Escolar Documentos
Profissional Documentos
Cultura Documentos
Ao meu orientador, Dr. Augusto Baffa que conduziu o trabalho com paciência
e dedicação, sempre disponível a compartilhar todo o seu vasto conhecimento.
Aos amigos, em particular Dra. Marcia Davidovitch que sempre esteve ao meu
lado, se dedicando a ler o texto e contribuir com a realização do vídeo de
apresentação.
Aos professores, pelas correções e ensinamentos que me permitiram apresentar
um melhor desempenho no meu processo de formação profissional ao longo do curso.
Aos Mestres que me motivaram e instigaram minha curiosidade pelos novos
conhecimentos, Dr. Gustavo Robichez, Dr. Rafael Nasser, Dr. Marcelo Pereira.
Aos meus colegas de curso, cоm quem convivi intensamente durante os
últimos anos, pelo companheirismo e pela troca de experiências que me permitiram
crescer não só como pessoa, mas também como formando.
Ao ECOA/PUC-RIO essencial no meu processo de formação profissional, pela
dedicação, e por tudo o que aprendi ao longo do curso.
“Computers don’t cry during sad stories, but they can tell when we will.”,
Deb Roy, pesquisador do Massachusetts Institute of Technology - MIT
Aplicações de Inteligência Artificial na Produção Fílmica
Ieda Rozenfeld
iedarozenfeld@hotmail.com
Resumo. O presente trabalho vai explorar técnicas de Inteligência Artificial que podem ser
aplicadas ao roteiro na etapa de pré-produção de um filme: a otimização da análise técnica
para estimar prazos e custos e como análise de sentimentos dos roteiros sob uma ótica de
experiência centrada no usuário refletem nos negócios do mercado audiovisual podendo
customizar serviços e definir de forma acurada as preferências dos espectadores.
Abstract. This work will explore Artificial Intelligence techniques that can be applied to the
script in the pre-production stage of a movie: the optimization of technical analysis to
estimate deadlines and costs and how to analyze the feelings of scripts from a user-centered
experience perspective reflect on the business of the audiovisual market, being able to
customize services and accurately define viewers' preferences.
Figura 8 - Tokenização……………………………………….... 18
Figura 9 - Lematização……………………………………….... 18
1 Introdução………………………………………………………………………………… 9
2 Justificativa………………………………………………………………………………… 9
8 Referências Bibliográficas……………………………………………………………… 50
9
1 Introdução
Um bom roteiro é um dos aspectos mais importantes de um filme bem sucedido nos
moldes do cinema clássico narrativo do mercado hollywoodiano. Os espectadores devem ser
capazes de se relacionar, se envolver com a história e se tornar parte das cenas dramáticas de
um filme. Gabriel Garcia Marques diz que “A coisa mais importante deste mundo é o
processo de criação [29].Os roteiros de filmes são documentos que descrevem a história, a
direção de cena para os atores, movimentos de câmera, direção de arte, vestimentas, adereços
de cena e diálogos. Os roteiristas e diretores padronizaram o formato e a linguagem usados
na redação do roteiro de forma que contenham uma grande quantidade de informações sobre
padrões narrativos, direção de personagens e controle de câmera que podem ser extraídos para
várias aplicações em narrativas interativas.
No cinema, a escrita do roteiro e a pré-produção são as etapas em que são tomadas as
decisões de maior alavancagem e definição de custos de produção que afetam o produto final.
Se a IA e a ciência de dados são capazes de automatizar a maior parte desse processo, os
cineastas podem concentrar seu tempo nos aspectos mais criativos e centrados no espectador,
tornando a produção de filmes mais ágil reduzindo drasticamente o tempo de pré-produção.
Os recursos de Inteligência Artificial permitem a otimização do processo de produção
audiovisual a partir do roteiro de um filme, proporcionando ganhos de escala e redução
drástica de tempo e custos. Utilizar análise de sentimento para mapear as preferências dos
espectadores ainda na fase de pré-produção permitirá às empresas projetar conteúdo focado
no consumidor, produtos que os espectadores realmente queiram ver, influenciando a tomada
de decisão sobre os filmes a serem desenvolvidos pelas empresas produtoras.
