论文发现没有一种输入表征始终最优，需按构念与估计量验证。
资讯摘要
论文提出“表征效度”概念，考察文本、音频、视频及组合输入如何影响基于多模态大语言模型的视频测量。作者比较六个开放权重 MLLM 与三个带人工标注的视频数据集，发现没有一种输入表征始终最优：在七项新闻相关构念上，原生视频的宏平均 F1 为 .70–.77，提取文本为 .52–.80，三个模型用文本更好、三个用视频更好，组合输入很少带来提升。
要点速读
- 论文比较六个开放权重 MLLM 和三个带人工标注的视频数据集，考察文本、音频、视频及组合输入对测量的影响。
- 七项新闻相关构念上，原生视频宏平均 F1 为 .70–.77，提取文本为 .52–.80；三个模型文本更优、三个视频更优，组合输入很少提升。
- 分类准确率更高并不保证估计更接近人工编码：最高 F1 表征仅在 42 组比较中的 17 组最好地复现人工编码回归系数；即使各模型采用最高 F1 的可部署表征，仍有 45% 的样本流行度估计与人工基准相差超过十个百分点。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。