Εργαλείο AI Επιτρέπει τις Βαθμολογίες Ταινιών Πριν από τη Γύρισή τους

Οι βαθμολογίες των ταινιών είναι ζωτικές για την εμπορική επιτυχία μιας ταινίας και καθορίζουν την επίδρασή τους στο κοινό. Παραδοσιακά, μια ταινία βαθμολογείται χειροκίνητα από ανθρώπους που τη βλέπουν, λαμβάνοντας υπόψη τη βία, την κακοποίηση ουσιών και το σεξουαλικό περιεχόμενο.

Αυτή η δυναμική μπορεί να αλλάξει σύντομα με την άνοδο της τεχνητής νοημοσύνης (AI). Πρόσφατα, ερευνητές στο USC Viterbi School of Engineering χρησιμοποίησαν εργαλεία AI για να βαθμολογούν μια ταινία μέσα σε δευτερόλεπτα. Ένα από τα πιο εντυπωσιακά χαρακτηριστικά αυτής της προσέγγισης είναι ότι η βαθμολογία μπορούσε να γίνει με βάση μόνο το σενάριο της ταινίας, χωρίς να γυριστεί ούτε μια σκηνή. Λόγω αυτού, οι εκτελεστές της ταινίας θα μπορούσαν να αναπτύξουν ένα σενάριο, να κάνουν επεξεργασίες και να σχεδιάσουν μια βαθμολογία της ταινίας πριν από τη γύρισή της.

Η nově αναπτυγμένη προσέγγιση θα είχε οικονομική επίδραση στα στούντιο, αλλά μπορεί επίσης να βοηθήσει τους δημιουργούς να αναπτύξουν και να επεξεργαστούν μια ιστορία με βάση την προβλεπόμενη επίδραση και αντίδραση του κοινού.

Η έρευνα διηύθυνε από τον Shrikanh Narayanan, Πανεπιστημιακό Καθηγητή και Niki & C. L. Max Nikias Chair in Engineering, μαζί με μια ομάδα ερευνητών από το Signal Analysis and Interpretation Lab (SAIL) στο USC Viterbi.

Εφαρμογή AI στα Σενάρια

Μετά την εφαρμογή της AI στα σενάρια των ταινιών, η ομάδα βρήκε ότι οι γλωσσικές ενδείξεις μπορούν να υποδείξουν ορισμένες συμπεριφορές που σχετίζονται με τη βία, την κακοποίηση ουσιών και το σεξουαλικό περιεχόμενο που θα εκτελεστούν από τους χαρακτήρες. Αυτές οι κατηγορίες περιεχομένου χρησιμοποιούνται συχνά για να βαθμολογούν τις ταινίες σήμερα.

Η ομάδα χρησιμοποίησε 992 σενάρια ταινιών που είχαν καθοριστεί από το Common Sense Media ως σενάρια με βίαιη, ουσιών και σεξουαλικό περιεχόμενο. Ο μη κερδοσκοπικός οργανισμός είναι υπεύθυνος για την κριτική των ταινιών για οικογένειες και εκπαιδευτικά ιδρύματα.

Ένα εκπαιδευμένο AI εφαρμόστηκε στα 992 σενάρια, αναγνωρίζοντας συμπεριφορές, μοτίβα και ιδιαίτερη γλώσσα. Λειτουργεί ως εργαλείο ταξινόμησης, επισήμανσης προτάσεων και φράσεων ως θετικών, αρνητικών, επιθετικών ή άλλων περιγραφών. Οι λέξεις και οι φράσεις ταξινομούνται σε τρεις κατηγορίες: βία, κακοποίηση ουσιών και σεξουαλικό περιεχόμενο.

Ο Victor Martinez είναι διδακτορικός υποψήφιος στην επιστήμη των υπολογιστών στο USC Viterbi και επικεφαλής ερευνητής.

“Το μοντέλο μας εξετάζει το σενάριο της ταινίας, και όχι τις πραγματικές σκηνές, συμπεριλαμβανομένων π.χ. ήχων όπως πυροβολισμοί ή εκρήξεις που συμβαίνουν αργότερα στη διαδικασία παραγωγής”, είπε ο Martinez. “Αυτό έχει το πλεονέκτημα της παροχής μιας βαθμολογίας πολύ πριν από την παραγωγή για να βοηθήσει τους δημιουργούς να αποφασίσουν π.χ. το βαθμό της βίας και αν πρέπει να μειωθεί”.

“Φαίνεται να υπάρχει μια συσχέτιση στο ποσό του περιεχομένου σε μια τυπική ταινία που επικεντρώνεται στην κακοποίηση ουσιών και το ποσό του σεξουαλικού περιεχομένου. Είτε故意 είτε όχι, οι δημιουργοί φαίνεται να ταιριάζουν το επίπεδο του περιεχομένου που σχετίζεται με την κακοποίηση ουσιών με το σεξουαλικό περιεχόμενο”, συνέχισε.

Ευρήματα και Συσχέτιση

Ένα από τα ευρήματα των ερευνητών ήταν ότι είναι πολύ απίθανο για μια ταινία να περιέχει υψηλά επίπεδα όλων των τριών επικίνδυνων συμπεριφορών, το οποίο πιθανότατα οφείλεται στα πρότυπα που ορίζονται από την Motion Picture Association (MPA). Βρήκαν επίσης μια συσχέτιση μεταξύ των επικίνδυνων συμπεριφορών και των βαθμολογιών MPA. Για παράδειγμα, η MPA δίνει λιγότερη έμφαση στο περιεχόμενο βίας/κακοποίησης ουσιών καθώς αυξάνεται το σεξουαλικό περιεχόμενο.

“Στο SAIL, σχεδιάζουμε τεχνολογίες και εργαλεία, με βάση την AI, για όλους τους ενδιαφερόμενους σε αυτή τη δημιουργική επιχείρηση — τους συγγραφείς, τους δημιουργούς και τους παραγωγούς — για να αυξήσουμε την ευαισθητοποίηση σχετικά με τα διάφορα σημαντικά στοιχεία που σχετίζονται με την αφήγηση της ιστορίας τους στην οθόνη”, είπε ο Narayanan.

“Δεν ενδιαφερόμαστε μόνο για την προοπτική των αφηγητών των ιστοριών που πλέκουν, αλλά και για την κατανόηση της επίδρασης στο κοινό και το ‘πάρσιμο’ από όλη την εμπειρία. Εργαλεία όπως αυτά θα βοηθήσουν στην ανάπτυξη μιας κοινωνικά σημαντικής ευαισθητοποίησης, για παράδειγμα, μέσω της αναγνώρισης αρνητικών στερεοτύπων.”

Η ερευνητική ομάδα περιλαμβάνει επίσης τον Krishna Somandepalli, διδακτορικό υποψήφιο στην Ηλεκτρονική και Υπολογιστική Μηχανική στο USC Viterbi, και τον Καθηγητή Yalda T. Uhls του Τμήματος Ψυχολογίας του UCLA.

Η έρευνα παρουσιάστηκε στη διάσκεψη EMNLP 2020.