Исследователи разработали новую платформу машинного обучения, которая использует описания сцен в сценариях фильмов для автоматического распознавания действий различных персонажей. Применение фреймворка к сотням сценариев фильмов показало, что эти действия, как правило, отражают широко распространенные гендерные стереотипы, некоторые из которых, как оказалось, остаются неизменными во времени. Виктор Мартинес и его коллеги из Университета Южной Калифорнии, США, представляют эти результаты в журнале открытого доступа PLOS ONE 21 декабря.

Фильмы, телешоу и другие средства массовой информации последовательно изображают традиционные гендерные стереотипы, некоторые из которых могут быть вредными. Чтобы углубить понимание этой проблемы, некоторые исследователи изучили использование вычислительных фреймворков как эффективного и точного способа анализа большого количества диалогов персонажей в сценариях. Однако некоторые вредные стереотипы могут передаваться не через то, что говорят персонажи, а через их действия.

Чтобы исследовать, как действия персонажей могут отражать стереотипы, Мартинес и его коллеги использовали подход машинного обучения для создания вычислительной модели, которая может автоматически анализировать описания сцен в сценариях фильмов и идентифицировать действия различных персонажей. Используя эту модель, исследователи проанализировали более 1,2 миллиона описаний сцен из 912 сценариев фильмов, снятых с 1909 по 2013 год, выявив пятьдесят тысяч действий, выполненных двадцатью тысячами персонажей.

Затем исследователи провели статистический анализ, чтобы выяснить, существуют ли различия между типами действий, выполняемых персонажами разных полов. Эти анализы выявили ряд различий, которые отражают известные гендерные стереотипы.

Например, они обнаружили, что персонажи женского пола, как правило, проявляют меньше самостоятельности, чем персонажи мужского пола, и что персонажи женского пола с большей вероятностью проявляют привязанность. Персонажи мужского пола менее склонны "рыдать" или "плакать", а персонажи женского пола с большей вероятностью будут подвергаться "таращению" или "наблюдению" со стороны других персонажей, подчеркивая акцент на женской внешности.

Хотя модель исследователей ограничена степенью ее способности полностью отражать нюансы социального контекста, связывающего сценарий с каждой сценой и общим повествованием, эти результаты согласуются с предыдущими исследованиями гендерных стереотипов в популярных СМИ и могут помочь повысить осведомленность о том, как СМИ могут увековечивать вредные стереотипы и тем самым влиять на поведение людей. убеждения и действия из реальной жизни.

В будущем новая структура машинного обучения может быть усовершенствована и применена для включения понятий взаимосвязи, таких как пол, возраст и раса, для углубления понимания этой проблемы

Авторы добавляют: "Исследователи предложили использовать методы машинного обучения для выявления стереотипов в диалогах персонажей в средствах массовой информации, но эти методы не учитывают вредных стереотипов, передаваемых через действия персонажей. Чтобы решить эту проблему, мы разработали крупномасштабную платформу машинного обучения, которая может идентифицировать действия персонажей по описаниям сценариев фильмов. Собрав 1,2 миллиона описаний сцен из 912 сценариев фильмов, мы смогли изучить систематические гендерные различия в изображениях фильмов в большом масштабе ".