Playback Quality Anomalies Associated with Rapid Swiping in Short Videos: Model-Attributed Association Estimation and Risk Prediction
تستفيد هذه الدراسة من مجموعة بيانات واسعة النطاق ونموذج تعلم آلي مدرك للجودة للتمييز بدقة بين مشكلات جودة التشغيل وانخفاض اهتمام المستخدم في عمليات التمرير السريع للفيديوهات، مما يحقق أداءً تنبؤياً عالياً ويمكّن من التحسين المستهدف لتجارب البث.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
عندما تتصفح مقطع فيديو قصير على هاتفك، يحاول التطبيق باستمرار تخمين ما تريد رؤيته تالياً. فهو يعتمد بشكل كبير على المدة التي تشاهد فيها المقطع ومدى سرعة تجاوزك له. إذا شاهدت لفترة طويلة، يفترض النظام أنك أحببت المحتوى؛ وإذا تجاوزت المقطع فوراً، يفترض أنك شعرت بالملل. يبدو هذا المنطق سليماً، لكنه يغفل تفصيلاً حاسماً: أحياناً يتجاوز الناس المقطع فوراً ليس لأنهم لا يحبون المحتوى، بل لأن الفيديو ببساطة رفض العمل. فالبداية البطيئة، أو الشاشة المتجمدة، أو الاتصال المتقطع يمكن أن تجعل المشاهد يتخلى عن فيديو ربما كان سيستمتع به لولا ذلك. وبالنسبة للخوارزميات التي تشغل هذه التطبيقات، فإن التمييز بين مستخدم غير مهتم ومستخدم يشعر بالإحباط بسبب أعطال تقنية يعد لغزاً صعباً. وإذا لم يستطع النظام التمييز بينهما، فقد يتوقف عن عرض فيديوهات رائعة على الناس لمجرد أن اتصال الإنترنت لديهم كان بطيئاً في ذلك اليوم، أو قد يفشل في إصلاح المشكلات التقنية التي تدفع الناس للرحيل.
لقد وضع فريق من الباحثين هدفاً لحل هذه المشكلة تحديداً من خلال البحث في الإشارات الخفية التي تحدث قبل أن يتجاوز المستخدم المقطع. قاموا بتحليل كمية هائلة من البيانات من استخدام الفيديوهات القصيرة لمدة واحد وعشرين يوماً، تغطي مئات الملايين من جلسات المشاهدة. كان هدفهم بناء نظام يمكنه النظر في الصحة التقنية لتشغيل الفيديو — مثل المدة التي استغرقها ظهور الصورة الأولى، وعدد المرات التي توقف فيها الفيديو للتحميل (buffering)، وسرعة اتصال الشبكة — وتحديد ما إذا كانت التجاوز السريع هو في الواقع شكوى من الجودة أم رفضاً للمحتوى. ووجدوا أن جزءاً كبيراً من حالات الخروج السريع كانت بالفعل ناتجة عن إخفاقات تقنية. ومن خلال تعليم نموذج حاسوبي التعرف على هذه الأنماط، تمكنوا من إنشاء طريقة للتنبؤ متى يوشك المستخدم على المغادرة بسبب ضعف الأداء، مما يفصل هذه الإخفاقات التقنية عن عدم الاهتمام الحقيقي.
بدأ الباحثون بجمع مجموعة واسعة من السجلات التي تربط ما شاهده المستخدمون بكيفية أداء هواتفهم وشبكاتهم في تلك اللحظة تحديداً. نظروا في لحظات محددة فشل فيها تحميل الفيديو بسلاسة، مثل عندما استغرق ظهور الإطار الأول أكثر من 1.2 ثانية، أو عندما اضطر الفيديو للتوقف عدة مرات لتحميل المزيد من البيانات. كما تتبعوا استخدام ذاكرة الجهاز وسرعة الاتصال. وباستخدام هذه المعلومات، قاموا بتدريب نموذج لتحديد الفرق بين مستخدم يشعر بالملل فحسب ومستخدم يعاني من تجربة تشغيل معطلة. تعلم النموذج تحديد مجموعة محددة من الظروف: بداية بطيئة، أو توقف متكرر للتحميل، أو انخفاض مفاجئ في سرعة الإنترنت، أو نفاد ذاكرة الجهاز. وعندما حدثت هذه المشكلات التقنية معاً، استطاع النموذج التنبؤ بدقة عالية أن التجاوز السريع كان على الأرجح رد فعل على الجودة الرديئة، وليس على الفيديو نفسه.
