論文の概要: VidTutorAssistant: Automating Responses to Programming Tutorial Questions

• arxiv url: http://arxiv.org/abs/2609.29129v1
• Date: Thu, 24 Sep 2026 07:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:09.763703
• Title: VidTutorAssistant: Automating Responses to Programming Tutorial Questions
• Title（参考訳）: VidTutor Assistant: チュートリアル質問に対する応答を自動化する
• Abstract要約: VidTutorAssistantは、ビデオチュートリアルの視聴者の質問に対する応答を自動化するWebプラットフォームである。 それぞれのビューアコメントを質問または非質問として分類し、最も関連性の高いテキストセグメントを識別された各質問に検索する。 正解率は98%、完全解は99.5%であり、原作者の回答は89%と90%である。
• 参考スコア（独自算出の注目度）: 1.6950215926321557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Programming tutorial videos on YouTube are an important information resource for software developers and students, and their comment sections have evolved into active spaces where viewers ask follow-up questions. The volume of these questions, however, often exceeds what content creators can address, leaving learners without the clarifications they need. We present VidTutorAssistant, a web platform that automates responses to viewer questions on programming video tutorials. VidTutorAssistant implements a retrieval-augmented generation pipeline that extracts a video's transcript, then segments it and embeds it. It then classifies each viewer comment as being a question or non-question, retrieves the most relevant transcript segments to each identified question via cosine similarity, and then generates an answer to the question using an LLM (GPT-4), while grounding the response using the retrieved transcript segments as context. We validate VidTutorAssistant through a study on a subset of 440 user comments selected from a larger dataset of 105,553 comments extracted from 7,522 Python and Java tutorials. VidTutorAssistant is evaluated on various criteria: a) its ability to identify the programming language in a video, achieving a 0.99 accuracy; b) its ability to classify comments into questions and non-questions, reaching a 0.96 accuracy; and c) its ability to produce correct and complete answers to questions, producing 98% correct and 99.5% complete responses, compared with 89% and 90% for the original creators' answers.
• Abstract（参考訳）: YouTubeでチュートリアルビデオをプログラミングすることは、ソフトウェア開発者と学生にとって重要な情報資源であり、彼らのコメントセクションは、視聴者がフォローアップ質問をする活発なスペースへと進化してきた。 しかし、これらの質問のボリュームは、クリエイターがどんなコンテンツに対処できるかを超えることが多く、学習者が必要とする明確さを欠いている。 VidTutorAssistantは、プログラミングビデオチュートリアルにおける視聴者の質問に対する応答を自動化するWebプラットフォームである。 VidTutorAssistantは、ビデオの書き起こしを抽出し、セグメント化し、埋め込みする検索拡張生成パイプラインを実装している。 次に、各ビューアのコメントを質問または非質問として分類し、コサイン類似性によって識別された各質問に対する最も関連性の高い転写セグメントを検索し、LLM(GPT-4)を使用して質問に対する回答を生成し、検索した転写セグメントをコンテキストとしてグラウンド化する。 VidTutorAssistantを,PythonとJavaのチュートリアル7,522件から抽出した105,553件の大規模データセットから選択した440件のユーザコメントのサブセットで検証した。 VidTutorAssistantは様々な基準で評価される。 a) 映像中のプログラミング言語を識別し,精度0.99に達する能力 b) コメントを質問や不審問に分類し,0.96の精度に達する能力 c) 98%の正解と99.5%の正解が得られ、原作者の回答の89%と90%が正解である。

関連論文リスト

• YTCommentQA: Video Question Answerability in Instructional Videos [22.673000779017595]
  本稿では,YouTubeから自然生成された質問を含むYTCommentQAデータセットを提案する。 データセットは、その回答可能性と、視覚的、スクリプト、あるいはその両方に答えるために必要なモダリティによって分類される。
  論文  参考訳（メタデータ） (2024-01-30T14:18:37Z)
• Detours for Navigating Instructional Videos [58.1645668396789]
  We propose VidDetours, a video-lang approach that learn to retrieve the target temporal segments from a large repository of how-to's。 本稿では,ビデオ検索と質問応答の最良の方法に比べて,モデルが大幅に改善し,リコール率が35%を超えることを示す。
  論文  参考訳（メタデータ） (2024-01-03T16:38:56Z)
• VTC: Improving Video-Text Retrieval with User Comments [22.193221760244707]
  本稿では,ビデオ,タイトル,コメントの新しいデータセットを紹介する。 コメントを用いることで、画像、ビデオ、音声の表現をより良く、より文脈的に学習することができる。
  論文  参考訳（メタデータ） (2022-10-19T18:11:39Z)
• Video Question Answering with Iterative Video-Text Co-Tokenization [77.66445727743508]
  本稿では,ビデオ質問応答のための新しいマルチストリームビデオエンコーダを提案する。 実験により,MSRVTT-QA,MSVD-QA,IVQAなどの複数のデータセットでモデルを評価する。 本稿では,必要なGFLOPを150-360から67に削減し,高効率なビデオ質問応答モデルを構築した。
  論文  参考訳（メタデータ） (2022-08-01T15:35:38Z)
• Learning to Answer Visual Questions from Web Videos [89.71617065426146]
  我々は手動のアノテーションを回避し、ビデオ質問応答のための大規模なトレーニングデータセットを生成することを提案する。 我々は、テキストデータに基づいて訓練された質問生成変換器を利用して、書き起こされたビデオナレーションから質問応答ペアを生成する。 詳細な評価のために、言語バイアスの低減と高品質なマニュアルアノテーションを備えた新しいビデオQAデータセットiVQAを紹介する。
  論文  参考訳（メタデータ） (2022-05-10T16:34:26Z)
• ProtoTransformer: A Meta-Learning Approach to Providing Student Feedback [54.142719510638614]
  本稿では,フィードバックを数発の分類として提供するという課題について考察する。 メタラーナーは、インストラクターによるいくつかの例から、新しいプログラミング質問に関する学生のコードにフィードバックを与えるように適応します。 本手法は,第1段階の大学が提供したプログラムコースにおいて,16,000名の学生試験ソリューションに対するフィードバックの提供に成功している。
  論文  参考訳（メタデータ） (2021-07-23T22:41:28Z)
• Just Ask: Learning to Answer Questions from Millions of Narrated Videos [97.44376735445454]
  我々は手動のアノテーションを回避し、ビデオ質問応答のための大規模なトレーニングデータセットを生成することを提案する。 我々は、テキストデータに基づいて訓練された質問生成変換器を利用して、書き起こされたビデオナレーションから質問応答ペアを生成する。 本手法は,MSRVTT-QA,MSVD-QA,ActivityNet-QA,How2QAにおいて高い性能を示す。
  論文  参考訳（メタデータ） (2020-12-01T12:59:20Z)
• Video Question Answering on Screencast Tutorials [43.00474548031818]
  ソフトウェアのためのチュートリアルビデオから,質問,回答,コンテキストの3倍のデータセットを導入する。 ワンショット認識アルゴリズムは,映像質問応答の性能向上に役立つ視覚的手がかりを抽出するように設計されている。
  論文  参考訳（メタデータ） (2020-08-02T19:27:42Z)

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。