AI-verktøy muliggjør filmvurderinger før innspilling av første scene

Filmvurderinger er avgjørende for en films økonomiske resultater og bestemmer dens innvirkning på publikum. Tradisjonelt sett blir en film manuelt vurdert av mennesker som ser på den, og tar hensyn til vold, narkotikamisbruk og seksuelt innhold.

Dette dynamiske kan snart endre seg med oppkomsten av kunstig intelligens (AI). Nylig brukte forskere ved USC Viterbi School of Engineering AI-verktøy til å vurdere en film på få sekunder. En av de mest imponerende aspektene ved denne tilnærmingen er at vurderingen kan gjøres utelukkende basert på filmmanus, uten å spille inn en enkelt scene. På grunn av dette kan filmprodusenter utvikle et manus, gjøre endringer og designe en filmvurdering på forhånd og før innspilling av noen scener.

Den nylig utviklede tilnærmingen vil ha en økonomisk innvirkning på studioer, men den kan også hjelpe de kreative hjernene med å utvikle og redigere en historie basert på den forventede innvirkningen og responsen fra seerne.

Forskningen ble ledet av Shrikanh Narayanan, University Professor og Niki & C. L. Max Nikias Chair in Engineering, sammen med et team av forskere fra Signal Analysis and Interpretation Lab (SAIL) ved USC Viterbi.

Å bruke AI på manuskript

Etter å ha brukt AI på filmmanuskript, fant teamet at lingvistiske tegn kan indikere bestemte atferd i forhold til vold, narkotikamisbruk og seksuelt innhold som skal demonstreres av karakterene. Disse innholdskategoriene brukes ofte til å vurdere dagens filmer.

Teamet brukte 992 filmmanuskript som var bestemt av Common Sense Media å ha voldelig, narkotikamisbruk og seksuelt innhold. Den non-profit organisasjonen er ansvarlig for å gi film-anbefalinger til familier og utdannelsesinstitusjoner.

Et trenet AI ble deretter brukt på de 992 manuskriptene, og identifiserte risikoadferd, mønster og bestemt språk. Det mottar først manuskriptet som innputt før det prosesseres gjennom et neuralt nettverk, som skanner etter semantikk og sentiment-uttrykk.

AI fungerer som en klassifiseringsverktøy, og merker setninger og fraser som positive, negative, aggressive eller andre beskrivelser. Ord og fraser klassifiseres også i tre kategorier: vold, narkotikamisbruk og seksuelt innhold.

Victor Martinez er en doktorgradskandidat i datavitenskap ved USC Viterbi og leder av forskningen.

“Vår modell ser på filmmanuskriptet, snarere enn de faktiske scenene, inkludert f.eks. lyder som skyting eller eksplosjoner som skjer senere i produksjonsprosessen,” sa Martinez. “Dette har fordelen av å gi en vurdering lenge før produksjonen starter, og hjelper filmprodusenter med å bestemme f.eks. graden av vold og om den må tones ned.”

“Det ser ut til å være en korrelasjon mellom mengden innhold i en typisk film som fokuserer på narkotikamisbruk og mengden seksuelt innhold. Uansett om det er med vilje eller ikke, ser det ut til at filmprodusenter matcher nivået av narkotikamisbruk-relatert innhold med seksuelt eksplisitt innhold,” fortsatte han.

Funn og korrelasjoner

En av forskernes funn var at det er svært usannsynlig at en film inneholder høye nivåer av alle tre risikofylte atferd, som sannsynligvis skyldes standardene satt av Motion Picture Association (MPA). De fant også en korrelasjon mellom risikoadferd og MPA-vurderinger. For eksempel legger MPA mindre vekt på vold/narkotikamisbruk-innhold når seksuelt innhold øker.

“Ved SAIL designerer vi teknologier og verktøy basert på AI for alle interessenter i denne kreative bransjen — forfattere, filmprodusenter og produsenter — for å øke bevisstheten om de viktige detaljene forbundet med å fortelle historier på film,” sa Narayanan.

“Ikke bare er vi interessert i perspektivet til fortellerne av narrative, men også i å forstå innvirkningen på publikum og ‘take-away’-effekten av hele opplevelsen. Verktøy som disse vil hjelpe med å øke samfunnsrelevant bevissthet, for eksempel ved å identifisere negative stereotyper.”

Forskningsgruppen inkluderer også Krishna Somandepalli, en Ph.D.-kandidat i elektro- og datateknikk ved USC Viterbi, og professor Yalda T. Uhls fra UCLA’s psykologiske institutt.

Forskningen ble presentert på EMNLP 2020-konferansen.