grail-gun

该数据集包含了用户与视频交互的详细信息，包括会话信息、视频细节、用户互动以及调查响应。每个特征都有名称和数据类型。数据集似乎与用户在类似于YouTube的平台上的视频互动相关，并包括额外的用户人口统计信息和调查数据。

This dataset contains detailed information about user interactions with videos, including session information, video details, user engagements, and survey responses. Each feature has a defined name and a corresponding data type. The dataset pertains to user video interactions on YouTube-like platforms, and also includes supplementary user demographic information and survey data.

原始信息汇总

数据集概述

基本信息

• 数据集名称: grail-gun
• 存储位置: https://huggingface.co/datasets/od2961/grail-gun

数据结构

数据集包含以下主要特征字段：

会话与视频信息

• session_id: 会话标识符
• step_index: 步骤索引
• display_step: 显示步骤
• current_video_id: 当前视频ID
• current_video_raw_id: 当前视频原始ID
• current_video_title: 当前视频标题
• current_video_channel: 当前视频频道
• current_video_channel_id: 当前视频频道ID
• start_time_ms: 开始时间（毫秒）
• end_time_ms: 结束时间（毫秒）
• percent_visible: 可见百分比
• session_finished: 会话是否完成

轨迹与选项数据

• trajectory_json: 轨迹JSON数据
• slate_items_json: 候选项目列表，包含：
  • channel_id: 频道ID
  • channel_title: 频道标题
  • comment_count: 评论数
  • dislike_count: 不喜欢数
  • duration: 时长
  • favorite_count: 收藏数
  • id: 项目ID
  • like_count: 喜欢数
  • title: 标题
  • view_count: 观看数
• n_options: 选项数量

参与者信息

• participant_id: 参与者ID
• participant_study: 参与研究
• issue: 议题
• urlid: URL标识符
• topic_id: 主题ID

调查数据

• selected_survey_row: 调查问卷数据结构，包含大量调查问题字段，涵盖：
  • 政治态度测量
  • 枪支政策观点
  • 最低工资立场
  • 人口统计信息
  • 媒体使用习惯
  • 情感极化指标
  • 调查时间戳和进度数据

搜集汇总

数据集介绍

构建方式

在政治传播研究领域，grail-gun数据集通过严谨的实验设计构建而成。研究团队采用多波次纵向调查方法，招募参与者完成结构化视频观看任务，系统记录每个会话的详细交互轨迹。数据采集过程涵盖视频选择行为、观看时长、互动操作等维度，同时整合了人口统计学特征、政治态度测量和枪支政策观点等多层次变量，形成完整的用户行为与态度关联图谱。

特点

该数据集在政治传播研究领域展现出多维度的特征优势。其核心价值在于完整记录了用户在模拟视频平台环境中的行为轨迹，包括视频选择序列、观看时间分布和互动模式。数据集深度融合了行为数据与态度测量，涵盖政治倾向、情感极化、媒体信任度等心理构念，特别是对枪支政策态度的多时间点追踪为研究态度演变提供了独特视角。丰富的元数据架构支持复杂的行为模式分析，为理解数字媒体对政治观念的影响机制提供了实证基础。

使用方法

在实证政治传播研究中，该数据集支持多种分析路径。研究者可基于会话标识符和步骤索引重构用户决策序列，通过轨迹数据解析信息接触模式。态度变量的多波次测量支持面板数据分析，探究媒体暴露对政治观念的长效影响。视频元数据与用户特征的交叉分析有助于识别选择性接触模式，而丰富的人口学变量为模型控制提供了坚实基础。数据集的结构化特征使其适用于机器学习建模、因果推断和网络分析等多种研究方法。

背景与挑战

背景概述

grail-gun数据集作为数字媒体与政治行为交叉研究的重要资源，由斯坦福大学等学术机构在2020年代初期构建，聚焦于YouTube平台上的枪支政策议题。该数据集通过追踪用户在模拟视频推荐环境中的交互轨迹，深入探究算法推荐系统如何塑造公众舆论倾向。其核心研究价值在于揭示个性化内容分发机制对政治态度演化的影响，为计算社会科学领域提供了珍贵的多维度行为观测数据。

当前挑战

该数据集面临双重挑战：在领域问题层面，需解决推荐系统信息茧房对政治极化的量化难题，包括用户选择性接触与态度强化的因果推断；在构建过程中，遭遇多波次追踪调查的样本流失问题，且视频元数据与行为轨迹的时序对齐需要复杂的技术实现。此外，枪支政策议题的敏感性导致受访者自我报告偏差，而海量交互日志的清洗标注工作亦构成显著挑战。

常用场景

经典使用场景

在政治传播学与媒体效应研究领域，grail-gun数据集通过记录用户在YouTube平台上的视频浏览轨迹与调查问卷数据，为分析政治议题暴露对公众态度的影响提供了独特视角。该数据集特别聚焦于枪支管制议题，通过追踪用户在不同政治倾向视频间的选择行为，结合详尽的背景调查与态度测量，构建了完整的媒体接触-态度演变链条。其多波次追踪设计能够捕捉用户态度随时间变化的动态过程，为研究选择性暴露与态度极化现象提供了理想的数据支撑。

解决学术问题

该数据集有效解决了政治传播研究中关于媒体选择性暴露与态度形成的因果推断难题。通过精确记录用户视频选择行为与前后测态度数据，研究者能够分析不同政治立场内容对枪支管制态度的影响机制。其丰富的协变量控制（如人口学特征、政治认同、媒体使用习惯）使得控制混淆因素成为可能，为验证选择性接触理论、回声室效应等经典假说提供了实证基础。同时，多波次追踪设计有助于区分短期媒体效应与长期态度稳定性，推进了政治态度形成机制的理论建构。

衍生相关工作

基于该数据集衍生的研究已形成多个重要学术脉络。在方法学层面，研究者开发了新的媒体暴露测量指标与因果推断模型，如基于轨迹数据的动态网络分析方法。在理论层面，相关研究深化了对态度极化机制的理解，提出了信息饮食平衡假说等新理论框架。应用研究中，学者结合机器学习技术构建了政治立场预测模型，并探索了跨文化比较研究路径。这些工作共同推动了计算社会科学与政治传播学的交叉融合，为数字时代的舆论研究开辟了新范式。