論文の概要: Modeling Engagement with Brand and Organizational TikTok Videos Using Machine-Assisted Theory-Ensemble Annotation
- arxiv url: http://arxiv.org/abs/2606.16053v1
- Date: Sun, 14 Jun 2026 22:59:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:34.007452
- Title: Modeling Engagement with Brand and Organizational TikTok Videos Using Machine-Assisted Theory-Ensemble Annotation
- Title（参考訳）: 機械支援理論アンサンブルアノテーションを用いたブランドと組織的TikTokビデオによるエンゲージメントのモデル化
- Abstract要約: ショートフォームビデオは、音声視覚要素、言語、参加型、アルゴリズム的、トレンドベースのプラットフォームダイナミクスを通して意味が生まれるため、大規模に研究することは困難である。
77個の理論駆動型構造変数をアノテートすることで,マルチモーダルな大規模言語モデル(LLM)がこのボトルネックにどう対処できるかを実証する。
私たちはこれを使って、エストニアのブランドおよび組織アカウントの約1万TikTokビデオのコーパスで、コンテンツを探究し、アカウントサイズとビデオエイジのベースラインよりも、控えめだが一貫性のあるエンゲージメント(エンゲージメント)を見積もっている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Short-form video is difficult to study at scale because meaning emerges through audiovisual elements, language, and participatory, algorithmic and trend-based platform dynamics. Manual annotation of these layers is laborious at scale and difficult to standardize. We demonstrate how multimodal large language models (LLMs) can help address this bottleneck by annotating a set of 77 theory-driven structural variables derived from narratology, rhetoric, communication, and semiotics. We use this to explore content and estimate engagement with modest but consistent gains over account-size and video-age baselines in a corpus of about 10,000 TikTok videos of brand and organizational accounts from Estonia (covering a substantial share of the small country ecosystem). Human validation shows a reliability gradient: perceptual and communicative variables can be coded fairly reliably, while deeper semiotic and archetypal constructs are more difficult for both humans and machines. This approach of computational operationalization of long-standing interpretive theories can support several aims: exploratory cultural analytics of variation in short-form video culture, predictive modeling of platform dynamics, engagement, and audience feedback; and diagnostics for content creators to support choosing between structural and narrative strategies. Most annotated variables were not associated with platform success, as expected; the value of LLMs in this setting lies in making it feasible to assess large batteries of theoretically motivated variables, so that the subset carrying signal can be identified and translated into creator-facing guidance for a given niche.
- Abstract（参考訳）: ショートフォームビデオは、音声視覚要素、言語、参加型、アルゴリズム的、トレンドベースのプラットフォームダイナミクスを通して意味が生まれるため、大規模に研究することは困難である。
これらのレイヤのマニュアルアノテーションは、大規模かつ標準化が難しい。
ナラトロジー、修辞学、コミュニケーション、セミオティックスから派生した77の理論駆動型構造変数のセットに注釈を付けることで、マルチモーダルな大規模言語モデル(LLM)がこのボトルネックにどう対処できるかを実証する。
私たちはこれを使って、エストニアのブランドおよび組織アカウントの約1万TikTokビデオ(小さな国のエコシステムの大部分をカバーしている)のコーパスで、コンテンツを探究し、アカウントサイズとビデオエイジのベースラインよりも、控えめだが一貫性のあるエンゲージメントを見積もっている。
人間による検証は信頼性の勾配を示しており、知覚的およびコミュニケーション的変数は確実にコード化することができる。
長年の解釈理論の計算的操作のアプローチは、ショートフォームビデオカルチャーにおける変化の探索的文化的分析、プラットフォームダイナミクスの予測モデリング、エンゲージメント、オーディエンスフィードバック、そしてコンテンツクリエーターが構造的戦略と物語的戦略の選択を支援するための診断などをサポートする。
