本发明公开了一种视频问答数据集标注方法、装置、存储介质及电子设备，属于计算机视觉领域。本发明通过人工智能网络构建辅助标注技术来提高标注效率，先使用视频问答模型先针对样本输出预测的内容定位和问句答案，将将预测结果提供给人工进行校对，人工校对后再最终产生标注结果，从而一定程度缩小人工查找视频问句答案范围。在本发明中，初步的标注信息可由神经网络模型自动生成，人工仅需要对模型生成的自动进行校核调整即可，若存在错误可进行修正，由此大大提高了视频问答数据集的标注效率，也避免了直接采用模型预测时的标注质量问题。