2 Justificativa
A indústria audiovisual foi uma das que mais sofreu com a paralisação de atividades
públicas em decorrência da pandemia. A exibição de filmes em salas de cinema foi suspensa e
a retomada de espaços de estacionamentos para revigorar os antigos drive-ins não compensou
a queda de receita do circuito distribuidor. A produção audiovisual foi praticamente extinta
[1], não só pelas exigências sanitárias do enfrentamento da pandemia como também pela
drástica redução do patrocínio das leis de incentivo à cultura. (FIGURA 1)
Por um lado, a interdição do circuito tradicional de distribuição acelerou a entrada de
filmes nos meios digitais, sem a espera costumeira pelas bilheterias das salas de cinema. Por
10
outro lado, porém, os filmes tiveram que se submeter aos padrões de segmentação e
customização dos sistemas de recomendação usados em grandes plataformas como Netflix,
que ficam com boa parte dos lucros e que têm um avassalador volume de lançamentos, sem
contar os títulos de catálogos.
As perspectivas que se abrem pós-pandemia apontam para uma volta muito lenta das
salas de cinema e uma concorrência muito maior em busca de espectadores arredios a sair de
casa. Menos patrocínio, baixas expectativas de lucros, público menor, mercado em crise. E,
neste ambiente, há maior demanda por produtos audiovisuais para os meios digitais, demanda
que inclui agilidade e velocidade de produção. Os produtores do audiovisual precisam
repensar seus modelos de negócio e encontrar meios de produzir mais com menos recursos.
Precisam se adaptar às demandas dos canais de streaming e precisam atender às exigências do
marketing das redes sociais.
O mercado audiovisual online é gigantesco e, segundo a consultoria PWC, a
perspectiva para o setor audiovisual de mídia e entretenimento é movimentar globalmente
cerca de US $2,6 trilhões em 2023, uma projeção feita como parte da pesquisa Media &
Outlook Entertainment em 53 países. A Netflix, maior empresa de streaming do mundo, teve
o melhor semestre de sua história em 2020, chegando à marca de 183 milhões de assinantes
em todo o planeta.
No Brasil, a GloboPlay, canal de streaming do Grupo Globo, teve um salto de 150%
no número de assinantes e a meta para todo o ano de 2020 foi batida em julho. Além da
Netflix, gigantes como a Disney, a Amazon Prime, o Telecine e a HBO já se movimentam
para a forte disputa do mercado brasileiro. E esta disputa vai incluir o mercado de TV a cabo,
com a entrada de novos players com serviços de streaming, como a Watch Brasil, que oferece
assinaturas, ou ainda como a VIx, plataforma de distribuição de conteúdo via redes sociais,
que se prepara para lançar a TV Vix, plataforma de streaming inteiramente gratuita, financiada
por veiculação publicitária.
A Vix é uma gigante presente em todos os países da América hispânica, com mais de
20 mil horas de conteúdo em sua videoteca digital, e está ansiosa por adquirir produção
1
audiovisual brasileira, de acordo com o “Relatório 2020 da agência Meio & Mensagem”.
1
http://businesstransformation.meioemensagem.com.br/entretenimento/experiencias-sob-demanda
11
streaming, esportes e outras vertentes do entretenimento: a maior parte desse montante será
proveniente do consumo digital.2
FONTE: https://fxhome.com/blog/the-3-stages-of-film-production
2
https://mediaoutlook.pwc.com/dist/assets/pdf/Take-a-Tour-Outlook-2019.pdf
13
das variáveis. Permite também uma visão mais ampla, no sentido de pensar alternativas com
base em opções estéticas: decidir quantas câmeras usar, quantos planos em cada cena, quantas
cenas em cada sequência, quais atores contratar, qual volume de recursos empenhar em
locações, figurinos, objetos de cena, sonoplastia, efeitos especiais etc. (FIGURA 3)
FONTE: https://pt.scribd.com/doc/58768873/modelo-analise-tecnica
Direitos autorais:Attribution Non-Commercial (BY-NC)
A decupagem permite ainda que se desenhe um storyboard (FIGURA 4) , ou seja, um
mapa visual do produto audiovisual, cruzando dados da decupagem com modelos de
storyboard previamente coletados num banco de dados disponível na plataforma.
