Vérifiez comment les sous-titres TikTok manquants changent votre échantillon de recherche

Limites de l'outil et champs natifs

TikTok Transcript, version publique actuelle 0.1.36, accepte startUrls avec 1 à 100 URL de vidéos publiques connues, liens courts ou identifiants numériques de vidéo. Il ne recherche pas les profils, les mots-clés ni les pages de son. preferredLanguages sélectionne les pistes publiques existantes dans l'ordre de préférence, tandis qu'une liste vide utilise la première piste publique. Il ne traduit pas, ne transcrit pas l'audio non capturé, ne collecte pas les commentaires et n'infère pas de codes de contenu.

Une ligne du jeu de données représente chaque entrée soumise, y compris les résultats de statut non facturables. Les champs exacts comprennent inputIndex, inputUrl, videoId, videoUrl, authorHandle, durationSeconds, languageCode, text, segments avec startSeconds, endSeconds et text, status, statusReason, isBillable et scrapedAt. Conservez les identifiants de vidéo comme des chaînes. La langue des sous-titres peut utiliser une valeur régionale telle que eng-US. Une transcription null ou vide avec un statut d'échec n'établit pas que la vidéo ne contient aucune parole.

Les statuts comprennent succeeded, no_public_captions, language_unavailable, duplicate_input, not_tiktok, invalid_input, unsupported_url, video_unavailable, not_public, blocked_or_challenged, ainsi que les échecs d'extraction ou de sous-titres. Le succès exige un text non vide. isBillable à la valeur true signifie un événement de résultat de transcription native réussi, mais les autres lignes restent des preuves. L'usage de la plateforme est distinct d'un événement de résultat : n'appelez donc pas l'exécution entière gratuite. Les champs OUTPUT inputsReceived, resultRows, billableTranscriptRows, nonBillableResultRows, duplicateVideosSkipped et statusCounts sont une comptabilité d'exécution, pas une représentativité de l'échantillon.

Le contrôle actuel d'une vidéo en anglais a réussi avec l'identifiant de vidéo exact demandé, un text non vide et 12 segments qui avaient la structure temporelle contrôlée. Cela prouve un chemin de sous-titres publics sur cette source, et non toutes les vidéos, une exactitude parfaite des mots prononcés ou la validité du codage. Remplacez toute votre liste d'échantillon par une seule vidéo connue prévue, réglez preferredLanguages sur `["en"]` seulement pour une étude en anglais, ou laissez-le vide pour la première piste publique.

Huit étapes pour borner les données manquantes

1. Partez du registre des vidéos sélectionnées, y compris chaque vidéo connue prévue. Dédupliquez les identifiants de vidéo connus sans écarter les preuves des résultats d'entrée. Déclarez la population cible et un code de contenu binaire par vidéo avant les calculs.
2. Gardez les résultats distincts : sous-titre éligible validé, sous-titre absent, langue demandée indisponible, échec temporaire ou d'accès à la source, entrée non prise en charge, doublon, et validation non résolue. Un échec de source n'est pas une preuve que la vidéo n'a pas de sous-titres. Excluez les entrées réellement non valides ou hors périmètre selon la règle déclarée ; ne les mélangez pas aux résultats manquants qui restent dans le périmètre.
3. Définissez N comme les vidéos éligibles sélectionnées différentes, chacune comptée une fois, K comme celles qui ont un résultat de code vérifié, P comme les codes positifs vérifiés, et M comme les résultats éligibles inconnus, égaux à N moins K. Rapprochez ces nombres. Traitez un sous-titre en échec ou vide comme un code inconnu, et non comme un code négatif. Les erreurs de validation peuvent aussi rendre des résultats inconnus.
4. Signalez la fraction du sous-ensemble de succès observé, P divisé par K, seulement lorsque K est supérieur à 0. Étiquetez-la comme telle. Signalez la fraction manquante, M divisé par N, seulement lorsque N est supérieur à 0. Ce sont des dénominateurs différents. Si aucun résultat n'est vérifié, ne divisez pas par 0 et ne faites pas d'affirmation sur le contenu.
5. Calculez des bornes binaires sans hypothèse pour l'échantillon éligible sélectionné : la borne inférieure P/N suppose que chaque inconnue a le code 0, et la borne supérieure (P+M)/N suppose que chaque inconnue a le code 1. Indiquez que ce sont des plages logiques pour cet échantillon sélectionné, pas un intervalle de confiance, une probabilité de vérité, ni une estimation pour tout TikTok. Un intervalle de confiance décrit l'incertitude d'échantillonnage sous un modèle ; cet intervalle décrit les résultats inconnus.
6. Pour une comparaison de groupes prévue, calculez le même registre et les mêmes bornes pour chaque groupe. Si les plages se chevauchent, les résultats manquants peuvent inverser ou effacer l'ordre apparent ; le chevauchement seul n'est pas un test de significativité statistique. Notez toute affirmation qui reste valable pour toutes les affectations permises, face à une affirmation qui dépend d'hypothèses.
7. Examinez la disponibilité selon la langue déclarée, le créateur ou la période si ces attributs de source sont connus. Les différences sont des signaux descriptifs, pas la preuve d'un mécanisme. Corrigez les entrées non valides et inspectez les échecs de source dans un processus au périmètre limité. Ne remplacez pas un contenu vidéo indisponible par un texte traduit ou généré sans changer la méthode de mesure et sans la documenter.
8. Énoncez la conclusion de l'étude au périmètre soutenu. Si les bornes sont trop larges pour la décision de recherche, cherchez des résultats validés ou resserrez la question. N'élargissez pas en silence le jeu de données en ne sélectionnant que les succès de sous-titres faciles.

Exemple résolu fictif original

Tous les exemples ci-dessous utilisent des données fictives originales et ne viennent pas d'une source TikTok réelle.

Une étude fictive sélectionne 20 vidéos éligibles différentes, chacune comptée une fois. 12 ont des résultats de code validés, dont 7 sont positifs. 8 résultats restent inconnus pour des raisons distinctes de sous-titres, d'accès ou de validation.

La fraction observée est 7/12=58,3 %. La fraction manquante est 8/20=40 %. Les bornes de l'échantillon sélectionné sont 7/20=35 % et (7+8)/20=75 %. Ainsi, 35 pour cent à 75 pour cent est la plage logique de proportion du code sous des résultats inconnus arbitraires, et non un intervalle d'exactitude estimée. Ne signalez pas 58,3 pour cent comme la proportion vérifiée de tout l'échantillon sélectionné.

Registre fictif et bornes par groupe

L'ordre fondé seulement sur les connus, où le groupe A est supérieur au groupe B, n'est pas robuste. Affectez les inconnues du groupe A comme négatives et les inconnues du groupe B comme positives pour obtenir 50 pour cent contre 80 pour cent. L'affectation opposée donne 70 pour cent contre 20 pour cent. Rapprochez le groupe A plus le groupe B : 20 sélectionnées, 12 connues, 7 positives, 8 inconnues.

Registre des raisons pour lesquelles des résultats restent inconnus

Les entrées non valides ou hors périmètre et les observations en double sont hors du N éligible de vidéos comptées une seule fois, et non des vidéos inconnues supplémentaires.