Breaking News Out of the Filter Bubble: Generative AI Search Diversifies Collective Attention and Raises Shared Information Consumption
生成式AI搜索打破信息茧房：多样化集体注意力并提升共享信息消费
🧭 生成式AI搜索与集体注意力多样化
University of Texas at Dallas, Richardson, TX 75080, USA · Boston University, Boston, MA 02215, USA · Faculty of Computing & Data Sciences, Boston University, Boston, MA 02215, USA · American University, Washington, DC 20016, USA · Hong Kong University of Science and Technology, Hong Kong SAR
随机田野实验显示，生成式AI搜索能扩大热门话题触达、增加读者间话题重叠，同时把消费推向冷门话题
📌 工作参考价值（4 点）
- 生成式AI搜索/推荐顶部放置带引用的AI摘要，会改变点击和流量分布：在处理组中，读者从传统结果点击转向引用文章和后续搜索，且引用文章推动冷门消费；电商/广告搜索可以借鉴这一机制，通过有选择地引用长尾商品或新品，调节头部集中度、扶持冷门供给。
- 评估AI搜索/推荐功能时不能只看单次点击或CTR：该实验发现，虽然单次搜索的文章消费下降，但更频繁的搜索抵消了这一下降，带来每人文章消费小幅增加、每分钟信息消费上升。业务上应结合搜索频率、总消费时长、曝光消费等指标综合评估，否则可能误判为负向。
- AI答案可直接满足信息需求，大部分共享信息增长不需要点击文章；在电商场景中，生成式摘要可能降低商品点击，但提升用户信息获取效率和整体互动，需要区分“展示消费”与“点击消费”来度量真实价值。
- 随机田野实验设计值得迁移：两组共用同一底层档案，实验组仅额外获得AI答案，可干净识别AI功能的因果效应；类似方法可用于评估推荐卡片、AI摘要、搜索改版对用户行为和平台生态的净影响。