video-description-oversight

動画説明の監督

動画に関する記述を、もっともらしい文章ではなく、証拠としての品質を備えたメタデータとして扱う必要がある場合に、このスキルを使用します。以下の修正ループを管理します。

source video + specification + pre-caption
  -> evidence-backed critique
  -> revised post-caption
  -> independent acceptance review
  -> versioned triplet and decision record

レビュアーは、メディアについての記述内容を検証します。技術的なファイル整合性、映像アーティファクトの QA、アクセシビリティ対応の字幕、クリエイティブな意図、モデルのポストトレーニングは、別の担当範囲です。

エビデンスの扱い方

• 文書化された事実： ソース動画、承認済みの仕様、または引用された規格・研究によって裏付けられた所見です。
• レビュアーの観察： 動画と説明を比較した、タイムスタンプ付きの記録です。
• 制作上のヒューリスティック： プロジェクトのリスクと人員体制に適合させる必要がある、運用上の品質管理上の選択です。

このワークフローは、Lin et al. による CHAI フレームワークを参考にしています。同フレームワークは、正確な動画キャプションの修正に用いる批評は、正確で、完全で、建設的である場合に最も有用だと報告しています。出典は 2026-07-14 に確認済みです。CHAI の性能数値は、同フレームワークのデータとアノテータープログラムにおける一次研究の結果であり、普遍的に適用されるサービスレベル保証ではありません。

適用条件と範囲

以下の用途に使われる説明には、このスキルを使用します。

• 検索、アーカイブ、編集ログ、または参考資料の分析。
• トレーニング／評価データセット。
• 生成プロンプトへの引き継ぎ。
• 撮影技法を考慮した動画理解。
• 言語の誤りが重大な影響を及ぼす、規制対象のメタデータや高リスクのメタデータ。

以下は別の担当範囲です。

• コーデック、色、音声、解剖学的な内容、アーティファクト、または最終メディアのリリース QA。
• SDH／字幕のタイミングとアクセシビリティへの準拠。
• 望ましいショットやクリエイティブな処理の決定。
• 報酬モデルやキャプションモデルのトレーニング／ファインチューニング。
• プロバイダー固有の動画分析 API 呼び出し。
• 給与計算、労働者の分類、または人員調達。

このワークフローには、説明仕様が必要です。仕様がない場合は、完全性や用語を評価する前に、precise-video-description を使って仕様を定めてください。

入力情報とエビデンスパッケージ

以下を収集します。

• 不変のソースアセット／バージョン、チェックサム、再生時間／タイムベース、権利とプライバシーの分類。
• キャプション作成前のテキスト、作成者／モデル／バージョン、プロンプト／指示、タイムスタンプ、出所情報。
• 承認済みの説明範囲と、5 つの側面に関する要件：Subject、Scene、Motion、Spatial、Camera。
• プロジェクトの用語集／バージョン、参考例、不確実性に関する方針、分野上の制限。
• 対象用途と重大度ポリシー。
• レビュアーの本人情報／仮名 ID、専門知識、言語、キャリブレーション状況、利益相反。
• 以前の批評、修正、異議申し立て、承認済みバージョン（ある場合）。

レビュアーがアクセスできない動画を批評させないでください。テキストのみの「ブラインド批評」では、視覚的な正確性を確認できません。

キャプション作成前のテキストをトリアージする

詳細なレビューの前に、次のいずれかを判断します。

• レビュー可能： 修正に必要な程度には一貫しています。
• 分野の専門家が必要： 医学、科学、文化、言語、または撮影技法の専門性が、レビュアーの能力を超えています。
• ソースの差し替えが必要： 動画が破損している、品質が低すぎる、不完全である、または一致していません。
• 却下して再生成／書き直し： キャプションが無関係であるか、欠陥が深刻で、項目ごとに修正するより新たに草案を作成する方が確実です。
• 保留： 権利、プライバシー、または仕様が不足しています。

