ChildSafeAds Shared Task 2026: Commercial Content in Child-Facing YouTube Videos
ChildSafeAds 2026 共享任务引入了一个包含 3,360 个面向儿童的 YouTube 视频及其对应的转录文本和关联销售页面的数据集，旨在评估系统在不同数据可访问程度下检测商业内容、对产品进行分类以及识别法律披露风险的能力。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正坐下来观看一段关于建造树屋或解决难题数学谜题的视频。创作者直接对着你说话，用亲切、熟悉的语气分享技巧和故事。突然，在没有任何停顿的情况下，他们提到了一种特定品牌的胶水或一款新的应用程序，并解释为什么它是完成这项工作的完美工具。对于许多儿童和青少年来说，这种娱乐与销售之间的无缝融合很难被察觉。与那种通过响亮的广告音乐中断节目的传统电视广告不同，这种广告隐藏在内容本身之中。因为它看起来和听起来都与视频的其他部分一致，年轻的观众往往意识不到自己正在被推销商品。这种困惑不仅仅是一个小小的烦恼；它是一个法律和伦理问题。在许多地方，法律要求当有人受雇推广产品时，必须明确告知观众。然而，在广阔且混乱的网络视频世界中，这些警告往往缺失，或者被埋在冗长的描述中，或者使用了对儿童来说过于隐晦的语言。
研究人员长期以来一直担心目前的视频监控系统不够完善。这些系统通常依赖于视频平台自身的标签，即创作者在进行付费合作时应当添加的标签。然而，一项新研究表明，仅仅依靠这些标签会错过大量的商业信息。为了了解问题的真实规模，来自荷兰大学的一个研究小组创建了一种观察数据的新方法。他们构建了一个“共享任务”（shared task），这是一种为计算机科学家设计的组织化挑战，旨在测试机器是否能够识别这些隐藏的销售策略，并弄清楚它们存在什么问题。目标不仅是寻找广告，还要理解它们在销售什么，以及是否违反了旨在保护青少年的规则。
团队首先收集了大量的视频片段。他们并没有查看互联网上的每一个视频，而是将重点放在了一个名为 SponsorBlock 的特定工具上。这是一个由社区驱动的项目，普通观众会标记出视频中赞助环节的准确开始和结束时间，以便他人跳过这些部分。研究人员将这些用户提交的标记作为起点，因为如果人类观众觉得有必要跳过某一部分，那么该部分很可能就是商业信息。他们从近千个深受青少年欢迎的频道中收集了 3,360 个此类片段。对于每个片段，他们收集了所有可用信息：片段中的语音文字、视频标题、频道名称以及创作者在描述栏中提供的链接。他们甚至追踪了这些链接，跳转到实际销售产品的网站。这创建了一个丰富的数据集，使计算机系统可以查看一段简短的转录文本，或者深入挖掘视频详情及产品页面，从而做出判断。
研究人员随后为计算机系统设定了三个具体的任务。首先，系统必须判定正在进行的是哪种类型的邀约。创作者是在销售实物对象（如玩具）、数字服务（如游戏），还是其他东西？其次，系统需要对产品进行分类。它是食品、时尚、健康建议，还是像赌博这类具有风险的东西？最后，也是最重要的一点，系统必须充当法律监督者。它需要标记任何潜在的问题，例如听起来过于完美的说法、未能明确说明“这是广告”，或是直接敦促儿童现在就购买。研究人员在设计任务时，允许团队选择使用多少信息。有些系统可能只阅读转录文本，这种方式成本低且易于获取；而另一些系统可能会抓取链接指向的网站，这则要昂贵且耗时得多。这使得研究人员能够观察收集更多数据是否真的能带来更好的结果。
当团队分析他们收集的数据时，发现了一个令人震惊的现实。在他们的收藏中，近一半的视频（具体为 45.5%）没有使用视频平台提供的官方“付费推广”标签。这意味着，如果监管机构或家长只寻找这个特定的标签，他们会错过几乎一半针对年轻人的商业内容。研究还表明，识别这些广告对计算机来说是一项艰巨的任务。虽然系统在判断正在销售什么类型的产品方面做得相当出色，但在处理法律标记方面却表现得非常吃力。计算机经常在某个披露是否足够清晰，或者某个说法是否具有误导性等方面产生分歧。这种分歧凸显了理解语言和语境的细微差别（尤其是在涉及保护儿童时）是一个复杂的挑战，而机器目前尚无法完美解决这一问题。
研究人员利用先进的人工智能模型来为他们的数据集创建标签，并与法律专家密切合作以完善规则。他们并非凭空猜测，而是通过不断迭代定义，检查样本并调整如何引导计算机思考。例如，他们缩小了“直接劝诱”（direct exhortation，即敦促儿童购买某物）的定义，以确保计算机只标记那些真正向儿童施压的语言，而不是仅仅建议点击链接的普通用语。即便采取了这些细致的步骤，计算机模型仍然会犯错。在测试集中，两个不同的强大模型在不到一半的案例中对法律标记达成了一致。这表明，虽然技术可以帮助扫描数以千计的视频，但它目前还无法取代人类在判断广告是否真正适合年轻受众方面的判断力。
研究结论指出，监测面向儿童的内容不仅仅是寻找官方标签。它需要对内容本身、提供的链接以及使用的具体语言进行更深入的观察。研究人员已将他们的数据和任务规则向公众开放，邀请其他科学家构建更好的系统。他们强调，这项工作是研究的起点，而非最终解决方案。他们创建的数据集是特定时刻的一个缩影，并且具有局限性。它仅包含那些已被人工标记了赞助内容的视频，并且依赖于检查时仍然有效的链接。它并不包括纯粹的商业视频，也不包括那些未通过青少年吸引力筛选的频道。尽管存在这些限制，这项工作仍提供了一个清晰的图景：大量的商业内容正从现有的监控系统中溜走，且往往没有遵守法律要求的明确警告。未来的路径在于构建能够理解语境而不仅仅是理解文字的工具，从而确保数字世界仍然是一个让孩子们能够安全学习和玩耍，而不被在不知情的情况下进行推销的空间。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。