留言生成系統拿按讚數來訓練，彷彿按讚數衡量的是留言本身。它衡量的主要是留言什麼時候出現。兩個大型公開YouTube留言語料庫YT-30M和YTCommentVerse記錄了按讚數，卻沒有時間戳記，所以用公開資料無法查證這一點。這個語料庫用三種語言補上缺少的欄位，還加入一個面板，觀察新影片上的熱門留言如何形成。資料集在Hugging Face上，採用CC BY 4.0授權。有兩篇文章用淺白的方式介紹它：第一版的結果和面板。

摘要

公開的YouTube留言語料庫帶有按讚數，卻沒有每則留言的發布時間。在沒有時間戳記的情況下讀按讚數，就把留言說了什麼和它何時出現混在一起；用這些語料庫訓練的模型擬合的是先發優勢，卻沒有任何辦法看見它。

這個語料庫記錄了缺少的部分，如今有兩種規模、三種語言。批次語料庫收錄來自311個英語、日語和中文頻道、6,218部完整枚舉的影片的7,152,754則頂層留言，每則都附有發布時間、擷取時間，以及YouTube的排序給它的位置。面板在21天裡每天兩次追蹤500部新影片，每次都保存排序後的第一頁：共擷取頁面20,454次，得到1,462,289列排序紀錄。第一版的1,345,353則英語留言快照保留不變。

決定留言按讚排序的因素在三種語言中都得到重現：在高於隨機的排序能力中，曝光解釋了86–95%（第一版，英語：83.5%）；只用文字時，除了中文在預先註冊的編碼器上達到0.602，其餘各處的AUC都低於0.60。

面板在第二次觀測之前就做了預先註冊，它顯示了哪些留言在何時進入前列。第7天前20則留言中，84%是在影片上傳後一天內發布的。此後頁面仍在變動：鎖定時間的中位數是76小時，而預測的上限是72小時；從第4天到第21天，相隔半天的兩次觀測，前10則的重合度一直維持在0.80左右。

面板也檢驗了第一版當作事實陳述的回饋循環。以每小時計算，一則留言排在第1–10名時得到的讚，是排在第51名以後時的1.85倍（CI 0.96–3.22），低於預測的3倍，而單則留言自身比值的中位數是0.90。八項預先註冊的預測中，有三項照原文成立。

資料

分為三部分，都在Hugging Face上，附有記錄列數和檔案雜湊值的清單：

部分 內容 影片 頻道
批次語料庫 7,152,754則頂層留言：英語542萬則，日語113萬則，中文606,046則 6,218 311
面板 每天兩次擷取第一頁、持續到第21天，共擷取20,454次，得到1,462,289列排序紀錄 500  
第一版快照 1,345,353則英語留言 633 34

每部影片都完整枚舉，因為commentThreads.list由新到舊回傳，任何頁數上限都會漏掉最早的留言，而這些正是曝光最高的留言。作者頻道ID是加鹽雜湊值；資料集說明卡明確指出，這是假名化而非匿名化，因為留言文字仍然公開、可以搜尋。

按讚的偏斜程度取決於語言。在批次語料庫的英語留言中，78.5%沒有任何讚，前1%的留言占了全部按讚的92.4%；日語的對應數字是44.1%和60.6%。任何對原始按讚數取平均的彙總，都會在存在巨大效應的地方回報沒有效應。

收集程式、附有標明日期修訂的預先註冊計畫、分析程式碼和論文原始碼都在GitHub的v2分支上，採用MIT授權。論文第一版（2026年8月）仍可查閱；第二版列出了改了什麼以及為什麼改。

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/}
}