# Series A — Algorithmic Observation, Recommendation & Platform Ecology ## Paper A03 — Passive Exposure and Endogenous Preference Contamination ### 被動曝光與內生偏好污染：自動播放、遙測來源與推薦回饋迴圈的因果框架 **English Title:** Passive Exposure and Endogenous Preference Contamination: A Causal Framework for Autoplay, Telemetry Provenance, and Recommender Feedback Loops **Series:** Algorithmic Observation, Recommendation & Platform Ecology **Paper ID:** A03 **Version:** v0.1 **Date:** 2026-08-31 **Status:** Canonical UTF-8 Source **Author:** Neo.K / EveMissLab --- ## Abstract 推薦系統依賴使用者行為資料估計偏好，但行為資料本身常由推薦系統先前的曝光決策所產生。當平台主動決定哪些內容出現在首頁、資訊流或動態頁，並進一步透過 autoplay、預載播放、停留計時或歷史紀錄將被動曝光轉為「觀看」事件時，後續模型可能將平台自身造成的行為誤解為使用者自主偏好。這會形成一種內生性問題：推薦系統先製造資料，再以這些資料作為自己原先判斷正確的證據。 本文延續 Paper A01 的 Recommendation-as-Observation-Operator framework 與 Paper A02 的 Multidimensional Preference-State Model，提出 Endogenous Preference Contamination framework。本文將 impression、passive autoplay、attentional exposure、active play、intentional search、save、follow 等事件分離，並以 structural causal model 描述平台政策、曝光、被動播放、使用者潛在狀態、遙測紀錄與下一輪推薦之間的因果關係。 本文提出 Recommendation-Induced Preference Artifact（RIPA），指推薦系統造成的曝光或被動互動被模型錯誤吸收為內在偏好證據；並進一步定義 Observation-Generated Evidence、Endogenous Evidence Ratio、Passive Exposure Contamination Index、Self-Confirmation Ratio 與 Re-exposure Amplification Factor。本文主張，watch history 不應被視為同質事件集合，而應保存完整 event provenance，包括 surface、rank、trigger、autoplay、visibility、audio state、duration、user initiation、seek behavior 與 downstream action。 本文並提出一組修正原則：將曝光生成機制與偏好推論分離；對低 intentionality 事件使用低權重或零偏好更新；將顯式使用者行為與平台誘發行為區分；使用隨機探索、propensity correction、causal adjustment 或受控 holdout 估計 counterfactual preference；以及禁止將 autoplay-generated history 直接等同 active consumption。此框架提供後續研究平台誘導曝光繭房、冷啟動失敗、創作者生態集中與 KPI 自我證成的因果基礎。 **Keywords:** recommender systems; feedback loop; passive exposure; autoplay; endogeneity; causal inference; exposure bias; preference pollution; telemetry provenance; implicit feedback --- ## 1. Introduction 推薦系統通常被描述為： $$ History \rightarrow PreferenceEstimate \rightarrow Recommendation. $$ 但真實平台往往更接近： $$ Recommendation_t \rightarrow Exposure_t \rightarrow Behavior_t \rightarrow History_{t+1} \rightarrow Recommendation_{t+1}. $$ 這個差異非常重要。 如果 $Behavior_t$ 是使用者在自由可觀察環境下自主產生的行為，歷史資料可以提供偏好證據。但若 $Behavior_t$ 的一部分由平台本身的介面、排序、預載、自動播放與曝光策略生成，那麼： $$ Behavior_t = f( UserState_t, PlatformPolicy_t, Exposure_t, Interface_t ). $$ 此時將所有行為直接寫入 preference history，等於把： $$ PlatformPolicy_t $$ 的效果混入： $$ UserPreference_t. $$ 這是一種內生性。 推薦系統不再只是觀察使用者，而是在部分製造自己之後要觀察的資料。 Chaney、Stewart 與 Engelhardt 將這類現象描述為 algorithmic confounding：部署中的推薦系統影響使用者後續行為，而系統再利用這些被自身影響的資料訓練下一代模型，可能造成行為同質化與效用下降 [3]。