この設定におけるLLMの価値は、理論上動機づけられた変数の大きな電池を評価できるようにすることであり、それによって信号のサブセットを識別し、ニッチの作者向けガイダンスに変換することができる。
関連論文リスト
- DREAM: Extending Vision-Language Models with Dual-Objective Encoding for Cross-Modal Retrieval [8.127699016544822]
DREAM: Dual-path Representation Enhancement and Alignment Modelを紹介する。
空間情報と時間情報を統合した階層型視覚エンコーダを設計する。
広範に使われているMSRVTT, MSVD, LSMDCベンチマークデータセットの総合的な評価を通じてDREAMを検証する。
論文 参考訳（メタデータ） (2026-06-17T13:35:50Z) - Audio-Visual Intelligence in Large Foundation Models [123.78167820053545]
オーディオ・ビジュアル・インテリジェンス(AVI)は人工知能の中心的フロンティアとして登場した。
急激な進歩にもかかわらず、文学は断片化され、多種多様なタスク、一貫性のない、異質な評価慣行にまたがっている。
この調査は、大規模な基盤モデルのレンズを通して、AVIに関する最初の包括的なレビューを提供する。
論文 参考訳（メタデータ） (2026-05-05T17:59:16Z) - Video Understanding: From Geometry and Semantics to Unified Models [60.523344000396975]
ビデオ理解は、モデルがダイナミックなビジュアルワールドを知覚し、相互作用できるようにすることを目的としている。
画像理解とは対照的に、ビデオ理解は本質的にモデリング力学と進化する視覚的コンテキストを必要とする。
論文 参考訳（メタデータ） (2026-03-18T15:31:47Z) - Understanding Virality: A Rubric based Vision-Language Model Framework for Short-Form Edutainment Evaluation [8.15791379444665]
VideoScore-2は、特定のオーディオヴィジュアル属性が実際の観客のエンゲージメントに与える影響を捉えていない。
本稿では、視覚言語モデル(VLM)を用いて教師なしの視覚的特徴を抽出するデータ駆動評価フレームワークを提案する。
我々のアプローチは、堅牢で説明可能なビデオ理解へと進む。
論文 参考訳（メタデータ） (2025-12-24T19:43:59Z) - Video-LMM Post-Training: A Deep Dive into Video Reasoning with Large Multimodal Models [78.32948112203228]
ビデオ理解はコンピュータビジョンにおける最も困難なフロンティアである。
近年,映像理解タスクにおいて,映像多時間モデルが顕著に出現している。
Surveyは、ビデオ-LMM能力を向上するための統一的なフレームワークを研究者や実践者に提供することを目的としている。
論文 参考訳（メタデータ） (2025-10-06T17:10:44Z) - GPT and Prejudice: A Sparse Approach to Understanding Learned Representations in Large Language Models [0.0]
大規模言語モデル(LLM)は、大規模で未処理のコーパスでますます訓練されている。
本研究では, モデル動作だけでなく, 学習データに埋め込まれたより深い構造, テーマ, バイアスの解釈を可能にする。
我々は、社会構造や物語パターンに富んだコーパスであるジェーン・オーステンの小説にのみ焦点をあてて、GPTスタイルのトランスフォーマーモデルを訓練する。
論文 参考訳（メタデータ） (2025-09-24T11:10:16Z) - A Review on Large Language Models for Visual Analytics [0.2209921757303168]
本稿では,視覚解析の理論的基盤と大規模言語モデル(LLM)の変容の可能性について概説する。
さらに、LLMと視覚分析の相乗効果が、データの解釈、可視化技術、対話的な探索機能をどのように強化するかを考察する。
本稿は,データ探索,可視化向上,自動レポート,洞察抽出支援における機能,強み,限界について論じる。
論文 参考訳（メタデータ） (2025-03-19T13:02:01Z) - RelationVLM: Making Large Vision-Language Models Understand Visual Relations [66.70252936043688]
本稿では,複数の画像にまたがっても動画内でも,様々なレベルの関係を解釈できる大規模視覚言語モデルであるRelationVLMを提案する。
具体的には,多段階的な関係認識学習手法とそれに対応するデータ構成戦略を考案し,意味的関係を理解する能力を備えた関係VLMを提案する。
論文 参考訳（メタデータ） (2024-03-19T15:01:19Z) - Pre-training Contextualized World Models with In-the-wild Videos for
Reinforcement Learning [54.67880602409801]
本稿では,視覚制御タスクの学習を効率的に行うために,Wild 動画を多用した事前学習型世界モデルの課題について検討する。
本稿では、コンテキストと動的モデリングを明確に分離したContextualized World Models(ContextWM)を紹介する。
実験により,ContextWMを内蔵したWildビデオ事前学習は,モデルベース強化学習のサンプル効率を大幅に向上できることが示された。
論文 参考訳（メタデータ） (2023-05-29T14:29:12Z) - Neuro-Symbolic Representations for Video Captioning: A Case for
Leveraging Inductive Biases for Vision and Language [148.0843278195794]
ビデオキャプションのためのマルチモーダルなニューラルシンボリック表現を学習するための新しいモデルアーキテクチャを提案する。
本手法では,ビデオ間の関係を学習する辞書学習手法と,そのペアによるテキスト記述を用いる。
論文 参考訳（メタデータ） (2020-11-18T20:21:19Z)
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。