理由を記録してください。使用できないソースとキャプションの組み合わせに、無理に批評ワークフローを適用しないでください。

側面と時間ごとにレビューする

直感ではなく、プロジェクトの正確な説明に関する契約に従ってください。

Subject

登場する実体の数、安定した識別子、視認できる属性、ポーズ、関係性、出現／退場、未確認の身元や属性の推測を確認します。

Scene

舞台、時刻／天候を示す証拠、オーバーレイと物理的な物体の区別、トランジション、裏付けのないムード／テーマの主張を確認します。

Motion

動作を表す動詞、動作する主体／対象、時間的な順序、同時に行われる動作、接触、方向、因果関係の過剰な断定を確認します。

Spatial

ショットサイズ、フレーム内の位置、奥行き、重なり／遮蔽、開始時／終了時のフレーミング、被写体基準とフレーム基準の方向を確認します。

カメラ

パンと回転、ズームと移動、角度・高さ・ロール、フォーカスの変化、安定性、再生時の効果、編集上のトランジション、作り上げられた技術設定を確認します。

通常の再生速度と、論点となっているイベントの前後をフレーム単位で確認します。可能な場合、各指摘には位置を示す情報または範囲を限定した時間区間を含めます。

訂正につながる批評を作成する

すべての批評は、互いに独立した次の3つの基準を満たす必要があります。

精度

各指摘は実際に存在し、目視できる証拠または仕様によって裏付けられている必要があります。動画から確認できない、もっともらしい訂正を追加しないでください。

網羅性

合意した範囲内にある、重大な誤りや欠落をすべて取り上げます。網羅性は、文章を最大限に詳しくすることではありません。契約範囲外の些細な詳細は省略してかまいません。

建設性

各指摘では、キャプションをどのように修正するかを示します。置き換える、追加する、削除する、順序を入れ替える、限定表現を加える、または不確実であると明示するといった方法があります。「これは間違いです」だけでは、実用的な訂正になりません。

推奨する指摘の形式：

{
  "aspect": "camera",
  "time_range": ["00:02.100", "00:04.800"],
  "error_type": "incorrect-term",
  "caption_claim": "the camera zooms in",
  "evidence": "foreground/background parallax increases while field of view appears stable",
  "correction": "replace with 'the camera moves forward'",
  "severity": "major",
  "reviewer_id": "reviewer-17",
  "spec_version": "video-language-2.1"
}

これはスキーマの例です。根拠のない確信度スコアを含めてはいけません。観察した証拠と提案する文言は分けてください。

正確なキャプションを扱う

レビューが行われたことを示すために、フィードバックを捏造しないでください。訂正が不要な場合は、次のような明示的なセンチネルを記録します。

The description matches the reviewed source and specification; no edits are required.

「正確」という判定にも、レビュー範囲、アセット／バージョン、レビュアー、日付、用語集／仕様のバージョン、未レビューのレーンを含める必要があります。

作成者／モデルは、承認済みの批評に基づいてキャプションを改訂します。すべてのバージョンを保持し、改訂前のキャプションを上書きしないでください。

第2段階の承認では、次の点を確認します。

1. 有効な批評指摘はすべて反映されましたか？
2. 改訂によって、新たな幻覚、欠落、曖昧さ、または文章上の問題が生じていませんか？
3. 客観性と時間順序は保たれていますか？
4. 用語は承認済みの用語集に準拠していますか？
5. 不確実性と意図的に省略した要素は保たれていますか？
6. 改訂後のキャプションは、宣言された用途およびプライバシー／権利の範囲に適していますか？

高リスクの用途やデータセット用途では、承認するレビュアーは最初のレビュアーとは別の人物にしてください。リスクの低い内部作業では、文書化されたポリシーに従い、適切に調整された抜き取りレビューを使用できます。