Mansoury 等人的研究則展示 feedback loop 會放大 popularity bias、降低 aggregate diversity 並改變使用者 taste representation [4]。Adomavicius 等人進一步提出 preference pollution，指出推薦會改變後續被視為 ground truth 的偏好資料 [6]。 本文聚焦其中一個更細緻但在現代影音與資訊流平台極重要的問題： $$ \boxed{ Passive\ Exposure \rightarrow Recorded\ Behavior \rightarrow Inferred\ Preference } $$ 特別是當 autoplay 或類 autoplay 行為被寫入觀看歷史時，平台可能形成： $$ \boxed{ \text{The system creates evidence and then learns from its own evidence.} } $$ 本文將此稱為 Endogenous Preference Contamination。 --- ## 2. Relation to Papers A01 and A02 Paper A01 建立： $$ \mathcal{C}_t \xrightarrow{ \mathcal{O}_{u,t}^{(s)} } L_{u,t}^{(s)} \xrightarrow{ \text{finite attention} } \mathcal{W}_{u,t}^{exp}. $$ 其中 $\mathcal{O}_{u,t}^{(s)}$ 是平台的 observation operator。 Paper A02 再建立： $$ L_{u,t} \xrightarrow{ Interaction } \mathcal{E}_{u,t} \xrightarrow{ \mathcal{P} } \mathbf{z}_{u,v,t}, $$ 其中 $\mathcal{P}$ 是 preference-state inference operator，而： $$ \mathbf{z}_{u,v,t} = ( Awar, Intr, Intent, Feas, Rel, Horizon, Decl ). $$ A03 指出一個新的問題： $$ \mathcal{E}_{u,t} $$ 並不是天然外生的。 實際上： $$ \mathcal{E}_{u,t} = h( \mathcal{O}_{u,t}, UI_t, UserState_t ). $$ 因此： $$ \mathcal{P} $$ 所收到的證據，本身已經受到： $$ \mathcal{O}_{u,t} $$ 影響。 完整閉環為： $$ \boxed{ \mathcal{O}_t \rightarrow Exposure_t \rightarrow Telemetry_t \rightarrow \mathcal{P}_t \rightarrow \mathbf{z}_{t+1} \rightarrow \mathcal{O}_{t+1} } $$ 這就是本篇研究的核心。 --- ## 3. Related Work ### 3.1 Algorithmic confounding Chaney 等人指出，推薦系統常以已經受到先前推薦政策影響的資料進行訓練與評估，造成 feedback loop。其模擬結果顯示，這種 algorithmic confounding 可使使用者行為逐漸同質化而沒有帶來相應效用提升 [3]。 此研究提供本文的重要基礎： $$ ObservedBehavior \neq BehaviorWithoutRecommendationPolicy. $$ ### 3.2 Feedback-loop bias amplification Mansoury 等人透過模擬推薦器與使用者反覆互動，展示 feedback loop 可以放大 popularity bias，降低 aggregate diversity，並使使用者的推薦經驗逐漸同質化 [4]。 因此： $$ Bias_t \rightarrow Exposure_t \rightarrow Interaction_t \rightarrow Bias_{t+1} $$ 可以是一個正回饋系統。 ### 3.3 User feedback-loop bias Pan 等人提出 user feedback-loop bias，並以 temporal exposure probability 與 inverse propensity scoring 修正偏差 [5]。此結果說明 exposure probability 不能被忽略，因為使用者歷史並不是在均勻 exposure condition 下自然生成。 ### 3.4 Preference pollution Adomavicius 等人將推薦前後的使用者回饋視為連續 feedback loop，指出 recommender systems 會影響後續被視為 ground truth 的 preference data，造成 non-representativeness 與 preference pollution [6]。 本文將其中一部分進一步細分： $$ \text{Preference Pollution} \supset \text{Passive-Exposure-Induced Contamination}. $$ ### 3.5 Causal correction Krauth、Wang 與 Jordan 提出 Causal Adjustment for Feedback Loops，主張若模型推論 intervention distributions，而非僅學習 observational distributions，就能在理論上避免部分 feedback-loop 問題 [7]。 