Bewertung des Bildungswerts von YouTube Kids

YouTube Kids ist eine beliebte App, die viele Kinder jeden Tag nutzen. Während sie einen spassigen Raum bietet, um Videos anzuschauen, gibt es Bedenken bezüglich der Art von Inhalten, die auf der Plattform verfügbar sind. Einige Videos sind hauptsächlich für Unterhaltung oder Werbung gedacht, was möglicherweise nicht geeignet für das Lernen ist. Kürzlich hat YouTube angefangen, sich für bessere Qualitätsinhalte einzusetzen, die Lernen fördern. Sie wollen Richtlinien erstellen, um Channels danach zu bewerten, wie edukativ ihre Videos sind. Allerdings herauszufinden, was als "edukativ" zählt, kann knifflig sein, besonders bei Online-Videos.

Diese Arbeit untersucht die Lerninhalte von Kinder-Videos und vergleicht sie damit, was in Schulen unterrichtet wird. Ziel ist es, einen Weg zu finden, um zu messen, wie gut die Bildungsqualität dieser Videos ist. Mit einer neuen Reihe von Fragen und Antworten aus Kinder-Videos zeigen wir, dass ein Reading Comprehension (RC) Modell schätzen kann, wie viel akademisches Lernen durch diese Videos stattfindet. Wir untersuchen auch einen grossen Satz von Fragen aus Lehrbüchern der Mittelstufe, um zu sehen, wie viele dieser Fragen korrekt beantwortet werden können, basierend darauf, was das RC Modell aus den Videos gelernt hat. Durch die Analyse von über 80.000 Videos aus den 100 besten Channels bietet diese Forschung den ersten detaillierten Blick auf die Akademische Qualität, die auf YouTube Kids zu finden ist.

#YouTube Kids Übersicht

YouTube Kids ist eine Video-Plattform, auf der Kinder verschiedene Inhalte finden können, und macht sie zu einem Favoriten unter Kindern weltweit. Ziel ist es, einen sicheren Ort für Kinder zu schaffen, um Videos zu erkunden und zu geniessen. Allerdings haben Studien einige grosse Bedenken aufgezeigt. Viele Videos auf der Plattform neigen stark zur Unterhaltung und Marketing, was Kinder potenziell Inhalten aussetzt, die nicht angemessen oder lehrreich sind. In der Vergangenheit konnten Creator fast alles teilen, und Videos blieben, es sei denn, sie verstiessen gegen bestimmte Regeln. Obwohl es wichtig ist, unangemessene Inhalte herauszufiltern, bedeutet nur weil ein Video sicher ist, nicht, dass es gut für das Lernen ist. Zum Beispiel sind "Unboxing"-Videos, die das Öffnen von Spielzeug zeigen, sehr beliebt, bieten aber oft keinen Bildungswert.

Es ist wichtig, dass die Inhalte, denen Kinder ausgesetzt sind, sowohl sicher als auch edukativ sind. Studien zeigen, dass das, was Kinder schauen, ihre Entwicklung erheblich beeinflussen kann. Kinder sollten Zugang zu hochwertigen Bildungsinhalten haben, die ihr Wachstum unterstützen. Um dieses Ziel zu erreichen, hat YouTube neue Richtlinien vorgeschlagen, um die Lernerfahrungen zu verbessern und die Neugier der Kinder zu wecken. Allerdings stellt die Messung der Videoqualität und die Gewährleistung der Einhaltung dieser Richtlinien, angesichts der riesigen Anzahl an täglichen Uploads, ihre eigenen Herausforderungen dar. Das Fehlen eines zuverlässigen Systems zur Bewertung der Bildungsqualität lässt viele Beteiligte, wie Eltern, besorgt über die Auswirkungen von Videoinhalten auf das Lernen ihrer Kinder zurück.

#Qualität definieren

Wenn wir von "Qualität" sprechen, bezieht sich das darauf, wie gut etwas im Vergleich zu ähnlichen Dingen ist. Nach der Definition im Oxford-Wörterbuch ist Qualität der Standard von etwas im Vergleich zu anderen ähnlichen Dingen und zeigt, wie gut oder schlecht etwas ist. Um die Lernqualität in Videos zu messen, betrachten wir die Inhalte, die mit dem Schulunterricht übereinstimmen, und schlagen einen Weg vor, um die akademische Qualität von Kinder-Videos zu bewerten, indem wir deren Inhalte mit Standard-Lehrbüchern vergleichen.

