行为经济学操纵的对抗：个人算法主权，讯息重排与对称性原则
相信每个人都愈来愈能感知到，互联网APP在当下竞争稳定后，纷纷开展使用各种手段去操纵用户以最大化收益。
这在UX界称之为暗黑模式(Dark Patterns)，又称欺骗模式(Deceptive Patterns)。在外网也称：enshittification of the internet，互联网的狗屎化。
是个简单粗暴的说法。
简单来说：暗黑模式(Dark Patterns) 指在产品介面上或现实店家，运用各种手段和技巧，让使用者或消费者做原本不会想做的事，藉此达到商业盈利目标。
常见的是在各种商业课上会听到的行为经济学方法。
正向的使用，就是persuasive design。 没有原则地滥用，那就变成deceptive patterns。
创造 Dark Patterns 这个词的 Dr. Harry Brignull，则将其定义为：一种精心设计的用户界面，目的在欺骗用户做特定的事情，例如购买保险或订阅付费服务。
面前这些刻意的设计，即使用户有意识地对抗，这实际上会花费大量的「认知成本」，这就很像用户和平台在玩剪刀石头布，但平台却有高速摄影机(外挂)一样。
这个过程，从本质上看就是互联网平台通过提供服务获得了一项权力，就是将对用户有用的讯息加工成同时对他们有利(额外意图)的讯息(或媒介)，利用人性向下牟利。
用户在接收讯息的同时，几乎必定受平台的额外意图影响。
除非我们在这方面有一些技术对抗，Filter。
个人算法，讯息重排能很大程度上解决这个问题，既然互联网平台把讯息加工了，那为甚么我们不在平台与个人之间建立一个技术，隔绝操纵性额外意图?
如果我们一定程度上能把讯息的媒介在客户端上解析并重构，只保留有用的讯息，排除坏意图，这两个技术是必不可少的。前者解决的是个人化的意图判定，判定甚么讯息对我是有用的，并且改变其形态，后者对抗的是平台对其他服务商寻租讯息排序权的意图。
其中一个常说的简单例子的例子是：出门扫码点餐的App都有一个很鸡贼的功能，在你下单前不想让你看到总价。虽然每个人都知道自己可以用计算器算总价，但这会为用户造成认知成本，以及多人出门的社交成本（真抠门）。
这当中的门道，做这些APP的产品经理都别装蒜，绝对是A/B测试过的。个人AI能在这中间介入的话，这绝对是对用户有利的。
注意我想强调的不这不是个道德问题，不是在这里抱怨巨头，产品经理，设计师在app(器)的设计道德好坏的问题。而多是想带出博弈(术)与对称性原则(法)的思考。
我们作为个体，一方面不可能寄希望于这些人哪天突然大发慈悲把操纵性设计都拿掉，因为这些只会让市场流向新的操纵者。
另一方面这本质是一个博弈问题，也就是操纵用户的投资回报比太高了，不操白不操。
立法我们管不着，但我们可以做的事情是提高他们作恶的成本，这也是我想推广数权的原因，只要我们某一天将他们的成本推到不足以有利可图，他们就会突破崩溃。
"Tyranny requires constant effort. It breaks, it leaks. Authority is brittle. Oppression is the mask of fear."
最后说说对称性原则。
不知道有没有人还记得互联网精神。
“互联网精神”即：**开放、平等、协作、快速、共享**。
背后都有两个字：对称。
等价交换是对称的，欺诈是非对称的。
说服是对称的，操纵是非对称的。
人类社会的起始来自于「对称性」，经济进步也来自正和博弈。
互联网在其发展中，很明显就是被弱资本殖民了，就像我以前写的热爱者活动异化一样，互联网的本，已经被赚钱overwrite了。表面上这些巨头都在抢着创造更好的服务，实际上，都在圈奴。
代理问题(Agency Problem)是指由于代理人的目标函数与委托人的目标函数不一致，加上存在不确定性和信息不对称，代理人有可能偏离委托人目标函数而委托人难以观察和监督，从而出现代理人损害委托人利益的现象。 又称为委托代理问题。
也就是类似08年金融危机的机构代理人，根本不在乎委託人的风险，只在乎自己的佣金。它们不在乎我们。
但绿胡须help绿胡须。
我希望参与创造出一个新的互联网范式，一个这些非对称的行为将变得永远不可能，一个由用户，而非巨头可以控制自己的数字主权，而非被他们操纵牟利的未来。
by building an Internet that is of the people,
by the people, for the people.
