前段时间，某 11 岁儿童沉迷王者荣耀游戏，网络上的各种新闻将该游戏推上风口浪尖，那么未成年人沉迷于网络游戏所犯下的错，到底该由谁来背这口锅？同理，幼儿沉迷于观看动画视频，到底谁应该为此负责？
蹒跚学步的孩子渴望控制，但是他们并没有这种能力。因此他们会突然发怒，或者提出荒谬的要求，比如说，你给他们剥香蕉皮，他们会说“不，我想要的香蕉不是那一根”，就算这些香蕉表面上看起来完全一样。
一些心理学家认为孩子们只是想要控制。这种对自主权的渴望很大程度上解释了孩子的古怪行为，也解释了为什么 YouTube 在幼儿和学龄前儿童中如此受欢迎。
如果你的生活中没有一个三岁孩子存在，你可能不知道 YouTube Kids APP，这个应用软件本质上是视频网站的精简版，针对目标受众年龄筛选了视频。由于手机应用软件可以在手机或者平板电脑上运行，所以孩子们可以在由无数视频组成的数字生态系统里找到自己想看的视频，而这些视频又是他们个人所感兴趣的。
YouTube Kids APP 上的视频都是由 YouTube 的推荐算法自动找到的，该算法会兼顾用户的搜索历史、查看历史以及其他数据。算法本质上是一个漏斗算法，即每一个 YouTube 视频都是在漏斗里的，只有少数视频最终被推荐到了用户的屏幕上。
由于平台规模的原因，该推荐引擎遇到了一个难题。谷歌研究人员在 2016 年的某算法论文中指出，“YouTube 推荐主要负责帮助 10 亿用户从不断增长的视频资料库中找到个性化内容。”包括每天上传到网站的众多视频。他们认为做一个有价值的推荐系统是“极具挑战性”的工作，因为该算法必须不断地在令人难以置信的，但是又很有意义的视频内容中进行筛选，用尽可能快的速度找出最新的、最相关的视频。
下面这张图是 YouTube 推荐系统的体系结构，在向用户展示少量推荐视频之前，会对视频进行检索和排名。
接下来说说一个重要因素：孩子们喜欢反复观看同类视频。视频制造商观察最热门的视频，然后模仿它，希望孩子们会继续点击他们制作的产品。他们的视频制作完成后，YouTube 算法会对这些视频进行扫描，并且推荐视频给孩子们。孩子们如果持续点击视频，那么将会继续被提供更多相似视频。这意味着视频制造商将不断制作这类视频，并希望孩子们能点击观看。周而复始。
本质上，过滤气泡（filter bubble，一种网站针对个人化搜索而提供筛选后内容的结果）的生成方式，也是所有推荐算法的工作原理。一小段电脑代码跟踪你正在进行的动作，比如你最常看的视频分类、最长观看时间，然后推荐给你同一类型的视频。从某种角度而言，YouTube Kids 提供的节目明确按照孩子们想要看的视频进行推荐。实际上是孩子们自己做出的选择，直到第二次他们失去了兴趣，选择看其他视频。换句话说，YouTube 应用软件针对孩子的想法做了很多反馈。通过这种方式，它为孩子的心灵打开了一扇特别的窗口。
Heather Kirkorian 是 Wisconsin 大学 Madison 分校人类生态学院的助理教授，他认为，“让人吃惊的是，在这之前很少有人关注这个问题，在过去大约一年时间里，我们也确实看见了一些针对应用软件和触摸屏的研究。但这只是刚刚开始。”
儿童视频是 YouTube 历史上观看量最高的视频种类之一。据 YouTube 的官方统计，“Masha and The Bear”视频的浏览量已超过 23 亿次，你可以在 YouTube Kids 找到高清动画，比如小猪佩奇的电视节目剪辑以及简单轻快的儿歌。“Daddy Finger”是 YouTube Kids 之歌，而“ChuChu”频道对儿童流行歌曲的动态演绎也很受欢迎。
众多最受欢迎的视频都是非专业视频, 像惊喜蛋这种玩具示范类的视频数量非常庞大。顾名思义，这些视频的内容通常都是：一边聊天，一边玩不同的玩具，通常是从塑料袋拿出玩具或者一层层剥离泥胶，并展示一个被隐藏的小雕像。
