Le cadre d’apprentissage automatique trouve que les actions des personnages dans les scripts de films reflètent les stéréotypes de genre
Les recherches ont commencé par le processus d’annotation, où ils ont collecté des annotations manuelles pour 9 613 descriptions et plus de 1,5 million d’étiquettes d’expression de genre pour les personnages. Ensuite, ils ont développé un modèle d’apprentissage automatique pour identifier les actions, les agents et les patients à partir du langage naturel trouvé dans les scripts des films. Dans la dernière étape, ils ont entrepris une analyse statistique pour découvrir les différences de représentation le long des attributs représentés par les personnages. Crédit : Martinez et al., 2022, PLOS ONE, CC-BY 4.0 (creativecommons.org/licenses/by/4.0/)
Les chercheurs ont développé un nouveau cadre d’apprentissage automatique qui utilise des descriptions de scènes dans des scripts de films pour reconnaître automatiquement les actions de différents personnages. L’application du cadre à des centaines de scénarios de films a montré que ces actions ont tendance à refléter des stéréotypes de genre répandus, dont certains se révèlent cohérents dans le temps. Victor Martinez et ses collègues de l’Université de Californie du Sud, aux États-Unis, présentent ces résultats dans la revue en libre accès PLOS ONE le 21 décembre.
Les films, les émissions de télévision et d’autres médias dépeignent systématiquement les stéréotypes de genre traditionnels, dont certains peuvent être préjudiciables. Pour approfondir la compréhension de ce problème, certains chercheurs ont exploré l’utilisation de cadres informatiques comme un moyen efficace et précis d’analyser de grandes quantités de dialogues de personnages dans des scripts. Cependant, certains stéréotypes nuisibles peuvent être communiqués non pas par ce que disent les personnages, mais par leurs actions.
Pour explorer comment les actions des personnages peuvent refléter des stéréotypes, Martinez et ses collègues ont utilisé une approche d’apprentissage automatique pour créer un modèle informatique capable d’analyser automatiquement les descriptions de scènes dans les scripts de films et d’identifier les actions des différents personnages. À l’aide de ce modèle, les chercheurs ont analysé plus de 1,2 million de descriptions de scènes de 912 scénarios de films produits de 1909 à 2013, identifiant cinquante mille actions effectuées par vingt mille personnages.
Ensuite, les chercheurs ont mené des analyses statistiques pour examiner s’il existait des différences entre les types d’actions effectuées par des personnages de sexes différents. Ces analyses ont identifié un certain nombre de différences qui reflètent des stéréotypes de genre connus.
Par exemple, ils ont constaté que les personnages féminins ont tendance à faire preuve de moins d’agence que les personnages masculins et que les personnages féminins sont plus susceptibles de montrer de l’affection. Les personnages masculins sont moins susceptibles de « sangloter » ou de « pleurer », et les personnages féminins sont plus susceptibles d’être « regardés » ou « regardés » par d’autres personnages, ce qui met l’accent sur l’apparence féminine.
Bien que le modèle des chercheurs soit limité par l’étendue de sa capacité à saisir pleinement le contexte sociétal nuancé reliant le scénario à chaque scène et au récit global, ces résultats s’alignent sur les recherches antérieures sur les stéréotypes de genre dans les médias populaires et pourraient aider à faire prendre conscience de la façon dont les médias pourraient perpétuer des stéréotypes nuisibles et influencer ainsi les croyances et les actions réelles des gens.
À l’avenir, le nouveau cadre d’apprentissage automatique pourrait être affiné et appliqué pour incorporer des notions d’intersectionnalité telles que le sexe, l’âge et la race, afin d’approfondir la compréhension de cette question.
Les auteurs ajoutent : « Les chercheurs ont proposé d’utiliser des méthodes d’apprentissage automatique pour identifier les stéréotypes dans les dialogues des personnages dans les médias, mais ces méthodes ne tiennent pas compte des stéréotypes nuisibles communiqués par les actions des personnages. Pour résoudre ce problème, nous avons développé un système d’apprentissage automatique à grande échelle. cadre qui peut identifier les actions des personnages à partir des descriptions de scénarios de films. En collectant 1,2 million de descriptions de scènes à partir de 912 scénarios de films, nous avons pu étudier les différences systématiques entre les sexes dans les représentations de films à grande échelle.
