データセットの提案のところが新しい。既存のVideo QAデータセットでは選択肢から一つ回答を選択するようなQAがメイン。それに対して選択肢を選択する質問のほか、回答を生成するOpen-ended Questionsも設定した。また、従来のデータセットと比べ特にCausal ReasoningとTemporal actionsを理解する能力の評価を重視した。

提案のVideo QAデータセットNExT-QAで複数の既存のVideo QAの手法を評価した。Motion 特徴とappearance 特徴両方が質問回答に重要であることを発見し、また、単純にその2種類のFeatureをConcatenateするだけでは足りないことを指摘した。テキスト生成のモデルにおいてBERTが良い性能を示した。既存の手法がOpen-ended質問に弱い傾向。