更近期研究也使用 causal graph 同時建模 item exposure 與 user satisfaction，指出使用者行為可能受到廣告、推廣與曝光機制影響，而不完全反映真實 user interest [8]。 這些工作共同支持本文的核心方向： $$ \boxed{ Exposure\ mechanism \text{ must be modeled separately from } Preference. } $$ --- ## 4. Event Taxonomy 本文先將常被平台統稱為「觀看」的事件拆開。 令事件類型集合： $$ \mathcal{T} = \{ IMP, PA, AE, AP, SC, SEEK, LIKE, SAVE, FOLLOW \}. $$ 其中： $$ IMP=\text{Impression}, $$ 表示內容出現在可見 surface 中。 $$ PA=\text{Passive Autoplay}, $$ 表示沒有明確 user-initiation 的自動播放。 $$ AE=\text{Attentional Exposure}, $$ 表示內容在視窗中停留足夠時間，但不代表主動觀看。 $$ AP=\text{Active Play}, $$ 表示使用者主動啟動播放。 $$ SC=\text{Search-initiated Consumption}, $$ 表示使用者先主動搜尋再進入內容。 $$ SEEK=\text{Seek / Scrub}, $$ 表示使用者主動改變播放位置。 $$ LIKE,\ SAVE,\ FOLLOW $$ 則代表更高語意密度的明示或準明示行為。 這些事件不能簡化為： $$ Watch=1. $$ --- ## 5. Intentionality Weight 對每個事件 $e$ 定義 intentionality： $$ I(e)\in[0,1]. $$ 例如可以有： $$ I(IMP)\approx0, $$ $$ I(PA)\approx0, $$ $$ I(AE)>0, $$ $$ I(AP)>I(AE), $$ $$ I(SC)>I(AP), $$ 而： $$ I(SAVE),I(FOLLOW) $$ 通常具有更高的 user-declared intentionality。 本文不規定固定數值，因為不同平台與情境會不同；核心要求是： $$ \boxed{ I(e) \text{ must be preserved as semantics, not erased by event aggregation.} } $$ 如果所有事件最後只存： ```text video_id watch_seconds timestamp ``` 則大量重要因果資訊已在資料層消失。 --- ## 6. Telemetry Provenance 本文定義 canonical interaction event： $$ e = ( u, v, s, r, g, a, vis, aud, d, seek, act, t ). $$ 其中： - $u$：user； - $v$：item； - $s$：surface； - $r$：rank position； - $g$：trigger； - $a$：autoplay flag； - $vis$：visibility state； - $aud$：audio state； - $d$：duration； - $seek$：seek activity； - $act$：downstream action； - $t$：timestamp。 `trigger` 至少應區分： $$ \{ \text{manual}, \text{search}, \text{follow}, \text{recommendation}, \text{autoplay}, \text{external}, \text{notification} \}. $$ 因此： $$ History $$ 不應只是 item ID sequence，而應為： $$ \boxed{ History = Sequence\ of\ Provenanced\ Events. } $$ --- ## 7. Structural Causal Model 令： $$ Z_t $$ 為使用者真實但不可完全觀測的 preference state。 令： $$ \Pi_t $$ 為平台推薦政策。 令： $$ E_t $$ 為 exposure。 令： $$ A_t $$ 為 autoplay / passive interface action。 令： $$ B_t $$ 為使用者可觀測行為。 令： $$ T_t $$ 為 telemetry record。 令： $$ \hat{Z}_{t+1} $$ 為模型更新後的使用者狀態估計。 因果關係可寫為： $$ \Pi_t \rightarrow E_t, $$ $$ E_t \rightarrow A_t, $$ $$ (Z_t,E_t,A_t) \rightarrow B_t, $$ $$ (E_t,A_t,B_t) \rightarrow T_t, $$ $$ T_t \rightarrow \hat{Z}_{t+1}, $$ 以及： $$ \hat{Z}_{t+1} \rightarrow \Pi_{t+1}. $$ 因此： $$ \boxed{ \Pi_t \rightarrow T_t \rightarrow \hat{Z}_{t+1} \rightarrow \Pi_{t+1} } $$ 是一條內生閉環。 若模型忽略： $$ \Pi_t, E_t, A_t, $$ 而直接推論： $$ T_t \Rightarrow Z_t, $$ 就會把平台造成的 telemetry variation 錯誤歸因到使用者 preference。 --- ## 8. Endogenous Preference Contamination 本文定義 Endogenous Preference Contamination： 若某 preference update： $$ \Delta\hat{Z}_{u,v,t} $$ 主要由平台自身的 exposure 或 interface action 造成，而不是由使用者自主 intent 造成，且模型沒有保留或修正該因果來源，則此更新受到內生偏好污染。 形式化地，令： $$ T_t^{obs} $$ 是實際 telemetry。 令： $$ T_t^{do(\Pi=\pi_0)} $$ 表示在基準 policy $\pi_0$ 下的 counterfactual telemetry。 如果： $$ \Delta T_t = T_t^{obs} - T_t^{do(\Pi=\pi_0)} $$ 很大，而模型仍將全部： $$ T_t^{obs} $$ 歸因為 preference evidence，則污染風險上升。 --- ## 9. Recommendation-Induced Preference Artifact 本文提出： $$ \boxed{ RIPA = Recommendation\text{-}Induced\ Preference\ Artifact } $$ RIPA 指： > 推薦系統先透過曝光、排序、自動播放或重複呈現提高某內容的可觀察性，再將因此產生的弱互動解讀為使用者原本就具有的偏好。 典型鏈條： $$ Recommendation(x) $$ $$ \Downarrow $$ $$ PassiveExposure(x) $$ $$ \Downarrow $$ $$ TelemetryWatch(x) $$ $$ \Downarrow $$ $$ PreferenceEstimate(x)\uparrow $$ $$ \Downarrow $$ $$ Recommendation(x)\uparrow $$ 這形成： $$ \boxed{ Exposure \rightarrow PseudoPreference \rightarrow MoreExposure } $$ --- ## 10. Observation-Generated Evidence Paper A01 將推薦視為 observation operator。 因此本文定義： $$ OGE(e)=1 $$ 若事件 $e$ 的存在高度依賴平台觀察策略本身。 例如： - 首頁卡片 impression； - 自動播放； - 預覽片段； - 自動連播； - 高 rank placement； - notification-triggered open。 相反地： $$ OGE(e)\approx0 $$ 可能出現在： - 使用者輸入精確 query； - 使用者直接進入 creator page； - 外部連結直接開啟； - bookmark / saved item 主動回訪。 這不是說 OGE 事件沒有價值，而是它們不能與 user-originated evidence 混為一談。 --- ## 11. The Autoplay-History Problem 自動播放本身不是必然有害。 問題在於： $$ Autoplay \rightarrow History \rightarrow PreferenceUpdate. $$ 如果： $$ PA(v) $$ 只要持續數秒就被寫為： $$ WatchHistory(v)=1, $$ 而 downstream recommender 又把： $$ WatchHistory(v) $$ 視為 positive implicit feedback，則： $$ PA $$ 被語意轉換成： $$ Interest. $$ 這個轉換沒有受到使用者明確行為支持。 因此本文提出： ### Proposition 1 — Autoplay Non-Equivalence $$ \boxed{ AutoplayExposure \neq ActiveConsumption } $$ ### Proposition 2 — History Non-Homogeneity $$ \boxed{ History \neq Homogeneous\ Preference\ Evidence } $$ 歷史資料必須保留其生成機制。 --- ## 12. Passive Exposure Contamination Index 令事件集合為： $$ \mathcal{E}_{u,t}. $$ 令模型對事件 $e$ 的 preference update contribution 為： $$ w_p(e). $$ 定義 Passive Exposure Contamination Index： $$ PECI = \frac{ \sum_{e\in\mathcal{E}} w_p(e) \cdot \mathbf{1}[I(e)<\theta_I] }{ \sum_{e\in\mathcal{E}} |w_p(e)| +\epsilon }. $$ 其中： $$ \theta_I $$ 為 intentionality threshold。 若： $$ PECI\rightarrow1, $$ 代表大量 preference update 來自低 intentionality 事件。 --- ## 13. Endogenous Evidence Ratio 定義： $$ EER = \frac{ N_{\mathrm{observation-generated\ evidence}} }{ N_{\mathrm{all\ preference\ evidence}} }. $$ 高 $EER$ 不一定代表錯誤。 例如首頁推薦系統本來就會依賴大量 observation-generated interactions。 真正問題是： $$ EER\uparrow $$ 同時： $$ CausalCorrection\approx0. $$ 因此可以定義： $$ Risk_{endo} = EER \cdot (1-C_c), $$ 其中： $$ C_c\in[0,1] $$ 表示 causal correction coverage。 --- ## 14. Self-Confirmation Ratio 若系統在時間 $t$ 推薦內容類別 $x$，並因自身曝光造成 telemetry 增加，再於 $t+1$ 將此作為推薦 $x$ 的主要證據，就形成 self-confirmation。 定義： $$ SCR = P( Recommend_{t+1}(x) \mid Evidence_t(x)\ \text{was policy-induced} ). $$ 實務上可以比較： $$ SCR_{observed} $$ 與 randomized holdout 中的： $$ SCR_{baseline}. $$ 如果： $$ SCR_{observed}\gg SCR_{baseline}, $$ 表示系統可能對自身誘發訊號過度學習。 --- ## 15. Re-exposure Amplification Factor 令： $$ q_t(v) = P( v\text{ is exposed at }t ). $$ 若第一次弱曝光後： $$ q_{t+1}(v) $$ 因低 intentionality telemetry 而顯著提高，定義： $$ RAF(v) = \frac{ q_{t+1}(v) }{ q_t(v)+\epsilon }. $$ 若使用者沒有 active engagement，但： $$ RAF(v)\gg1, $$ 系統可能把 passive exposure 誤當 positive signal。 --- ## 16. Skip Is Not Always Negative, but Repeated Skip Matters 同樣地，本文也不主張： $$ QuickSkip = Dislike. $$ 使用者可能因當時無時間、畫面位置或其他任務快速滑過。 但是若同一內容或 topic 反覆： $$ Exposure \rightarrow Skip $$ 且沒有 active re-entry，系統應逐步累積： $$ Evidence_{nonintent}. $$ 尤其： $$ RepeatedSkip + NoSearch + NoSave + NoCreatorVisit $$ 應降低： $$ P(Intent>0). $$ 這與 A02 的 KBD / temporal declaration 相容。 --- ## 17. Corrective Architecture ### 17.1 Separate exposure log and preference log 不要： ```text history = watched_items ``` 而應至少分為： ```text exposure_ledger interaction_ledger preference_evidence_ledger explicit_declaration_ledger ``` 其中： $$ ExposureLedger \neq PreferenceEvidenceLedger. $$ ### 17.2 Provenance-aware aggregation 所有 aggregated feature 應保留： $$ source\_type. $$ 例如： $$ WatchSeconds = WatchSeconds_{manual} + WatchSeconds_{autoplay} + WatchSeconds_{search} + WatchSeconds_{follow}. $$ 而不是只有： $$ WatchSeconds_{total}. $$ ### 17.3 Intentionality gates 可設定： $$ \Delta p(e)=0 $$ 若： $$ I(e)<\theta_0 $$ 且沒有 downstream active signal。 或者使用連續加權： $$ \Delta p(e) = I(e) \cdot g(e). $$ ### 17.4 Explicit-declaration precedence 若 A02 的有效 declaration： $$ Decl(u,v,t) $$ 與 autoplay telemetry 衝突，則： $$ Decl > PA $$ 在其他條件相近時應成立。 ### 17.5 Exposure-aware learning 偏好模型應估計： $$ P( Interaction \mid Exposure ), $$ 而不是將： $$ NoInteraction $$ 直接當成 uniform negative。 可以使用： - inverse propensity scoring； - causal adjustment； - randomized exploration； - interleaving； - controlled holdout； - doubly robust estimation。 ### 17.6 Counterfactual preference estimation 真正想知道的是： $$ P( ActiveEngagement(v) \mid do(ExposurePolicy=\pi) ). $$ 而不只是： $$ P( ActiveEngagement(v) \mid ObservedExposurePolicy=\pi_t ). $$ --- ## 18. Randomized Opening of the Loop 完全依賴 production recommender 的資料會讓： $$ Policy $$ 與： $$ ObservedPreference $$ 越來越糾纏。 因此需要少量受控 randomization。 例如保留： $$ \epsilon $$ 比例的候選位置，從符合最低 relevance / safety constraint 的內容池中隨機抽取。 