recommendations。研究指出 paid visibility 在特定條件下可提高平台收益，但當 paid visibility 過高時，創作者會增加推廣支出、降低內容創作投入與 off-platform acquisition，長期 audience growth 亦可能受限 [9]。 這意味著： $$ PaidExposure $$ 不是純粹增加一條無成本 distribution channel。 它會改變 creator strategy。 ### 3.7 Evolutionary platform-creator decline 2026 年已有研究使用 evolutionary / game-theoretic model 分析 platform recommender 與 creator population 的共同演化，指出當平台過度優化短期收益而降低內容品質誘因時，平台—創作者 feedback loops 可以進入自我強化的退化 regime [10]。 本文不直接採用任何單一「平台必然退化」結論，而是將其視為支持供給側 feedback dynamics 必須被納入推薦系統分析的重要證據。 --- ## 4. Evidence-Starved Cold Start 本文定義： $$ \boxed{ ESCS = Evidence\text{-}Starved\ Cold\ Start. } $$ 對 creator $k$ 的新內容 $v$，若： $$ History(v)\approx0 $$ 且： $$ Exposure(v)\approx0, $$ 則系統無法有效估計： $$ P( PositiveEngagement \mid do(Exposure=1) ). $$ 若模型卻使用： $$ ObservedEngagement(v) $$ 作為 ranking evidence，就會產生： $$ ObservedEngagement(v)\approx0 $$ 進而： $$ Score(v)\downarrow. $$ 因此： $$ Exposure\downarrow \Rightarrow Evidence\downarrow \Rightarrow Score\downarrow \Rightarrow Exposure\downarrow. $$ 形成： $$ \boxed{ Exposure\text{-}Evidence\ Circularity. } $$ --- ## 5. No Evidence Is Not Low Quality 令內容真實品質： $$ Q(v). $$ 觀察到的品質證據： $$ \hat{Q}(v). $$ 在 exposure-dependent environment 中： $$ \hat{Q}(v) = f( Q(v), Exposure(v), AudienceMatch(v) ). $$ 因此： $$ Exposure(v)\rightarrow0 $$ 時： $$ Var( \hat{Q}(v) ) \uparrow. $$ 甚至： $$ \hat{Q}(v) $$ 可能根本不可識別。 所以： $$ \boxed{ Evidence(v)\approx0 \not\Rightarrow Q(v)\approx0. } $$ 這是 A05 的第一個核心命題。 --- ## 6. Creator Viability Threshold 創作者是否持續生產內容，取決於預期回報與成本。 令 creator $k$ 在期間 $T$ 的 expected creator return： $$ CER_k(T) = R_k(T) - C_k(T). $$ 其中： $$ R_k(T) = R_{ad} + R_{sponsor} + R_{membership} + R_{donation} + R_{external} + V_{audience}. $$ 成本： $$ C_k(T) = C_{time} + C_{production} + C_{attention} + C_{promotion} + C_{opportunity}. $$ 定義 Creator Viability Threshold： $$ \boxed{ CVT_k } $$ 使： $$ CER_k(T)\geq CVT_k $$ 時，持續創作具有最低可行性。 若： $$ CER_k(T) 即使持續創作，也無法建立自己的 audience graph。 這和單支影片： $$ Views(v) $$ 低並不相同。 真正問題是： $$ \boxed{ P( BuildSustainableAudience \mid ContinueCreating ) } $$ 太低。 --- ## 9. Audience Stock Dynamics 令 creator $k$ 的穩定 audience stock： $$ A_k(t). $$ 新 audience inflow： $$ F_k(t). $$ churn： $$ \delta_kA_k(t). $$ 則： $$ A_k(t+1) = A_k(t) + F_k(t) - \delta_kA_k(t). $$ 而： $$ F_k(t) = g( X_k(t), ContentQuality_k, Match_k, Conversion_k ). $$ 因此 exposure shortage 不只是當期 views shortage。 它會影響： $$ A_k(t+1), A_k(t+2), \ldots $$ 這使 early-stage exposure 具有 path dependence。 --- ## 10. Path Dependence 若兩個品質近似 creators： $$ Q_{k_1}\approx Q_{k_2}, $$ 但早期： $$ X_{k_1}(0)>X_{k_2}(0), $$ 則： $$ A_{k_1}(1)>A_{k_2}(1). $$ 接著如果 recommender 使用： $$ FollowerCount, HistoricalViews, InteractionHistory $$ 作為 evidence， 則： $$ X_{k_1}(1)>X_{k_2}(1) $$ 更容易繼續成立。 