14
FONTE: https://psicosefans.blogspot.com/
3
por exemplo: http://www.roteirodecinema.com.br/roteiros.htm
16
FONTE: https://www.wikihow.com/Write-Movie-Scripts
FONTE:
https://www.fiverr.com/roshanfande/sentiment-analysis-with-machine-learning-related-works-d03a
17
• Tokenização e String Matching: É o processo de extrair unidades mínimas das palavras que
de acordo com o formato padronizado do roteiro identifica seu “papel” na Análise Técnica.
Exemplo: INT/EXT, DIA/NOITE, Nomes de personagens em maiúsculos precedidos de 2
ou mais brancos, locações, etc., espaços em branco e identificação de diálogos. (FIGURA
8)
• Lematização (Lemmatization): Tem como objetivo reduzir uma palavra à sua forma base e
agrupar diferentes formas da mesma palavra. ... Por exemplo, as palavras “correr", "corre" e
"correu" são todas formas da palavra "correr", portanto "correr" é o lema de todas as
palavras anteriores. (FIGURA 9)
• Pontuação: Remoção de caracteres especiais, como símbolos e palavras que não sejam do
alfabeto e não influenciam no contexto da frase.
• Palavras com pouco sentido semântico (stopwords / stoplists para palavras consideradas
irrelevantes como artigos, conjunções, crase, preposições e pronomes). Stopwords são as
palavras mais comuns e amplamente usadas em frases. Essas palavras tornam as frases
completas e significativas, mas não desempenham nenhum papel na análise de sentimento e
devem ser removidas antes de realizarmos a análise. O NLTK - Natural Language Toolkit -
[33] tem stopwords predefinidas e podem-se definir outras palavras consideradas
irrelevantes.
• Normalização de palavras simplificando a análise rotulando substantivos, verbos, adjetivos,
advérbios, pronomes, etc. É uma parte importante do pré-processamento que envolve a
conversão dos dados no formato canônico (padrão), geralmente reduzido para o formato
comum, que pode ser facilmente processado pela máquina, sem distorcer o contexto real
dos dados.
• Utilização de bibliotecas e ferramentas que fornecem esses recursos como a IBM, Amazon
4
e Google que oferecem ferramentas de NLP.
4
Processamento em Português usando Python
https://www.nltk.org/howto/portuguese_en.html#examples-for-portuguese-processing
18
• Entidades nomeadas que permitem encontrar segmentos de texto que constituam nomes
próprios, substantivos etc,e em seguida, classificar seu tipo da entidade.
• Após análise, um reconhecedor permite identificar e classificar as entidades de novos
roteiros, baseando-se no aprendizado de máquina.
FONTE: https://medium.com/@ashok_/text-pre-processing-and-normalization-1054b043cff2
Figura 8 - Tokenização
FONTE: https://www.enjoyalgorithms.com/blog/sentiment-analysis-using-machine-learning
Figura 9 - Lematização
FONTE: https://www.enjoyalgorithms.com/blog/sentiment-analysis-using-machine-learning
19
não no plano simples, mas no plano complexo. Deve, além disso, imitar ações que despertem
piedade e medo, sendo este marca distintiva da imitação trágica ”(Aristóteles, 1902, p. 45).
Para Jean-Claude Carrière [7] (apud RODRIGUES, 2007, p. 49): “o roteiro é a
posição-chave na fabricação de um filme, pois é a partir dele que se decide o filme”. Embora
Comparato [13] e McKee [30] afirmem em seus manuais de roteiro que não há regras ou leis
para esta escrita, apenas arquétipos e princípios, na prática, o mercado acaba por exigir a
segurança da construção narrativa clássica aristotélica, como se vê na grande maioria dos
filmes produzidos não apenas no Brasil como em outros países. As proposições de Aristóteles
se somam a outros autores para determinar a forma como o roteiro deve replicar estruturas
lineares de exibição. É a partir destes estudos que temos toda a concepção dramática de
criação de personagens, curva dramática, arcos, atos, dentre outros elementos que compõem a
linguagem narrativa do roteiro para audiovisual.
