Designing Multimodal Video Search by Examples (MVSE) user interfaces: UX requirements elicitation and insights from semi-structured interviews
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In order to search for content from large video archives, it is typically undertaken via keyword queries using predefined metadata such as title and other tags. However, it is difficult to use keywords to search for specific moments in a video. Video search by examples is a desirable approach for this scenario as it allows users to search for content using one or more examples without having to specify a keyword. However, video search by examples is notoriously challenging, and performance is poor. To improve search performance, multiple modalities may be considered – image, sound, voice and text, multiple search cues could be used to identify more relevant content. This is multimodal video search by examples (MVSE), where users can search for content using multiple modalities. In this paper, typical end users - BBC archivists, programme support staff - are interviewed to identify how their search needs can be addressed with the technical capabilities of a MVSE tool. Such a search tool will be useful for organisations such as the BBC who maintain large collections of video archives and want to provide a search tool for their own staff as well as for the public. It will also be useful for companies such as Youtube who host videos from the public and want to enable video search by examples. The study’s objectives explored in this paper were to inform the design and development of the UX workflows to gain a broader understanding of what opportunities and issues may arise from the proposed prototype tool. Results from the thematic analysis was highlighted 4 main themes: Opportunities, Time constraints, Activities, and Pain points. Further analysis highlighted key areas that should be considered for an MVSE-based system, such as scene recognition, face recognition, speed issues, and integration..
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle