論文の概要: After One-Click Video: The Inflow of Service-Type Content, the Failure of the Recommendation Pool Mechanism, and the BoLe System

• arxiv url: http://arxiv.org/abs/2610.37695v1
• Date: Sat, 24 Oct 2026 09:02:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 19:57:43.373852
• Title: After One-Click Video: The Inflow of Service-Type Content, the Failure of the Recommendation Pool Mechanism, and the BoLe System
• Title（参考訳）: ワンクリックビデオ:サービス型コンテンツの流入、推奨プール機構の故障、BoLeシステム
• Abstract要約: 個人のレベルでの創造力の上昇は、コンテンツ産業の構造を変えると我々は主張する。 まず、このコンテンツの波は、サービスタイプのコンテンツである。人々は、コンテンツそのものを楽しむのではなく、ニーズを満たすためにそれを見る。 無料プラットフォームは、試行錯誤のレイヤを通じてコンテンツを選択できる。 バランスの取れない比率は、良質な内容も希薄にする。
• 参考スコア（独自算出の注目度）: 10.071691304378065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In September 2026, a new large language model was released. Soon after, a new way of making explainer videos became very popular: people asked the model to write a program, and the program produced the video. "One-click video" content then appeared in large amounts on many platforms. On the surface, this is a rise in creative power at the level of the individual. We argue that, at a deeper level, it changes the structure of the content industry. This judgment rests on two observations. First, this wave of content is service-type content. People watch it to meet a need, not to enjoy the content itself. The other kind is work-type content. AI makes both kinds faster to produce. But anyone can come in and make service-type content, while work-type content is limited by the number of people who have something to say. So the ratio between the two slowly becomes unbalanced. Second, free platforms choose content through layers of trial viewing, and this uses up user attention. The total amount of attention is fixed. The unbalanced ratio also dilutes good content. A simplified mathematical model shows that, as long as these conditions hold, the recommendation pool mechanism will fail once new content grows past a certain multiple. Based on this, we discuss one possible way out. Machines and entry rules judge whether service-type content passes the bar. Trusted people judge work-type content. We call this the BoLe system. At the end, we briefly imagine how the two kinds of content may develop from here.
• Abstract（参考訳）: 2026年9月、新しい大きな言語モデルがリリースされた。 その後すぐに、説明ビデオを作る新しい方法が非常に人気となり、人々はモデルにプログラムを書くように頼み、プログラムはビデオを制作した。 「ワンクリックビデオ」コンテンツは多くのプラットフォームに大量に登場した。 表面的には、これは個人のレベルで創造力の上昇である。 我々は、より深いレベルでは、コンテンツ産業の構造を変えると論じている。 この判断は2つの観察に基づいている。 まず、このコンテンツの波はサービスタイプのコンテンツです。 人々は、コンテンツそのものを楽しむのではなく、ニーズを満たすためにそれを見る。 もう1つのタイプはワークタイプのコンテンツです。 AIは両方の種類の生産を高速化する。 しかし、誰でもサービスタイプのコンテンツを作ることができ、ワークタイプのコンテンツは発言する人の数によって制限される。 したがって、両者の比率は徐々に不均衡になる。 第2に、無料プラットフォームは試行錯誤のレイヤを通じてコンテンツを選択する。 注意の総量は固定されている。 バランスの取れない比率は、良質な内容も希薄にする。 単純化された数学的モデルは、これらの条件が保たれている限り、新しいコンテンツが一定の倍数を超えると、レコメンデーションプール機構が失敗することを示している。 これに基づいて、我々は1つの可能な方法について議論する。 マシンとエントリルールは、サービスタイプのコンテンツがバーを通過するかどうかを判断する。 信頼された人々は仕事タイプのコンテンツを判断します。 これをBoLeシステムと呼ぶ。 最後に、ここから2種類のコンテンツがどのように発展するかを簡単に想像する。

関連論文リスト

• ViMU: Benchmarking Video Metaphorical Understanding [58.432996881401415]
  ViMUはビデオのフロンティアモデルのサブテキスト理解能力を評価するために設計されたベンチマークである。 暗黙的な意味を推測するために、ビデオ理解モデルがリテラル認識を超えることができるかどうかを評価する。 すべての質問はヒントのないように設計されており、答える前に重要な証拠がモデルに開示されることが保証されている。
  論文  参考訳（メタデータ） (2026-05-14T09:23:59Z)
• VideoAesBench: Benchmarking the Video Aesthetics Perception Capabilities of Large Multimodal Models [99.14832826329739]
  本稿では,大規模マルチモーダルモデルの美的品質に対する理解を評価するためのベンチマークであるVideoAesBenchを紹介する。 VideoAesBenchには、ユーザ生成(UGC)、AIGC(AIGC)、圧縮されたロボット生成(RGC)、ゲームビデオなど、さまざまなコンテンツがある。 以上の結果から,現在のLMMは基本的な映像美学の知覚能力しか含んでおらず,その性能は不完全で不正確であることが示唆された。
  論文  参考訳（メタデータ） (2026-01-29T16:06:30Z)
• English offensive text detection using CNN based Bi-GRU model [1.102674168371806]
  FacebookやTwitterのようなソーシャルネットワークサイトは、ワンクリックで大量のコンテンツを共有できるプラットフォームを提供している。 これらのプラットフォームは、アップロードされたコンテンツに制限を課していない。 テキストが攻撃的であるか否かを分類する新しいBi-GRU-CNNモデルを提案する。
  論文  参考訳（メタデータ） (2024-09-24T01:29:24Z)
• Incentivizing High-Quality Content in Online Recommender Systems [80.19930280144123]
  プロデューサー間のゲームについて検討し、均衡で作成されたコンテンツを分析する。 HedgeやEXP3のような標準的なオンライン学習アルゴリズムは、残念なことにプロデューサに低品質コンテンツを作る動機を与えています。
  論文  参考訳（メタデータ） (2023-06-13T00:55:10Z)
• Online Learning in a Creator Economy [91.55437924091844]
  われわれはクリエーター経済を、ユーザー、プラットフォーム、コンテンツクリエーターの3人組ゲームとして研究している。 私たちは、リターンベースの契約とフィーチャーベースの契約の2つのファミリーを分析します。 滑らかな仮定の下では、リターンベースの契約とレコメンデーションポリシーの協調最適化が後悔をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-05-19T01:58:13Z)
• Deep Architectures for Content Moderation and Movie Content Rating [3.04585143845864]
  映画コンテンツの格付けとテレビ番組の格付けは、専門委員会によって確立された2つの最も一般的な格付けシステムである。 コンピュータビジョンに基づく映像コンテンツ分析技術を用いて評価プロセスを自動化することが望ましい方法である。 本稿では,アクション認識,マルチモーダル学習,映画ジャンル分類,センシティブコンテンツ検出に関する関連研究を要約する。
  論文  参考訳（メタデータ） (2022-12-08T19:50:53Z)
• News consumption and social media regulations policy [70.31753171707005]
  我々は、ニュース消費とコンテンツ規制の間の相互作用を評価するために、反対のモデレーション手法であるTwitterとGabを強制した2つのソーシャルメディアを分析した。 以上の結果から,Twitterが追求するモデレーションの存在は,疑わしいコンテンツを著しく減少させることがわかった。 Gabに対する明確な規制の欠如は、ユーザが両方のタイプのコンテンツを扱う傾向を生じさせ、ディスカウント/エンドレスメントの振る舞いを考慮に入れた疑わしいコンテンツに対してわずかに好みを示す。
  論文  参考訳（メタデータ） (2021-06-07T19:26:32Z)

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。