重大度と処置

重大度は、文字数ではなく、その後の影響に基づいて定義します。

• Critical： 誤った人物の特定、安全性／規制に関する主張、プライバシー漏えい、重大な誤解を招く出来事、データセットの目標として使用不能な内容、または危害につながる可能性がある根拠のない記述。
• Major： 主体／行動／カメラ／空間関係の誤り、重大な欠落、時間順序の逆転、または意味を変える用語の誤り。
• Minor： 範囲内の局所的な言い回しの問題、または影響の小さい欠落。
• Observation： 承認を妨げない注記または制約。

処置には、accepted、accepted_with_limitations、revise、reject、escalate、blockedを使用できます。

プライバシー、同意、安全性に関する問題や、事実を重大に誤る問題を機械的に免除してはいけません。

ピアレビュー、異議申し立て、調整

正解例を使い、定期的にブラインド調整を実施します。観点別に合意度を記録します。チームが「主体／シーン」では一致していても、「空間／カメラ」ではうまくいかない場合があるためです。

レビュアー間で意見が分かれた場合：

1. 食い違いが証拠、用語、範囲、仕様の曖昧さのどれに起因するかを特定します。
2. 論点となっている時間区間を再生し、用語集の判断ルールを適用します。
3. 解決しない場合は、適切な上級レビュアーまたは分野のレビュアーにエスカレーションします。
4. 判断を記録し、同じ曖昧さが繰り返される場合は、トレーニング資料または仕様を更新します。
5. 元のレビューを消去せず、文書化された異議申し立てを認めます。

一律のカッパ閾値、1日あたりのレビュー件数、報酬体系、専門性の段階を課してはいけません。CHAIは高度な訓練を受けた専門家によるパイプラインを使用していました。コンテンツやレビュアーが異なるチームは、それぞれ検証済みの独自の調整基準を定める必要があります。

バージョン管理された出力とプロヴェナンス

以下を保持します。

• ソースアセットの ID／ハッシュ／バージョン
• 仕様／用語集のバージョン
• キャプション修正前、批評の指摘事項、キャプション修正後
• 作成者／モデル／プロンプト／バージョンとレビュー担当者の ID
• タイムスタンプ、反復回数、ステータス、受け入れ／異議申し立ての判断
• ドメイン、言語、想定用途、権利／プライバシー上の制限
• 未レビューの既知の側面と残存リスク

（キャプション修正前、批評、キャプション修正後）の組み合わせは、価値あるデータセットアセットになる可能性がありますが、制作の許可がモデルのトレーニングへの使用許可を自動的に与えるわけではありません。データシートを作成し、再利用する前に、ソース動画、キャプション、レビュー担当者、派生データの権利を確認してください。

C2PA または署名付き記録はプロヴェナンスの裏付けになりますが、キャプションが真実であることを証明するものではありません。

プライバシー、労働力、ドメイン上の制約

詳細な動画の説明は、身元、位置情報、私的な行動、画面の表示内容、健康／財務情報、または著作権で保護されたストーリーの内容を露呈させる可能性があります。アクセスを最小限にし、レビュー担当者の ID には仮名を使用し、保持／削除のルールを定め、公開出力と非公開のレビュー用メタデータを分離し、エクスポートを監査してください。

レビュー担当者は、ドメインと言語の複雑さに合わせて選定してください。撮影技法の専門知識が、医療や文化に関する専門知識を意味するわけではありません。言語に堪能でも、カメラの動きを見分けられるとは限りません。CHAI の調査結果は、訓練を受けたプロの制作者と、主にプロ向けの動画ドメインから得られたものです。未訓練のクラウドワーカー、多言語の自動翻訳、長尺の映像、または専門分野において、同等の結果が得られると想定しないでください。

品質ダッシュボード

単一の数値を最適化するのではなく、傾向を追跡します。

• 項目ごとの修正と重大度
• 批評の誤検出率
• 第 2 段階のレビューで見つかった見落とし
• 修正の反復回数と却下理由
• 異議申し立て率と根本原因
• 項目およびドメインごとの一致度／キャリブレーション
• ソースモデル／作成者ごとの欠陥パターン
• 仕様の曖昧さと用語集の変更
• 侵襲的な監視を行わないレビュー時間と疲労の指標

