Ich habe letztes Jahr eine Version davon im Dashcams-Subreddit gepostet. Einige von euch haben nach einer aktualisierten Version gefragt und vorgeschlagen, dass ich sie hier poste, also hier ist sie. Dieses Mal habe ich auch die Markenrankings hinzugefügt, um die Rankings besser kontextualisieren zu können.
Dies ist Teil meines Projekts, mit Reddit-Daten und LLMs herumzubasteln. Ich wollte etwas Nützliches für die Community schaffen und gleichzeitig meine Programmierfähigkeiten verbessern.
Die Idee besteht darin, hervorzuheben, welche Dashcams am meisten Anklang gefunden haben. Um es klar auszudrücken: Die meisten lieben =/= das Beste. Aber hoffentlich ist es trotzdem ein nützlicher Datenpunkt, insbesondere für diejenigen, die mit Informationen überhäuft werden.
Offensichtlich ist dies eine sehr allgemeine Liste. Interessanter wird es, wenn Sie die Daten in Scheiben schneiden. Wenn Sie die Daten erkunden, sich die einzelnen wörtlichen Kommentare ansehen, nach Preis, Abdeckung, Parkmodus, Kommentare dazu, ob es heißes Klima übersteht usw. filtern möchten, können Sie dies auf meiner Hauptprojektseite (Google) tun "RedditRecs" – Haftungsausschluss: Einige Links auf dieser Seite sind Affiliate-Links. Sie müssen sie nicht verwenden, aber sie helfen bei der Finanzierung der Analysen.)
Methodik in den Kommentaren.
Von heyyyjoo
3 Kommentare
**Methodology:**
**Data collection:** I wrote a script that uses Google and Reddit search to search keywords like “best dashcam”, “dashcam for night”, “dashcam with parking mode”, “dashcam for Uber/Lyft” etc, filtered for the past year, sorted by relevance. I used LLMs (think ChatGPT but with preset instructions) to analyze each search result, extracting reviews from the comments and performing sentiment analysis. I kept going until the relevant results analyzed dropped below 40% of all the results analyzed so far. A total of 926 relevant threads were analyzed, representing 4,363 users.
**Scoring:** Each user contributes up to 1 “vote” per model, regardless of number of comments on it.
**Handling imprecise references:** If a user does not specify the exact model (e.g. A119 could refer to A119 V3, A119 V2 or A119 Mini etc), their vote is still included. However, their 1 vote is “spread out” among the possible models. More popular models are given more weight (because the chance that those are the models being referred to is higher).
**Ranking:** I calculated a final score by normalizing the positive count, normalizing the log of the positive-to-negative ratio (log to tame extreme ratio skew in models with few reviews), and summing them with a weight of 75:25 (idea is that sheer volume of approval is more telling than isolated praise)
**Caveat** – handling and merging different model namings, brands, abbreviations is non-trivial so a 100% LLM approach wasn’t sufficient. I did some eyeballing and manual clean-up but there may still be mistakes. Let me know if anything seems wrong or surprising!
**Tools:** Reddit PRAW, OpenAI, Gemini, Jina, Firecrawl, serper
[Source data with filtering options](https://redditrecs.com/dash-cam/)
I love data like this! Although it would be useful to have the percentages along with the absolute values
6 years and viofo a119 v3 is still the value king