Playback Quality Anomalies Associated with Rapid Swiping in Short Videos: Model-Attributed Association Estimation and Risk Prediction
यह अध्ययन तीव्र वीडियो स्वाइप के दौरान प्लेबैक-गुणवत्ता संबंधी समस्याओं और कम उपयोगकर्ता रुचि के बीच सटीक रूप से अंतर करने के लिए एक बड़े पैमाने के डेटासेट और एक गुणवत्ता-जागरूक मशीन लर्निंग मॉडल का लाभ उठाता है, जिससे उच्च भविष्य कहनेवाला प्रदर्शन प्राप्त होता है और स्ट्रीमिंग अनुभवों का लक्षित अनुकूलन सक्षम होता है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
जब आप अपने फोन पर एक छोटा वीडियो स्क्रॉल करते हैं, तो ऐप लगातार यह अनुमान लगाने की कोशिश करता है कि आप आगे क्या देखना चाहते हैं। यह इस बात पर बहुत अधिक निर्भर करता है कि आपने एक क्लिप को कितनी देर तक देखा और आपने कितनी जल्दी उसे स्वाइप करके हटा दिया। यदि आप इसे लंबे समय तक देखते हैं, तो सिस्टम मान लेता है कि आपको यह पसंद आया; यदि आप इसे लगभग तुरंत ही स्वाइप कर देते हैं, तो वह मान लेता है कि आप ऊब गए थे। यह तर्क सही लगता है, लेकिन यह एक महत्वपूर्ण विवरण को छोड़ देता है: कभी-कभी लोग तुरंत स्वाइप कर देते हैं क्योंकि वे सामग्री को नापसंद करते हैं, बल्कि इसलिए क्योंकि वीडियो बस चल नहीं पाया। एक धीमी शुरुआत, एक स्थिर स्क्रीन, या एक अटकता हुआ कनेक्शन किसी दर्शक को वह वीडियो छोड़ने पर मजबूर कर सकता है जिसे वह अन्यथा पसंद कर सकता था। उन एल्गोरिदम के लिए जो इन ऐप्स को संचालित करते हैं, एक ऐसे उपयोगकर्ता के बीच अंतर करना जो अरुचि महसूस कर रहा है और एक ऐसे उपयोगकर्ता के बीच जो तकनीकी गड़बड़ियों से परेशान है, एक कठिन पहेली है। यदि सिस्टम अंतर नहीं कर पाता है, तो यह लोगों को केवल इसलिए बेहतरीन वीडियो दिखाना बंद कर सकता है क्योंकि उस दिन उनका इंटरनेट कनेक्शन धीमा था, या यह उन तकनीकी समस्याओं को ठीक करने में विफल हो सकता है जो लोगों को दूर भगा रही हैं।
शोधकर्ताओं की एक टीम ने इस विशिष्ट समस्या को हल करने के लिए इस बात का विश्लेषण करके काम शुरू किया कि उपयोगकर्ता के स्वाइप करने से पहले कौन से छिपे हुए संकेत मिलते हैं। उन्होंने इक्कीस दिनों के शॉर्ट-वीडियो उपयोग के भारी मात्रा में डेटा का विश्लेषण किया, जिसमें सैकड़ों मिलियन देखने के सत्र शामिल थे। उनका लक्ष्य एक ऐसा सिस्टम बनाना था जो वीडियो प्लेबैक के तकनीकी स्वास्थ्य को देख सके—जैसे कि पहली छवि दिखने में कितना समय लगा, वीडियो कितनी बार बफर होने के लिए रुका, और नेटवर्क कनेक्शन की गति—और यह निर्धारित कर सके कि क्या एक त्वरित स्वाइप वास्तव में गुणवत्ता के बारे में एक शिकायत थी या सामग्री की अस्वीकृति। उन्होंने पाया कि इन तीव्र निकासों का एक महत्वपूर्ण हिस्सा वास्तव में तकनीकी विफलताओं के कारण था। एक कंप्यूटर मॉडल को इन पैटर्न को पहचानने के लिए प्रशिक्षित करके, उन्होंने एक ऐसा तरीका बनाया जिससे यह भविष्यवाणी की जा सके कि उपयोगकर्ता खराब प्रदर्शन के कारण छोड़ने वाला है, जिससे तकनीकी विफलताओं को वास्तविक अरुचि से अलग किया जा सके।