McKee (1997) assinala a importância e a responsabilidade do contador de histórias no
sentido da propagação de ideias e de valores sociais, não na forma filosófica canônica,
racional e aberta, mas sim de forma intangível, dentro das seduções emotivas da arte. Deste
modo, lidar com a disseminação de ideias na forma artística é algo fundamental, tanto quanto
a própria filosofia, para o desenvolvimento de uma sociedade crítica. Assim, a produção de
6
um trabalho artístico é um ato de responsabilidade social”
Assimila-se obras , sejam textuais ou audiovisuais, através dos mesmos mecanismos
com os quais compreende-se o mundo. Assim, toda narrativa é imbuída da percepção humana
e da forma com a qual nós experienciamos a realidade. Portanto, a Narrativa Clássica revela
um esforço intrínseco ao ser humano de conferir sentido à vida. A teoria de Narrativa Clássica
é baseada nos conceitos definidos, principalmente, por McKee (FIGURA 10) e Syd Field
[19], a respeito da arquitetura da narrativa ficcional e busca elucidar os mecanismos que
constituem uma história que reflita os afetos, e a importância de um trabalho artístico
propagador de ideias e valores sociais. Ainda segundo Syd Field: (2007, p. 21), o paradigma
do roteiro é descrito por um diagrama (FIGURA 11) , que pode ser sucintamente resumido da
seguinte maneira:
● Apresentação: Ato 1, equivalente a 25% da trama. Acaba no Primeiro Ponto de
virada;
● Confronto: Ato 2, equivalente a 50% da trama. Acaba no Segundo Ponto de Giro;
6
Design Narrativo: Notas Referentes À Roteirização Clássica Audiovisual Heidi Campana PIVA,
(UNESP)1 Leticia Passos AFFINI, (UNESP)
21
FONTE: autora
Kurt Vonnegut, escritor norte-americano, morto em 2007, descreveu em sua tese de
mestrado em antropologia na Universidade de Chicago “The Fluctuations Between Good and
22
Evil in Simple Tasks” [43] : "As histórias têm formas que podem ser desenhadas em papel
graficamente".
Um dos primeiros exemplos de uso de tecnologia da informação para analisar o
conteúdo emocional das histórias pertence a Vonnegut. Ele não apenas cunhou o termo
"Arco emocional" [44] (Vonnegut, 1981) de uma história, mas também a visualizou em um
espaço bidimensional definindo-a como uma correspondência entre o tempo da história
("Início-Fim") exibida na horizontal e sua jornada emocional ("Ill Fortune-Great Fortune")
mostrado em eixos verticais. (FIGURA 12)
A ideia básica de sua tese consistia no fato que o progresso de um protagonista numa
história poderia ser ilustrado sob a forma de um gráfico [45] (mostrando assim o formato da
história). Vonnegut passou a fazer parte do chamado "pacote revolucionário" do
norte-americano na década de 1970. Seu livro Matadouro 5 era devorado por estudantes,
assim como o outro libelo antiguerra, Catch-22 de Joseph Heller, e o libelo anti-psiquiatria
Um Estranho no Ninho, de Ken Kesey, que virou filme oscarizado em 1975, com Jack
Nicholson no papel principal.
23
FONTE: http://www.artsandjustice.org/storytelling-basics-methods/
Além de seus livros e ensaios, Kurt Vonnegut fez uma importante contribuição na arte
de storytelling. Uma forma é o homem-em-um-buraco, ele observou em uma palestra de
19857, na qual expandiu sua teoria [44]. “Alguém se mete em problemas”, disse ele, “e sai
deles de novo”. Isso não precisa exigir homem nem buraco, mas aquele arco emocional
paralelo. Naquela palestra Vonnegut refletiu sobre por que os computadores ainda não haviam
analisado essas formas, uma vez que eles já podiam jogar xadrez.