孩子们发疯式地喜爱这些视频。这些视频虽然看起来很奇怪，但是实际上也很容易理解为什么孩子喜欢他们。“谁不想要一个惊喜？事实上我们所有人都喜欢这样的惊喜。”Georgetown 大学儿童数字媒体中心主任 Sandra Calvert 这么认为。除了带来惊喜和乐趣之外，很多视频基本上都是玩具广告（比如某人将闪耀的培乐多压在迪士尼公主的雕像上的视频，该视频已被浏览 5 亿 5000 万次。）他们让孩子触碰点击整个网站的塑料蛋，并从中获得掌控感，因为他们可以选择自己观看的内容。孩子们喜欢掌控感，即使是在微不足道的事情上。
哈佛医学院儿科教授、媒体与儿童健康中心主任 Michael Rich 认为：“这有点像游戏的快速通关。”在很多方面，YouTube Kids 更符合小孩子的注意力持续时间，因为它的内容播放时长不像是半小时或者一个小时的广播节目。
Rich 和其他人将应用程序和 Sesame Street 之类的旧产品进行对比，Sesame Street 在较长节目中引入了短片段，这其中的原因是为了吸引孩子们的注意。近几十年来，研究人员一直在研究孩子对电视做出的反应。而现在他们正在研究孩子们使用移动应用软件的方式，比如他们花费了多长时间、他们使用哪些 APP 等等。
研究人员已经开始注意到这个问题了。在移动互联网时代，那些曾经痴迷于有线电视的千禧一代如今又有了孩子，这使得类似 YouTube Kids 的应用软件成为了时下流行的选择。现在的家长可能会让幼儿或学龄前儿童玩 28 分钟的 Daniel Tiger’s Neighborhood APP，而不是看 28 分钟的 Mr. Rogers’s Neighborhood 电视节目。Daniel Tiger’s Neighborhood 是 Mr. Rogers’s Neighborhood 的一个衍生电视节目，主要针对 2-4 岁的儿童观众。
但据研究者观察，幼儿和学龄前儿童是完全不同的群体。Kirkorian 认为，一个 2 岁的孩子和一个 4 岁的孩子可能都喜欢看 Daniel Tiger，或者看类似的 YouTube Kid 视频，但是他们从中获得的信息往往是非常不同的。3 岁以下的儿童往往难以吸收通过屏幕传递的信息，更不用提将这些信息应用到现实生活中了。很多研究已经得出了类似的结论，其中也有一些明显的例外情况。研究人员最近发现，当屏幕体验变成交互性时，比如与奶奶进行 Facetime 视频聊天，3 岁以下的孩子实际上可以与屏幕之间发生的事情建立牢固的联系。
Kirkorian 实验室设计了一系列实验，观察交互在帮助幼儿转移信息上扮演着怎样的角色。她和她的同事发现，即使是 2 岁以下的孩子，当他们通过点击屏幕互动和仅仅在频幕上看视频两种不同情况下，孩子们所学到的知识也存在着显著的差异。其他研究人员也发现，整合某种交互有助于孩子更好地记忆信息。
Kirkorian 说，“似乎是某种选择行为、某种机制的存在使得孩子们产生了差异，需思索的地方在于造成差异的原因。”
北京大学心理学系主任韩世辉教授等采用磁共振成像技术进行研究发现，10 岁儿童的大脑内侧前额叶无论在观看电影表现的真实人物，还是卡通片表现的虚拟角色时都会被激活，这和成人的神经活动方式不同。这项研究发表在最新一期《科学通报》上，揭示了儿童爱看卡通片的神经生理原因。该研究创新之处在于对评估儿童教育的方法（如使用卡通片等）具有一定价值。
宝宝沉迷于动画片，不能自拔，除了动画片这一艺术形式适合孩子的心智特点外，主要的原因可能是宝宝的生活比较乏味，只得通过看动画片使身心得到放松，寻找童年的乐趣。
孩子们特别喜欢反复地看同样的东西，直到他们真正理解。当我还是个孩子的时候，我看过很多次“Dumbo VHS”，并且在长途旅行时也会重温这个电影。从 VCR 时代开始，到后来出现能够满足点播需求的节目和应用程序，这类需求是非常普遍的。“如果孩子们有机会去选择他们看的节目，他们很可能会为了满足学习目标来选择交互方式。”Kirkorian 说：“学习新信息的行为能让孩子尝到甜头，所以他们很有可能会选择能这一类信息或视频”。