感谢看到这里。
相信每个人都愈来愈能感知到，互联网APP在当下竞争稳定后，纷纷开展使用各种手段去操纵用户以最大化收益。
这在UX界称之为暗黑模式(Dark Patterns)，又称欺骗模式(Deceptive Patterns)。在外网也称：enshittification of the internet，互联网的狗屎化。
是个简单粗暴的说法。
简单来说：暗黑模式(Dark Patterns) 指在产品介面上或现实店家，运用各种手段和技巧，让使用者或消费者做原本不会想做的事，藉此达到商业盈利目标。
常见的是在各种商业课上会听到的行为经济学方法。
正向的使用，就是persuasive design。 没有原则地滥用，那就变成deceptive patterns。
创造 Dark Patterns 这个词的 Dr. Harry Brignull，则将其定义为：一种精心设计的用户界面，目的在欺骗用户做特定的事情，例如购买保险或订阅付费服务。
面前这些刻意的设计，即使用户有意识地对抗，这实际上会花费大量的「认知成本」，这就很像用户和平台在玩剪刀石头布，但平台却有高速摄影机(外挂)一样。
这个过程，从本质上看就是互联网平台通过提供服务获得了一项权力，就是将对用户有用的讯息加工成同时对他们有利(额外意图)的讯息(或媒介)，利用人性向下牟利。
用户在接收讯息的同时，几乎必定受平台的额外意图影响。
除非我们在这方面有一些技术对抗，Filter。
个人算法，讯息重排能很大程度上解决这个问题，既然互联网平台把讯息加工了，那为甚么我们不在平台与个人之间建立一个技术，隔绝操纵性额外意图?
如果我们一定程度上能把讯息的媒介在客户端上解析并重构，只保留有用的讯息，排除坏意图，这两个技术是必不可少的。前者解决的是个人化的意图判定，判定甚么讯息对我是有用的，并且改变其形态，后者对抗的是平台对其他服务商寻租讯息排序权的意图。
其中一个常说的简单例子的例子是：出门扫码点餐的App都有一个很鸡贼的功能，在你下单前不想让你看到总价。虽然每个人都知道自己可以用计算器算总价，但这会为用户造成认知成本，以及多人出门的社交成本（真抠门）。
这当中的门道，做这些APP的产品经理都别装蒜，绝对是A/B测试过的。个人AI能在这中间介入的话，这绝对是对用户有利的。
注意我想强调的不这不是个道德问题，不是在这里抱怨巨头，产品经理，设计师在app(器)的设计道德好坏的问题。而多是想带出博弈(术)与对称性原则(法)的思考。
我们作为个体，一方面不可能寄希望于这些人哪天突然大发慈悲把操纵性设计都拿掉，因为这些只会让市场流向新的操纵者。
另一方面这本质是一个博弈问题，也就是操纵用户的投资回报比太高了，不操白不操。
立法我们管不着，但我们可以做的事情是提高他们作恶的成本，这也是我想推广数权的原因，只要我们某一天将他们的成本推到不足以有利可图，他们就会突破崩溃。
"Tyranny requires constant effort. It breaks, it leaks. Authority is brittle. Oppression is the mask of fear."
最后说说对称性原则。
不知道有没有人还记得互联网精神。
“互联网精神”即：**开放、平等、协作、快速、共享**。
背后都有两个字：对称。
等价交换是对称的，欺诈是非对称的。
说服是对称的，操纵是非对称的。
人类社会的起始来自于「对称性」，经济进步也来自正和博弈。
互联网在其发展中，很明显就是被弱资本殖民了，就像我以前写的热爱者活动异化一样，互联网的本，已经被赚钱overwrite了。表面上这些巨头都在抢着创造更好的服务，实际上，都在圈奴。
代理问题(Agency Problem)是指由于代理人的目标函数与委托人的目标函数不一致，加上存在不确定性和信息不对称，代理人有可能偏离委托人目标函数而委托人难以观察和监督，从而出现代理人损害委托人利益的现象。 又称为委托代理问题。
也就是类似08年金融危机的机构代理人，根本不在乎委託人的风险，只在乎自己的佣金。它们不在乎我们。
但绿胡须help绿胡须。
我希望参与创造出一个新的互联网范式，一个这些非对称的行为将变得永远不可能，一个由用户，而非巨头可以控制自己的数字主权，而非被他们操纵牟利的未来。
by building an Internet that is of the people,
by the people, for the people.
