AI-tool maakt filmbeoordelingen mogelijk voordat de eerste scène wordt opgenomen

Filmbeoordelingen zijn essentieel voor het resultaat van een film en bepalen de impact ervan op het publiek. Traditioneel wordt een film handmatig beoordeeld door mensen die ernaar kijken, rekening houdend met geweld, drugsmisbruik en seksuele inhoud.

Deze dynamiek zou binnenkort kunnen veranderen met de opkomst van kunstmatige intelligentie (AI). Onlangs gebruikten onderzoekers van de USC Viterbi School of Engineering AI-tools om een ​​film binnen enkele seconden te beoordelen. Een van de meest indrukwekkende aspecten van deze aanpak is dat de beoordeling uitsluitend op basis van het filmscript kan worden gedaan, zonder een enkele opname te maken. Hierdoor konden filmbestuurders een script ontwikkelen, bewerkingen uitvoeren en een filmclassificatie ontwerpen van tevoren en voordat ze scènes opnamen.

De nieuw ontwikkelde aanpak zou een financiële impact hebben op studio's, maar het kan de creatieve geesten ook helpen een verhaal te ontwikkelen en te bewerken op basis van de voorspelde impact en reacties van kijkers.

Het onderzoek werd geleid door Shrikanh Narayanan, universiteitsprofessor en Niki & CL Max Nikias Chair in Engineering, samen met een team van onderzoekers van het Signal Analysis and Interpretation Lab (SAIL) van USC Viterbi.

AI toepassen op scripts

Na het toepassen van AI op filmscripts, ontdekte het team dat taalkundige aanwijzingen kunnen duiden op bepaald gedrag rond geweld, drugsmisbruik en seksuele inhoud dat op het punt staat door de personages te worden vertoond. Deze inhoudscategorieën worden vaak gebruikt om hedendaagse films te beoordelen.

Het team gebruikte 992 filmscripts die door Common Sense Media waren vastgesteld op gewelddadige, drugsmisbruik en seksuele inhoud. De non-profitorganisatie is verantwoordelijk voor het doen van filmaanbevelingen voor gezinnen en onderwijsinstellingen.

Een getrainde AI werd vervolgens toegepast op de 992-scripts, waarbij risicogedrag, patronen en bepaalde taal werden geïdentificeerd. Het ontvangt eerst het script als invoer voordat het wordt verwerkt via een neuraal netwerk, dat scant op semantiek en sentimentexpressies.

De AI werkt als een classificatietool, waarbij zinnen en woordgroepen worden gelabeld als positief, negatief, agressief of een andere descriptor. Woorden en zinnen worden ook ingedeeld in drie categorieën: geweld, drugsmisbruik en seksuele inhoud.

Victor Martinez is een promovendus in de informatica bij USC Viterbi en hoofdonderzoeker.

"Ons model kijkt naar het filmscript in plaats van naar de daadwerkelijke scènes, inclusief bijvoorbeeld geluiden als een geweerschot of explosie die later in de productiepijplijn plaatsvinden", zei Martinez. "Dit heeft het voordeel dat er lang voor de productie een beoordeling wordt gegeven om filmmakers te helpen beslissen over bijvoorbeeld de mate van geweld en of het moet worden afgezwakt."

“Er lijkt een correlatie te zijn tussen de hoeveelheid inhoud in een typische film gericht op middelenmisbruik en de hoeveelheid seksuele inhoud. Of het nu opzettelijk is of niet, filmmakers lijken het niveau van aan middelenmisbruik gerelateerde inhoud te matchen met seksueel expliciete inhoud, 'vervolgde hij.

Bevindingen en correlaties

Een van de bevindingen van de onderzoekers was dat het hoogst onwaarschijnlijk is dat een film hoge niveaus van alle drie de risicovolle gedragingen bevat, wat waarschijnlijk wordt veroorzaakt door de normen die zijn vastgesteld door de Motion Picture Association (MPA). Ze vonden ook een correlatie tussen risicogedrag en MPA-beoordelingen. MPA legt bijvoorbeeld minder nadruk op inhoud met geweld/drugsmisbruik naarmate de seksuele inhoud toeneemt.

"Bij SAIL ontwerpen we technologieën en tools, gebaseerd op AI, voor alle belanghebbenden in deze creatieve branche - de schrijvers, filmmakers en producenten - om het bewustzijn te vergroten over de verschillende belangrijke details die samenhangen met het vertellen van hun verhaal op film," Narayanan gezegd.

“We zijn niet alleen geïnteresseerd in het perspectief van de verhalenvertellers van de verhalen die ze weven, maar ook in het begrijpen van de impact op het publiek en de 'take-away' van de hele ervaring. Tools zoals deze helpen maatschappelijk zinvol bewustzijn te vergroten, bijvoorbeeld door het identificeren van negatieve stereotypen.”

Het onderzoeksteam omvat ook Krishna Somandepalli, een Ph.D. kandidaat in Electrical and Computing Engineering aan USC Viterbi, en professor Yalda T. Uhls van UCLA's Department of Psychology.

Het onderzoek is gepresenteerd op de EMNLP 2020 conferentie.