AI-työkalu mahdollistaa elokuva-arvostelut ennen ensimmäisen kohtauksen kuvaamista

Elokuva-arvostelut ovat elokuvan taloudellisen menestyksen ja yleisövaikutuksen kannalta elintärkeitä. Perinteisesti elokuva arvioidaan manuaalisesti, kun ihmiset katsovat sitä ja ottaen huomioon väkivalta, huumeiden käyttö ja seksuaalinen sisältö.

Tämä dynamiikka voi muuttua pian tekoälyn (AI) kehittyessä. Äskettäin USC Viterbin insinööritieteellisessä korkeakoulussa tutkijat käyttivät AI-työkaluja arvioidakseen elokuvan muutamassa sekunnissa. Yksi tämän lähestymistavan vaikuttavimmista puolista on, että arvostelu voidaan tehdä pelkästään elokuvakäsikirjoituksen perusteella, ilman yhdenkään kohtauksen kuvaamista. Tämän ansiosta elokuvatuottajat voivat kehittää käsikirjoitusta, tehdä muutoksia ja suunnitella elokuvan arvostelun etukäteen, ennen kuin yhtään kohtausta kuvataan.

Uuden lähestymistavan on odotettavissa olevan taloudellinen vaikutus elokuvastudioihin, mutta se voi myös auttaa luovia mielikuvia kehittämään ja editoimaan tarinaa ennustetun vaikutuksen ja yleisöreaktion perusteella.

Tutkimuksen johti Shrikanh Narayanan, yliopiston professori ja Niki & C. L. Max Nikiasin insinööritieteen tuoli USC Viterbissä, yhdessä tutkijaryhmän kanssa Signal Analysis and Interpretation Lab (SAIL) -tutkimuslaitoksesta USC Viterbissä.

AI:n soveltaminen käsikirjoituksiin

Kun AI sovellettiin elokuvakäsikirjoituksiin, tutkijaryhmä totesi, että kielelliset vihjeet voivat osoittaa tiettyjä käyttäytymismalleja, jotka liittyvät väkivaltaan, huumeiden käyttöön ja seksuaaliseen sisältöön, joita hahmot ovat esittämässä. Nämä sisällön luokat ovat usein käytössä nykyisten elokuvien arvostelussa.

Tutkijaryhmä käytti 992 elokuvakäsikirjoitusta, jotka Common Sense Media oli määritellyt sisältävän väkivaltaa, huumeiden käyttöä ja seksuaalista sisältöä. Voittoa tavoittelematon organisaatio on vastuussa elokuvien suosittelemisesta perheille ja koulutuslaitoksille.

Koulutettu AI sovellettiin 992 käsikirjoitukseen, jolloin se tunnisti riskikäyttäytymisen, mallit ja tietyn kielen. Se vastaanottaa käsikirjoituksen syötteenä ja prosessoi sen neurverkkoon, joka skannaa semantiikkaa ja sentimentti-ilmauksia.

AI toimii luokittelutyökaluna, joka merkitsee lauseita ja virkkeitä positiivisiksi, negatiivisiksi, aggressiivisiksi tai joksikin muuksi kuvaajaksi. Sanoja ja virkkeitä luokitellaan myös kolmeen kategoriaan: väkivalta, huumeiden käyttö ja seksuaalinen sisältö.

Victor Martinez on tohtorikoulutettava tietojenkäsittelytieteessä USC Viterbissä ja johtava tutkija.

“Malliemme tarkastelevat elokuvakäsikirjoitusta, ei itse kohtauksia, kuten esimerkiksi ääniä kuten laukauksia tai räjähdystä, jotka tapahtuvat myöhemmin tuotantoprosessissa”, Martinez sanoi. “Tästä on hyötyä siinä, että arvostelu voidaan antaa jo ennen tuotantoa, jotta elokuvantekijät voivat päättää esimerkiksi väkivallan määrästä ja siitä, onko sitä tarpeen vähentää.”

“Näyttää siltä, että on yhteys huumeiden käytön ja seksuaalisen sisällön määrässä tyypillisessä elokuvassa. Elokuvantekijät näyttävät sopivan huumeiden käytön ja seksuaalisen sisällön tason, olipa se tarkoituksellista tai ei”, hän jatkoi.

Tulokset ja korrelaatiot

Yksi tutkijoiden löydöksistä oli, että on hyvin epätodennäköistä, että elokuva sisältäisi korkeita tasoisia kaikkia kolmea riskikäyttäytymistä, mikä johtunee Motion Picture Associationin (MPA) asettamista standardeista. He myös löysivät korrelaation riskikäyttäytymisen ja MPA-arvosteluiden välillä. Esimerkiksi MPA antaa vähemmän painoa väkivallalle/huumeiden käytölle, kun seksuaalista sisältöä lisätään.

“SAILissa suunnittelemme tekniikoita ja työkaluja, jotka perustuvat AI:hen, kaikille sidosryhmille tässä luovassa liiketoiminnassa — kirjailijoille, elokuvantekijöille ja tuottajille — lisätäksesi tietoisuutta tarinoiden kertomiseen liittyvistä tärkeistä yksityiskohdista”, Narayanan sanoi.

“Emme ole kiinnostuneita vain kertojien näkökulmasta kertomuksiin, vaan myös ymmärtämään vaikutusta yleisöön ja ‘otteen’ koko kokemuksesta. Työkalut kuten nämä auttavat lisäämään yhteiskunnallisesti merkityksellistä tietoisuutta, esimerkiksi tunnistamalla negatiivisia stereotyyppejä.”

Tutkijaryhmään kuului myös Krishna Somandepalli, joka on tohtorikoulutettava sähkö- ja tietotekniikassa USC Viterbissä, ja professori Yalda T. Uhls UCLA:n psykologian laitokselta.

Tutkimus esiteltiin EMNLP 2020 -konferenssissa.