因此小的 early exposure difference 可以被放大成： $$ LargeAudienceDifference. $$ 這是一種： $$ \boxed{ CreatorPathDependence. } $$ --- ## 11. Exploration as Entry Infrastructure A04 已提出： $$ P( LongTailBeingTested )>0. $$ A05 將此重新解釋： $$ \boxed{ Exploration = CreatorEntryInfrastructure. } $$ 若 exploration 只是： $$ PopularContentOutsideYourTopic, $$ 則： $$ NewCreatorTestability $$ 沒有真正提高。 真正有效的 cold-start exploration 應提供： $$ X_{new}\geq X_{min} $$ 給通過： $$ SafetyGate, QualityGate, MinimumRelevanceGate $$ 的新內容。 目的不是保證成功，而是保證： $$ \boxed{ MinimumEvidenceOpportunity. } $$ --- ## 12. Evidence-First Exploration 本文提出 Evidence-First Exploration。 對新 item $v$，定義模型不確定性： $$ U(v). $$ 定義 expected evidence gain： $$ EG(v) = E[ InformationGain \mid do(Exposure=1) ]. $$ 探索分數： $$ S_{explore}(v) = \alpha Rel(v,u) + \beta U(v) + \gamma EG(v) - \lambda Risk(v). $$ 其目標不是： $$ MaximizeImmediateCTR. $$ 而是： $$ \boxed{ LearnWhetherThereIsAnAudience. } $$ 這使 cold-start exposure 成為 system identification。 --- ## 13. Provider-Side Opportunity 對 creator $k$，定義 opportunity share： $$ O_k = \frac{ EligibleExposure_k }{ EligibleExposurePool }. $$ provider fairness 不要求： $$ O_k = \frac{1}{|K|}. $$ 因為 relevance 與品質不同。 本文關心的是： $$ \boxed{ Does\ each\ eligible\ creator\ have\ a\ nonzero\ path\ to\ audience\ discovery? } $$ 這是一種 viability-oriented fairness。 --- ## 14. Viability-Oriented Fairness 傳統 exposure fairness 可能關心： $$ EqualExposure. $$ 本文提出： $$ \boxed{ ViabilityFairness. } $$ 其核心不是平均分流量，而是避免某些 creator group 被結構性推到： $$ CER_kHHI_S(t) $$ 且： $$ HHI_E(t+1)>HHI_E(t), $$ 其中 $HHI_E$ 為 exposure concentration， 則可能存在： $$ \boxed{ SCF = Supply\ Concentration\ Feedback. } $$ --- ## 20. Paid Promotion as a Cold-Start Bridge paid promotion 可以提供： $$ X_k^{paid}>0. $$ 因此： $$ X_k^{total} = X_k^{org} + X_k^{paid}. $$ 在合理情況下，paid promotion 可以： $$ ColdStart \rightarrow InitialEvidence \rightarrow OrganicMatching. $$ 這是一個 legitimate bridge。 問題不是： $$ PaidPromotionExists. $$ 而是： $$ \boxed{ CanPaidExposureConvertIntoOrganicViability? } $$ --- ## 21. Organic-to-Paid Substitution Risk 定義 paid exposure share： $$ \rho_k = \frac{ X_k^{paid} }{ X_k^{total}+\epsilon }. $$ 若： $$ \rho_k\uparrow $$ 但： $$ X_k^{org} $$ 沒有隨 evidence accumulation 上升， 則 creator 對 paid exposure 形成依賴。 定義： $$ OPSR = P( X^{org}_{t+1}\leq X^{org}_t \mid X^{paid}_t>0, Evidence_t\uparrow ). $$ 若： $$ OPSR\uparrow, $$ 表示 paid promotion 沒有有效成為 organic bridge，而更接近持續購買 visibility。 --- ## 22. Promotion ROI creator 付費推廣成本： $$ C_{paid}. $$ 直接產生的收益： $$ R_{direct}. $$ 長期 audience value： $$ V_{audience}. $$ 則： $$ ROI_{paid} = \frac{ R_{direct} + V_{audience} - C_{paid} }{ C_{paid}+\epsilon }. $$ 如果： $$ ROI_{paid}<0 $$ 且： $$ OrganicReach\approx0, $$ creator 面臨雙重不可行： $$ \boxed{ OrganicDoesNotWork \land PaidDoesNotWork. } $$ 這會顯著提高： $$ XP_k. $$ --- ## 23. Paid Visibility and Creator Strategy 近期 UGC platform research 顯示 paid visibility share 改變時，creators 會重新配置： $$ ContentEffort, PaidPromotion, ExternalAcquisition. $$ 因此平台不能只計算： $$ RevenueFromPromotion. $$ 還應考慮： $$ \frac{ \partial ContentEffort }{ \partial PaidVisibility }, $$ $$ \frac{ \partial AudienceGrowth }{ \partial PaidVisibility }, $$ 以及： $$ \frac{ \partial ExposureInequality }{ \partial PaidVisibility }. $$ 這使 paid visibility 成為 ecosystem policy，而不只是 ad product。 --- ## 24. Head Advantage Amplification head creators 通常具有： $$ HistoricalEvidence\uparrow, $$ $$ FollowerBase\uparrow, $$ $$ MonetizationAbility\uparrow. $$ 若平台又讓： $$ PaidVisibility $$ 具有強放大效果， 高資源 creator 可能同時擁有： $$ OrganicAdvantage + PaidAdvantage. $$ 此時： $$ ExposureGap_{t+1} > ExposureGap_t. $$ 因此付費系統需要監測： $$ \boxed{ CapitalAmplification. } $$ --- ## 25. Creator Exit as an Unobserved Loss 推薦系統通常觀察： $$ ExistingCreators. $$ 但離開平台的人： $$ k\notin K_{t+1} $$ 之後不再產生內容。 因此模型容易只看到： > 留下來的人表現很好。 卻忽略： $$ SurvivorshipBias. $$ 真正 ecosystem analysis 需要： $$ EntryRate, ExitRate, DormancyRate, ReturnRate. $$ --- ## 26. Creator Cohort Survival 對第 $\tau$ 期加入的 creator cohort： $$ K_\tau. $$ 定義 survival： $$ S_\tau(\Delta) = \frac{ |\{ k\in K_\tau: Active(k,\tau+\Delta)=1 \}| }{ |K_\tau| }. $$ 可以比較： $$ S_{\tau_1}, S_{\tau_2} $$ 在推薦政策改版前後的差異。 若： $$ S_{new}(\Delta)\downarrow $$ 同時： $$ HeadExposureShare\uparrow, $$ 則值得進一步檢查 causal relation。 --- ## 27. Time-to-First-Sustainable-Audience 定義 sustainable audience threshold： $$ A^*. $$ 對 creator $k$： $$ TTSA_k = \inf \{ t: A_k(t)\geq A^* \}. $$ 如果： $$ TTSA\uparrow $$ 表示 newcomers 需要更長時間才能建立基本 audience stock。 若： $$ TTSA\rightarrow\infty, $$ 則該 creator 在 observation window 內沒有形成可持續 audience。 --- ## 28. Cold-Start Test Completion Rate 不是所有新人都需要成功。 但平台至少應讓一定比例完成： $$ \text{initial evidence acquisition}. $$ 令最低 evidence threshold： $$ E^*. $$ 定義： $$ CSTR = P( EE_k\geq E^* \mid k\in K_{new} ). $$ 其中： $$ EE_k $$ 是 Effective Evidence。 若： $$ CSTR\downarrow, $$ 表示更多新人連「被系統有效測試」都沒有完成。 --- ## 29. Creator Viability Rate 定義： $$ CVR = P( CER_k\geq CVT_k ). $$ 分 cohort： $$ CVR_{new}, CVR_{small}, CVR_{mid}, CVR_{head}. $$ 平台應監測： $$ Gap_{CVR} = CVR_{head} - CVR_{new}. $$ gap 本身不必為零。 但若： $$ Gap_{CVR}\uparrow $$ 且： $$ CSO\downarrow, CSTR\downarrow, $$ 則供給側風險上升。 --- ## 30. Creator Diversity Retention 令 active creators 的 semantic / topical clusters： $$ \mathcal{G}_K. $$ 定義： $$ CDR(T) = \frac{ D_C(t+T) }{ D_C(t)+\epsilon }. $$ 若： $$ CDR<1 $$ 長期且持續下降， 表示 active creator diversity 收縮。 