批評の件数が多い場合、ソースの品質が低いことと、レビュー担当者が過度に批判的であることのどちらも考えられます。結論を出す前に、根拠を監査してください。

例 1：カメラ用語の修正

これは完全な例であり、必須の定型文ではありません。

ソース： キッチンの 6 秒間のショット。キャプション修正前の主張：「カメラが女性にズームインすると、女性は右をちらりと見る。」

根拠の確認： 背景と前景の視差が変化しており、カメラが前方に移動していることを裏付けています。女性は画面右方向を見ていますが、それが女性自身の右か左かは判断する必要がありません。ピントは女性の目に合ったままです。

批評：「カメラ、00:02.0-00:05.0：視点が移動して視差が変化しており、画角だけが変わっているわけではないため、『ズームインする』を『前方に移動する』に置き換えてください。空間／動き：『画面右方向を見る』は維持し、根拠がないまま被写体自身の右方向に置き換えないでください。残りの被写体とシーンの説明は正確です。」

キャプション修正後：「薄暗いキッチンで、カメラが女性に向かって滑らかに前進する。女性は顔を上げて画面右方向を見つめ、ピントは手前側の目に合ったままだ。」

受け入れ： 第 2 のレビュー担当者が修正を確認し、新たな主張が追加されていないことを確かめ、ソースと仕様の正確なバージョンを記録します。

避けるべき失敗例：「カメラの動きについて、キャプションが間違っています。」裏付けのある置き換え表現がなく、建設的ではありません。

例2：生成されたゲームの説明が不完全な場合

これは完全な例であり、必須の定型文ではありません。

キャプション前：「騎士がレベル内を走り、カメラが追従します。」

**レビュー対象範囲：**データセットのメタデータに関する5つの側面すべて。

指摘事項：

• 被写体：「騎士」は身元を断定しすぎています。目に見える証拠から裏付けられるのは「小さな鎧を着たキャラクター」です。
• シーン：高い位置にあるプラットフォームとスコア表示が抜けています。
• 動き：画面右方向への移動と、カット前に停止する動きを追加します。
• 空間：横からの視点、左側3分の1の位置での静止、画面左方向へ動くプラットフォームを追加します。ワールドとカメラの相対的な移動は不確かなままです。
• カメラ：フレーミングが安定していることから「追従」は妥当と考えられますが、「横方向のトラッキングと一致する」と限定して表現する必要があります。最後に、より近い視点へのハードカットを追加します。

**建設的な批評：**置き換えや追加の内容をそれぞれ提示し、不確実性を保っています。**キャプション後：**ワールドの速度や正確なレンズを断定することなく、5つすべての側面を盛り込んでいます。**判定：**2回目のレビュー後に承認されました。

**避けるべき失敗：**推測に基づくゲームタイトル、キャラクター名、プレイヤーの意図、「躍動感があり刺激的な雰囲気」を追加すること。

出典

2026-07-14確認済み：

• Lin et al., “Building a Precise Video Language with Human-AI Oversight,” CVPR 2026 / arXiv:2604.21718：https://arxiv.org/abs/2604.21718
• CHAI公式プロジェクト、コード、テストデータ、モデルカード：https://linzhiqiu.github.io/papers/chai/ 、https://github.com/chancharikmitra/CHAI 、https://huggingface.co/datasets/chancharikm/CHAI_testset 、https://huggingface.co/chancharikm/CHAI_SFT_model_8b
• Saunders et al., “Self-critiquing models for assisting human evaluators”：https://arxiv.org/abs/2206.05802
• Gebru et al., Datasheets for Datasets：https://doi.org/10.1145/3458723
• C2PA仕様のインデックス：https://spec.c2pa.org/