ManzaiSet 数据集揭示了漫才喜剧观众反应的哪些特点？

把观众与共享表演连接起来的数据集

ManzaiSet 要回答的问题是：如何研究为什么两个人会在同一段喜剧的不同时刻发笑。回答这个问题需要把三样东西连在一起：播放的内容、每位观众可观察到的反应，以及这位观众自己的评价。数据集在每位参与者观看时同步录制面部视频和麦克风音频，并在每段表演结束后收集一个 0–100 的整体评分，从而把三者保持关联。

刺激材料是 10 段专业漫才表演，每段约四到六分钟，选自 2022 年 4 月一场活动的官方录像。漫才是日本的双人喜剧形式，围绕 boke（制造不协调的一方）与 tsukkomi（回应或纠正的一方）之间的往来展开。由于每位参与者都从这同一组表演中按随机顺序抽取观看，分别录制的观众反应可以对齐到共同的表演时间线上。

重复单元是一条观众—表演记录，即一位参与者观看一段表演。语料库包含来自 241 位参与者的 2,301 条此类记录，平均每人 9.55 条，面部视频与麦克风音频合计 191.8 小时。面部视频为 640×360 像素、25 帧/秒，音频为 48 kHz；参与者、表演和观看位置三类标识把每条记录与其评分及在序列中的位置连接起来。

多数观众评分偏高，但波动程度分化了样本

对于至少观看了八段表演的 228 位参与者，作者用六个特征概括其评分：均值、跨表演标准差、变异系数、极差、后半段与前半段均值之差，以及随观看位置变化的线性斜率。把这些特征标准化后，k-means 聚类给出三个描述性画像。作者选择三个聚类作为可解释的概括：轮廓系数在 k=3 时最高（0.523），而 Calinski–Harabasz 指数在 k=4 时最高（158.03）。

最大的画像包含 166 位观众（72.8%），平均评分 87.0，标准差 4.84，极差 15.6。第二个画像有 32 位观众（14.0%），平均 71.2，标准差 17.9，极差 57.8，并呈现正向的观看顺序趋势。第三个画像有 30 位观众（13.2%），平均 65.6，标准差 13.9，呈现负向的观看顺序趋势。这些数字是对构成聚类的特征所做的概括，而不是彼此独立的测量。

两个离散度统计量让个体差异变得具体。参与者之间的变异系数在平均评分上是 0.16，但在标准差特征上是 0.81，在变异系数上是 0.98，在极差上是 0.80。直白地说，观众之间在评分随表演波动的幅度上差异很大，而在整体评分水平上差异较小。语料库平均评分为 82.0，标准差 16.4，评分集中在量表高端；作者指出，这种天花板效应可能促成了高评分画像的低波动。

同一观看序列内的评分排序保持一致

作者把每位参与者的观看序列随机分成两半，并计算两半之间参与者平均评分的相关性。结果为 r = 0.866，意味着在同一序列内，给其中一半打高分的人往往也给另一半打高分。这是一个描述同一序列内参与者之间排序一致性的统计量，而不是检验某位观众换一天是否还会给出相同评分。

这一区分决定了应如何理解三个画像。三个画像概括的是观察到的观看序列，作者也指出，它们在不同场合下的稳定性仍有待纵向研究回答。分半相关结果支持用这些评分研究单次观看中的个体差异，但并不能确立一种固定的观众特质。

序列中越靠后的表演评分越高

对 228 位参与者中的每一位，作者都用评分对数值化的观看位置做线性回归，并检验这 228 个斜率的均值是否为零。个体斜率的平均值为每个位置 0.488 分（t(227) = 5.42，p < 0.001）。按位置计算的平均评分从第一位的 77.95（标准差 19.70）上升到第十位的 83.15（标准差 16.83），相差 5.20 分。

这两个数字回答的问题略有不同，不应互换。5.20 分只比较第一位和第十位上可获得的评分，而 0.488 的斜率使用了每位参与者在所有观察位置上的评分。两者指向同一方向：在序列中越晚观看的表演，平均评分越高。

