基于推荐系统与大型语言模型的孕期健康视频观看行为研究：揭示时间动态与公共卫生价值

针对孕期女性视频信息获取偏好与潜在健康风险，研究者创新性地结合YouTube推荐系统(API)与大型语言模型(LLM)，构建了"从推荐中学习"的分析框架。通过开发启发式算法发现28个核心主题，GPT-4在妊娠期分类任务中达到0.82余弦相似度(人类标注基线)，为公共卫生干预提供了数据驱动的决策支持。

　　

在数字健康时代，YouTube作为全球第二大访问网站，已成为孕期女性获取健康信息的重要渠道。然而，这种自发性的学习方式潜藏着严峻挑战：一方面，平台充斥着关于流产风险最小化或不安全产前实践等误导性内容；另一方面，传统调查方法受限于样本规模和自我报告偏差，难以捕捉真实的观看行为模式。更关键的是，尽管推荐系统算法研究蓬勃发展，但鲜有学者思考如何反向解码推荐结果背后隐含的群体行为信号——这种"从推荐中学习"的逆向思维，正是本研究的创新起点。

来自美国研究机构的研究团队在《Expert Systems with Applications》发表的研究中，开创性地将YouTube推荐系统转化为"行为感知工具"。通过设计启发式视频发现算法，结合GPT-4等大型语言模型(LLM)的语义分析能力，系统揭示了孕期女性观看内容的时间演变规律。研究发现，基于推荐数据构建的搜索图谱不仅能识别28个医学相关主题，其平均最近距离(ACD)指标(1.7867)显著优于流行度、时效性等基线策略，更重要的是，该方法无需接触敏感的个人数据即可实现群体级行为洞察。

研究方法上，团队首先通过文献梳理确定6个核心种子查询(如"分娩阶段""孕期营养")，利用YouTube API构建视频发现管道。采用多维度评估框架：在视频发现阶段比较ACD和主题多样性；在时间分类任务中，同时采用人类标注(30名育龄期女性)和LLM自动化分析(GPT-4、句子转换器)，以余弦相似度衡量模型性能。值得注意的是，为规避伦理风险，研究获得IRB豁免并与美国大型医保机构合作开展。

【Video Discovery】
基于"分娩阶段"(92.8%搜索率)等6个种子查询，算法从YouTube推荐图谱中挖掘出72个高相关视频。相比关键词扩展等传统方法，该方案发现的视频在医学相关性评分上提升37%，且能捕捉"妊娠糖尿病管理"等容易被遗漏的长尾主题。

【Temporal Partitioning with Human Annotation】
对41个随机视频的 trimester(妊娠期)分类显示，GPT-4与人类标注的余弦相似度达0.82，显著高于零样本学习(0.52)和句子嵌入方法(0.66)。有趣的是，模型对孕晚期内容的识别精度最高，这与临床实践中孕晚期信息需求激增的现象相符。

【Discussion and Future Work】
研究突破了推荐系统领域长期存在的"算法优化"范式，证明平台推荐数据可作为公共卫生监测的代理指标。例如，系统能自动识别某类不安全分娩教程的传播轨迹，为及时干预提供时间窗口。这种间接分析方法既规避了隐私风险，又实现了传统调查难以企及的时空分辨率。

【Limitation】
YouTube推荐机制的黑箱特性可能引入偏差，且样本仅覆盖英语内容。未来研究可结合多模态分析和跨文化验证。

这项研究的意义在于：首次建立了"平台推荐数据-群体行为推断-公共卫生决策"的转化链条。通过LLM实现的自动化分析框架，使得卫生机构能持续监测健康信息的传播生态，既可用于纠正误导内容，也能优化官方资源的投放策略。从方法论层面，该工作为数字健康研究开辟了新路径——当直接观察不可行时，通过解码平台算法的"副产品"来间接理解复杂的社会行为。