時代感知多模態（ZAM）短影片中促進飲食失調內容的資料集
arXiv - Human-Computer InteractionEden Shaveet, Zefan Sramek, Yumi Hamamoto, Jing Du, Scott Griffiths, Thalia Zhang, Thalia Viranda, William Hornby, Flora Salim, Koji Yatani, Tanzeem Choudhury
提出一套能隨文化趨勢演變、結合文字、影像、音訊的多模態資料集，協助即時偵測短影片中的促進飲食失調訊息。
AI 幫你先抓重點
AI 重點 1
多模態與時代感知是偵測飲食失調訊息的關鍵突破。
滑鼠懸停看 AI 判斷理由
傳統文字導向模型無法捕捉影像、音訊與梗的複合訊號，導致偵測遲滯；ZAM資料集提供多元特徵與即時更新，能大幅提升模型準確度與時效性。
AI 重點 2
持續策展的資料管線可對抗快速演變的網路文化。
滑鼠懸停看 AI 判斷理由
飲食失調相關梗與術語經常在短時間內迭代，靜態資料集易過時；ZAM的動態更新機制確保研究與實務工具始終反映最新文化語境，降低誤判風險。
核心研究發現
- 1
目前的偵測方法多依賴文字訊號，忽略多模態特徵，且無法跟上快速變化的梗與術語。
- 2
提出「時代感知多模態（ZAM）」資料集概念，包含持續更新的標註與符合時代趨勢的納入標準。
- 3
說明資料集核心特性、策展方法與已取得的進展，並示範其可用於即時內容調節。
對教育工作者的啟發
教育工作者與政策制定者可從此研究學到：1) 監測飲食失調訊息時必須結合文字、影像與音訊三種模態，避免單一訊號誤判；2) 建立與時代趨勢同步的資料庫，可讓內容審核系統即時更新，提升偵測準確度；3) 與專家共同標註並持續迭代，可形成高品質參考標準，為自動化工具訓練提供可靠基礎；4) 在課程設計中加入多模態媒體素養教育，協助學生辨識與批判網路中的不良訊息；5) 政策層面可依此資料集制定更具時效性的監管規範，減少飲食失調相關內容對青少年的負面影響。
原始文獻資訊
- 英文標題：
- Zeitgeist-Aware Multimodal (ZAM) Datasets of Pro-Eating Disorder Short-Form Videos: An Idea Worth Researching
- 作者：
- Eden Shaveet, Zefan Sramek, Yumi Hamamoto, Jing Du, Scott Griffiths, Thalia Zhang, Thalia Viranda, William Hornby, Flora Salim, Koji Yatani, Tanzeem Choudhury
- 來源：
- arXiv - Human-Computer Interaction
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。