शोधकर्ताओं ने रिकॉर्डों का एक विशाल संग्रह एकत्र करके शुरुआत की जो इस बात को जोड़ता था कि उपयोगकर्ताओं ने क्या देखा और ठीक उसी क्षण उनके फोन और नेटवर्क का प्रदर्शन कैसा था। उन्होंने उन विशिष्ट क्षणों को देखा जब एक वीडियो सुचारू रूप से लोड होने में विफल रहा, जैसे कि जब पहला फ्रेम दिखने में 1.2 सेकंड से अधिक का समय लगा, या जब वीडियो को अधिक डेटा डाउनलोड करने के लिए कई बार रुकना पड़ा। उन्होंने डिवाइस के मेमोरी उपयोग और कनेक्शन की गति को भी ट्रैक किया। इस जानकारी का उपयोग करके, उन्होंने एक मॉडल को यह पहचानने के लिए प्रशिक्षित किया कि एक ऊबे हुए उपयोगकर्ता और एक टूटे हुए प्लेबैक अनुभव का सामना कर रहे उपयोगकर्ता के बीच क्या अंतर है। मॉडल ने एक विशिष्ट सेट की स्थितियों को पहचानने में महारत हासिल की: एक धीमी शुरुआत, बार-बार बफरिंग, इंटरनेट की गति में अचानक गिरावट, या डिवाइस का मेमोरी खत्म होना। जब ये तकनीकी समस्याएं एक साथ होती थीं, तो मॉडल उच्च सटीकता के साथ भविष्यवाणी कर सकता था कि एक त्वरित स्वाइप संभवतः खराब गुणवत्ता के प्रति एक प्रतिक्रिया थी, न कि वीडियो के प्रति।
सबसे महत्वपूर्ण खोजों में से एक यह थी कि ये तकनीकी मुद्दे वास्तव में कितनी बार लोगों को दूर भगाते हैं। अध्ययन में पाया गया कि कुछ कठिन परिस्थितियों में, जैसे कि जब एक फोन में बहुत कम फ्री मेमोरी होती है और इंटरनेट कनेक्शन धीमा होता है, तो लगभग 35 प्रतिशत त्वरित स्वाइप प्लेबैक समस्याओं से जुड़े थे। यह एक बड़ी संख्या है, जो यह सुझाव देती है कि ऐप्स द्वारा यह तय करने के लिए उपयोग किए जाने वाले डेटा का एक बड़ा हिस्सा वास्तव में तकनीकी गड़बड़ियों के कारण उत्पन्न शोर (noise) है। शोधकर्ताओं ने यह भी पाया कि वीडियो शुरू होने में लगा समय एक प्रमुख कारक था; यदि पहली छवि को दिखने में 1.2 सेकंड से अधिक का समय लगा, तो उपयोगकर्ता के स्वाइप करने का जोखिम काफी बढ़ गया। इसी तरह, यदि वीडियो को लगातार दो या अधिक बार बफर करना पड़ा, तो उपयोगकर्ता के जाने की संभावना थी, और यह निराशा अक्सर अगले वीडियो को देखने के उनके प्रयास पर भी असर डालती थी।
अपने मॉडल को विश्वसनीय बनाने के लिए, शोधकर्ताओं ने इसका परीक्षण डेटा के एक सेट के विरुद्ध किया जिसे मानव विशेषज्ञों द्वारा सावधानीपूर्वक समीक्षा की गई थी। मॉडल बहुत सटीक साबित हुआ, जिसने अधिकांश मामलों में स्वाइप के कारण को सही ढंग से पहचाना। यह अपनी भविष्यवाणियों के लिए एक 'कॉन्फिडेंस स्कोर' (विश्वास स्कोर) भी असाइन करने में सक्षम था, जिसका अर्थ है कि यह सिस्टम को बता सकता था कि वह गुणवत्ता संबंधी