AI-verktyg möjliggör filmbedömning innan inspelning av första scenen

Filmbedömningar är avgörande för en films ekonomiska framgång och bestämmer dess inverkan på publiken. Traditionellt sett bedöms en film manuellt av människor som tittar på den, med hänsyn till våld, drogmissbruk och sexuellt innehåll.

Denna dynamik kan förändras snart med hjälp av artificiell intelligens (AI). Nyligen använde forskare vid USC Viterbi School of Engineering AI-verktyg för att bedöma en film på några sekunder. En av de mest imponerande aspekterna av denna metod är att bedömningen kan göras enbart utifrån filmmanuset, utan att spela in en enda scen. På grund av detta kan filmexekutiver utveckla ett manus, göra ändringar och designa en filmbedömning i förväg och innan inspelning av några scener.

Den nyligen utvecklade metoden skulle ha en ekonomisk inverkan på studior, men den kan också hjälpa de kreativa hjärnorna att utveckla och redigera en berättelse baserat på den förutsagda inverkan och responsen från tittarna.

Forskningen leddes av Shrikanh Narayanan, universitetsprofessor och Niki & C. L. Max Nikias-stol i ingenjörsvetenskap, tillsammans med ett team av forskare från Signal Analysis and Interpretation Lab (SAIL) vid USC Viterbi.

Tillämpning av AI på manus

Efter att ha tillämpat AI på filmmanus fann teamet att språkliga ledtrådar kan indikera vissa beteenden som omger våld, drogmissbruk och sexuellt innehåll som ska demonstreras av karaktärerna. Dessa innehållskategorier används ofta för att bedöma dagens filmer.

Teamet använde 992 filmmanus som hade bestämts av Common Sense Media för att ha våldsamt, drogmissbruk och sexuellt innehåll. Den ideella organisationen ansvarar för att göra filmrekommendationer för familjer och utbildningsinstitutioner.

En tränad AI tillämpades sedan på de 992 manuskripten, som identifierade riskbeteende, mönster och särskild språk. Den tar först emot manuset som indata innan den bearbetas genom ett neuronnät, som skannar efter semantik och sentimentuttryck.

AI fungerar som ett klassificeringsverktyg, som märker meningar och fraser som positiva, negativa, aggressiva eller någon annan beskrivning. Ord och fraser klassificeras också i tre kategorier: våld, drogmissbruk och sexuellt innehåll.

Victor Martinez är en doktorand i datavetenskap vid USC Viterbi och ledande forskare.

“Vår modell tittar på filmmanuset, snarare än de faktiska scenerna, inklusive till exempel ljud som skottlossning eller explosion som inträffar senare i produktionspipelinen”, sa Martinez. “Detta har fördelen att ge en bedömning långt innan produktionen för att hjälpa filmskapare att bestämma till exempel graden av våld och om det behöver tonas ned.”

“Det verkar finnas en korrelation mellan mängden innehåll i en typisk film som fokuserar på drogmissbruk och mängden sexuellt innehåll. Antingen medvetet eller inte, verkar filmskapare matcha nivån på drogmissbruksrelaterat innehåll med sexuellt explicit innehåll”, fortsatte han.

Resultat och korrelationer

En av forskarnas upptäckter var att det är mycket osannolikt att en film innehåller höga nivåer av alla tre riskbeteenden, vilket troligen orsakas av standarderna som fastställts av Motion Picture Association (MPA). De fann också en korrelation mellan riskbeteenden och MPA-betyg. Till exempel lägger MPA mindre vikt vid våld/drogmissbruksinnehåll när sexuellt innehåll ökar.

“På SAIL designar vi teknologier och verktyg baserade på AI för alla intressenter i detta kreativa företag — författarna, filmskaparna och producenterna — för att öka medvetenheten om de viktiga detaljerna som är förknippade med att berätta sin historia på film”, sa Narayanan.

“Vi är inte bara intresserade av berättarnas perspektiv på de berättelser de väver, utan också av att förstå inverkan på publiken och ‘take-away’ från hela upplevelsen. Verktyg som dessa kommer att hjälpa till att öka samhällsrelevant medvetenhet, till exempel genom att identifiera negativa stereotyper.”

Forskningsgruppen inkluderar också Krishna Somandepalli, en doktorand i elektroteknik och datateknik vid USC Viterbi, och professor Yalda T. Uhls från UCLA:s psykologiska institution.

Forskningen presenterades vid EMNLP 2020-konferensen.