SEMINARIO DE INVESTIGACIÓN APLICADA II 2022-01

PLANTILLA N° 07_
ANÁLISIS DEL ARTICULO CIENTIFICO_ ESTADO DEL ARTE

Títle of paper: The relative importance of click-through rates (CTR) versus watch time for
YouTube views / La importancia relativa de las tasas de clics (CTR) versus el tiempo de
reproducción para las vistas de YouTube.
Author: Linus T. Wilson
Journal: International Journal of Pervasive Computing and Communications
Fecha de publicación: 2022 Nivel del Quartil: Q2
Tipo de documento: Artículo científico
En el ARTICULO ORIGINAL se encuentra en la INTRODUCCION (máximo ½
hoja) (el item 01, 02 y 03)
1) Problema que el autor del artículo científico desea resolver
Actualmente, los objetivos y las métricas más importantes del algoritmo de recomendación de
videos de YouTube son poco conocidos Un grupo de ingenieros de Google pareció indicar en
Covington et al. (2016) que la red neuronal de caja negra maximiza tiempo de visualización
esperado por impresión en las recomendaciones de clasificación. Sin embargo, hay poca
evidencia de que alguien que no trabaje para Google o YouTube haya probado eso.

2) Importancia del problema

Las vistas de video en YouTube son un gran negocio. Los creadores de videos
monetizados en YouTube recaudaron una división del 55 % de los ingresos publicitarios
publicados en YouTube en 2018. Estos socios de YouTube obtuvieron una gran parte de
los $ 32 mil millones identificados en Alphabet Inc. (2019, pp. 26 y 32).

3) Motivación del autor

Comprender los impulsores más importantes de las vistas no es solo un ejercicio

académico para los millones de creadores de videos en la plataforma de YouTube.

4) Estado del arte que hace el autor

En el estado del arte, un artículo analizó 172,000 videos durante dos años y descubrió
que los videos de YouTube más populares generalmente tienen muchas más fases en el
crecimiento de su visualización que los videos menos populares, que obtienen la mayoría
de sus vistas en los primeros días. Ese hallazgo es consistente con el crecimiento de
vistas impulsado por las características no observadas de los mejores videos y sus
competidores (como CTR, tiempo de reproducción y retención de audiencia) que
provocan la promoción y la degradación por parte del algoritmo de recomendación. (Yu
H., 2015). Además, otro artículo analizó los factores que están asociados con mejores
vistas y se encontró que los canales de YouTube que usaban un presentador habitual
obtuvieron significativamente más vistas (Welbourne y Grant, 2016).

5) Descripción del aporte del autor

SEMINARIO DE INVESTIGACIÓN APLICADA II 2022-01

El autor propone como objetivo analizar si el tiempo promedio de visualización de videos

o las tasas de clics (CTR) en los videos de YouTube están más estrechamente asociados
con un alto número de vistas por suscriptor mediante regresiones lineales.

6) Proceso para resolver el problema

En la Figura 1 se muestra un diagrama de flujo de cómo se procederá para el estudio de

este artículo.

Figura 1: Diagrama de flujo de la metodología del estudio

Nota: Este diagrama describe cada proceso que se llevará a cabo en las secciones del
artículo para resolver el problema.

7) Principal resultado

Utilizando datos sobre CTR disponibles por primera vez para los creadores de videos en
YouTube en 2018, este estudio encuentra que el CTR es un predictor de vistas mucho
más poderoso que el tiempo de reproducción. De hecho, sería una mejor primera
aproximación que el algoritmo de YouTube obtenga una vista previa de los videos que
maximizan los clics o las vistas para atraer a los "usuarios ocasionales" en lugar de
mostrar contenido que maximiza el tiempo de visualización o incluso el tiempo de
visualización esperado por impresión.
SEMINARIO DE INVESTIGACIÓN APLICADA II 2022-01

8) Colocar las referencias bibliográficas referenciadas en este informe

Alphabet Inc (2019), “Form 10-K, Annual Report, Year End December 31, 2018”,
Securities and Exchange Commission, Washington, DC.

Covington, P., Adams, J. and Sargin, E. (2016), “Deep neural networks for YouTube
recommendations”, Proceedings of the 10th ACM Conference on Recommender
Systems, pp. 191-198.

Yu, H., Xie, L. and Sanner, S. (2015), “The lifecyle of a YouTube video: phases, content
and popularity”, Proceedings of the 9th International Conference on Web and Social
Media (ICWSM-15), available at:
http://users.cecs.anu.edu.au/ssanner/Papers/icwsm15.pdf (accessed 6 April 2019).

Welbourne, D.J. and Grant, W.J. (2016), “Science communication on YouTube: factors
that affect channel and video popularity”, Public Understanding of Science, Vol. 25
No. 6, pp. 706-718.