Playback Quality Anomalies Associated with Rapid Swiping in Short Videos: Model-Attributed Association Estimation and Risk Prediction
Diese Studie nutzt einen groß angelegten Datensatz und ein qualitätsbewusstes maschinelles Lernmodell, um bei schnellen Video-Swipes Playback-Qualitätsprobleme präzise von geringem Nutzerinteresse zu unterscheiden, wodurch eine hohe Vorhersageleistung erzielt und eine gezielte Optimierung des Streaming-Erlebnisses ermöglicht wird.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Wenn Sie durch ein kurzes Video auf Ihrem Handy scrollen, versucht die App ständig zu erraten, was Sie als Nächstes sehen möchten. Sie verlässt sich stark darauf, wie lange Sie einen Clip ansehen und wie schnell Sie ihn wegwischen. Wenn Sie lange zuschauen, nimmt das System an, dass es Ihnen gefallen hat; wenn Sie fast sofort wegwischen, geht es davon aus, dass Sie gelangweilt waren. Diese Logik scheint schlüssig, übersieht aber ein entscheidendes Detail: Manchmal wischen Menschen sofort weg, nicht weil sie den Inhalt nicht mögen, sondern weil das Video einfach nicht abgespielt werden wollte. Ein langsamer Start, ein eingefrorener Bildschirm oder eine ruckelnde Verbindung können dazu führen, dass ein Zuschauer ein Video abbricht, das er ansonsten vielleicht genossen hätte. Für die Algorithmen, die diese Apps antreiben, ist es ein schwieriges Rätsel, zwischen einem Nutzer, der desinteressiert ist, und einem Nutzer, der durch technische Fehler frustriert ist, zu unterscheiden. Wenn das System den Unterschied nicht erkennen kann, könnte es aufhören, großartige Videos anzuzeigen, nur weil die Internetverbindung des Nutzers an diesem Tag langsam war, oder es könnte versäumen, die technischen Probleme zu beheben, die die Menschen vertreiben.
Ein Team von Forschern setzte sich zum Ziel, genau dieses Problem zu lösen, indem es die verborgenen Signale untersuchte, die auftreten, bevor ein Nutzer wegwischt. Sie analysierten eine riesige Menge an Daten aus einundzwanzig Tagen der Nutzung von Kurzvideos, die Hunderte Millionen von Videositzungen umfassten. Ihr Ziel war es, ein System zu entwickeln, das die technische Gesundheit der Videowiedergabe – wie etwa, wie lange es dauerte, bis das erste Bild erschien, wie oft das Video pausieren musste, um zu puffern, und die Geschwindigkeit der Netzwerkverbindung – beurteilen und feststellen konnte, ob ein schnelles Wegwischen tatsächlich eine Beschwerde über die Qualität oder eine Ablehnung des Inhalts war. Sie fanden heraus, dass ein erheblicher Teil dieser schnellen Abbrüche tatsächlich durch technische Fehler verursacht wurde. Indem sie ein Computermodell darauf trainierten, diese Muster zu erkennen, schufen sie eine Möglichkeit vorherzusagen, wann ein Nutzer aufgrund schlechter Leistung kurz davor steht, die App zu verlassen, und trennten diese technischen Fehler von echtem Desinteresse.
Die Forscher begannen damit, eine umfangreiche Sammlung von Datensätzen zusammenzustellen, die verknüpften, was Nutzer ansahen, mit der Leistung ihres Telefons und ihrer Netzwerke in genau diesem Moment. Sie betrachteten spezifische Momente, in denen ein Video nicht reibungslos geladen wurde, wie zum Beispiel, wenn das erste Frame länger als 1,2 Sekunden brauchte, um zu erscheinen, oder wenn das Video mehrmals pausieren musste, um mehr Daten herunterzuladen. Sie verfolgten auch die Speichernutzung des Geräts und die Geschwindigkeit der Verbindung. Mit diesen Informationen trainierten sie ein Modell, um den Unterschied zwischen einem Nutzer, der einfach nur gelangweilt ist, und einem Nutzer, der mit einem fehlerhaften Wiedergabeprozess zu kämpfen hat, zu identifizieren. Das Modell lernte, eine spezifische Reihe von Bedingungen zu erkennen: einen langsamen Start, wiederholtes Puffern, einen plötzlichen Abfall der Internetgeschwindigkeit oder ein Gerät, dem der Speicher ausgeht. Wenn diese technischen Probleme gemeinsam auftraten, konnte das Modell mit hoher Genauigkeit vorhersagen, dass ein schnelles Wegwischen wahrscheinlich eine Reaktion auf die schlechte Qualität war und nicht auf das Video selbst.
