Детектирование в реальном времени поведения блокировки интерфейса Moments в WeChat и формирование поколенческих пользовательских персонажей на основе YOLOv5

Почему важны настройки приватности вашей ленты

В приложениях вроде WeChat несколько нажатий решают, кто увидит ваши фотографии, шутки и личные новости. Эти мелкие решения складываются в мощный инструмент самозащиты — но современные системы в основном рассматривают их как простые переключатели вкл/выкл. В исследовании показано, как сочетание искусственного интеллекта на устройстве и поведенческого анализа может отслеживать эти нажатия в реальном времени, понимать, что пытаются сделать разные возрастные группы, и незаметно настраивать инструменты конфиденциальности так, чтобы они работали быстрее, умнее и лучше соответствовали привычкам каждого поколения.

Наблюдение за крошечными жестами на загруженном экране

Авторы фокусируются на WeChat Moments — чрезвычайно популярной ленте в Китае, где пользователи часто блокируют определённые контакты, делятся только с избранными группами или скрывают публикации через некоторое время. Существующие исследования обычно анализируют логи или опросы задним числом, что упускает доли секунды — например, быстрое долгое нажатие на кнопку отключения. Команда вместо этого превращает экран телефона в богатый визуальный сигнал: легковесная модель зрения, работающая прямо на устройстве, следит за элементами интерфейса — кнопками, всплывающими окнами и пролистываемым контентом — и фиксирует моменты, когда начинается действие по блокировке. Это сложно, потому что цели очень маленькие, часто размываются при быстрых свайпах и смешиваются с текстом, изображениями и видео одновременно.

Трёхслойная «нервная система» от телефона до облака

Чтобы выдержать реальные условия использования, исследователи построили трёхэтапный конвейер. На телефоне облегчённая версия популярной модели обнаружения объектов (на основе YOLOv5 и GhostNet) выделяет мелкие детали — штрихи текста и крошечные иконки — не разряжая батарею. Она использует специальный способ просмотра экрана на нескольких масштабах одновременно, чтобы ловить и крупные карточки, и маленькие кнопки. Эти предварительные детекции передаются на ближайшие edge‑серверы, которые анализируют развитие событий во времени — это повторяющиеся быстрые нажатия, долгое нажатие или отменённое действие? Наконец, облачные сервисы смотрят сквозь призму многих пользователей, изучая долгосрочные паттерны и возвращая улучшенные настройки вниз, чтобы телефоны и edge‑серверы адаптировались по мере эволюции приложения.

Как отличить реальную блокировку от случайного слайда

Распознать нажатие просто; понять, является ли оно осознанным шагом по защите приватности, сложнее. В работе введён метод динамического порога, который расширяет или сужает своё «окно внимания» в зависимости от того, насколько активен пользователь. Когда события идут густо и быстро, окно увеличивается, чтобы охватить всю последовательность; при небольшой активности оно сжимается, чтобы реагировать быстрее. Двойная схема затухания даёт больший вес недавнему поведению, одновременно сохраняя память о старых привычках, помогая системе избегать как резких ложных срабатываний, так и вялых задержек. В тестах это сократило количество ложных срабатываний — случаев, когда простой прокрут был принят за блокировку — до примерно четырёх‑пяти процентов, при этом время реакции оставалось около десятой доли секунды.

Как поколения формируют свои цифровые «стены»

Имея более чистые сигналы из интерфейса, авторы затем задаются вопросом: как разные возрастные группы действительно используют инструменты блокировки? Они объединяют визуальные следы (что произошло на экране) с контекстом текста и видео в общее представление, сознательно устраняя избыточные перекрытия между этими источниками. Используя это объединённое представление, они кластеризуют пользователей в поколенческие «отпечатки». Молодые пользователи (поколение Z) чаще тонко настраивают, кто что видит — часто выбирая частичную видимость и завершая операции примерно за полторы секунды. Люди среднего возраста (поколение X) чаще полагаются на простые «всё или ничего» блокировки, с более медленными, пошаговыми действиями. Миллениалы и старшие бэби‑бумеры находятся между ними, образуя спектр от детального управления до простых, устойчивых привычек.

Создание более дружелюбных и справедливых инструментов приватности

Исследование показывает, что сочетая понимание экрана в реальном времени с долгосрочными поведенческими паттернами, социальные приложения могут лучше уважать намерения пользователей по приватности, оставаясь при этом отзывчивыми на обычных телефонах. Предложенная система не только точнее обнаруживает действия по блокировке, чем стандартные модели, но и выявляет ясные поколенческие стили в управлении аудиторией. В повседневных терминах это означает будущее, где ваша лента сможет незаметно адаптироваться — предлагая более быстрые ярлыки для молодых пользователей, которые часто изменяют настройки, более понятные и простые варианты для старших пользователей, предпочитающих блокировать всю ленту, и надёжную защиту даже при медленном соединении или изменении интерфейса. Вместо универсальной настройки приватности авторы предлагают персонализированную, учитывающую возраст защиту, встроенную в саму структуру социальных платформ.

Цитирование: Yu, Y., Wang, Y. & Liu, R. Real-time detection of WeChat moments interface blocking behavior and generation of generational user personas based on YOLOv5. Sci Rep 16, 9961 (2026). https://doi.org/10.1038/s41598-026-40060-1

Ключевые слова: конфиденциальность в социальных сетях, WeChat Moments, детекция поведения в реальном времени, поведение пользователей по поколениям, легковесное компьютерное зрение