這可估計： $$ P( Engagement \mid RandomExposure ) $$ 並與： $$ P( Engagement \mid PolicyExposure ) $$ 比較。 這不是要求平台大量亂推內容，而是為 causal calibration 保留最低必要的識別能力。 --- ## 19. Preference-State Update with Provenance 承接 A02： $$ \mathbf{z}_{u,v,t} = ( Awar, Intr, Intent, Feas, Rel, Horizon, Decl ). $$ 本文將更新改為： $$ \mathbf{z}_{t+1} = F( \mathbf{z}_t, e_t, I(e_t), OGE(e_t), Decl_t ). $$ 而不是： $$ \mathbf{z}_{t+1} = F( \mathbf{z}_t, watchtime_t ). $$ 例如 autoplay 事件可能提高： $$ Awar $$ 因為使用者確實接觸到內容， 但不一定應提高： $$ Intr $$ 或： $$ Intent. $$ 這是一個關鍵語意分離： $$ \boxed{ PassiveExposure \Rightarrow AwarenessEvidence } $$ 但： $$ \boxed{ PassiveExposure \not\Rightarrow InterestEvidence } $$ --- ## 20. Autoplay Can Update Awareness without Updating Interest 這提供 autoplay 更合理的資料用途。 若： $$ PA(u,v,t)=1, $$ 可以更新： $$ Awar(u,v,t+1) > Awar(u,v,t). $$ 因為使用者確實已被暴露於 $v$。 但： $$ Intr(u,v,t+1) \approx Intr(u,v,t) $$ 除非後續出現： $$ ActivePlay, Search, Seek, Save, Follow, Like $$ 等更強 signal。 這直接避免 A02 所述： $$ Awareness \rightarrow Interest $$ 的錯誤坍縮。 --- ## 21. Repeated Exposure and Familiarity Effects 重複曝光可能造成 familiarity、mere-exposure effect 或 recognition。 即使不討論心理學上的偏好改變，推薦系統在資料層至少應知道： $$ Dwell_t $$ 可能因： $$ PriorExposure_{ 當新人內容沒有足夠 exposure，因此沒有足夠 evidence 時，模型是否把「沒有證據」錯誤解釋成「證據顯示沒有人喜歡」？ 因此 A03 是從個體 preference contamination 通往 creator ecology 的橋樑。 --- ## 29. Limitations 第一，intentionality 不是完全可觀測變數。manual click 也可能是誤觸，autoplay 也可能最終轉為真正興趣，因此不能使用僵硬 binary mapping。 第二，causal correction 需要額外假設、randomization 或可靠 propensity model；在大型 production systems 中可能有成本。 第三，部分平台目標本來就包含 discovery，因此 observation-generated evidence 不應全部被丟棄。本文主張的是分離其語意，而不是將其視為無效。 第四，使用者偏好本身也可能被推薦真正改變。本文區分「推薦改變真實偏好」與「推薦只改變 telemetry 卻被誤判為偏好」；前者是更深層的 preference formation 問題，不在本篇完全處理。 第五，本文主要處理個人化推薦資料生成。廣告競價、商業 boost、內容審核與安全政策等其他 exposure mechanisms 可在後續擴展。 --- ## 30. Conclusion 本文提出 Endogenous Preference Contamination framework。 核心問題可表示為： $$ \boxed{ Recommendation \rightarrow Exposure \rightarrow Telemetry \rightarrow PreferenceEstimate \rightarrow Recommendation } $$ 當 telemetry 沒有保留其生成來源時： $$ \boxed{ PlatformInducedBehavior \approx UserPreferenceEvidence } $$ 會成為一個危險的錯誤等價。 本文因此提出： $$ \boxed{ Recommendation\text{-}Induced\ Preference\ Artifact } $$ 以及： $$ \boxed{ Observation\text{-}Generated\ Evidence } $$ 並以： $$ PECI, EER, SCR, RAF, ICE, CPE $$ 等指標衡量資料污染與自我證成程度。 最重要的語意原則是： $$ \boxed{ PassiveExposure \Rightarrow AwarenessEvidence } $$ 但： $$ \boxed{ PassiveExposure \not\Rightarrow InterestEvidence } $$ 同樣地： $$ \boxed{ Autoplay \neq ActiveConsumption } $$ 以及： $$ \boxed{ History \neq HomogeneousPreferenceEvidence } $$ 推薦系統若希望真正理解使用者，不能只收集更多行為，而必須知道行為是如何被產生的。 