可以再區分： $$ D_{creator}, D_{topic}, D_{format}, D_{viewpoint}. $$ --- ## 31. Platform Utility with Future Supply 短期平台 objective： $$ U_t = Revenue_t + Engagement_t. $$ 更完整的長期 objective： $$ U^{LT} = \sum_{t=0}^{T} \gamma^t [ U_{user,t} + \alpha U_{creator,t} + \beta D_{supply,t} + \eta Revenue_t ]. $$ 其中： $$ D_{supply,t} $$ 代表未來內容供給的健康度。 若： $$ \gamma $$ 過低， 平台可能選擇： $$ ShortTermExtraction $$ 而忽略： $$ CreatorRetention. $$ --- ## 32. Ecosystem Health Metrics 本文建議至少監測： ### 32.1 Cold-Start Observability $$ CSO. $$ ### 32.2 Cold-Start Test Completion Rate $$ CSTR. $$ ### 32.3 Time-to-First-Sustainable-Audience $$ TTSA. $$ ### 32.4 Creator Viability Rate $$ CVR. $$ ### 32.5 Creator Exit Rate $$ CER_{exit} = \frac{ N_{exit} }{ N_{active} }. $$ ### 32.6 Organic-to-Paid Substitution Risk $$ OPSR. $$ ### 32.7 Supply HHI $$ HHI_S. $$ ### 32.8 Creator Diversity Retention $$ CDR. $$ --- ## 33. A Minimal Sustainable Cold-Start Architecture 本文提出一個最小架構。 ### Stage 1 — Eligibility 新內容先通過： $$ Safety \cap Spam \cap MinimumQuality \cap BasicRelevance. $$ ### Stage 2 — Exploration Budget 分配： $$ X_{min}. $$ ### Stage 3 — Evidence Acquisition 收集： $$ ActiveEngagement, Save, Follow, SearchReentry, CreatorVisit. $$ ### Stage 4 — Audience Matching 建立： $$ P( PositiveEngagement \mid UserCluster ). $$ ### Stage 5 — Organic Expansion 若 evidence positive： $$ Exposure\uparrow. $$ ### Stage 6 — Controlled Decay 若有足夠 exposure 但 evidence consistently poor： $$ Exposure\downarrow. $$ 這裡關鍵是： $$ \boxed{ DoNotDecayBeforeTesting. } $$ --- ## 34. Paid Promotion Boundary paid promotion 應與 cold-start test 分離。 最低 organic testing opportunity： $$ X_{min}^{org} $$ 不應完全依賴： $$ Payment. $$ 否則： $$ AbilityToPay $$ 會替代： $$ AbilityToAttractAudience. $$ 平台可以提供 paid amplification，但應保留： $$ \boxed{ OrganicTestability. } $$ --- ## 35. Creator Adaptation Audit 推薦系統改版後，不應只觀察： $$ CTR, WatchTime. $$ 也應追蹤 creators 是否： - 更新頻率改變； - production cost 改變； - topic distribution 收斂； - thumbnail / title strategy 收斂； - paid promotion 上升； - cross-platform publishing 上升； - exit 上升。 這些都是： $$ Policy \rightarrow SupplyResponse $$ 的證據。 --- ## 36. Empirical Protocol ### 36.1 Creator cohort design 建立： $$ K_{new}, K_{small}, K_{mid}, K_{head}. $$ ### 36.2 Exposure tracking 記錄： $$ X_k^{home}, X_k^{follow}, X_k^{search}, X_k^{paid}. $$ ### 36.3 Evidence tracking 記錄： $$ EE_k. $$ ### 36.4 Audience accumulation 估計： $$ A_k(t). $$ ### 36.5 Creator persistence 計算： $$ S_\tau(\Delta). $$ ### 36.6 Version comparison 比較推薦改版前後： $$ \Delta CSO, \Delta CSTR, \Delta TTSA, \Delta CVR, \Delta ExitRate, \Delta HHI_S. $$ --- ## 37. Causal Boundaries 即使觀察到： $$ CreatorExit\uparrow $$ 與： $$ ExposureConcentration\uparrow, $$ 也不能直接推出： $$ ExposureConcentration \rightarrow CreatorExit. $$ creator exit 還可能受到： - 經濟景氣； - competitor platform； - creator life cycle； - monetization policy； - content regulation； - production technology； - audience trend。 