كان أحد أهم الاكتشافات هو مدى تكرار حدوث هذه المشكلات التقنية التي تدفع الناس للرحيل. وجدت الدراسة أنه في ظل ظروف صعبة معينة، مثل امتلاك الهاتف لذاكرة حرة قليلة جداً وبطء اتصال الإنترنت، كان ما يقرب من 35 بالمائة من التجاوزات السريعة مرتبطة بمشكلات التشغيل. وهذا رقم كبير، مما يشير إلى أن جزءاً ضخماً من البيانات التي تستخدمها التطبيقات لتحديد ما يجب عرضه تالياً هو في الواقع "ضجيج" ناتج عن الأعطال التقنية. ووجد الباحثون أيضاً أن الوقت الذي استغرقه بدء تشغيل الفيديو كان عاملاً رئيسياً؛ فإذا ظهرت الصورة الأولى في أكثر من 1.2 ثانية، تزداد مخاطر تجاوز المستخدم للمقطع بشكل كبير. وبالمثل، إذا اضطر الفيديو للتحميل (buffer) مرتين أو أكثر على التوالي، فمن المرجح أن يغادر المستخدم، وغالباً ما ينتقل هذا الإحباط إلى الفيديو التالي الذي يحاول مشاهدته.
وللتأكد من موثوقية نموذجهم، اختبر الباحثون النموذج مقابل مجموعة من البيانات التي تمت مراجعتها بعناقة من قبل خبراء بشريين. أثبت النموذج دقة عالية، حيث حدد سبب التجاوز بشكل صحيح في معظم الحالات. كما كان قادراً على تعيين درجة ثقة لتنبؤاته، مما يعني أنه يمكنه إخبار النظام بمدى تأكده من أن التجاوز ناتج عن مشكلات الجودة. وهذا أمر مهم لأنه يسم يسمح للنظام بالتحرك فقط عندما يكون واثقاً، بدلاً من التخمين. أظهر النموذج قدرته على التمييز بين مستخدم غير مهتم حقاً وبين مستخدم محبط بسبب اتصال بطيء، حتى عندما كان سلوكه السابق يشير إلى إعجابه بمحتوى مشابه. هذه القدرة على فصل الإشارة عن الضجيج تساعد النظام على فهم التفضيلات الحقيقية لمستخدميه.
ثم استخدم الباحثون نتائجهم لمحاكاة ما سيحدث إذا قامت التطبيقات بتغيير طريقة تقديم الفيديوهات للمستخدمين المعرضين لتجربة سيئة. في هذه المحاكاة، عندما يتنبأ النموذج باحتمالية عالية لتجاوز مرتبط بالجودة، يحاول النظام إصلاح المشكلة قبل وقوعها. يقوم بذلك عن طريق تحميل جزء أكبر من الفيديو مسبقاً، أو خفض جودة الفيديو قليلاً لضمان تشغيله بسلاسة، أو الانتقال إلى خادم مختلف أقرب إلى المستخدم. كانت نتائج هذه المحاكاة واعدة؛ فمن خلال إجراء هذه التعديلات، انخفض الوقت المستغرق لظهور الإطار الأول بنسبة تقارب 22 بالمائة، وانخفض الوقت المستغرق في انتظار تحميل الفيديو (buffer) بأكثر من 30 بالمائة. كما أصبح النظام أفضل بكثير في التنبؤ بما إذا كان المستخدم سيكمل مشاهدة الفيديو، حيث انخفض الخطأ في تلك التنبؤات بنسبة 37 بالمائة.
يسلط هذا العمل الضوء على تحول جوهري في فهمنا لسلوك المستخدم على المنصات الرقمية. فهو يشير إلى أن ليس كل تجاوز سريع هو علامة على الملل؛ بل الكثير منها هي مجرد رد فعل لتجربة معطلة. ومن خلال التعرف على الفرق، يمكن للمنصات التوقف عن تفسير الفشل التقني على أنه نقص في الاهتمام. وهذا يسمح لها بإصلاح المشكلات الأساسية التي تسبب الإحباط، مما يضمن أن يرى المستخدمون المحتوى الذي يريدون مشاهدته حقاً. وبينما أُجريت هذه الدراسة باستخدام عمليات المحاكاة والبيانات التاريخية بدلاً من التغييرات المباشرة على تطبيق حقيقي، فإن النتائج توفر مساراً واضحاً للمضي قدماً. الخطوة التالية ستكون اختبار هذه الأفكار في العالم الحقيقي لمعرفة ما إذا كان إصلاح هذه الأعطال التقنية سيؤدي إلى مستخدمين أكثر سعادة وتوصيات أفضل. في الوقت الحالي، تقدم هذه الأبحاث أداة قوية لفهم الاحتكاك غير المرئي الذي يمنع الناس من الاستممتع بالمحتوى الذي يبحثون عنه.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.