Es gibt zwei Möglichkeiten:
Entweder Sie legen einen Zufallsgenerator mit allen 64 Kombinationen an .. am besten die Kennungen also
ST01,VD01
ST01,VD02
...
ST08,VD08
... die HTML-Codes für die Videos legen Sie dafür am besten ebenfalls als Texte im Fragebogen an, hier VD01 bis VD08.
Oder Sie legen zwei Zufallsgeneratoren an, jeweils mit 8 Codes, aus denen Sie jeweils 8 Codes pro Interview ziehen. Diese zweite Variante hat den Nachteil, dass sich einige Kombinationen zufällig häufigen können, also z.B. mehrfach ST01 mit VD01. Rein zufällig.
Meine Empfehlung wäre die erste Variante.
Ich möchte gerne den Einfluss des Textes auf die Wahrnehmung des Videos untersuchen
Dann sollten Sie die Abfrage am besten über eine Multi-Level-Struktur abbilden. Denn haben Sie die Daten gleich "untereinander", so wie Sie sie für die Auswertung brauchen.