Silniki rekomendacji w mediach społecznościowych 2700-L-FAK-Z-SRMS

Wiedza
- student operuje siatką podstawowych pojęć naukowych z zakresu sztucznej inteligencji
- zna podstawowe rodzaje problemów rozwiązywanych przez sztuczną inteligencję
- rozumie charakter komponentów składających się na silniki rekomendacji
- zna zastosowanie algorytmów sztucznej inteligencji w produktach komercyjnych
- rozumie, jakie informacje można zbierać w obrębie silników rekomendacyjnych
- zna zagrożenie związane z fake newsami i dezinformacją szerzonymi przy wykorzystaniu sztucznej inteligencji

Umiejętności:
- student umie samodzielnie dokonać analizy narzędzi sztucznej inteligencji
- potrafi wskazać komponenty, z których może składać się silnik rekomendacyjny
- umie analizować silniki rekomendacji w mediach społecznościowych
- płynnie porusza się w tematyce regulacji prawnych dotyczących algorytmów sztucznej inteligencji

Inne kompetencje:
- student rozumie rolę silników rekomendacyjnych w mediach społecznościowych
- ma wrażliwość na problemy natury etycznej związane ze stosowaniem silników rekomendacji w dużej skali

Obecność i aktywność na zajęciach, zaliczenie kolokwium pisemnego.

1. Covington, P.; Adams, J.; Sargin, E. (2016). Deep Neural Networks for YouTube Recommendations. In Proceedings of the 10th ACM Conference on Recommender Systems (RecSys '16). Association for Computing Machinery, New York, NY, USA, 191–198. https://doi.org/10.1145/2959100.2959190
2. Pal, A.; Eksombatchai, C.; Zhou, Y.; Zhao, B.; Rosenberg, C.; Leskovec, J. (2020). PinnerSage: Multi-Modal User Embedding Framework for Recommendations at Pinterest. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (KDD '20). Association for Computing Machinery, New York, NY, USA, 2311–2320. https://doi.org/10.1145/3394486.3403280
3. Boeker, M.; Urman, A. (2022). An Empirical Investigation of Personalization Factors on TikTok. In Proceedings of the ACM Web Conference 2022 (WWW '22). Association for Computing Machinery, New York, NY, USA, 2298–2309. https://doi.org/10.1145/3485447.3512102
4. Hoang L. (2020). Science Communication Desperately Needs More Aligned Recommendation Algorithms. Sec. Science and Environmental Communication, Volume 5, 2020. https://doi.org/10.3389/fcomm.2020.598454
5. Nie, B.; Zhang, H.; Liu, Y. (2014). Social Interaction Based Video Recommendation: Recommending YouTube Videos to Facebook Users. In Proceedings of the IEEE Conference on Computer Communications Workshops, 97-102.
6. Ameen, N.; Hoelscher, V.; Panteli, N. (2024) Exploring how mumpreneurs use digital platforms' algorithms and mechanisms to generate different types of value. Information Systems Journal, 2024. https://doi.org/10.1111/isj.12518
7. Taylor, S. Chen, Y. (2024). The lonely algorithm problem: the relationship between algorithmic personalization and social connectedness on TikTok, Journal of Computer-Mediated Communication, Volume 29, Issue 5, September 2024, https://doi.org/10.1093/jcmc/zmae017
8. Ramsden, E., Talbot, C. (2024). The Role of TikTok in Students’ Health and Wellbeing. Int J Ment Health Addiction. https://doi.org/10.1007/s11469-023-01224-6
9. Twitter (2023). Twitter's Recommendation Algorithm. Online: https://blog.x.com/engineering/en_us/topics/open-source/2023/twitter-recommendation-algorithm (dostęp: 01.08.2024)
10. Mosseri, A. (2023). Instagram Ranking Explained. Online: https://about.instagram.com/blog/announcements/instagram-ranking-explained (dostęp: 01.08.2024)

Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb:

• Strona przedmiotu 2700-L-FAK-Z-SRMS w USOSweb