感谢看到这里。
❤3
#自媒体运营频道 #@yunying23
小红书涨粉数与哪个指标最正相关？
我用自己小红书笔记的真实数据，借助Claude做了一个计算皮尔逊相关系数的工具。
这个系数的范围是-1到1，-1为完全负相关，1为完全正相关，0为无相关性。
主要是为了搞清楚涨粉数，与观看量、点赞数、评论数、转发数、人均观看时长中的哪个指标最正相关，以便有针对性地制定涨粉策略。
计算基于我近几个月发布的几十条笔记的各纬度数据，由小红书创作服务平台的内容分析板块直接到导出。
结论和之前看到网上的分析相差不多。收藏数、评论数、转发数、点赞数与涨粉数呈现强正相关性。观看量呈现中等正相关性。
另外，用户观看时长与涨粉数呈现弱负相关性，数据解读意义不大。
其中收藏数、评论数呈现与涨粉数最强的正相关性。
这给我的启发是，要分享和创作对用户来讲愿意收藏回头再利用或学习的干货内容/知识，并且要引导或激发用户在评论区的交流互动。
很多时候不理解为什么有很多小红书博主在评论区引导用户滴滴、私、求发、1，个人简介写不回私信。虽然看着很烦，但人家是真涨粉啊。
甚至评论区已经吵起来了，但博主坐收涨粉之利啊。
小红书涨粉数与哪个指标最正相关？
我用自己小红书笔记的真实数据，借助Claude做了一个计算皮尔逊相关系数的工具。
这个系数的范围是-1到1，-1为完全负相关，1为完全正相关，0为无相关性。
主要是为了搞清楚涨粉数，与观看量、点赞数、评论数、转发数、人均观看时长中的哪个指标最正相关，以便有针对性地制定涨粉策略。
计算基于我近几个月发布的几十条笔记的各纬度数据，由小红书创作服务平台的内容分析板块直接到导出。
结论和之前看到网上的分析相差不多。收藏数、评论数、转发数、点赞数与涨粉数呈现强正相关性。观看量呈现中等正相关性。
另外，用户观看时长与涨粉数呈现弱负相关性，数据解读意义不大。
其中收藏数、评论数呈现与涨粉数最强的正相关性。
这给我的启发是，要分享和创作对用户来讲愿意收藏回头再利用或学习的干货内容/知识，并且要引导或激发用户在评论区的交流互动。
很多时候不理解为什么有很多小红书博主在评论区引导用户滴滴、私、求发、1，个人简介写不回私信。虽然看着很烦，但人家是真涨粉啊。
甚至评论区已经吵起来了，但博主坐收涨粉之利啊。
#自媒体运营频道 #@yunying23
我从 10 年前入行 toB 的时候，就有一些作为 toB 人的优越感在，为什么？
因为能够给企业做交付，就是门槛更高的事情。你要懂客户的业务，客户所在行业，整个产业上下游，你才能有专业度和差异化。
阿里云也是阿里集团平均年龄相对更高的事业部，学历自然不用说，都是资深专家级别。因为跟着这些同事，学到了很多东西，在自己创业落地中，避开了大量的坑。
今早还和某上市公司金融事业部老大哥交流，背后都是这些智囊团，让我们在创始人 IP 市场做事，快狠准。
我从 10 年前入行 toB 的时候，就有一些作为 toB 人的优越感在，为什么？
因为能够给企业做交付，就是门槛更高的事情。你要懂客户的业务，客户所在行业，整个产业上下游，你才能有专业度和差异化。
阿里云也是阿里集团平均年龄相对更高的事业部，学历自然不用说，都是资深专家级别。因为跟着这些同事，学到了很多东西，在自己创业落地中，避开了大量的坑。
今早还和某上市公司金融事业部老大哥交流，背后都是这些智囊团，让我们在创始人 IP 市场做事，快狠准。
#自媒体运营频道 #@yunying23
全链路盘点用AI做小红书，有多效率
完全靠 AI 做爆款几乎是天方夜谭，但用 AI 来辅助做内容、提高产出效率，就很炸裂了
合理的预期下，从定位选题、到维护选题库、到量产一些制式内容、到评论区的互动输出，AI 都可以做的很舒服。
工具和它的能力就摆在那里，怎么“善”用靠的是人
