Realtidsdetektion av blockeringsbeteenden i WeChat Moments‑gränssnittet och generering av generationsbaserade användarpersonas med YOLOv5

Varför dina sekretessinställningar i flödet spelar roll

I appar som WeChat avgör några få tryck vem som kan se dina foton, skämt och personliga nyheter. Dessa små val adderar till ett kraftfullt sätt att skydda sig själv — men dagens system behandlar dem oftast som enkla på‑/av‑knappar. Denna studie visar hur en kombination av telefonbaserad artificiell intelligens och beteendeanalys kan övervaka dessa tryck i realtid, förstå vad olika åldersgrupper försöker göra och diskret anpassa sekretessverktygen så att de blir snabbare, smartare och bättre anpassade till varje generations vanor.

Att se små gester på en fullpackad skärm

Författarna fokuserar på WeChat Moments, ett mycket populärt socialt flöde i Kina där användare ofta blockerar vissa kontakter, delar bara med utvalda grupper eller döljer inlägg efter ett tag. Befintlig forskning analyserar typiskt loggar eller enkäter i efterhand, vilket missar split‑second‑handlingar som ett snabbt långt tryck på en tystaknapp. Teamet förvandlar istället telefonens skärm till en rik visuell signal: en lättviktsmodell för syn som körs direkt på enheten bevakar gränssnittselement — knappar, pop‑ups och rullande innehåll — och upptäcker när en blockeringsåtgärd börjar. Detta är utmanande eftersom målen är små, ofta suddiga vid snabba svep och blandade med text, bilder och video samtidigt.

Ett trelagrat "nervsystem" från telefon till moln

För att hinna med verklig användning bygger forskarna en trestegs‑pipeline. På telefonen plockar en nedskuren version av en populär objektdetekteringsmodell (baserad på YOLOv5 och GhostNet) ut små detaljer som texter och ikoner utan att tömma batteriet. Den använder ett särskilt sätt att betrakta skärmen i flera skalor samtidigt, så att den fångar både helhetskort och små knappar. Dessa preliminära detektioner skickas till närliggande edge‑servrar, som undersöker hur händelser utvecklas över tid — är det snabba upprepade tryck, ett långt tryck eller en avbruten handling? Slutligen ser molntjänster över många användare, lär sig långsiktiga mönster och skickar förbättrade inställningar tillbaka så att telefoner och edge‑servrar kan anpassa sig i takt med att appen utvecklas.

Att avgöra vad som är ett verkligt block och vad som är ett misstag

Att känna igen ett tryck är enkelt; att avgöra om det speglar en avsiktlig sekretessåtgärd är svårare. Studien introducerar en dynamisk tröskelmetod som vidgar eller förminskar sitt "uppmärksamhetsfönster" beroende på hur mycket en användare rör sig. När händelser kommer tätt expanderar fönstret för att se hela sekvensen; när aktiviteten är låg krymper det för att reagera snabbare. Ett dubbelt förfallsschema ger mer vikt åt nyliga beteenden samtidigt som äldre vanor fortfarande bevaras, vilket hjälper systemet att undvika både ryckiga överreaktioner och slöa fördröjningar. I tester minskade detta falska triggar—fall där en enkel rullning misstas för blockering—till omkring fyra till fem procent samtidigt som svarstiderna hölls nära en tiondels sekund.

Att se hur generationer formar sina digitala murar

Med renare signaler från gränssnittet frågar författarna sedan: hur använder olika åldersgrupper egentligen blockeringsverktygen? De förenar visuella spår (vad som hände på skärmen) med text‑ och videokontext i en gemensam representation samtidigt som redundanta överlappningar mellan källorna medvetet tas bort. Med denna sammanslagna vy klustrar de användare till generationsbaserade ”fingeravtryck.” Yngre användare (Generation Z) tenderar att finjustera vem som ser vad — ofta väljer de partiell synlighet och slutför operationer på ungefär en och en halv sekund. Medelålders användare (Generation X) förlitar sig oftare på raka, allt‑eller‑inget‑blockeringar, med långsammare, mer stegvisa vägar. Millennials och äldre babyboomers hamnar däremellan och bildar ett spektrum från detaljerad kontroll till enkla, stabila rutiner.

Att bygga vänligare, rättvisare sekretessverktyg

Studien visar att genom att blanda realtidsförståelse av skärmen med långsiktiga beteendemönster kan sociala appar bättre respektera användarnas sekretessavsikter samtidigt som de förblir responsiva på vanliga telefoner. Det föreslagna systemet upptäcker inte bara blockeringsåtgärder mer exakt än standardmodeller, det avslöjar också tydliga generationsstilar i hur människor hanterar sin publik. I praktiska termer betyder det en framtid där ditt flöde tyst kan anpassa sig — erbjuda snabbare genvägar för yngre användare som ofta justerar inställningar, klarare och enklare alternativ för äldre användare som föredrar hel‑flödes‑blockeringar, och robust skydd även när nätverket är långsamt eller gränssnittet ändras. Istället för one‑size‑fits‑all‑sekretess pekar författarna mot personlig, åldersmedveten skyddsinbyggnad i sociala plattformars kärna.

Citering: 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

Nyckelord: integritet i sociala medier, WeChat Moments, realtidsbeteendedetektion, generationsanvändarbeteende, lättviktsdatorseende