因此需要： - staggered policy changes； - difference-in-differences； - matched creator cohorts； - randomized traffic experiments； - regression discontinuity； - synthetic controls； - creator surveys。 本文提出的是： $$ \boxed{ MechanismHypothesis } $$ 與可檢驗 metrics，不是對單一平台做無證據的因果斷言。 --- ## 38. Creator Ecological Collapse as a Regime, Not a Binary Event CEC 應被理解為： $$ CECIndex(t)\in[0,1]. $$ 例如： $$ CECIndex = w_1\tilde{HHI}_E + w_2\tilde{HHI}_S + w_3(1-CSTR) + w_4(1-CVR_{new}) + w_5ExitRate + w_6OPSR. $$ 它不是： $$ PlatformAlive \leftrightarrow PlatformDead. $$ 而是一個供給側退化程度。 這讓研究者可以觀察： $$ \frac{dCECIndex}{dt}. $$ --- ## 39. Relation to A06 A05 已經產生一個重要矛盾。 平台可能看到： $$ CTR\uparrow, WatchTime\uparrow, AdRevenue\uparrow. $$ 同時： $$ CSO\downarrow, CSTR\downarrow, CVR_{new}\downarrow, ExitRate\uparrow. $$ 因此： $$ \boxed{ ShortTermMetricsImprove \land LongTermEcosystemDegrades. } $$ 完全可能同時成立。 A06 將正式處理這個問題： $$ \boxed{ MetricSuccess \neq ProductSuccess. } $$ --- ## 40. Limitations 第一，creator motivation 高度異質，並非所有 creators 都以收入最大化為目標，因此 $CER$ 與 $CVT$ 應依 cohort 或個體校準。 第二，公平曝光不等於平均曝光。低品質、spam、違規或高度不相關內容不應僅因 cold start 而獲得無限制流量。 第三，creator exit 具有多重原因，推薦政策只是其中一個可能因子。 第四，付費推廣不是本質有害。合理 paid promotion 可以作為 audience discovery accelerator。風險在於 organic testability 消失或 paid dependence 長期上升。 第五，本文的 CEC 是平台生態模型，不主張任何特定現實平台已達到 ecological collapse。 --- ## 41. Conclusion 本文將 cold start 從單純預測問題提升為 creator entry 與平台供給問題。 最基本的鏈條是： $$ \boxed{ Exposure \rightarrow Evidence \rightarrow AudienceMatching \rightarrow AudienceStock \rightarrow CreatorReturn. } $$ 因此： $$ \boxed{ NoExposure \neq NegativeDemandEvidence } $$ 以及： $$ \boxed{ NoEvidence \neq LowQuality. } $$ 若推薦系統要求： $$ Evidence $$ 才能給： $$ Exposure, $$ 但又要求： $$ Exposure $$ 才能生成： $$ Evidence, $$ 則 newcomer 會陷入： $$ \boxed{ Evidence\text{-}Starved\ Cold\ Start. } $$ 平台應至少保留： $$ \boxed{ OrganicTestability } $$ 使通過最低 eligibility gate 的新人具有： $$ P( BeingMeaningfullyTested )>0. $$ 本文並提出： $$ CVT, ODV, EEC, CER, XP, CSTR, CVR, OPSR, SCF $$ 等概念，將 creator survival 與推薦曝光放在同一套動態模型中。 最終，Creator Ecological Collapse 被定義為一種可能的自我強化 regime： $$ \boxed{ ExposureConcentration \rightarrow EvidenceConcentration \rightarrow CreatorViabilityGap \rightarrow SupplyConcentration \rightarrow ExposureConcentration. } $$ 這並不是說平台必然走向崩潰，而是指出： $$ \boxed{ RecommendationPolicy \text{ shapes not only what users see, but also what creators will continue to create.