7
VONNEGUT, Kurt. Shapes of stories (recorded lecture). YouTube. com, 1985.
https://youtu.be/oP3c1h8v2ZQ
24
“Não existe razão pela qual simples formatos de histórias não possam ser
analisados por computadores, eles são modelos. A ideia fundamental é que as
histórias têm formas que podem ser desenhadas graficamente.” (Vonnegut)
A tese de Vonnegut, rejeitada na época, define oito arcos emocionais: (FIGURA 13)
FONTE:
https://www.openculture.com/2014/02/kurt-vonnegut-masters-thesis-rejected-by-u-chicago.html
26
FONTE:
https://www.baloodesign.com.br/2020/06/25/kurt-vonnegut-visualiza-as-historias-mais-populares-de-nossa-civili
zacao-storytelling/
FONTE: How to Become a Better Storyteller: 3 Key Points - The Enterprisers Project
https://enterprisersproject.com/article/2020/8/how-improve-storytelling
27
FONTE:
https://www.baloodesign.com.br/2020/06/25/kurt-vonnegut-visualiza-as-historias-mais-populares-de-nossa-civili
zacao-storytelling/
A Análise de Sentimento se torna cada vez mais popular no mundo dos negócios
devido à sua eficiência. De acordo com a tese “Sentiment Analysis of Movie Reviews using
Machine Learning Techniques” [46] milhares de documentos podem ser processados de forma
eficiente e precisa possuindo várias aplicações:
● Aquisição de mercadoria ou serviço: Ao comprar uma mercadoria ou serviço,
com análise de sentimento as pessoas podem avaliar facilmente comentários e
opiniões de qualquer mercadoria ou serviço e sem esforço comparar as marcas
concorrentes.
● Melhoria da Qualidade no Produto ou Serviço: os produtores podem coletar a
opinião do usuário e saber se é favorável ou não sobre seu produto ou serviço.
● Sistemas de recomendação: Analisando e categorizando a opinião das pessoas
de acordo com suas preferências e interesses, o sistema pode prever quais ítens
devem ser recomendados e quais não devem.
● Tomada de decisão: sentimentos, ideias e impressões são fatores muito
importantes para tomada de decisão. Para comprar qualquer item, seja um
livro, roupa, eletrônico e mesmo um filme o usuário é o primeiro a ler as
opiniões e comentários sobre o produto específico e essas análises têm um
grande impacto na mente do usuário.
● Pesquisa de marketing: os resultados das técnicas de análise de sentimento
podem ser utilizados na pesquisa de marketing; a atitude dos consumidores
sobre algum produto ou serviços ou qualquer nova política governamental
pode ser analisada.
● Detecção de chamas: O monitoramento de grupos de notícias, blogs
e mídia social pode detectar fakenews, palavras de culto ao ódio, agressivas e
ofensivas usadas em tweets, postagens, fóruns e blogs na internet.
FONTE: Sentiment analysis for sarcasm detection on streaming short text data," 2017
Schematic of how we compute emotional arcs. The indicated uniform length segments (gap between
samples) taken from the text form the sample with fixed window size set at Nw = 10,000 words. The segment
length is thus Ns = (N – (Nw + 1))/n for N the length of the book in words, and n the number of points in the
time series. Sliding this fixed size window through the book, we generate n sentiment scores with the
Hedonometer, which comprise the emotional arc
FONTE: The emotional arcs of stories are dominated by six basic shapes [1]
https://www.semanticscholar.org/paper/The-emotional-arcs-of-stories-are-dominated-by-six-Reagan-Mi
tchell/f70eafb452554f1bedf2c0725b0d4299b3c53d34
Eles fizeram isso treinando a máquina para pegar todas as palavras do livro, seção por
seção, e medir a felicidade média de um determinado pacote de palavras com base na
pontuação de uma palavra individual. Os pesquisadores atribuíram pontuações de felicidade
individual a mais de 10.000 palavras usadas com frequência. As palavras que as pessoas
classificaram como as mais felizes foram: riso, felicidade, amor, feliz, excelente, risos e
31
alegria. As palavras que as pessoas classificaram como menos felizes foram terrorista,
suicídio, estupro, terrorismo, assassinato, morte, câncer e morreu.
