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

Resumo Técnico: Saliência Pessoal em Destaque Digital

Enunciado do Problema
O artigo investiga até que ponto a identidade única de um indivíduo pode ser recuperada a partir de traços de destaque naturalísticos (marcar passagens enquanto lê). Embora a pesquisa de gêmeos digitais frequentemente assuma que traços comportamentais revelam interesses distintos e prevejam escolhas, este trabalho questiona se o destaque é uma "impressão digital pessoal" ou primariamente um reflexo de saliência compartilhada. O desafio central é o desmembramento de três quantidades confundidas na pesquisa de personalização:

1. Saliência Genérica: Importância estrutural ou semântica inerente ao documento (ex: frases de tópico, conclusões).
2. Saliência da Multidão (Crowd Salience): Passagens marcadas por outros leitores (consenso coletivo).
3. Saliência Pessoal: O resíduo único individual de um usuário específico.

Os autores utilizam o Glasp, um destacador web, para materializar a "co-leitura" — um cenário raro onde múltiplos usuários destacam exatamente o mesmo documento. Isso permite um controle de identidade dentro do mesmo documento, mantendo o documento e o tópico constantes para isolar o comportamento individual.

Metodologia
O estudo define duas tarefas de predição distintas e emprega um framework de avaliação rigoroso e livre de vazamentos (leakage-free):

1. Tarefas:

   • Saliência Intra-Documento: Prever quais sentenças um usuário destaca de todo o documento.
   • Seletividade: Prever quais dos passagens já destacadas (pela multidão) pertencem a um usuário específico.

2. Pontuadores (Scorers) e Baselines:

   • Multidão (Crowd): A contagem de outros co-leitores que marcaram um determinado intervalo (estimada a partir de uma multidão densa, mediana de 38 leitores).
   • Genérico: Centralidade da sentença (similaridade de cosseno com o centroide do embedding do documento).
   • Modelos Pessoais:
     • Perfil de Embedding (M1): Similaridade de cosseno com um mean-pooling do embedding dos destaques passados do usuário.
     • Gêmeo (Twin): Um LLM de fronteira proprietário (gpt-5.5) condicionado ao histórico do usuário para classificar os candidatos.
   • Controle de Identidade (Outro): O mesmo método de pontuação aplicado usando o perfil de um outro co-leitor. Isso controla a habilidade geral do extrator; um gap positivo de "próprio-versus-outro" indica personalização genuína.

3. Controles Metodológicos Críticos:

   • Perfis Livres de Vazamento (Leakage-Free): Perfis pessoais são construídos por par, excluindo explicitamente o documento alvo. Os autores demonstram que pipelines ingênuas frequentemente vazam o documento alvo para o perfil (~42% dos pares), inflando os escores pessoais em +0,07 a +0,15 de Precisão Média (AP).
   • Multidão Densa: Uso do conjunto completo de co-leitores (mediana de 38) em vez de subconjuntos pequenos (≤5), que foram identificados como subestimando artificialmente o desempenho da multidão.
   • Decomposição de Tópico: Comparação de usuários contra pares "topicamente próximos" para determinar se o sinal pessoal é impulsionado por preferências temáticas estáveis ou por um estilo mais refinado.

Resultos Principais

1. O Destaque é Social (Saliência Intra-Documento):

   • A multidão é o preditor dominante de quais sentenças um usuário destaca (AP 0,321), superando a estrutura genérica (0,187), perfis de embedding pessoais (0,172) e até gêmeos de LLM de fronteira (0,247).
   • O sinal pessoal recuperável nesta tarefa é mínimo. O gap de identidade "próprio-versus-outro" é de apenas +0,017 AP para o pontuador de embedding (pequeno, mas significativo) e +0,012 AP (não significativo) para o gêmeo.
   • Até mesmo um prior de "liderança/posição" (prever marcas baseando-se na ordem das sentenças) supera o histórico pessoal, embora a multidão ainda vença o prior de posição.
   • Conclusão: A individualidade está amplamente ausente na determinação do que é saliente; o consenso governa.

2. A Individualidade Vive na Seleção:

   • Quando a tarefa muda para selecionar quais das passagens já salientes um usuário escolheu, o sinal pessoal torna-se forte. O gap de identidade salta para +0,143 AP.
   • A popularidade da multidão é anti-preditiva aqui (AP 0,157, abaixo da taxa base) porque os intervalos mais marcados são compartilhados por todos, não oferecendo diferenciação individual.
   • Assimetria: Sob o mesmo pontuador, o sinal individual na seleção é 6 a 8 vezes mais forte do que na saliência.

3. Natureza do Sinal de Seleção:

   • A decomposição revela que o sinal de seleção é majoritariamente uma preferência temática estável. Ao comparar um usuário com um par "topicamente compatível", o gap de identidade encolhe cerca de 8× (de +0,212 para +0,026).
   • Um resíduo tênue (+0,026) permanece mesmo contra gêmeos de tópicos próximos, mas os autores alertam que isso pode representar uma nuance tópica mais fina em vez de um "estilo" não temático.
   • Lei de Escala (Scaling Law): Para usuários com históricos ricos, o sinal de seleção atinge um platô após aproximadamente 60 destaques passados (algumas dezenas), sugerindo que uma quantidade modesta de histórico é suficiente para capturar a assinatura individual.

4. Observação Secundária (Consenso vs. Popularidade):

   • Há uma tendência sugestiva de que o consenso da multidão declina conforme a popularidade do documento aumenta. Com um tamanho de multidão fixo, documentos com mais leitores totais mostram menor concordância sobre o que destacar.

Significância e Alegações
O artigo afirma reverter uma premissa comum na personalização: a de que indivíduos diferem principalmente no que acham interessante (saliência). Em vez disso, as evidências sugerem:

• A Saliência é Compartilhada: O que é interessante é largamente determinado pela estrutura do documento e pelo consenso coletivo.
• A Individualidade é Seletiva: A identidade pessoal emerge na seleção de itens específicos interessantes de um pool compartilhado.
• Correção Metodológica: Alegações anteriores de que "gêmeos digitais" superavam a multidão eram provavelmente artefatos de falhas metodológicas: uso de multidões artificialmente pequenas e falha em prevenir o vazamento de dados do documento alvo para o perfil do usuário.

Os autores concluem que os destaques oferecem uma "janela parcial, moldada pela seleção" sobre uma pessoa, em vez de um clone completo. A assinatura individual é real, mas existe como uma "camada tênue" sobre uma base compartilhada forte, surgindo primariamente em tarefas de seleção, e não em detecção de saliência.