YOLOv5'e dayalı olarak WeChat Moments arayüzündeki engelleme davranışının gerçek zamanlı tespiti ve nesil bazlı kullanıcı kişiliklerinin oluşturulması

Sosyal akışınızın gizlilik ayarları neden önemli

WeChat gibi uygulamalarda birkaç dokunuş, fotoğraflarınızı, esprilerinizi ve kişisel haberlerinizi kimin görebileceğini belirler. Bu küçük tercihlerin toplamı güçlü bir kendini koruma biçimi oluşturur—ancak günümüz sistemleri bunları çoğunlukla basit açma-kapama anahtarları olarak ele alır. Bu çalışma, telefon tarafında çalışan yapay zeka ile davranış analizini birleştirmenin bu dokunuşları gerçek zamanlı izlemesini, farklı yaş gruplarının ne yapmaya çalıştığını anlamasını ve gizlilik araçlarını her kuşağın alışkanlıklarına daha hızlı, daha akıllı ve daha uygun şekilde ince ayar yapacak biçimde sessizce ayarlamasını nasıl sağladığını gösterir.

Karmaşık ekranda küçük jestleri izlemek

Yazarlar WeChat Moments’a odaklanıyor—kullanıcıların sıkça belirli kişileri engellediği, yalnızca seçilmiş gruplarla paylaştığı veya gönderileri bir süre sonra gizlediği Çin’de çok popüler bir sosyal akış. Mevcut araştırmalar genelde günlükleri veya anketleri sonradan analiz eder; bu da bir susturma düğmesine yapılan hızlı uzun basma gibi anlık hareketleri kaçırır. Ekip bunun yerine telefon ekranını zengin bir görsel sinyal haline getiriyor: cihaza doğrudan çalışan hafif bir görsel model arayüz ögelerini—düğmeler, açılır pencereler ve kayan içerikler—izliyor ve bir engelleme eylemi başladığında bunu tespit ediyor. Bu zorlu çünkü hedefler çok küçük, hızlı kaydırmalarla sıkça bulanıklaşıyor ve metin, resim ve videoyla aynı anda karışıyor.

Telefondan buluta üç katmanlı bir "sinir sistemi"

Gerçek kullanım hızına ayak uydurmak için araştırmacılar üç adımlı bir boru hattı kuruyor. Telefon tarafında, popüler bir nesne algılama modelinin (YOLOv5 ve GhostNet tabanlı) kırpılmış bir versiyonu, pil tüketimini artırmadan yazı çizgileri ve küçük simgeler gibi ayrıntıları ayıklar. Eşzamanlı olarak ekranı birden fazla ölçekte inceleyen özel bir yaklaşım kullanır, böylece büyük kartları ve küçük düğmeleri aynı anda yakalayabilir. Bu ön tespitler yakınlardaki edge sunucularına iletilir; edge sunucuları olayların zaman içinde nasıl geliştiğini inceler—hızlı tekrarlayan dokunuşlar mı var, uzun basma mı, yoksa iptal edilen bir işlem mi? Son olarak bulut servisleri birçok kullanıcıyı karşılaştırarak uzun vadeli kalıpları öğrenir ve geliştirilmiş ayarları geri göndererek telefonların ve edge sunucuların uygulama geliştikçe uyum sağlamasını sağlar.

Gerçek bir engelleme ile kayma arasındaki farkı kararlaştırmak

Bir dokunuşu tanımak kolaydır; bunun kasıtlı bir gizlilik hareketi olup olmadığını bilmek daha zordur. Çalışma, kullanıcının ne kadar meşgul olduğuna bağlı olarak “dikkat penceresini” genişleten veya daraltan dinamik bir eşik yöntemini tanıtıyor. Olaylar yoğun olduğunda pencere tüm diziyi görmek için genişler; etkinlik azsa daha hızlı tepki verebilmek için daralır. Çift bozunum (decay) şeması, son davranışlara daha fazla ağırlık verirken eski alışkanlıkları hâlâ hatırlamayı sağlar; bu, sistemin hem aşırı ani tepkilerden hem de ağır gecikmelerden kaçınmasına yardımcı olur. Testlerde bu, basit bir kaydırmanın engelleme olarak yanlış algılanma oranını yaklaşık yüzde dört ila beş seviyelerine düşürürken tepki sürelerini onda bir saniye civarında tuttu.

Nesillerin dijital duvarlarını nasıl şekillendirdiğini görmek

Arayüzden elde edilen daha temiz sinyallerle yazarlar sonra şu soruyu soruyor: farklı yaş grupları engelleme araçlarını gerçekte nasıl kullanıyor? Görsel izleri (ekranda ne olduğu) metin ve video bağlamıyla birleştirip paylaşılan bir temsile dönüştürürken bu kaynaklar arasındaki gereksiz örtüşmeleri kasıtlı olarak temizlerler. Bu birleşik görünümü kullanarak kullanıcıları nesil bazlı “parmak izlerine” göre kümeliyorlar. Genç kullanıcılar (Z Kuşağı) kimlerin neyi gördüğünü ince ayar yapmaya daha yatkın—çoğunlukla kısmi görünürlük seçiyorlar ve işlemleri yaklaşık bir buçuk saniyede tamamlıyorlar. Orta yaş grubu kullanıcılar (X Kuşağı) daha sık doğrudan, ya hep ya hiç tarzı engellemeye dayanıyor ve daha yavaş, adım adım yollar izliyorlar. Y kuşağı (milenyaller) ve daha yaşlı Baby Boomer'lar arasında yer alıyor; bu gruplar ayrıntılı kontrolden basit, stabil rutinlere kadar uzanan bir spektrum oluşturuyor.

Daha dostça ve daha adil gizlilik araçları oluşturmak

Çalışma, gerçek zamanlı ekran anlayışını uzun vadeli davranış kalıplarıyla harmanlayarak sosyal uygulamaların kullanıcıların gizlilik niyetlerine daha iyi saygı gösterebileceğini ve sıradan telefonlarda bile duyarlı kalabileceğini gösteriyor. Önerilen sistem yalnızca engelleme eylemlerini standart modellerden daha doğru tespit etmekle kalmıyor, aynı zamanda insanların hedef kitlelerini nasıl yönettiklerine dair belirgin nesilsel stilleri de açığa çıkarıyor. Günlük anlamda bu, akışınızın sessizce uyum sağlayabileceği—ayarlara sıkça dokunan genç kullanıcılar için daha hızlı kısayollar, tüm akışa engellemeyi tercih eden daha yaşlı kullanıcılara daha net ve basit seçenekler ve ağ yavaş veya arayüz değişse bile sağlam koruma sunan bir gelecek demek. Tek beden herkese uyan gizlilik yerine, yazarlar sosyal platformların dokusuna işlenmiş kişiselleştirilmiş, yaş‑farkındalıklı korumaya işaret ediyor.

Atıf: 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

Anahtar kelimeler: sosyal medya gizliliği, WeChat Moments, gerçek zamanlı davranış tespiti, nesillere göre kullanıcı davranışı, hafif bilgisayarlı görü