AI-værktøj giver filmcensur før optagelse af første scene

Filmcensur er afgørende for en films bundlinje og bestemmer dets indvirkning på publikum. Traditionelt censureres en film manuelt af mennesker, der ser på den, og tager hensyn til vold, stofmisbrug og seksuelt indhold.

Denne dynamik kan snart ændre sig med opkomsten af kunstig intelligens (AI). For nylig brugte forskere på USC Viterbi School of Engineering AI-værktøjer til at censurere en film på få sekunder. En af de mest imponerende aspekter ved denne tilgang er, at censuren kan udføres udelukkende på basis af filmmanuskriptet, uden at optage en eneste scene. Derved kan filmproducenter udvikle et manuskript, foretage redigeringer og designe en filmcensur på forhånd og før optagelse af nogen scener.

Den nyligt udviklede tilgang vil have en økonomisk indvirkning på filmstudier, men den kan også hjælpe de kreative hjerner med at udvikle og redigere en historie på basis af den forventede indvirkning og respons fra seerne.

Forskningen blev ledet af Shrikanh Narayanan, universitetsprofessor og Niki & C. L. Max Nikias-formand i ingeniørvidenskab, sammen med et hold af forskere fra Signal Analysis and Interpretation Lab (SAIL) på USC Viterbi.

Anvendelse af AI på manuskripter

Efter at have anvendt AI på filmmanuskripter fandt holdet, at sproglige signaler kan indikere bestemte adfærdsmønstre omkring vold, stofmisbrug og seksuelt indhold, som skal demonstreres af karaktererne. Disse indholdskategorier bruges ofte til at censurere dagens film.

Holdet anvendte 992 filmmanuskripter, der var bestemt af Common Sense Media til at have vold, stofmisbrug og seksuelt indhold. Den non-profit-organisation er ansvarlig for at give film-anbefalinger til familier og uddannelsesinstitutioner.

Et trænet AI-værktøj blev derefter anvendt på de 992 manuskripter, hvor det identificerede risikoadfærd, mønstre og særdeles sprog. Det modtager først manuskriptet som input, før det bearbejdes gennem et neuralt netværk, der scannrer efter semantik og sentiment-udtryk.

AI-værktøjet fungerer som en klassificeringsværktøj, der mærker sætninger og fraser som positive, negative, aggressive eller andre beskrivelser. Ord og fraser klassificeres også i tre kategorier: vold, stofmisbrug og seksuelt indhold.

Victor Martinez er en ph.d.-stipendiat i datalogi på USC Viterbi og leder af forskningsholdet.

“Vores model ser på filmmanuskriptet, snarere end de faktiske scener, herunder f.eks. lyde som skyderi eller eksplosioner, der opstår senere i produktionsprocessen,” sagde Martinez. “Dette har fordelen af at give en censur lang tid før produktionen, således at filminstruktørerne kan beslutte, f.eks., om graden af vold og om den skal tones ned.”

“Der synes at være en korrelation mellem mængden af indhold i en typisk film, der fokuserer på stofmisbrug, og mængden af seksuelt indhold. Uanset om det er bevidst eller ej, synes filminstruktørerne at matche niveauet af stofmisbrug-relateret indhold med seksuelt eksplisit indhold,” fortsatte han.

Resultater og korrelationer

En af forskernes resultater var, at det er meget usandsynligt, at en film indeholder høje niveauer af alle tre risikoadfærd, hvilket sandsynligvis skyldes standarderne, der er fastsat af Motion Picture Association (MPA). De fandt også en korrelation mellem risikoadfærd og MPA-censur. F.eks. lægger MPA mindre vægt på vold/stofmisbrug-indhold, når seksuelt indhold øges.

“På SAIL udvikler vi teknologier og værktøjer baseret på AI til alle interessenter i denne kreative forretning – forfattere, filminstruktører og producenter – for at øge bevidstheden om de forskellige vigtige detaljer, der er forbundet med at fortælle deres historie på film,” sagde Narayanan.

“Vi er ikke kun interesseret i fortællerens perspektiv på de fortællinger, de væver, men også i at forstå indvirkningen på publikum og ‘medtagelsen’ fra hele oplevelsen. Værktøjer som disse vil hjælpe med at øge samfundsmæssig bevidsthed, f.eks., gennem identifikation af negative stereotyper.”

Forskningsholdet inkluderer også Krishna Somandepalli, en ph.d.-stipendiat i elektro- og datateknik på USC Viterbi, og professor Yalda T. Uhls fra UCLA’s afdeling for psykologi.

Forskningen blev præsenteret på EMNLP 2020-konferencen.