Constituer un corpus de transcriptions YouTube à partir des résultats de recherche

Configuration de la collecte

Vous utilisez YouTube Search Actor pour trouver des vidéos et YouTube Transcript Actor pour obtenir les sous-titres. La Task publique YouTube Video URLs for Transcript Workflows propose une configuration par défaut avec 2 requêtes génériques, `maxResults: 100`, `resultsPerQuery: 50`, `maxPagesPerQuery: 1`, `searchDistribution: "balanced"`, `includeShorts: true`, `enableQueryExpansion: false`, `enrichWithVideoMetrics: false`, `enrichMissingChannelFields: true` et `maxChannelEnrichmentRequests: 100`.

Pour votre vérification pilote, modifiez les paramètres d’entrée pour utiliser 1 requête pertinente, `maxResults: 2`, `resultsPerQuery: 2`, `maxPagesPerQuery: 1`, et désactivez l’enrichissement facultatif des informations sur les chaînes (`enrichMissingChannelFields: false`), l’expansion des requêtes et les métriques. Le paramètre `maxResults` s’applique à l’ensemble de l’exécution, tandis que `resultsPerQuery` fixe une limite pour chaque recherche distincte.

La sortie de recherche renvoie les champs exacts suivants : `rootQuery`, `query`, `querySource`, `postId`, `postUrl`, `postType`, `isShort`, `title`, `description`, `channelId`, `channelUrl`, `publishedAt`, `status`, `statusReason` et `observedAt`. Les dates de publication inconnues restent inconnues ; n’inventez pas de dates à partir de la position des résultats de recherche. Un essai de contrôle vérifié portant sur 2 vidéos candidates s’arrête parce qu’il atteint `max_items_reached`, et non parce qu’il couvre l’ensemble du sujet.

Pour collecter les sous-titres, transmettez les URL directes des vidéos à l’Actor de transcription dans `startUrls`. Définissez votre politique `preferredLanguages`, choisissez `outputFormats=["json"]` et définissez `includeFailedInputDetails=true` lorsque les détails des échecs sont nécessaires. La sortie renvoie les clés exactes suivantes : `videoId`, `videoUrl`, `transcriptLanguageCode`, `isAutoGenerated`, `segments`, `status` et `scrapedAt`, ainsi que les échecs liés aux entrées dans OUTPUT. Pour 1 URL découverte, transmise à l’identique à l’Actor de transcription, la correspondance du `videoId`, de l’identité de la piste de sous-titres manuels en anglais, de sa langue et de ses repères temporels a été vérifiée. Cette vérification de la chaîne de traitement se limite à 1 vidéo ; elle ne mesure pas la disponibilité des sous-titres pour l’ensemble du sujet. La collecte des sous-titres porte uniquement sur les pistes accessibles publiquement ; elle ne génère pas de contenu audio et ne traduit pas les pistes indisponibles. Une vidéo traitée avec succès produit 1 ligne dans le jeu de données, mais chaque entrée sélectionnée doit tout de même avoir une issue consignée dans le registre.