“孩子们喜欢一遍又一遍地看同样的视频。” Georgetown 的 Calvert 说，“有些是理解问题，所以他们重复地看，这样他们就能够看懂这个故事。孩子们经常不理解视频的动机，这是他们看故事的主要驱动力。他们经常不能理解行动和结果之间的联系。”
年幼的孩子更容易对相对狭隘的兴趣产生迷恋。（大象！火车！月亮！冰淇淋！）在 18 个月大的时候，许多幼儿表现出“十分强烈的兴趣”，范德堡大学的心理学副教授 GeorgeneTroseth 说。这就是为什么孩子使用 YouTube Kids 这类应用软件时选择内容较熟悉的视频的原因，他们已经被其中被描述的卡通角色和主题所吸引了。但是，这对研究者来说是一个挑战。如果孩子只是因为认识它而点击视频缩略图，这样就很难说明他们学习了多少内容，或者说，很难说明应用程序与其他媒介形式存在什么不同。
Georgetown 的发展心理学家 Rachel Barr 说：“即使是极其受欢迎的惊喜蛋视频，其实它的内容并不新颖，相对而言，它们的节奏较快，包括幼儿喜欢的某种东西：物品被包裹和被拆开。”她还说道：“我并没有测试过，但是由于孩子们不能清晰地构思，所以他们似乎不太可能从这些视频中学习到新东西。”她认为“交互并不总是一件好事。”
基于内容的推荐算法，原理是用户倾向于选择自己关注的类似产品，比如你看了“战狼 1”，基于内容的推荐算法发现“战狼 2”，也会发现“亮剑”，与你以前观看的在内容有很大关联性，就把后者推荐给你，这种方法可以避免产品的冷启动问题（冷启动：如果一个产品从没有被关注过，其他推荐算法则很少会去推荐，但是基于内容的推荐算法可以分析产品之间的关系，实现推荐）。弊端在于推荐的产品可能会重复，典型例子就是新闻推荐，如果你看了一则关于 MH370 的新闻，很可能后续推荐给你的新闻和你已经浏览过的新闻内容基本一样；另外一个弊端则是对于一些多媒体的推荐（比如音乐、电影、图片等) 由于很难提内容特征，则很难进行推荐，一种解决方式则是人工给这些产品打标签。
内容推荐算法的过程一般包括以下三步：
Item Representation：为每个 item 抽取出一些特征（也就是 item 的 content 了）来表示此 item；
Profile Learning：利用一个用户过去喜欢（及不喜欢）的 item 的特征数据，来学习出此用户的喜好特征（profile）；
Recommendation Generation：通过比较上一步得到的用户 profile 与候选 item 的特征，为此用户推荐一组相关性最大的 item。
下面这张图是基于内容的推荐算法的详细流程图：
研究人员对 YouTube Kids 作为教育工具的这一说法持有不同的意见。显然，这取决于视频本身以及监护者是否参与帮助儿童理解屏幕上显示的内容。但问题在于算法如何在工作中发挥作用也是影响因素。例如，儿童以往的观看行为在 YouTube 目前的推荐引擎中占多大的权重。如果一个孩子疯狂地观看一系列低质量视频，那么就学习潜力这方面而言，他们是否会被困在一定范围内，以致只能一直看到同样低质量的节目？
没有人去精选出最适合孩子们观看的视频。YouTube 的一位发言人说，YouTube 上唯一的人工干涉是筛选应用程序中不合适的内容。然而，内容的质量控制仍然是个问题。据 Today 报道，去年 YouTube Kids 精选中曾经出现过一个不良视频，视频中类似米奇老鼠的角色相互用枪射击对方的脑袋。
YouTube 的发言人 Nina Knight 表示：“应用提供的内容不是人工筛选而是通过算法过滤到应用软件中，所以与传统电视在特定时间为您选择内容不同的是，YouTube Kids 应用程序可让每个孩子和家庭随时随地地选择他们喜欢的内容类型，这是十分独特的部分。”
与此同时，YouTube Kids 视频的创造者花费无数的时间来与推荐算法博弈，使他们的视频有尽可能多的机会被推送给更多观众，点播次数越多，广告收入也越多。