Während unterhaltsame Videos in der Unterhaltung hoch eingestuft sein können, konzentriert sich diese Arbeit darauf, was Kinder im Vergleich zu Schulmaterial lernen, und definiert diese Messung als "akademische Qualität". Um akademische Qualität zu bestimmen, schlagen wir vor, Kinder-Lehrbücher als Standard zu verwenden, da sie für ihre Informationsgehalt anerkannt sind und positive Lernergebnisse zur Folge haben. Lehrbücher kommen in der Regel mit Fragen und Antworten, die das Lernen validieren können. Daher schlagen wir vor, Fragen aus Lehrbüchern zu verwenden, um zu überprüfen, ob sie basierend auf dem Anschauen der Videos beantwortet werden können, ähnlich wie Leseverständnistests das Verständnis eines Schülers eines Textes überprüfen.

#Der Bedarf an Automatisierung in der Qualitätsbewertung

Während es vernünftig wäre, Videos manuell anzusehen und Fragen zu beantworten, um ihre akademische Qualität zu bestimmen, macht das enorme Volumen an Inhalten auf YouTube Kids dies unmöglich. Wir brauchen einen automatisierten Ansatz, der den Leseverständnisprozess nachahmen kann. Um diese Aufgabe zu automatisieren, schlagen wir vor, ein Reading Comprehension (RC) Modell zu verwenden, das als Stellvertreter für einen Schüler dient. Dieses Modell wird Informationen aus Videos nutzen, um Fragen zu grundlegenden Themen zu beantworten. Ein RC-Modell könnte beispielsweise Informationen aus einem Video extrahieren, um auf Fragen wie "Drehen sich Planeten um die Sonne?" zu antworten.

Frühere Studien haben das Potenzial von RC-Modellen zur Beantwortung von Fragen gezeigt, jedoch bringt die Anwendung dieser Modelle zur Bewertung der akademischen Qualität von Videos einige Herausforderungen mit sich. Viele Videos können lang sein, und die meisten RC-Modelle haben Schwierigkeiten, mit langen Texten umzugehen. Um damit umzugehen, fügen wir unserem RC-Modell einen globalen und gleitenden Fenster-Attention-Mechanismus hinzu, der es ihm ermöglicht, lange Videos effektiver zu verarbeiten. Eine weitere Herausforderung bei Videodaten ist, dass sie mehrere Informationsarten enthalten, wie visuelle und akustische. Frühere Forschungen konzentrierten sich darauf, Audio in Text für die Beantwortung von Fragen zu konvertieren, aber visuelle Inhalte wurden oft vernachlässigt. Unser vorgeschlagener Ansatz berücksichtigt beides, indem wir Daten aus Video-Frames zusammen mit Audio-Transkripten extrahieren.

Insgesamt zielt die Arbeit darauf ab, eine Methode zu entwickeln, die Inhalte von niedriger akademischer Qualität auf YouTube Kids identifizieren kann. Ein solches System würde es Eltern und Video-Plattformen ermöglichen, besser informierte Entscheidungen darüber zu treffen, welchen Arten von Inhalten Kinder ausgesetzt sind. Obwohl unser Hauptfokus auf englischsprachigen Wissenschaftsfragen liegt, kann der Ansatz angepasst werden, um akademische Qualität in verschiedenen Sprachen und Fächern zu bewerten, was ihn für Educatoren oder Content-Creator nützlich macht.

#Forschungsbeiträge

Die wichtigsten Beiträge dieser Forschung beinhalten:

1. Ein automatisierter Weg zur Bewertung der Bildungsqualität durch eine neue Methode, die das Maschinenverständnis-Framework erweitert, um mehrere Datentypen für die Bewertung der akademischen Qualität zu berücksichtigen.
2. Dies ist das erste Projekt, das die akademische Qualität von Kinder-Videos auf YouTube Kids quantifiziert und ein bedeutendes Anliegen für Eltern bezüglich der Inhaltsqualität aufgreift.
3. Wir bieten einen neuen Datensatz mit über 80.000 Video-Transkripten und Schlüsselrahmen aus den 100 besten YouTube Kids Channels, der Möglichkeiten für weitere Forschungen über unsere aktuelle Analyse hinaus eröffnet.

