AI-værktøj aktiverer filmvurderinger, før du optager første scene

Filmvurderinger er afgørende for en films bundlinje og bestemmer dens indflydelse på publikum. Traditionelt vurderes en film manuelt af mennesker, der ser den, under hensyntagen til vold, stofmisbrug og seksuelt indhold.

Denne dynamik kan snart ændre sig med fremkomsten af ​​kunstig intelligens (AI). For nylig brugte forskere ved USC Viterbi School of Engineering AI-værktøjer til at bedømme en film inden for få sekunder. Et af de mest imponerende aspekter af denne tilgang er, at vurderingen kunne udføres udelukkende baseret på filmmanuskriptet uden at skyde et eneste skud. På grund af dette kunne filmledere udvikle et manuskript, lave redigeringer og designe en filmvurdering på forhånd og før optagelse af scener.

Den nyudviklede tilgang ville have en økonomisk indvirkning på studierne, men den kan også hjælpe de kreative hjerner med at udvikle og redigere en historie baseret på den forudsagte effekt og respons fra seerne.

Forskningen blev ledet af Shrikanh Narayanan, universitetsprofessor og Niki & CL Max Nikias Chair in Engineering, sammen med et team af forskere fra Signal Analysis and Interpretation Lab (SAIL) ved USC Viterbi.

Anvendelse af AI til scripts

Efter at have anvendt kunstig intelligens på filmmanuskripter fandt teamet ud af, at sproglige signaler kan indikere bestemte adfærdsmønstre omkring vold, stofmisbrug og seksuelt indhold, som karaktererne snart vil demonstrere. Disse indholdskategorier bruges ofte til at bedømme nutidens film.

Holdet brugte 992 filmmanuskripter, som blev fastslået af Common Sense Media til at have voldeligt, stofmisbrug og seksuelt indhold. Den non-profit organisation er ansvarlig for at lave filmanbefalinger til familier og uddannelsesinstitutioner.

En trænet AI blev derefter anvendt på de 992 scripts, der identificerede risikoadfærd, mønstre og særligt sprog. Det modtager først scriptet som input, før det behandler det gennem et neuralt netværk, som scanner for semantik og følelsesudtryk.

AI'en fungerer som et klassifikationsværktøj, der mærker sætninger og sætninger som positive, negative, aggressive eller en anden beskrivelse. Ord og vendinger er også klassificeret i tre kategorier: vold, stofmisbrug og seksuelt indhold.

Victor Martinez er ph.d.-kandidat i datalogi ved USC Viterbi og hovedforsker.

"Vores model ser på filmmanuskriptet snarere end de faktiske scener, herunder f.eks. lyde som et skud eller eksplosion, der opstår senere i produktionspipelinen," sagde Martinez. "Dette har den fordel, at det giver en vurdering længe før produktionen for at hjælpe filmskabere med at beslutte f.eks. graden af ​​vold, og om den skal nedtones."

”Der ser ud til at være en sammenhæng i mængden af ​​indhold i en typisk film med fokus på stofmisbrug og mængden af ​​seksuelt indhold. Uanset om det er med vilje eller ej, ser filmskabere ud til at matche niveauet af stofmisbrugsrelateret indhold med seksuelt eksplicit indhold,” fortsatte han.

Fund og sammenhænge

En af forskernes resultater var, at det er højst usandsynligt, at en film indeholder høje niveauer af alle tre typer risikable adfærdsmønstre, hvilket sandsynligvis skyldes de standarder, der er fastsat af Motion Picture Association (MPA). De fandt også en sammenhæng mellem risikoadfærd og MPA-vurderinger. For eksempel lægger MPA mindre vægt på indhold med vold/stofmisbrug, efterhånden som seksuelt indhold stiger.

"Hos SAIL designer vi teknologier og værktøjer, baseret på AI, for alle interessenter i denne kreative forretning - forfatterne, filmskaberne og producenterne - for at øge bevidstheden om de forskellige vigtige detaljer, der er forbundet med at fortælle deres historie på film," Narayanan sagde.

"Vi er ikke kun interesserede i historiefortællernes perspektiv på de fortællinger, de væver, men også i at forstå virkningen på publikum og den 'lærdom', de får fra hele oplevelsen. Værktøjer som disse vil bidrage til at øge samfundsmæssigt meningsfuld bevidsthed, for eksempel ved at identificere negative stereotyper."

Forskerholdet omfatter også Krishna Somandepalli, ph.d.-kandidat i elektro- og datalogiteknik ved USC Viterbi, og professor Yalda T. Uhls fra UCLA's Institut for Psykologi.

Forskningen blev præsenteret på EMNLP 2020 konference.