Trait, Not State: The Durability of Reading Identity in Social Highlighting

Resumo Técnico: Traço, não Estado: A Durabilidade da Identidade de Leitura no Destaque Social

Problema
Pesquisas anteriores sobre o destaque (highlighting) na web social estabeleceram que a individualidade no comportamento de leitura reside primariamente na seleção (quais documentos um usuário escolhe destacar) e não na saliência (onde dentro de um documento ele destaca). No entanto, esses achados foram transversais, tratando o tempo como fixo. A questão central abordada por este artigo é temporal: a assinatura de seleção de um leitor é um traço (uma identidade durável e estável) ou um estado (uma condição transitória impulsionada pela recência)?

Essa distinção possui implicações práticas opostas. Se a seleção é um estado, os sistemas de recomendação devem basear-se em modelos de sessão de curto prazo e esquecimento agressivo. Se é um traço, perfis de usuário de longo prazo são um ativo legítimo e persistente. Embora os recomendadores de produção frequentemente adotem o peso de recência por padrão, a literatura psicométrica sugere que vestígios digitais podem prever atributos estáveis. Este estudo visa resolver essa tensão medindo o decaimento da vantagem de seleção de um leitor ao longo do tempo.

Metodologia
O estudo utiliza dados do Glasp, um destacador social de web, focando em uma coorte rigorosa de usuários intensos e de longo tempo de permanência.

• Coorte: De 191.223 registros de usuários amostrados aleatoriamente, 405 leitores qualificáveis foram identificados. A qualificação exigia $\ge$60 documentos web limpos ao longo de $\ge$12 meses, com atividade em $\ge$8 meses distintos. O usuário mediano possuía 133 documentos.
• Construção de Perfil: Para cada usuário, os primeiros seis meses de calendário de destaques foram "congelados" para criar um perfil. Este perfil consiste no centroide dos embeddings de texto (512-dim text-embedding-3-small) de seus intervalos de destaque, limitado a $K=20$ documentos.
• Design de Avaliação:
  • Positivos: As seleções de documentos subsequentes do usuário, agrupadas pelo intervalo de tempo desde o congelamento do perfil (0–1, 1–3, 3–6, 6–12, 12–24, 24+ meses).
  • Negativos: Para evitar que o "desvio de oferta" (supply drift — mudanças no conteúdo disponível) se passasse por desvio pessoal, os negativos foram pareados temporalmente. Eles foram extraídos das seleções de outros leitores nos exatos intervalos de calendário dos positivos.
  • Dois Regimes:
    1. Grosseiro (Fácil): Negativos e controles extraídos da coorte global.
    2. Fino (Difícil/Primário): Negativos e controles extraídos dos 25 pares mais similares ao perfil do usuário (vizinhança de interesse). Este regime foi designado como primário para testar a identidade contra uma base de comparação mais difícil e relevante.
• Métrica: A métrica primária é a vantagem de Precisão Média (AP) ($Próprio - Outro$), onde "Próprio" é a AP do perfil congelado do usuário classificando o conjunto de candidatos e "Outro" é a média da AP de três perfis de usuários de controle no mesmo conjunto.
• Análise de Retenção: Para evitar o viés de sobrevivência (onde os intervalos distantes contêm apenas usuários de longa permanência), a análise primária utiliza uma abordagem de retenção pareada: comparando a vantagem de um usuário específico em um intervalo posterior (ex: 6–12 meses) contra sua própria vantagem no baseline de 0–1 mês.

Principais Resultados

1. Validação do Suporte: A célula "âncora" (avaliação imediatamente após o congelamento do perfil) na camada fina rendeu uma vantagem de +0,188 (IC 95%: [0,160, 0,216]). Isso reproduz a estimativa transversal anterior de +0,169, validando a configuração experimental.
2. Sem Decaimento Detectável (Comportamento de Traço):
   • Camada Fina: A razão de retenção pareada ($R$) no horizonte de 6–12 meses é 1,00 (IC: [0,85, 1,18]), indicando que não há declínio estatisticamente detectável. Mesmo em 24+ meses, o intervalo inclui o zero, embora a estimativa pontual permita um declínio modesto.
   • Camada Grosseira: Um declínio estatisticamente significativo foi observado apenas na camada grosseira aos 12–24 meses (queda de aproximadamente 13%), sugerindo que misturas de tópicos amplos podem sofrer desvio, enquanto a identidade de grão fino permanece estável.
   • Conclusão: Nenhum intervalo de "meia-vida" foi observado dentro de dois anos na camada fina.
3. Independência de Repetição de Fonte: O sinal durável não é meramente um resultado de usuários destacando repetidamente os mesmos domínios. Quando todos os domínios do perfil foram excluídos do conjunto de candidatos, a vantagem reteve ~90% de seu valor em todos os horizontes.
4. Desvio Intra-Pessoa Lento: Embora a identidade seja estável em relação aos outros, ela não é estática. Um perfil construído a partir da metade recente do histórico de um usuário superou um perfil da metade antiga em +0,042 AP. No entanto, a metade antiga reteve ~91% do escore da metade recente, indicando uma lenta acréscimo de novos temas em vez de substituição.
5. Ação Prospectiva: Perfis pessoais (mesmo aqueles construídos a partir de documentos de 20 meses atrás) classificaram as próximas leituras reais de um usuário com aproximadamente 3x a AP de os priors não pessoais (popularidade vitalícia, co-leitura de vizinhança, recência, aleatório). Notavelmente, os priors de popularidade global performaram ao nível de um chute aleatório nesta avaliação de nível individual.

Significância e Alegações
O artigo afirma fornecer a primeira curva de decaimento de identidade para a seleção de leitura naturalística e verificada por engajamento. Sua definição operacional de "traço" é uma assinatura de seleção específica da pessoa e estável sob engajamento contínuo da plataforma.

• Contribuição Teórica: O estudo demonstra que, embora os sinais de saliência dentro do documento sejam compartilhados e situacionais, a camada de seleção é pessoal e persistente. Isso desafia a suposição em sistemas de recomendação de que as preferências do usuário são puramente baseadas em estado e requerem atualização constante.
• Implicação Prática: Para sistemas que utilizam esses dados, o "esquecimento agressivo" não é justificável para sinais de seleção. Perfis de longo prazo devem ser retidos e combinados com uma adaptação de recência modesta. O sinal permanece acionável mesmo para perfis construídos a partir de seus primeiros documentos (mediana de 20 meses atrás).
• Limitações e Escopo: Os autores explicitamente observam que os achados se aplicam a usuários intensos e de longo tempo de permanência de uma plataforma específica (Glasp). O estudo não pode separar exposição de escolha (pois logs de impressão não estão disponíveis), o que significa que o "traço" é uma propriedade do sistema "pessoa-no-ambiente". A durabilidade observada é condicional ao engajamento contínuo; o estudo não afirma que o engajamento em si é permanente. Além disso, o instrumento de medição (embeddings de título/intervalo congelados) é deliberadamente simples; um modelo mais complexo poderia revelar padrões de desvio diferentes.

Em resumo, o artigo conclui que, para leitores engajados, a assinatura do que eles escolhem ler é um traço durável que persiste por anos, transfere-se para fontes não vistas e supera significativamente os baselines não pessoais, enquanto o sinal de onde eles destacam dentro de um texto é transitório e compartilhado.