Compruebe cómo los subtítulos faltantes de TikTok cambian su muestra de investigación

Límites de la herramienta y campos nativos

La compilación pública actual 0.1.36 de TikTok Transcript acepta startUrls con 1 a 100 URL de videos públicos conocidos, enlaces cortos o ID numéricos de video. No busca perfiles, palabras clave ni páginas de sonido. preferredLanguages selecciona pistas públicas existentes en orden de preferencia, y una lista vacía usa la primera pista pública. No traduce, no transcribe audio no capturado, no recoge comentarios ni infiere códigos de contenido.

Una fila del conjunto de datos representa cada entrada enviada, incluidos los resultados de estado no facturables. Los campos exactos incluyen inputIndex, inputUrl, videoId, videoUrl, authorHandle, durationSeconds, languageCode, text, segments con startSeconds, endSeconds y text, status, statusReason, isBillable y scrapedAt. Conserve los ID de video como cadenas. El idioma de los subtítulos puede usar un valor regional como eng-US. Una transcripción nula o vacía con un estado de fallo no es silencio hablado.

Los estados incluyen succeeded, no_public_captions, language_unavailable, duplicate_input, not_tiktok, invalid_input, unsupported_url, video_unavailable, not_public, blocked_or_challenged, y fallos de extracción o de subtítulos. El éxito exige texto no vacío. isBillable true significa un evento de resultado de transcripción nativa exitosa, pero las otras filas siguen siendo evidencia. El uso de la plataforma es distinto de un evento de resultado, así que no llame gratuita a toda la ejecución. Los campos de OUTPUT inputsReceived, resultRows, billableTranscriptRows, nonBillableResultRows, duplicateVideosSkipped y statusCounts son la contabilidad de la ejecución, no la representatividad de la muestra.

El control actual en inglés de un solo video tuvo éxito con el ID de video solicitado exacto, texto no vacío y doce segmentos con la estructura de tiempos comprobada. Esto prueba una ruta de subtítulos públicos en esa fuente, no en todos los videos, ni una exactitud perfecta de las palabras habladas, ni la validez de la codificación. Reemplace toda su lista de muestra por un video conocido previsto, establezca preferredLanguages en `["en"]` solo para un estudio en inglés, o déjelo vacío para la primera pista pública.

Ocho pasos para acotar los datos faltantes

1. Parta del registro de videos seleccionados, incluido cada video conocido previsto. Elimine los ID de video conocidos duplicados sin descartar la evidencia de resultados de las entradas. Declare la población objetivo y un código binario de contenido por video antes de los cálculos.
2. Mantenga distintos los resultados: subtítulo elegible validado, subtítulo ausente, idioma solicitado no disponible, fallo temporal o de acceso a la fuente, entrada no admitida, duplicado y validación no resuelta. Un fallo de la fuente no es evidencia de que el video no tenga subtítulos. Excluya las entradas realmente no válidas o fuera de alcance según la regla declarada; no las mezcle con resultados faltantes que están dentro del alcance.
3. Defina N como los videos únicos elegibles seleccionados, K como aquellos con un resultado de código verificado, P como los códigos positivos verificados y M como los resultados desconocidos elegibles, iguales a N menos K. Concilie estos números. Trate un subtítulo fallido o vacío como un código desconocido, no como un negativo. Los errores de validación también pueden hacer desconocidos los resultados.
4. Informe la fracción del subconjunto de éxitos observado, P dividido por K, solo cuando K es mayor que cero. Etiquétela como tal. Informe la fracción faltante, M dividido por N, solo cuando N es mayor que cero. Estos son denominadores distintos. Si no hay resultados verificados, no divida por cero ni haga una afirmación de contenido.
5. Calcule límites binarios sin supuestos para la muestra elegible seleccionada: el inferior P/N supone que cada desconocido es código cero, y el superior (P+M)/N supone que cada desconocido es código uno. Declare que estos son rangos lógicos para esta muestra seleccionada, no un intervalo de confianza, una probabilidad de verdad ni una estimación de todo TikTok. Un intervalo de confianza describe la incertidumbre de muestreo bajo un modelo; este intervalo describe resultados desconocidos.
6. Para una comparación de grupos planificada, calcule el mismo registro y los mismos límites para cada grupo. Si los rangos se superponen, los resultados faltantes pueden invertir o borrar el orden aparente; la superposición por sí sola no es una prueba de significación estadística. Registre toda afirmación que se mantiene en todas las asignaciones permitidas frente a una que depende de supuestos.
7. Investigue la disponibilidad por idioma declarado, creador o período si se conocen esos atributos de la fuente. Las diferencias son señales descriptivas, no prueba de un mecanismo. Corrija las entradas no válidas e inspeccione los fallos de la fuente bajo un proceso acotado. No reemplace el contenido de video no disponible por texto traducido o generado sin cambiar y documentar el método de medición.
8. Declare la conclusión del estudio en el alcance respaldado. Si los límites son demasiado amplios para la decisión de investigación, busque resultados validados o acote la pregunta. No amplíe en silencio el conjunto de datos al seleccionar solo los éxitos fáciles de subtítulos.

Ejemplo resuelto ficticio original

Todos los ejemplos de abajo usan datos ficticios originales y no provienen de una fuente real de TikTok.

Un estudio ficticio selecciona veinte videos únicos elegibles. Doce tienen resultados de código validados, de los cuales siete son positivos. Ocho resultados siguen desconocidos por razones distintas, relacionadas con los subtítulos, el acceso o la validación.

La fracción observada es 7/12=58.3%. La fracción faltante es 8/20=40%. Los límites de la muestra seleccionada son 7/20=35% y (7+8)/20=75%. Así, de 35 por ciento a 75 por ciento es el rango lógico de la proporción del código bajo resultados desconocidos arbitrarios, no un intervalo estimado de exactitud. No informe 58.3 por ciento como la proporción verificada de toda la muestra seleccionada.

Registro ficticio y límites por grupo

El orden solo con conocidos, en el que el Grupo A es mayor que el Grupo B, no es robusto. Asigne negativos a los desconocidos del Grupo A y positivos a los desconocidos del Grupo B para obtener 50 por ciento frente a 80 por ciento. La asignación opuesta da 70 por ciento frente a 20 por ciento. Concilie el Grupo A más el Grupo B: veinte seleccionados, doce conocidos, siete positivos, ocho desconocidos.

Registro de razones de ausencia

Las entradas no válidas o fuera de alcance y las observaciones duplicadas quedan fuera de N único elegible; no son videos desconocidos extra.