Eles usaram um Hedônomo, que é uma ferramenta que mede a felicidade ou o prazer
por sua capacidade de gerar gráficos de deslocamento de palavras significativos, ou gráficos
que medem as mudanças na frequência das palavras, produzindo picos ou quedas na
felicidade. Concebido pelo menos já em 188010 o termo foi usado em 1881 pelo economista
Francis Ysidro Edgeworth para descrever "um instrumento idealmente perfeito, uma máquina
psicofísica, registrando continuamente a altura do prazer experimentado por um indivíduo." 11
Mais recentemente, tem sido usado para se referir a uma ferramenta desenvolvida por
Peter Dodds e Chris Danforth para avaliar a valência de vários corpora, incluindo endereços
históricos do Estado da União, letras de músicas e tweets e blogs online. É operado pela
University of Vermont (UVM) e está em uso desde 2008. Uma versão da ferramenta está
disponível em hedonometer.org, que eles chamam de uma espécie de "Índice Dow Jones de
Felicidade".12
Os cientistas da computação treinaram o hedonômetro para reconhecer a emoção por
trás dos dados como tweets com técnicas de análise de sentimento. Danforth preferiu uma
abordagem de léxico, que mede o peso de uma palavra, devido à energia necessária para as
redes neurais.
Em 2020, o hedonômetro da Universidade de Vermont registrava cerca de 50 milhões
de tuítes por dia. Usando a análise de sentimento, o hedonômetro [12] mede a temperatura
emocional das palavras publicadas por usuários de várias plataformas. 13
A equipe da Universidade de Vermont examinou o arco emocional que é invocado por
meio das palavras usadas. À medida que as palavras aparecem nos livros que eles
experimentaram (todos fictícios e escritos em inglês), um arco de história é desenhado em
relação à frequência de palavras felizes ou tristes presentes em cada parte do livro. Esse arco
na frequência com que as palavras felizes ou tristes aparecem pode estar relacionado aos altos
e baixos da jornada do protagonista. Eles chegaram a seis tipos básicos de histórias - também
10
Oxford English Dictionary definition
11
"Edgeworth's Hedonimeter and the Quest to Measure Utility," Middlebury College Working Paper Series 0723,
Middlebury College, Department of Economics, 2007
12
http://www.uvm.edu/storylab/2013/04/30/now-online-the-dow-jones-of-happiness/
13
Mackenzie, Dana (2020-09-14). "How algorithms discern our mood from what we write online". Knowable Magazine.
doi:10.1146/knowable-091120-1
32
FONTE: https://www.bbc.com/portuguese/vert-cul-44829803
34
FONTE: https://www.cloudfactory.com/sentiment-analysis
Foram analisados [2] os arcos emocionais correspondentes a livros completos e, para limitar
a fusão de múltiplos arcos emocionais centrais, os pesquisadores restringiram a análise a
livros mais curtos, selecionando um número máximo de palavras ao construir o filtro. O arco
emocional mostrado aqui captura os principais altos e baixos da história. O método não capta
momentos emocionais discutidos brevemente, talvez em um parágrafo ou frase (por exemplo,
o primeiro beijo de Harry e Ginny). 14
FONTE: https://link.springer.com/article/10.1140/epjds/s13688-016-0093-1
14
visualizações interativas de todos os livros do Project Gutenberg em http://hedonometer.org/books/v3/1/ e
uma seleção de livros clássicos e populares em http://hedonometer.org/books/v1/.
36
15
DATASET do IMDB disponível em
https://www.kaggle.com/columbine/imdb-dataset-sentiment-analysis-in-csv-format
37
Essas imagens são frequentemente associadas a metadados que fornecem contexto adicional e
ajuda para o sistema automático de rotulagem das imagens (por exemplo, explorando PLN em
metadados). No entanto, essa rotulagem automática não é 100% confiável (por exemplo,
metadados incluem sarcasmo, considerações pessoais, etc.). Portanto, tais conjuntos de dados
em grande escala precisam de mais processos de filtragem antes de serem explorados em
sistemas de Análise de Sentimento visual..
FONTE: FACEBOOK
busca compreender o comportamento humano em relação às cores: quais os efeitos que cada
cor gera nas pessoas, como mudanças nas emoções, nos sentimentos e a criação de desejos.
