从电影剧本中映射情感动态

加拿大研究人员使用了数千部电影剧本，开发了一种机器学习框架，可以通过解释对话的情感温度来跟踪说话者的情感弧线，这些对话在叙事过程中不断演变。

来自加拿大渥太华卡尔顿大学的研究，题为《电影对话的情感动态》，包括对《闪灵》和《赌城风云》等著名电影中主要角色情感的分析。这项研究旨在为机器学习分析和映射现实世界话语（如社交媒体线程和心理咨询记录）提供潜在基础。

这项工作提出了一个基于心理学研究中类似指标的言语情感动态（UED）框架，并首次在每个角色基础上建模了故事对话的情感，而不是计算整个电影中对话的情感平均温度。

从《闪灵》（1980）中杰克·尼科尔森的对话中导出的词云，按情感值与角色静态情感状态进行颜色映射。 来源：https://arxiv.org/pdf/2103.01345.pdf

UED的组成部分包括基础状态（典型或“静态”情感状态）；变异性（情感波动性和快速变化的程度）；以及上升/恢复率（角色调节挑战性情感的能力）。

在这个抽象示例中，黑线代表的角色从受到干扰或不和谐事件引发的情感状态中恢复的速度远低于对应的角色。

这项工作旨在帮助回答一些文学理论中的挑战性问题，包括：角色直接表达情感的程度；情节可以从对话中直接推断的程度；在叙事中找到角色之间冲突最激烈的点；以及角色处理困难情感的能力与其后果之间的差异。

分析《闪灵》中两个主要角色的对话，线条颜色表示叙事时间，随着叙事接近结尾而加深为红色。黑色虚线表示主要和次要轴，椭圆包围主要角色95%的时间（图中未显示，以保持清晰度）。

遵循剧本

数据来自1,123个公开可用的电影剧本，来源于互联网电影剧本数据库（IMSDB）。每部电影中至少有50个角色之间的对话才被考虑在内，这样一来，总共有2,687个角色研究对象来自54,518个角色，涵盖了剧本材料的整个语料库。

文本使用NLTK WordNet lemmatizer处理，产生了5,673,201个自然语言处理（NLP）词标记，每个角色在每部电影中大约有1,376个标记。

研究人员指出，以这种方式评估单词只考虑了单词的显式情感价值，而不是其与周围单词（无论是来自同一角色还是场景中的其他角色）的关系。然而，研究人员认为，大多数单词都有一个主要意义，聚合单词可以弥补这种缺乏上下文的不足。

情感变异性

在开发一个代表角色情感变异性的0-100图表时，论文指出，莎朗·斯通在《赌城风云》（1995）中的角色虽然情感变异性较高，但吉尔·里奇在《小雅典》（2005）中的角色情感变异性最高，其次是德文·布罗楚在《赫舍》（2010）中的角色。

可以预测的是，布伦特·斯派纳在《星际迷航》电影系列中饰演的安卓角色Cmdr. Data情感变异性最低，仅略低于人类船员里克（乔纳森·弗雷克斯在该系列中的角色）。

论文证实了我们的直觉理解，即情感往往会在某种程度上（无论是积极还是消极）在叙事的最后10-15%达到峰值并得到解决，因为此时冲突必须以某种方式被解决。研究发现，角色在电影中的负面言论增加了2%，在叙事的高潮时达到91%，而同一时间段内的正面言论也减少了，尽管减少的程度较小。

其他因素

研究人员计划进一步发展这项工作，以应用于公共政策、公共卫生和社会科学等领域。他们指出，这项工作的发现不应被视为情感状态评估的完整矩阵，并提供了一个7点道德指导模板，应在使用这些技术时考虑。

正如最近来自瑞典媒体委员会的研究所示，当试图衡量叙事的情感温度时，应考虑许多非文本因素，因为上下文、音乐、视觉线索和未言明的时间因素（如沉默）对话语的含义贡献巨大。

上下文尤为重要：例如，仅通过研究剧本，很难了解斯坦利·库布里克的《2001：太空漫游》（1968）中基尔·杜利亚饰演的被困宇航员的情感状态，因为这个角色经过训练，可以在极度紧张的情况下保持解决问题的思维。另外，许多情感丰富的电影对话很少。