“你必须按照算法想要你做的东西去做，不能在视频主题之间来回切换。”Nathalie Clark 说，她是热门频道“Toys Unlimited”的联合创建者，同时也是一位前 ICU 护士，后来辞职做一名录像制作者。
她指的是，一旦 YouTube 的算法将特定频道归类为泥胶、颜色、形状或者是其他类似事物的视频来源，特别是当一个频道播放了特定主题的热门视频时，视频制造商偏离那个分类或者标签会面临巨大风险。“老实说，YouTube 会为你做出选择，”她说，“现在的热门是 Paw Patrol, 所有我们做了很多 Paw Patrol 的相关内容。”
还有其他的关键策略引发 YouTube Kids 视频的病毒式传播。当制作了足够多的视频之后，视频制造商开始了解孩子想要看什么内容，她说。“我希望我能够告诉你更多，但是我不想要引来更多的竞争。老实说，并没有人真正理解这一点。”
人们还不明白的另外一件事情是，生长在移动互联网时代会如何改变孩子们对讲故事这件事的看法。儿童数字媒体中心的 Calvert 说：“有丰富的文献表明读更多书的孩子们更具有想象力。但是在交互的时代，你不再只是消费别人做的东西。你也在亲手制作你自己的东西。”换句话说，年轻一代的应用软件用户正在对叙事结构和信息环境产生新的期望。学龄前儿童点击屏幕或者反复观看《小猪佩奇》的插曲 Bing Bong Son 视频可从中获得乐趣。但与此同时，从小玩手机也会给儿童的成长带来长期影响，毕竟他们生活在高度网络化、充斥着各种按需服务的复杂世界中。
有一位做儿童心理工作的人说过，那些专门为儿童设计网络游戏产品和影视节目的人才是真正的心理学专家和高手，因为他们最了解孩子的心理，他们知道孩子在想什么，更知道怎么做可以迎合孩子的兴趣和满足他们的要求。
孩子是无辜的，他们单纯得就像是一张白纸，就看我们给他们灌输什么样的信息了。正是由于这种单纯和年幼，让他们无法靠自己在现实的世界中去辨别良莠、分清是非。这就需要我们的家长有一双慧眼，需要我们的老师拥有一颗爱心，让每一个提供儿童产品的商家多一份良知和责任。
YouTube Kids 的某位发言人曾指出，与 YouTube 的主站不同，YouTube Kids 不使用单个孩子的地理位置、性别或年龄做出推荐。不过，YouTube Kids 会请求用户的年龄范围。YouTube 发言人引用“儿童在线隐私权保护规则”——由联邦贸易委员会对以 13 岁以下儿童为客户群体的网站运营商提出的要求，但拒绝回答“为什么 YouTube Kids 的推荐算法采用与主站算法不同的输入”这一被频繁提及的问题。
参考文章：
https://www.theatlantic.com/technology/archive/2017/07/what-youtube-reveals-about-the-toddler-mind/534765/
如果你对YouTube的推荐算法感兴趣，可以查看大数据杂谈的旧文《用一个大家都懂的方式来聊聊YouTube基于深度神经网络的推荐系统》了解更多，InfoQ官网也发过一篇文章介绍YouTube推荐算法的原理，戳：
http://www.infoq.com/cn/news/2016/09/How-YouTube-Recommendation-Works
今日荐文
点击下方图片即可阅读
为了带动行业向前发展, 帮助企业 / 合作伙伴进行数据驱动转型，TalkingData 每年都会举办一次极具影响力的数据峰会——TalkingData T11 智能数据峰会。在 2017 年 T11 智能数据峰会上，将为您展现近年来，TalkingData 在科技、数据、技术、商业模式创新等领域的经验与积累，与您一同探讨在这个快速演变的时代里，如何顺势而为、知机而变。大会将于 9 月 11 日 -12 日在北京举行，更多大会信息请点击「 阅读原文 」查看。
