.
Pesquisadores desenvolveram uma nova estrutura de aprendizado de máquina que usa descrições de cenas em roteiros de filmes para reconhecer automaticamente as ações de diferentes personagens. A aplicação da estrutura a centenas de roteiros de filmes mostrou que essas ações tendem a refletir estereótipos de gênero generalizados, alguns dos quais são consistentes ao longo do tempo. Victor Martinez e colegas da University of Southern California, EUA, apresentam essas descobertas na revista de acesso aberto PLOS UM em 21 de dezembro.
Filmes, programas de TV e outras mídias retratam consistentemente estereótipos de gênero tradicionais, alguns dos quais podem ser prejudiciais. Para aprofundar a compreensão dessa questão, alguns pesquisadores exploraram o uso de estruturas computacionais como uma maneira eficiente e precisa de analisar grandes quantidades de diálogo de personagens em scripts. No entanto, alguns estereótipos prejudiciais podem ser comunicados não por meio do que os personagens dizem, mas por meio de suas ações.
Para explorar como as ações dos personagens podem refletir estereótipos, Martinez e seus colegas usaram uma abordagem de aprendizado de máquina para criar um modelo computacional que pode analisar automaticamente descrições de cenas em roteiros de filmes e identificar ações de diferentes personagens. Usando esse modelo, os pesquisadores analisaram mais de 1,2 milhão de descrições de cenas de 912 roteiros de filmes produzidos de 1909 a 2013, identificando cinquenta mil ações executadas por vinte mil personagens.
Em seguida, os pesquisadores realizaram análises estatísticas para examinar se havia diferenças entre os tipos de ações realizadas por personagens de diferentes gêneros. Essas análises identificaram uma série de diferenças que refletem estereótipos de gênero conhecidos.
Por exemplo, eles descobriram que as personagens femininas tendem a mostrar menos agência do que os personagens masculinos, e que as personagens femininas são mais propensas a demonstrar afeto. Personagens masculinos são menos propensos a “soluçar” ou “chorar”, e personagens femininos são mais propensos a serem “obscurados” ou “observados” por outros personagens, destacando a ênfase na aparência feminina.
Embora o modelo dos pesquisadores seja limitado pela extensão de sua capacidade de capturar totalmente o contexto social diferenciado relacionado ao roteiro de cada cena e à narrativa geral, essas descobertas se alinham com pesquisas anteriores sobre estereótipos de gênero na mídia popular e podem ajudar a aumentar a conscientização sobre como a mídia pode perpetuar estereótipos nocivos e, assim, influenciar as crenças e ações das pessoas na vida real. No futuro, a nova estrutura de aprendizado de máquina pode ser refinada e aplicada para incorporar noções de interseccionalidade, como gênero, idade e raça, para aprofundar a compreensão desse problema
Os autores acrescentam: “Os pesquisadores propuseram o uso de métodos de aprendizado de máquina para identificar estereótipos em diálogos de personagens na mídia, mas esses métodos não levam em conta os estereótipos nocivos comunicados por meio de ações de personagens. Para resolver esse problema, desenvolvemos um aprendizado de máquina em larga escala estrutura que pode identificar ações de personagens a partir de descrições de roteiros de filmes. Ao coletar 1,2 milhão de descrições de cenas de 912 roteiros de filmes, fomos capazes de estudar diferenças sistemáticas de gênero em retratos de filmes em grande escala.”
Fonte da história:
Materiais fornecidos por PLOS. Observação: o conteúdo pode ser editado quanto ao estilo e tamanho.
.