Eine der wichtigsten Entdeckungen war, wie oft diese technischen Probleme die Menschen tatsächlich vertreiben. Die Studie ergab, dass unter bestimmten schwierigen Bedingungen, wie etwa wenn ein Telefon über sehr wenig freien Speicher verfügt und die Internetverbindung langsam ist, fast 35 Prozent der schnellen Wischbewegungen mit Wiedergabeproblemen zusammenhingen. Dies ist eine beträchtliche Zahl, was darauf hindeutet, dass ein großer Teil der Daten, die Apps verwenden, um zu entscheiden, was als Nächstes gezeigt werden soll, eigentlich Rauschen ist, das durch technische Fehler verursacht wird. Die Forscher fanden auch heraus, dass die Zeit, die das Starten des Videos dauerte, ein wesentlicher Faktor war; wenn das erste Bild länger als 1,2 Sekunden brauchte, um zu erscheinen, stieg das Risiko, dass der Nutzer wegwischt, signifikant an. Ähnlich verhielt es sich, wenn das Video zwei oder mehr Mal hintereinander puffern musste; in diesem Fall war der Nutzer wahrscheinlich bereit zu gehen, und dieser Frust trug sich oft auf das nächste Video übertragen, das er ansehen wollte.
Um sicherzustellen, dass ihr Modell zuverlässig ist, testeten die Forscher es gegen einen Datensatz, der sorgfältig von menschlichen Experten überprüft worden war. Das Modell erwies sich als sehr genau und identifizierte in den meisten Fällen korrekt die Ursache für das Wegwischen. Es war auch in der Lage, einen Konfidenzwert für seine Vorhersagen zuzuweisen, was bedeutet, dass es dem System mitteilen konnte, wie sicher es sich war, dass ein Wischen auf Qualitätsprobleme zurückzuführen war. Dies ist wichtig, da es dem System ermöglicht, nur dann zu handeln, wenn es sich sicher ist, anstatt zu raten. Das Modell zeigte, dass es zwischen einem Nutzer, der wirklich desinteressiert ist, und einem, der durch eine langsame Verbindung frustriert ist, unterscheiden konnte, selbst wenn das bisherige Verhalten des Nutzers auf ähnliche Inhalte hindeutete. Diese Fähigkeit, das Signal vom Rauschen zu trennen, hilft dem System, die wahren Vorlieben seiner Nutzer zu verstehen.
Die Forscher nutzten ihre Erkenntnisse dann, um zu simulieren, was passieren würde, wenn die Apps die Art und Weise ändern würden, wie sie Videos an Nutzer liefern, dieem ein Risiko für eine schlechte Erfahrung droht. In dieser Simulation versuchte das System, das Problem zu beheben, bevor es eintrat, wenn das Modell ein hohes Risiko für ein qualitätsbedingtes Wegwischen vorhersagte. Dies geschah, indem es einen Teil des Videos im Voraus lädt, die Videoqualität leicht senkt, um eine reibungslose Wiedergabe zu gewährleisten, oder zu einem anderen Server wechselt, der näher am Nutzer liegt. Die Ergebnisse dieser Simulation waren vielversprechend. Durch diese Anpassungen sank die Zeit bis zum Erscheinen des ersten Frames um fast 22 Prozent, und die Zeit, die mit dem Warten auf das Puffern des Videos verbracht wurde, fiel um mehr als 30 Prozent. Das System wurde auch wesentlich besser darin, vorherzusagen, ob ein Nutzer ein Video zu Ende schauen würde, wobei der Fehler bei diesen Vorhersagen um 37 Prozent sank.
Diese Arbeit verdeutlicht einen grundlegenden Wandel in unserem Verständnis des Nutzerverhaltens auf digitalen Plattformen. Sie legt nahe, dass nicht jedes schnelle Wegwischen ein Zeichen von Langeweile ist; viele sind einfach eine Reaktion auf ein fehlerhaftes Erlebnis. Durch das Erkennen dieses Unterschieds können Plattformen aufhören, technische Fehler als mangelndes Interesse misszuinterpretieren. Dies ermöglicht es ihnen, die zugrunde liegenden Probleme zu beheben, die Frustration verursachen, und sicherzustellen, dass Nutzer den Inhalt sehen, den sie tatsächlich sehen möchten. Während die Studie mittels Simulationen und historischen Daten durchgeführt wurde und nicht durch Live-Änderungen an einer echten App, bieten die Ergebnisse einen klaren Weg nach vorne. Der nächste Schritt wäre, diese Ideen in der realen Welt zu testen, um zu sehen, ob das Beheben dieser technischen Fehler zu zufriedeneren Nutzern und besseren Empfehlungen führt. Für den Moment bietet die Forschung ein leistungsfähiges Werkzeug, um die unsichtbare Reibung zu verstehen, die Menschen daran hindert, die Inhalte zu genießen, die sie suchen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.