近年、オンラインの推薦システムに大規模言語モデル（LLM）が導入されるケースが増えている。研究では、10,000件のツイッター（X）投稿を含むサンプルを用い、投稿者1,000人の年齢・性別・人種・教育・収入・結婚状況・宗教性・イデオロギー・党派を検証した上で、LLMプロバイダー3社、プロンプトスタイル6種、文脈情報レベル5階層の組み合わせで合計90条件を実験した。

テキストのみの条件では、LLMは一貫して長い投稿、ネガティブな感情表現、意見性の高いコンテンツを優先した。特にニュースや社会問題に関する投稿が目立ち、長さは平均で14〜39文字増加した。これは、LLMが内容の「長さ」「ネガティブ感情」「主観性」を重視することを示している。これらの特性が投稿者間で差異をもたらすため、年配・男性・高学歴・高所得の投稿者が過剰に推薦される傾向が観察された。

プラットフォームのメタ情報（フォロワー数やいいね数・リツイート数）が加わると、LLMはこれらの指標を大きく重視するようになった。例えば、投稿のいいね数の回帰係数はテキストのみの条件で0.003だったが、プラットフォーム情報を与えた条件で0.023まで上昇。これはエンゲージメント情報が推薦の重要な手がかりとなり、フォロー数の多い投稿者の投稿がさらに推薦されやすくなることを意味する。

一方、投稿者の人口統計情報（性別・年齢・人種など）を明示的にモデルに与えても、テキストやプラットフォーム情報が既に存在する場合においては推薦結果に大きな変化は見られなかった。エンゲージメントや内容の自動化された特徴が人口統計のシグナルをほぼ補完しているため、追加情報の効果は限定的だった。