} } $$ 因此推薦系統的長期 objective 不能只最大化今天的 consumption。 它必須同時考慮： $$ \boxed{ FutureContentSupply. } $$ 至此，A01–A05 形成： $$ \boxed{ Observation \rightarrow PreferenceInterpretation \rightarrow EndogenousContamination \rightarrow ExposureConcentration \rightarrow SupplyResponse. } $$ 下一篇 A06 將收束整個 Series A，處理平台為何可能在 CTR、watch time、廣告收入與推薦命中率都變好的同時，逐漸失去使用者效用、創作者供給與長期平台價值。 --- ## References [0] Neo.K / EveMissLab. “Recommendation as an Observation Operator.” Series A, Paper A01, v0.1, 2026. [1] Neo.K / EveMissLab. “The Platform-Induced Exposure Bubble.” Series A, Paper A04, v0.1, 2026. [2] Liu, J.-H., Zhou, T., Zhang, Z.-K., Yang, Z., Liu, C., & Li, W.-M. “Promoting Cold-Start Items in Recommender Systems.” PLOS ONE, 9(12), e113457, 2014. DOI: 10.1371/journal.pone.0113457. [3] Zhu, Z., Kim, J., Nguyen, T., Fenton, A., & Caverlee, J. “Fairness among New Items in Cold Start Recommender Systems.” Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2021. [4] Gómez, E., Boratto, L., & Salamó, M. “Provider Fairness Across Continents in Collaborative Recommender Systems.” Information Processing & Management, 59(1), 102719, 2022. DOI: 10.1016/j.ipm.2021.102719. [5] Patro, G. K., Biswas, A., Ganguly, N., Gummadi, K. P., & Chakraborty, A. “FairRec: Two-Sided Fairness for Personalized Recommendations in Two-Sided Platforms.” Proceedings of The Web Conference 2020, 2020. arXiv:2002.10764. [6] Wu, Y., Cao, J., Xu, G., & Tan, Y. “TFROM: A Two-sided Fairness-Aware Recommendation Model for Both Customers and Providers.” Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval, pp. 1013–1022, 2021. DOI: 10.1145/3404835.3462882. [7] Sun, Y., & Sun, B. “From Exposure to Followers: A Stock-and-Flow Closed-Loop Framework of Creator Dynamics.” Information Processing & Management, 63(5), 104677, 2026. DOI: 10.1016/j.ipm.2026.104677. [8] Hron, J., Krauth, K., Jordan, M. I., Kilbertus, N., & Dean, S. “Modeling Content Creator Incentives on Algorithm-Curated Platforms.” arXiv:2206.13102, 2022. [9] Zhao, W., Feng, H., Feng, N., & Li, M. “Does Paying for Visibility Pay Off? The Impact of Sponsored Recommendations on UGC Platforms.” Decision Support Systems, 206, 114668, 2026. DOI: 10.1016/j.dss.2026.114668. [10] Montero-Porras, E., Smets, A., & Lenaerts, T. “Enshittification of Algorithmic Recommendation: An Evolutionary Model of Platform-Creator Dynamics.” HHAI 2026, 2026. DOI: 10.3233/FAIA260512. [11] Hu, R., Feng, H., Tayi, G. K., & Feng, N. “Reward Strategies for Content Platforms: Equity or Equality?” Information & Management, 63(4), 2026. --- ## Series Continuation - A06 — Metric Success, Product Failure