मुद्दों के बारे में कितना आश्वस्त है। यह महत्वपूर्ण है क्योंकि यह सिस्टम को केवल तभी कार्य करने की अनुमति देता है जब वह आश्वस्त हो, न कि केवल अनुमान लगाने की। मॉडल ने दिखाया कि वह एक ऐसे उपयोगकर्ता के बीच अंतर कर सकता है जो वास्तव में अरुचि रखता है और एक ऐसे उपयोगकर्ता के बीच जो धीमे कनेक्शन से परेशान है, भले ही उपयोगकर्ता का पिछला व्यवहार समान सामग्री को पसंद करने का संकेत देता हो। संकेतों को शोर से अलग करने की यह क्षमता सिस्टम को अपने उपयोगकर्ताओं की वास्तविक प्राथमिकताओं को समझने में मदद करती है।
शोधकर्ताओं ने फिर अपने निष्कर्षों का उपयोग यह सिम्युलेट करने के लिए किया कि यदि ऐप्स उपयोगकर्ताओं को वीडियो डिलीवर करने के तरीके को बदल देते हैं, तो क्या होगा जो खराब अनुभव के जोखिम में हैं। इस सिमुलेशन में, जब मॉडल ने गुणवत्ता संबंधी स्वाइप के उच्च जोखिम की भविष्यवाणी की, तो सिस्टम ने समस्या होने से पहले ही उसे ठीक करने की कोशिश की। यह वीडियो का थोड़ा अधिक हिस्सा पहले से लोड करके, वीडियो की गुणवत्ता को थोड़ा कम करके ताकि वह सुचारू रूप से चले, या उपयोगकर्ता के करीब स्थित एक अलग सर्वर पर स्विच करके ऐसा करेगा। सिमुलेशन के परिणाम उत्साहजनक थे। इन समायोजनों को करने से, पहली फ्रेम दिखने में लगने वाला समय लगभग 22 प्रतिशत कम हो गया, और वीडियो बफर होने के इंतजार का समय 30 प्रतिशत से अधिक गिर गया। सिस्टम यह भविष्यवाणी करने में भी बहुत बेहतर हो गया कि क्या कोई उपयोगकर्ता वीडियो देखना पूरा करेगा, जिसमें उन भविष्यवाणियों में त्रुटि 37 प्रतिशत तक कम हो गई।
यह कार्य डिजिटल प्लेटफॉर्म पर उपयोगकर्ता व्यवहार को समझने के हमारे तरीके में एक मौलिक बदलाव को रेखांकित करता है। यह सुझाव देता है कि हर त्वरित स्वाइप बोरियत का संकेत नहीं है; कई केवल एक टूटे हुए अनुभव की प्रतिक्रिया हैं। इस अंतर को पहचानकर, प्लेटफॉर्म तकनीकी विफलताओं को अरुचि के रूप में गलत समझने से बच सकते हैं। यह उन्हें उन अंतर्निहित समस्याओं को ठीक करने की अनुमति देता है जो निराशा का कारण बनती हैं, जिससे यह सुनिश्चित होता है कि उपयोगकर्ता वह सामग्री देखें जिसे वे वास्तव में देखना चाहते हैं। हालांकि यह अध्ययन वास्तविक ऐप में लाइव परिवर्तनों के बजाय सिमुलेशन और ऐतिहासिक डेटा का उपयोग करके किया गया था, फिर भी इसके परिणाम एक स्पष्ट मार्ग प्रदान करते हैं। अगला कदम इन विचारों को वास्तविक दुनिया में परीक्षण करना होगा ताकि यह देखा जा सके कि क्या इन तकनीकी गड़बड़ियों को ठीक करने से उपयोगकर्ता अधिक खुश और सिफारिशें बेहतर होती हैं। फिलहाल, यह शोध उस अदृश्य घर्षण (friction) को समझने के लिए एक शक्तिशाली उपकरण प्रदान करता है जो लोगों को उस सामग्री का आनंद लेने से रोकता है जिसे वे खोज रहे हैं।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।