作者把熟悉度、情绪和评分校准列为这一关联的可能解释。在随机呈现顺序下，该设计支持这一关联存在，但并未区分究竟是哪一种解释在起作用。对任何为会话数据建模的人来说，实际含义是：呈现位置是一个值得纳入的变量，而不应假设评分与位置无关。

校正后幽默类别之间没有显著差异

第三项分析考察观众反应是否随幽默类型而不同。Whisper 转写了 10 段表演，GPT-5-mini 为 77 个刺激实例分配了九种幽默标签：文字游戏、夸张、意外转折、自嘲、模仿、重复、误解、肢体搞笑和文化引用。一个实例可以带多个标签，因此 77 个实例共获得 131 次标签分配。意外转折最常见（35 个实例，45.5%），其次是重复（28 个，36.4%）和夸张（19 个，24.7%）。

候选发声反应由麦克风音频导出，使用帧级均方根能量、过零率、频谱特征和峰值检测，若出现在幽默实例起始后 3 秒内则计入。完整案例样本为 207 位观众。描述性反应率从文字游戏的 46.7%（八个实例）到文化引用的 59.0%（五个实例）。

这些描述性比率未经校正，而推断检验给出了不同的结论。一个带参与者层级聚类和视频固定效应的边际逻辑回归模型，将所有标签指示变量同时纳入，结果在 Benjamini–Hochberg 校正后未发现幽默类别之间存在统计显著的成对差异（所有校正后 p > 0.05）。作者也指出，部分类别仅基于五个实例，且标签存在重叠。站得住脚的解读是：该数据集未检测到类别差异，而不是各类幽默彼此等价。

这些录像能支持什么，不能支持什么

视听数据层规模可观，但并不干净。OpenFace 跟踪在 96.3% 的帧上满足 success=1 且 confidence>0.9 的标准，这支持导出面部动作和头部姿态特征。然而麦克风信号可能包含说话声、背景声以及刺激本身泄漏进来的声音，而参与者只是被鼓励、并非被要求佩戴耳机。因此，基于音频的反应指标带有测量不确定性，对安静反应和以视觉为主的幽默尤其如此。

远程采集还带来光照、摄像头位置、麦克风和背景声方面的差异。细粒度的时间分析还依赖播放与录制之间的对齐，以及参与者浏览器和设备之间的时间差异。该语料库是受限的研究数据集：可识别身份的录像受参与者知情同意和相应许可约束，专业表演视频则仍受其权利人权利的限制。

这些发现适用于哪里，不适用于哪里

样本是 241 位获得报酬的日语母语者：39 位女性、201 位男性，以及一位自报其他性别的参与者，年龄 19 至 63 岁，均值 30.0。许多人经常看喜剧：135 位参与者（56.0%）在一般喜剧观看频率上选择了五分制的最高值 5，114 位（47.3%）在漫才专项观看上选择了 4。全部 10 段表演都来自同一场专业活动。作者指出，招募方式、观看熟悉度和完成情况都可能影响观察到的分布，并指出把语料库扩展到其他语言、观众和表演类型将有助于跨文化比较。

在这些边界之内，这篇论文最有用的贡献是这种连接本身。由于共享表演、重复的个体录像、表演评分和观看顺序被连接在一起，该设计支持比较观看同一材料的不同观众，以及比较同一位观众看过的不同表演。作者提出，用留出的观众和留出的表演，可以把跨人的泛化与跨内容的泛化区分开来。

因此，这个数据集确立的重点不是给幽默类型排序，而是三者的组合：序列内稳定的评分画像、约每个位置 0.488 分的可测量观看顺序效应，以及对齐到同一表演时间线的视听信号。任何使用 ManzaiSet 的人都应把观众身份和呈现位置当作一阶变量，并在实例数量更大、反应测量更干净之前，把幽默类别比较视为描述性的。

本文引用的文献