#Verwandte Arbeiten

Bei der Überprüfung früherer Studien stellen wir fest, dass die Bedenken bezüglich der Inhalte auf YouTube Kids wachsen. Verschiedene Studien haben populäre Genres wie Spielzeug-Unboxing-Videos diskutiert und deren zugrunde liegende Motive sowie den Mangel an Bildungswert analysiert. Die Forschung hat auch angesprochen, wie einige Creator es versäumen, Sponsoren in Influencer-Videos offenzulegen, was Fragen zur Qualität solcher Inhalte aufwirft.

Die Qualität von Kinder-Videos wurde sogar ausserhalb formeller Forschung kritisiert. Zum Beispiel hob ein Blog die Probleme auf YouTube Kids hervor, und eine spezifische Überprüfung kritisierte einen Top-Channel und stellte fest, dass ein hoher Prozentsatz ihrer Videos Produkte bewirbt, die nicht für junge Kinder geeignet sind.

#Bewertungs der Bildungsqualität

Die Forschung zu Leseverständnis-Aufgaben ist robust und hat Fortschritte im Verständnis darüber gemacht, wie RC-Modelle Fragen basierend auf Text beantworten. Verschiedene Modelle wurden entwickelt, um Antworten genau zu finden und zu extrahieren. In unserer Arbeit erweitern wir dieses Feld, indem wir untersuchen, wie RC-Modelle helfen können, den Bildungswert von Kinder-Videos zu quantifizieren.

Um dies zu tun, erstellen wir einen neuen Datensatz aus Kinder-Videos, der Transkripte und Frames enthält. Aufgrund der Länge vieler Videos könnten RC-Modelle, die auf gängigen Datensätzen trainiert wurden, bei langen Transkripten nicht gut abschneiden. Durch die Verwendung bewährter Methoden wie Dense Passage Retrieval passen wir sie an, um mit Videodaten zu arbeiten, was es uns ermöglicht, die Video-Informationen mit den Fragen aus den Lehrbüchern zu verbinden.

#Methodologie

Unsere Methodologie zur Bewertung der akademischen Qualität von Kinder-Videos besteht aus mehreren Schlüssel-Schritten. Zuerst sammeln wir Videos, die verschiedene Lektionen ansprechen. Für jede Lektion definieren wir die relevanten Fragen aus einem Fachbereich, wie Wissenschaft. Unser Datensatz umfasst zahlreiche Videos von YouTube Kids, die verwendet werden, um Transkripte und Frames zur Verarbeitung abzuleiten.

Um relevante Videos für ein bestimmtes Thema zu finden, verwenden wir zunächst ein Retrieval-Modell, um schnell Videos zu identifizieren, die unserem ausgewählten Themenbereich entsprechen. Sobald wir die Optionen eingegrenzt haben, verwenden wir das RC-Modell, um Fragen basierend auf dem Inhalt dieser Videos zu beantworten, was uns ermöglicht, ihre Bildungsqualität zu bewerten.

#Multi-modales Video-Retrieval-Modell

Wir beginnen unser Vorschlag mit einem Retrieval-Modell, das relevante Dokumente aus einem riesigen Datensatz identifiziert. Dies umfasst die Verwendung von Encodern für sowohl Video-Transkripte als auch Themenbeschreibungen, wodurch das Modell präzisere Ergebnisse verstehen und produzieren kann. Durch die Nutzung von Transkripten und Untertiteln aus Videos können wir den Retrieval-Prozess erheblich verbessern.

#Leseverständnis-Modell

Unser zweiter Schritt beinhaltet ein Leseverständnis-Modell, das Antworten genau aus den gesammelten Videodaten extrahieren kann. Dieses Modell muss sowohl den Kontext, der aus Videos abgeleitet wurde, als auch die Fragen verarbeiten, die es leiten, was ihm ermöglicht, klare und präzise Antworten zu geben.

