# 检查缺失的 TikTok 字幕如何改变你的研究样本

先审计全部已选视频，再在明确写出的缺失结果假设下展示结果可能变化的幅度。如果字幕是否可得与内容或样本分组有关，缺失字幕可能改变内容研究的结果。返回的成功子集不能证明缺失是随机的。

actor 是托管的数据采集程序，task 是已保存的输入预设。二元编码为每条视频赋值 0 或 1。

## 工具限制与原生字段

TikTok Transcript 当前公开构建 0.1.36 接受 startUrls，其中可包含 1 到 100 个已知的公开视频 URL、短链接或数字视频 ID。它不搜索主页、关键词或声音页面。preferredLanguages 按优先顺序选择已有的公开轨道，空列表则使用第一条公开轨道。它不翻译、不转写尚未采集的音频、不收集评论，也不推断内容编码。

数据集中每一行代表一条已提交的输入，包括不计费的状态结果。确切字段包括 inputIndex、inputUrl、videoId、videoUrl、authorHandle、durationSeconds、languageCode、text、含 startSeconds、endSeconds 与 text 的 segments、status、statusReason、isBillable 以及 scrapedAt。把视频 ID 保留为字符串。字幕语言可能使用地区值，例如 eng-US。失败状态下的 null 或空转写，并不能证明该视频没有语音。

状态包括 succeeded、no_public_captions、language_unavailable、duplicate_input、not_tiktok、invalid_input、unsupported_url、video_unavailable、not_public、blocked_or_challenged，以及提取失败或字幕失败。成功要求 text 非空。isBillable 为 true 表示一次成功的原生转写结果事件，但其他行仍然是证据。平台使用量与结果事件是分开的，因此不要把整次运行称为免费。OUTPUT 字段 inputsReceived、resultRows、billableTranscriptRows、nonBillableResultRows、duplicateVideosSkipped 与 statusCounts 是运行记账，不是样本代表性。

当前的单视频英语对照已成功：视频 ID 恰好是所请求的 ID，text 非空，并且有十二条 segments，其时间结构符合已核对的形式。这只证明该来源上存在一条公开字幕路径，不能证明全部视频都如此、转写与实际说出的词完全一致，或编码效度。把整个样本列表替换为一条预定的已知视频。仅在英语研究中把 preferredLanguages 设为 `["en"]`，否则留空以使用第一条公开轨道。

## 为缺失数据划定界限的八个步骤

1. 从[选定视频台账](/zh-Hans/articles/%E5%87%86%E5%A4%87tiktok%E5%AD%97%E5%B9%95%E6%95%B0%E6%8D%AE%E7%94%A8%E4%BA%8E%E5%86%85%E5%AE%B9%E5%88%86%E6%9E%90/)开始，包含每一条预定的已知视频。对已知视频 ID 去重，但不要丢弃输入结果的证据。计算之前声明目标总体，并为每条视频声明一个二元内容编码。
2. 保持这些结果彼此区分：已验证的合格字幕、字幕不存在、所请求的语言不可用、暂时性失败或来源访问失败、不支持的输入、重复，以及验证未解决。来源失败并不是该视频没有字幕的证据。按已声明的规则排除确实无效或超出范围的输入；不要把它们混入范围内的缺失结果。
3. 把 N 定义为合格的已选不重复视频数，K 定义为其中已有经核实编码结果的视频数，P 定义为经核实的正编码数，M 定义为合格的未知结果数，等于 N 减 K。核对这些数字。把失败或空字幕当作未知编码，而不是负编码。验证错误也可以使结果成为未知。
4. 仅当 K 大于 0 时，报告观察到的成功子集分数，即 P 除以 K。并按此标注。仅当 N 大于 0 时，报告缺失分数，即 M 除以 N。这是不同的分母。如果没有任何结果经过核实，不要除以 0，也不要提出关于内容的主张。
5. 为选定的合格样本计算不预设缺失机制的二元界限：下限 P/N 假设每个未知都是编码 0，上限 (P+M)/N 假设每个未知都是编码 1。说明这些是这个选定样本的逻辑范围，不是置信区间、某一结果或主张为真的概率，也不是对全部 TikTok 的估计。置信区间在某一模型下描述抽样不确定性；这个区间描述的是未知结果。
6. 对于计划中的组间比较，用同一方法为每一组分别计算各自的台账计数和界限。如果范围重叠，缺失结果可能颠倒或消除表面上的次序；仅有重叠并不是统计显著性检验。记录在所有允许赋值下仍然成立的主张，并与依赖假设才成立的主张分开。
7. 如果这些来源属性已知，按已声明的语言、创作者或时期检查可得性。差异是描述性信号，不是某种机制的证明。在范围受到限定的流程下修正无效输入，并检查来源失败。不要在未改变并记录测量方法的情况下，用翻译文本或生成文本替换不可得的视频内容。
8. 在得到支持的范围内陈述研究结论。如果界限对这项研究决策来说过宽，应寻求已验证的结果，或收窄问题。不要只选取容易成功取得字幕的视频，从而在不加说明的情况下扩大数据集。