全链路盘点用AI做小红书，有多效率
完全靠 AI 做爆款几乎是天方夜谭，但用 AI 来辅助做内容、提高产出效率，就很炸裂了
合理的预期下，从定位选题、到维护选题库、到量产一些制式内容、到评论区的互动输出，AI 都可以做的很舒服。
工具和它的能力就摆在那里，怎么“善”用靠的是人
😢1
清华团队已经开始用脑电波做室内设计了
结合 BCI 和 Gen-AI 技术，实现如下：
1. 脑电波采集与预处理：用户佩戴的是一种高灵敏度的脑电波检测设备（如EMOTIV EPOC X），其通过多个电极记录大脑皮层的电活动。设备采集的原始信号包括不同频段的脑波（如α波、β波、γ波等），这些信号首先通过带通滤波器进行预处理，以消除噪声和非相关的信号干扰，如眼动和肌肉活动。
2. 脑电信号解码与模式识别：预处理后的脑电数据会被送入一个基于支持向量机（SVM）的机器学习模型进行分类和预测。SVM模型通过提取特征向量，将脑电信号与特定的设计意图（如“增加透明度”或“更奢华的装饰”）进行匹配。为了进一步提高准确度，研究者还使用了无监督学习的聚类算法（如K-means），对相似脑电信号进行分组，从而优化指令识别的精度。
3. 生成性AI模型的训练与优化：在解码出用户的设计意图后，系统通过生成性人工智能模型（如Stable Diffusion和ControlNet）生成对应的室内设计图像。研究团队利用大量的室内设计图片数据，结合用户的偏好和具体的设计需求，通过精调训练（如使用LoRA微调模型），增强AI模型的生成能力，以确保其能够准确呈现用户想象的空间特征。
4. 实时生成与用户反馈机制：一旦AI生成的设计方案完成，系统会展示多个不同的设计变体，用户可以根据自己的喜好进行选择或评分。系统通过记录用户的反馈，进一步调整和优化生成模型。整个过程是一个不断循环的迭代，逐步接近用户的理想设计结果。
研究显示，使用Mental-Gen进行的设计生成准确度高达68.67%，并且用户满意度也在不断提高。
把这玩意给甲方用应该可以减少一些工作上的纷争🙏
结合 BCI 和 Gen-AI 技术，实现如下：
1. 脑电波采集与预处理：用户佩戴的是一种高灵敏度的脑电波检测设备（如EMOTIV EPOC X），其通过多个电极记录大脑皮层的电活动。设备采集的原始信号包括不同频段的脑波（如α波、β波、γ波等），这些信号首先通过带通滤波器进行预处理，以消除噪声和非相关的信号干扰，如眼动和肌肉活动。
2. 脑电信号解码与模式识别：预处理后的脑电数据会被送入一个基于支持向量机（SVM）的机器学习模型进行分类和预测。SVM模型通过提取特征向量，将脑电信号与特定的设计意图（如“增加透明度”或“更奢华的装饰”）进行匹配。为了进一步提高准确度，研究者还使用了无监督学习的聚类算法（如K-means），对相似脑电信号进行分组，从而优化指令识别的精度。
3. 生成性AI模型的训练与优化：在解码出用户的设计意图后，系统通过生成性人工智能模型（如Stable Diffusion和ControlNet）生成对应的室内设计图像。研究团队利用大量的室内设计图片数据，结合用户的偏好和具体的设计需求，通过精调训练（如使用LoRA微调模型），增强AI模型的生成能力，以确保其能够准确呈现用户想象的空间特征。
4. 实时生成与用户反馈机制：一旦AI生成的设计方案完成，系统会展示多个不同的设计变体，用户可以根据自己的喜好进行选择或评分。系统通过记录用户的反馈，进一步调整和优化生成模型。整个过程是一个不断循环的迭代，逐步接近用户的理想设计结果。
研究显示，使用Mental-Gen进行的设计生成准确度高达68.67%，并且用户满意度也在不断提高。
把这玩意给甲方用应该可以减少一些工作上的纷争🙏
❤4🥰1