論文の概要: Making AI Drafts Count: A Quality Threshold in Audio Description Workflows

• arxiv url: http://arxiv.org/abs/2605.05348v1
• Date: Wed, 06 May 2026 18:18:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.370342
• Title: Making AI Drafts Count: A Quality Threshold in Audio Description Workflows
• Title（参考訳）: AIドラフトを数える - オーディオ記述ワークフローの品質要件
• Authors: Lana Do, Shasta Ihorn, Charity M. Pitcher-Cooper, Sanjay Mirani, Gio Jung, Hyunjoo Shim, Zhenzhen Qin, Kien T. Nguyen, Vassilis Athitsos, Ilmi Yoon,
• Abstract要約: 最近の研究によると、初心者にAIで作成したドラフトを作成させると、高品質のADが生成される。 我々は、アクセシビリティガイドラインとコンテキストビデオ情報を含むAD生成パイプラインであるGenADを通してこれを調査する。 対象内調査では、スクラッチから作成するオーサリングと、さまざまな品質のAIドラフトの編集を比較した。
• 参考スコア（独自算出の注目度）: 4.174064443716107
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Audio description (AD) narrates visual elements in video for blind and low-vision audiences. Recent work has shown that giving novice describers an AI-generated draft to start from helps produce higher-quality AD and lowers the barrier to entry. What remains an open question is how draft quality shapes the editing process. We investigate this through GenAD, an AD generation pipeline that incorporates accessibility guidelines and contextual video information, and RefineAD, an editing interface for human revisions. Human-AI contributions are measured across text, timing, and delivery. In a within-subjects study, we compared authoring from scratch against editing AI drafts of varying quality. GenAD drafts cut completion time by more than half and significantly reduced cognitive load. In contrast, baseline drafts generated from simple, unguided prompts offered only modest benefits, pointing to a minimum quality threshold for effectiveness. Qualitative findings suggest this threshold is content-dependent; as visual complexity increases, so does the quality needed from AI drafts. We propose this as a design principle: effective AI assistance should clear a quality threshold suited to the target content, rather than simply be present.
• Abstract（参考訳）: 音声説明(AD)は、視覚的要素を視覚障害者や低視野の聴衆のためにナレーションする。 最近の研究によると、初心者の説明者にAIで作成したドラフトを最初から提供することで、高品質のADを生成し、参入障壁を低くすることができる。 オープンな疑問は、ドラフト品質が編集プロセスをどのように形作るかである。 我々は、アクセシビリティガイドラインとコンテキストビデオ情報を含むAD生成パイプラインであるGenADと、人間のリビジョンのための編集インターフェースであるRefineADを通してこれを調査する。 ヒューマンAIコントリビューションは、テキスト、タイミング、デリバリにわたって測定される。 対象内調査では、スクラッチから作成するオーサリングと、さまざまな品質のAIドラフトの編集を比較した。 GenADドラフトは完了時間を半分以上削減し、認知負荷を大幅に削減した。 対照的に、単純でガイドなしのプロンプトから生成されたベースラインドラフトは、有効性に対する最小品質のしきい値を指して、控えめな利益しか提供しなかった。 質的な発見は、このしきい値はコンテンツに依存していることを示唆している。 我々はこれを設計原則として提案する: 効果的なAI支援は、単に存在するのではなく、ターゲットコンテンツに適した品質閾値をクリアすべきである。

関連論文リスト

• What You See is What You Ask: Evaluating Audio Descriptions [27.76958202277314]
  数分間のコヒーレントなビデオセグメントでADを評価するQAベンチマークであるADQAを提案する。 現在のAD生成手法は、人間が作成したADよりもはるかに遅れていることを示す。
  論文  参考訳（メタデータ） (2025-10-01T12:14:15Z)
• CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
  我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。 また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
  論文  参考訳（メタデータ） (2025-08-28T06:03:11Z)
• ArchiveGPT: A human-centered evaluation of using a vision language model for image cataloguing [0.0]
  本研究は,Al生成カタログ記述が人文品質を近似できるかどうかを考察する。 VLM(InternVL2)は、考古学的内容のラベル付き段ボールマウントに写真プリントのカタログ記述を作成した。 発見者は、AIがドラフト生成をサポートするが、人間の検証に従属する共同アプローチを提唱する。
  論文  参考訳（メタデータ） (2025-07-10T08:49:15Z)
• Shot-by-Shot: Film-Grammar-Aware Training-Free Audio Description Generation [110.79299467093006]
  ビデオ理解の基本単位として「ショット」を活用する2段階フレームワークを提案する。 これには、隣接するショットへの時間的コンテキストの拡張や、ショットスケールやスレッド構造などのフィルム文法装置の導入が含まれる。 我々の手法は、オープンソースとプロプライエタリなVisual-Language Modelsの両方と互換性がある。
  論文  参考訳（メタデータ） (2025-04-01T17:59:57Z)
• AI-Generated Image Quality Assessment Based on Task-Specific Prompt and Multi-Granularity Similarity [62.00987205438436]
  本稿では,TSP-MGSというAIGIの品質評価手法を提案する。 タスク固有のプロンプトを設計し、AIGIとプロンプトの多粒度類似度を測定する。 一般的に使用されるAGIQA-1KとAGIQA-3Kベンチマークの実験は、提案されたTSP-MGSの優位性を示している。
  論文  参考訳（メタデータ） (2024-11-25T04:47:53Z)
• How Does the Disclosure of AI Assistance Affect the Perceptions of Writing? [29.068596156140913]
  筆者らは,筆記プロセスにおけるAI支援のレベルとタイプが,書記プロセスに対する人々の認識にどのように影響するかについて検討した。 以上の結果から,特にAIが新たなコンテンツ生成の支援を提供していれば,文章作成プロセスにおけるAI支援の開示は,平均品質評価を低下させる可能性が示唆された。
  論文  参考訳（メタデータ） (2024-10-06T16:45:33Z)
• Active Learning for Abstractive Text Summarization [50.79416783266641]
  本稿では,抽象テキスト要約におけるアクティブラーニングのための最初の効果的なクエリ戦略を提案する。 ALアノテーションにおける私たちの戦略は、ROUGEと一貫性スコアの点からモデル性能を向上させるのに役立ちます。
  論文  参考訳（メタデータ） (2023-01-09T10:33:14Z)
• An Exploration of Post-Editing Effectiveness in Text Summarization [58.99765574294715]
  AI生成テキストの"ポスト編集"は、人間の作業量を削減し、AI出力の品質を改善する。 編集後提供した要約と,要約品質,人的効率,ユーザエクスペリエンスのマニュアル要約を比較した。 本研究は,テキスト要約にポスト編集がいつ有用かについて,貴重な知見を提示する。
  論文  参考訳（メタデータ） (2022-06-13T18:00:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。