评论生成系统拿点赞数来训练，仿佛点赞数衡量的是评论本身。它衡量的主要是评论什么时候到达。两个大型公开YouTube评论语料库YT-30M和YTCommentVerse记录了点赞数，却没有时间戳，所以用公开数据无法核实这一点。这个语料库用三种语言补上了缺失的字段，还加入了一个面板，观察新视频上的热门评论如何形成。数据集在Hugging Face上，采用CC BY 4.0许可。有两篇文章用通俗的语言介绍它：第一版的结果和面板。

摘要

公开的YouTube评论语料库带有点赞数，却没有每条评论的发布时间。在没有时间戳的情况下读点赞数，就把评论说了什么和它何时到达混在了一起；用这些语料库训练的模型拟合的是先发优势，却没有任何办法看见它。

这个语料库记录了缺失的部分，如今有两种规模、三种语言。批量语料库收录了来自311个英语、日语和中文频道、6,218个完整枚举的视频的7,152,754条顶层评论，每条都带有发布时间、抓取时间，以及YouTube的排序给它的位置。面板在21天里每天两次跟踪500个新视频，每次都保存排好序的第一页：共抓取页面20,454次，得到1,462,289行排序记录。第一版的1,345,353条英语评论快照保留不变。

决定评论点赞排序的因素在三种语言中都得到复现：在高于随机的排序能力中，曝光解释了86–95%（第一版，英语：83.5%）；只用文本时，除了中文在预注册的编码器上达到0.602，其余各处的AUC都低于0.60。

面板在第二次观测之前就做了预注册，它显示了哪些评论在何时进入前列。第7天前20条评论中，84%是在视频上传后一天内发布的。此后页面仍在变动：锁定时间的中位数是76小时，而预测的上限是72小时；从第4天到第21天，相隔半天的两次观测，前10条的重合度一直保持在0.80左右。

面板还检验了第一版当作事实陈述的反馈循环。按每小时计算，一条评论排在第1–10位时获得的点赞，是排在第51位及以后时的1.85倍（CI 0.96–3.22），低于预测的3倍，而单条评论自身比值的中位数是0.90。八项预注册预测中，有三项按原文成立。

数据

分为三部分，都在Hugging Face上，附有记录行数和文件哈希的清单：

部分 内容 视频 频道
批量语料库 7,152,754条顶层评论：英语542万条，日语113万条，中文606,046条 6,218 311
面板 每天两次抓取第一页、持续到第21天，共抓取20,454次，得到1,462,289行排序记录 500  
第一版快照 1,345,353条英语评论 633 34

每个视频都完整枚举，因为commentThreads.list按从新到旧的顺序返回，任何页数上限都会丢掉最早的评论，而这些正是曝光最高的评论。作者频道ID是加盐哈希；数据集卡片明确说明，这是假名化而非匿名化，因为评论文本仍然公开、可以搜索。

点赞的偏斜程度取决于语言。在批量语料库的英语评论中，78.5%没有点赞，前1%的评论占了全部点赞的92.4%；日语的对应数字是44.1%和60.6%。任何对原始点赞数取平均的汇总，都会在存在巨大效应的地方报告没有效应。

采集程序、附有注明日期的修订的预注册计划、分析代码和论文源码都在GitHub的v2分支上，采用MIT许可。论文第一版（2026年8月）仍可查阅；第二版列出了改了什么以及为什么改。

引用

@misc{liou2026commentexposure,
  title  = {YouTube Comment Exposure: Timestamped Comments and a 21-Day Panel of the Ranking},
  author = {Liou, Brian H.},
  year   = {2026},
  note   = {Version 2.1. https://brianhliou.com/publications/youtube-comment-exposure/}
}