Personal Salience: Highlighting Is Social, but Individuality Lives in Selection

Resumen Técnico: Saliencia Personal en el Resaltado Digital

Planteamiento del Problema
El artículo investiga hasta qué punto se puede recuperar la identidad única de un individuo a partir de los rastros de resaltado naturalista (marcar pasajes mientras se lee). Mientras que la investigación sobre gemelos digitales suele asumir que los rastros conductuales revelan intereses distintivos y predicen elecciones, este trabajo cuestiona si el resaltado es una "huella dactilar personal" o principalmente un reflejo de la saliencia compartida. El desafío central consiste en desentrañar tres cantidades conllevadas en la investigación de la personalización:

1. Saliencia Genérica: Importancia estructural o semántica inherente al documento (por ejemplo, oraciones temáticas, conclusiones).
2. Saliencia de la Multitud (Crowd Salience): Pasajes marcados por otros lectores (consenso colectivo).
3. Saliencia Personal: El residuo único individual específico de un usuario.

Los autores aprovechan Glasp, un resaltador web, para materializar la "co-lectura" —un escenario poco común donde múltiples usuarios resaltan exactamente el mismo documento—. Esto permite un control de identidad dentro del mismo documento, manteniendo constantes el documento y el tema para aislar el comportamiento individual.

Metodología
El estudio define dos tareas de predicción distintas y emplea un marco de evaluación riguroso y libre de filtraciones (leakage-free):

1. Tareas:

   • Saliencia Dentro del Documento: Predecir qué oraciones resalta un usuario de todo el documento.
   • Selectividad: Predecir cuáles de los pasajes ya resaltados (por la multitud) pertenecen a un usuario específico.

2. Evaluadores y Baselines:

   • Multitud (Crowd): El recuento de otros co-lectores que marcaron un segmento candidato (estimado a partir de una multitud densa, mediana de 38 lectores).
   • Genérico: Centralidad de la oración (similitud de coseno con el centroide del embedding del documento).
   • Modelos Personales:
     • Perfil de Embedding (M1): Similitud de coseno con un embedding de media agrupada (mean-pooled) de los resaltados pasados del usuario.
     • Gemelo (Twin): Un LLM de frontera propietario (gpt-5.5) condicionado a la historia del usuario para clasificar los candidatos.
   • Control de Identidad (Otro): El mismo método de puntuación aplicado utilizando el perfil de un co-lector diferente. Esto controla la habilidad general del extractor; una brecha positiva de "propio-frente-a-otro" indica una personalización genuina.

3. Controles Metodológicos Críticos:

   • Perfiles Libres de Filtraciones (Leakage-Free): Los perfiles personales se construyen por par, excluyendo explícitamente el documento objetivo. Los autores demuestran que las canalizaciones ingenuas suelen filtrar el documento objetivo hacia el perfil (~42% de los pares), inflando los puntajes personales en +0.07 a +0.15 de Precisión Media (AP).
   • Multitud Densa: Uso del conjunto completo de co-lectores (mediana de 38) en lugar de subconjuntos pequeños (≤5), los cuales fueron hallados como subestimadores artificiales del rendimiento de la multitud.
   • Descomposición de Temas: Comparación de usuarios contra pares "temáticamente cercanos" para determinar si la señal personal es impulsada por preferencias temáticas estables o por un estilo más fino.

Resultados Clave

1. El Resaltado es Social (Saliencia Dentro del Documento):

   • La multitud es el predictor dominante de qué oraciones resalta un usuario (AP 0.321), superando a la estructura genérica (0.187), los perfiles de embedding personales (0.172) e incluso a los gemelos de LLM de frontera (0.247).
   • La señal personal recuperable en esta tarea es mínima. La brecha de identidad "propio-frente-a-otro" es de solo +0.017 AP para el evaluador de embedding (pequeña pero significativa) y +0.012 AP (no significativa) para el gemelo.
   • Incluso un prior de "liderazgo/posición" (predecir marcas basadas en el orden de la oración) supera la historia personal, aunque la multitud sigue superando al prior de posición.
   • Conclusión: La individualidad está mayormente ausente al determinar qué es saliente; el consenso gobierna.

2. La Individualidad Vive en la Selección:

   • Cuando la tarea cambia a seleccionar cuáles de los pasajes ya salientes eligió un usuario, la señal personal se vuelve fuerte. La brecha de identidad salta a +0.143 AP.
   • La popularidad de la multitud es anti-predictiva aquí (AP 0.157, por debajo de la tasa base) porque los segmentos más marcados son compartidos por todos, ofreciendo ninguna diferenciación individual.
   • Asimetría: Bajo el mismo evaluador, la señal individual en la selección es 6–8 veces más fuerte que en la saliencia.

3. Naturaleza de la Señal de Selección:

   • La descomposición revela que la señal de selección es mayormente una preferencia temática estable. Al comparar un usuario con un par "temáticamente emparejado", la brecha de identidad se reduce aproximadamente 8 veces (de +0.212 a +0.026).
   • Un residuo delgado (+0.026) permanece incluso contra gemelos de temas cercanos, pero los autores advierten que esto puede representar un matiz temático más fino en lugar de un "estilo" no temático.
   • Ley de Escala: Para usuarios con historias ricas, la señal de selección alcanza una meseta tras aproximadamente 60 resaltados pasados (unas pocas docenas), lo que sugiere que una cantidad modesta de historia es suficiente para capturar la firma individual.

4. Observación Secundaria (Consenso vs. Popularidad):

   • Existe una tendencia sugestiva de que el consenso de la multitud declina a medida que aumenta la popularidad del documento. Con un tamaño de multitud fijo, los documentos con más lectores totales muestran un menor acuerdo sobre qué resaltar.

Significancia y Reivindicaciones
El artículo afirma revertir una premisa común en la personalización: que los individuos difieren principalmente en qué encuentran interesante (saliencia). La evidencia sugiere:

• La Saliencia es Compartida: Lo que es interesante está determinado en gran medida por la estructura del documento y el consenso colectivo.
• La Individualidad es Selectiva: La identidad personal emerge en la selección de elementos específicos interesantes de un conjunto compartido.
• Corrección Metodológica: Las afirmaciones previas de que los "gemelos digitales" superan a la multitud fueron probablemente artefactos de fallas metodológicas: el uso de multitudes artificialmente pequeñas y la falta de prevención de la filtración de datos del documento objetivo hacia el perfil del usuario.

Los autores concluyen que los resaltados ofrecen una "ventana parcial, con forma de selección" hacia una persona, en lugar de un clon completo. La firma individual es real pero existe como una "capa delgada" sobre un fundamento compartido robusto, emergiendo principalmente en tareas de selección más que en la detección de saliencia.