YTCommentQA：教学视频中的视频问答可回答性

教学视频为各种任务提供了详细的操作指南，观众经常就内容提出问题。解决这些问题对于理解内容至关重要，但获得即时回答却很困难。虽然已经为视频问答(Video QA)任务开发了许多计算模型，但它们主要基于视频内容生成的问题进行训练，旨在从内容中产生答案。然而，在现实场景中，用户可能会提出超出视频信息范围的问题，这凸显了判断视频能否提供答案的必要性。由于视频的多模态特性，即视觉和语言信息相互交织，辨别一个问题能否被视频内容回答具有挑战性。为了弥补这一差距，我们提出了YTCommentQA数据集，该数据集包含从YouTube自然生成的问题，并根据其可回答性以及回答问题所需的模态——视觉、脚本或两者兼有——进行分类。可回答性分类任务的实验证明了YTCommentQA的复杂性，并强调了理解视觉和脚本信息在视频推理中共同作用的必要性。该数据集可在https://github.com/lgresearch/YTCommentQA获取。