## 原创虚构演算示例

下面所有示例都使用原创虚构数据，并非来自真实的 TikTok 来源。

一项虚构研究选定二十条合格的不重复视频。十二条有已验证的编码结果，其中七条为正。八条结果因彼此不同的字幕、访问或验证原因仍为未知。

观察到的分数是 7/12=58.3%。缺失分数是 8/20=40%。选定样本界限是 7/20=35% 与 (7+8)/20=75%。因此，35% 到 75% 是未知结果可任意取值时的逻辑编码比例范围，不是估计出来的准确度区间。不要把 58.3% 报告为已核实的整个选定样本比例。

### 虚构台账与分组界限

| 组别 | 选定 N | 已知 K | 正例 P | 未知 M | 已知分数 | 下限 | 上限 |
| --- | --- | --- | --- | --- | --- | --- | --- |
| 组 A | 10 | 8 | 5 | 2 | 62.5% | 50% | 70% |
| 组 B | 10 | 4 | 2 | 6 | 50.0% | 20% | 80% |
| 合计 | 20 | 12 | 7 | 8 | 58.3% | 35% | 75% |

只根据已知结果得出的“组 A 大于组 B”这一次序并不稳健。把组 A 的未知结果赋为负、组 B 的未知结果赋为正，得到 50% 对 80%。相反的赋值得到 70% 对 20%。核对组 A 加组 B：选定二十、已知十二、正例七、未知八。

### 缺失原因台账

| 组别 | 原生状态 | 人工验证 | 合格样本成员身份 | 未知数量 |
| --- | --- | --- | --- | --- |
| A | no_public_captions | 未知 | 合格 | 1 |
| A | blocked_or_challenged | 未知 | 合格 | 1 |
| B | no_public_captions | 未知 | 合格 | 2 |
| B | language_unavailable | 未知 | 合格 | 2 |
| B | blocked_or_challenged | 未知 | 合格 | 1 |
| B | succeeded | 验证未解决 | 合格 | 1 |

无效或超出范围的输入以及重复观察位于合格且不重复的 N 之外，并不是额外的未知视频。

## 下一步

开始数据分析时，用 [TikTok Transcript Scraper](https://apify.com/chronometrica/tiktok-transcript-scraper) actor 和 [Batch TikTok Transcript Extraction](https://apify.com/chronometrica/tiktok-transcript-scraper/examples/batch-tiktok-transcript-extraction) task 审计你的选定视频台账，在进行任何组间比较之前核对 N、K、P 和 M。

## 来源和延伸阅读

- [CompSocial 上关于 TikTok 转写抓取的 Reddit 讨论](https://www.reddit.com/r/CompSocial/comments/1h1zijh/help_needed_scraping_tiktok_video_transcripts_for/)