#Multiple-Choice-Antwort-Extraktion

Zuletzt beinhalten viele der Bewertungen Multiple-Choice-Fragen. Daher benötigen wir einen Weg, um die beste Auswahl aus den bereitgestellten Optionen auszuwählen. Dies geschieht, indem wir die Ausgabe des RC-Modells mit den gegebenen Antworten vergleichen, um sicherzustellen, dass die Antwort genau mit einer der verfügbaren Optionen übereinstimmt.

#Experimente und Ergebnisse

Diese Forschung ist in drei Hauptversuchsabschnitte unterteilt. Der erste überprüft, ob die RC-Modelle Fragen beantworten können, die aus Kinder-Videos abgeleitet wurden. Der zweite bewertet die akademische Qualität von Videos anhand von Fragen aus Lehrbüchern. Der letzte untersucht akademische Themen, die von verschiedenen Channels auf YouTube Kids behandelt werden, und vergleicht ihren Bildungswert.

#Experiment 1: Bewertung von RC-Modellen auf Videodaten

Im ersten Experiment zielen wir darauf ab zu zeigen, dass die RC-Modelle Fragen basierend auf den Informationen in Kinder-Videos effektiv beantworten können. Dies erreichen wir, indem wir mehrere RC-Modelle vergleichen, um herauszufinden, welches am besten abschneidet, wenn es darum geht, Fragen zu klassifizieren, die sich auf die Videodaten beziehen. Dabei bewerten wir, wie gut jedes Modell mit der Videolänge und der Komplexität der Fragen umgeht.

#Experiment 2: Quantifizierung der akademischen Qualität aus Lehrbuchfragen

Die zweite Reihe von Tests konzentriert sich auf die Quantifizierung der akademischen Qualität der Videos mithilfe von Fragen aus Lehrbüchern als Messwerkzeug. Dazu verwenden wir unsere Retrieval-Modelle, um Videos auszuwählen, die den Themen entsprechen, gefolgt von der Verwendung der RC-Modelle, um Fragen zu diesen Themen zu beantworten.

#Experiment 3: Channel-Vergleich

Schliesslich vergleicht das dritte Experiment verschiedene Channels, um herauszufinden, welche eine höhere akademische Qualität in ihren Videos bieten. Wir analysieren die von den Videos gegebenen Antworten im Vergleich zu den gestellten Fragen, um zu bestimmen, wie gut jeder Channel akademisch abschneidet.

#Ergebnisse und Diskussion

Nach Durchführung der Experimente beobachten wir einige interessante Ergebnisse. Das am besten abschneidende Modell zur Beantwortung von Video-Fragen ist der Longformer, der eine höhere Effektivität bei längeren Video-Transkripten zeigt. Im zweiten Experiment konnten die besten Channels über 78% der Fragen aus Lehrbüchern genau beantworten.

Während einige Channels recht gut abschnitten, waren andere nicht so effektiv, was darauf hinweist, dass viele verfügbare Inhalte nicht den Bildungsstandards entsprechen. Das hebt die Notwendigkeit hervor, die Arten von Videos, die unter Kindern populär werden, genauer zu betrachten.

#Fazit

Diese Forschung zeigt einen neuen Weg zur Bewertung der Bildungsqualität von Kinder-Videos mithilfe automatisierter Prozesse. Durch die Verwendung von Benchmarks, die aus Kinder-Lehrbüchern abgeleitet sind, präsentieren wir eine Methode, um die akademische Qualität von Videos effektiv zu bewerten. Unsere Ergebnisse deuten darauf hin, dass während viele Videos auf YouTube Kids Bildungswert haben, ein erheblicher Teil immer noch die notwendige Tiefe für sinnvolles Lernen vermissen lässt.

Diese Arbeit kann dazu beitragen, die Inhaltselektion für Kinder-Plattformen zu verbessern und die laufenden Bemühungen zu unterstützen, die Qualität der online verfügbaren Bildungsressourcen für Kinder zu erhöhen. Da Kinder zunehmend auf Video-Inhalte zum Lernen zurückgreifen, ist es wichtig sicherzustellen, dass das Material, das sie konsumieren, ihr Wachstum und ihre Entwicklung fördert.