Méthode en 8 actions

1. Définir les règles de recherche : consignez vos questions de recherche, votre politique linguistique, votre politique de pertinence des dates et vos règles d’inclusion ou d’exclusion avant de lancer la recherche. Déterminez ce qu’une vidéo doit expliquer pour être utile. N’utilisez pas le nombre de vues comme substitut à la pertinence.
2. Exécuter un petit ensemble de requêtes : créez un petit ensemble de requêtes qui couvre différentes parties de la question. Commencez avec 1 requête et 2 vidéos candidates. Enregistrez vos paramètres d’entrée, la date et l’heure d’observation, les limites et la sortie. Laissez l’expansion des requêtes désactivée tant que son utilité et son fonctionnement n’ont pas été vérifiés.
3. Sélectionner les sources après examen : examinez les titres, les descriptions et la vidéo source accessible avant de faire votre sélection. Indiquez pour chaque vidéo si elle est sélectionnée, exclue ou en attente, et précisez le motif. Un titre seul ne prouve pas que la vidéo traite réellement votre question. Les dates de publication manquantes restent inconnues ; ne qualifiez pas une vidéo de récente en vous fondant uniquement sur son classement.
4. Normaliser l’identification des vidéos : normalisez vos données à partir de l’identifiant exact de chaque vidéo et conservez les éléments qui documentent les requêtes et les sources. Les apparitions répétées d’une vidéo dans les résultats de recherche ne constituent pas plusieurs vidéos distinctes. Conservez des identifiants de source distincts pour les différents montages ou mises en ligne, sauf si une règle justifiée de l’étude prévoit de les regrouper.
5. Collecter les sous-titres par lots : transmettez à l’Actor de transcription un petit lot d’URL directes des vidéos sélectionnées. Conservez la politique linguistique choisie et vérifiez les échecs signalés en sortie. La collecte des sous-titres porte sur les pistes accessibles publiquement ; elle ne génère pas de contenu audio et ne traduit pas les pistes indisponibles.
6. Créer un registre de suivi des sous-titres : créez un registre qui couvre chaque vidéo sélectionnée. Consignez l’identifiant sélectionné, la source de découverte, le statut, l’identité du résultat de collecte des sous-titres, la langue, l’horodatage des sous-titres, la catégorie d’échec ou le motif de mise en attente. À partir de la sortie, classez chaque identifiant sélectionné dans l’une des catégories suivantes : réussite, échec, tentative non effectuée ou résultat non résolu. Le seul nombre de lignes réussies dans le jeu de données masque les entrées qui n’ont produit aucune ligne.
7. Examiner la qualité et la couverture : examinez la qualité des pistes et des sources pour votre étude. Conservez avec les sous-titres leur langue et leur caractère automatique ou manuel. Déterminez si les vidéos indisponibles ou sans correspondance peuvent être exclues sans modifier votre question de recherche. Signalez cette limite de sélection au lieu de supprimer des vidéos sans le mentionner.
8. Fournir les livrables finaux : fournissez votre tableau de sélection des vidéos, votre registre de suivi des sous-titres et la définition de l’ensemble des sources incluses. Appliquez les méthodes d’analyse en aval uniquement après cette étape. Cet ensemble limité ne permet d’affirmer ni qu’il représente une population, ni qu’il existe une demande pour le sujet, ni qu’il couvre une chaîne de manière exhaustive.

Exemple détaillé de constitution d’un corpus fictif

Tous les identifiants, textes, sources et états de cet exemple sont inventés. Les résultats de 2 requêtes produisent 8 apparitions de vidéos candidates, correspondant à 6 identifiants vidéo uniques. La requête 1 trouve les vidéos V1, V2, V3 et V4. La requête 2 trouve les vidéos V2, V4, V5 et V6. Ramenez ces 8 apparitions à 6 identifiants uniques. Pour V2 et V4, conservez les 2 requêtes d’origine dans des notes destinées au lecteur.

Lors de l’examen des critères d’inclusion, sélectionnez V1, V2, V4 et V5 parce qu’elles traitent explicitement la question. Excluez V3, car il s’agit uniquement d’une publicité. Laissez V6 en attente, car son contenu et son contexte temporel ne sont pas vérifiés. Les 4 vidéos sélectionnées passent à l’étape de collecte des sous-titres.

Les résultats de collecte des sous-titres indiquent une réussite pour V1 avec une piste manuelle en anglais, une réussite pour V2 avec une piste automatique en anglais, un échec classé dans la catégorie « langue indisponible » pour V4 et un échec d’accès à la source pour V5. Le jeu de données de sous-titres contient 2 lignes de réussite, tandis que le registre couvre les 4 identifiants sélectionnés. Sur les 4 vidéos sélectionnées, 2 collectes ont réussi et 2 ont échoué. V6 était en attente de sélection : elle ne constitue donc pas une entrée de collecte de sous-titres en échec, puisqu’elle n’a jamais été sélectionnée et qu’aucune tentative n’a été effectuée.

Le corpus final de sources contient V1 et V2, en conservant la distinction entre sous-titres manuels et automatiques. Il répond uniquement aux parties de la question étayées par ces vidéos. Les questions traitées uniquement par V4 et V5 restent sans réponse ou nécessitent de rechercher d’autres sources admissibles. Ne considérez pas ce résultat comme une mesure de l’exactitude des mots, de la couverture en sous-titres de toutes les vidéos du domaine ou du taux de disponibilité publique. Il s’agit simplement du nombre de réussites parmi les entrées sélectionnées dans cet exemple fictif.

Le premier tableau présente les 6 lignes de sélection des vidéos uniques.

Le deuxième tableau présente les 4 lignes du registre des tentatives de collecte des sous-titres.

Le troisième tableau présente les 2 entrées de sources de sous-titres incluses.