因此，對推薦資料而言： $$ \boxed{ Provenance \text{ is not metadata about preference evidence;} \quad Provenance \text{ is part of the preference evidence itself.} } $$ 這完成 Series A 的第三層理論基礎： - A01：誰決定使用者看見什麼； - A02：系統如何理解使用者與內容的關係； - A03：系統本身如何污染它用來理解使用者的資料。 下一步 A04 將把這個閉環提升到整個平台曝光分布，處理從個人資訊繭房轉化為全平台熱門度繭房的機制。 --- ## References [0] Neo.K / EveMissLab. “Recommendation as an Observation Operator: A Formal Framework for Content Availability, Observability, Discoverability, and User Agency.” Series A, Paper A01, v0.1, 2026. [1] Neo.K / EveMissLab. “Explicit Preference versus Inferred Preference: A Multidimensional User-State Model from Awareness to Willingness to Allocate Resources.” Series A, Paper A02, v0.1, 2026. [2] Hu, Y., Koren, Y., & Volinsky, C. “Collaborative Filtering for Implicit Feedback Datasets.” 2008 Eighth IEEE International Conference on Data Mining, pp. 263–272, 2008. DOI: 10.1109/ICDM.2008.22. [3] Chaney, A. J. B., Stewart, B. M., & Engelhardt, B. E. “How Algorithmic Confounding in Recommendation Systems Increases Homogeneity and Decreases Utility.” Proceedings of the 12th ACM Conference on Recommender Systems, pp. 224–232, 2018. DOI: 10.1145/3240323.3240370. arXiv:1710.11214. [4] Mansoury, M., Abdollahpouri, H., Pechenizkiy, M., Mobasher, B., & Burke, R. “Feedback Loop and Bias Amplification in Recommender Systems.” Proceedings of the 29th ACM International Conference on Information & Knowledge Management, 2020. arXiv:2007.13019. [5] Pan, W., Cui, S., Wen, H., Chen, K., Zhang, C., & Wang, F. “Correcting the User Feedback-Loop Bias for Recommendation Systems.” arXiv:2109.06037, 2021. [6] Adomavicius, G., Bockstedt, J. C., Curley, S. P., & Zhang, J. “Recommender Systems, Ground Truth, and Preference Pollution.” AI Magazine, 43(2), 177–189, 2022. DOI: 10.1002/aaai.12055. [7] Krauth, K., Wang, Y., & Jordan, M. I. “Breaking Feedback Loops in Recommender Systems with Causal Inference.” arXiv:2207.01616, 2022. [8] Liao, J., Yang, M., Zhou, W., Zhang, H., & Wen, J. “Modeling Item Exposure and User Satisfaction for Debiased Recommendation with Causal Inference.” Information Sciences, 676, 120834, 2024. DOI: 10.1016/j.ins.2024.120834. [9] Zoralioglu, Y., & Yalcin, E. “Dynamic Feedback Loops in Recommender Systems: Analyzing Fairness, Popularity Bias, and User Group Disparities.” Journal of Intelligent Information Systems, 2026. DOI: 10.1007/s10844-026-01025-y. --- ## Series Continuation - A04 — The Platform-Induced Exposure Bubble - A05 — Recommendation, Cold Start, and Creator Ecological Collapse - A06 — Metric Success, Product Failure