Cores diferentes são percebidas de formas diferentes. Cores quentes tendem a gerar agitação,
e ressaltar emoções intensas como paixão, alegria, sensualidade, violência, loucura e
vingança. As cores frias, por outro lado, apontam sentimentos mais introspectivos, como
tristeza, solidão, depressão, calma e passividade. Tons de vermelho levam a sensações de
excitação, enquanto tons de azul estão associados a sensações de relaxamento. Ambas as
emoções são agradáveis, portanto, quaisquer cores podem gerar sentimentos positivos ou
negativos dependendo do seu objetivo. Existem níveis subconscientes de emoção primária no
espectador que podem ser acionados se a cor for usada corretamente.
Robert Plutchik criou uma roda de emoções [38] para ilustrar sua teoria com uma
imagem gráfica16. Ele propôs seu modelo em forma de roda (2D) em 1980 para descrever
como as emoções estavam relacionadas. Através de uma abordagem de classificação
psicoevolutiva para respostas emocionais gerais, ele sugeriu oito emoções bipolares primárias:
alegria versus tristeza; raiva versus medo; confiança versus repulsa; e surpresa versus
antecipação. Além disso, seu modelo circunflexo faz conexões entre a ideia de um círculo
emocional e uma roda de cores. Como as cores, as emoções primárias podem ser expressas
em diferentes intensidades e podem se misturar entre si para formar emoções diferentes.
(FIGURA 24).
A Análise de Sentimento Visual é uma área de pesquisa recente, influenciada por
estudos empíricos da psicologia e da teoria da arte. O primeiro artigo sobre análise de
sentimento visual, “Analyzing and predicting sentiment of images on the social web” [4] visa
classificar imagens como "positivas" ou "negativas" e data de 201017. Neste trabalho, os
autores estudaram as correlações entre o sentimento das imagens e seu conteúdo visual. Eles
atribuíram pontuações numéricas de sentimento a cada imagem com base no
acompanhamento texto (ou seja, metadados) para extrair a pontuação de sentimento valores
do texto associado às imagens.
16
Plutchik, Robert.; Kellerman, Henry. (1980). Theories of emotion. New York: Academic Press. ISBN
0-12-558701-5. OCLC 6814085
17
Stefan Siersdorfer, Enrico Minack, Fan Deng, and Jonathon Hare. Analyzing and predicting
sentiment of images on the social web. In Proceedings of the 18th ACM international conference on
Multimedia, pages 715–718. ACM, 2010.
40
FONTE:https://pt.wikipedia.org/wiki/Robert_Plutchik#cite_note-1
18
https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/ai-
in-storytelling#
41
FONTE:
https://demonstrations.wolfram.com/ColorQuantizationOfPhotographicImagesIPaletteFromColorsInThe/
45
FONTE: https://cinematecando.com.br/importancia-das-cores-no-cinema/
47
FONTE: https://arxiv.org/pdf/2004.11639.pdf
48
grande mudança na forma como as histórias audiovisuais são criadas. Da mesma forma que os
diretores agora podem integrar a análise visual de sentimentos em seu trabalho, os roteiristas e
storyboarders podem trabalhar ao lado de máquinas, usando recursos de Inteligência Artificial
para refinar as histórias e amplificar a atração emocional do público.
Como parte do curso de “Transformação Digital” do ECOA/PUC-RJ foi apresentado
na cadeira de Inteligência Artificial do Dr. Augusto Baffa a plataforma Scriptmove; uma
plataforma de serviços para todos os profissionais da cadeia do setor audiovisual: autores,
produtores, assistentes de produção, cineastas, videomakers, distribuidores, exibidores,
anunciantes, executivos de grandes estúdios de TV e de cinema, profissionais de
merchandising e de marketing digital, e todos os interessados em redução de custos e prazos,
agilidade de processos e ganhos de escala no setor. Num momento de intensa demanda por
produtos audiovisuais para canais de streaming, Scriptmove permite aumentar a velocidade de
produção e dá aos seus clientes a oportunidade de ter planos de marketing desenvolvidos sob
demanda, com a prerrogativa de testar a receptividade dos produtos em redes sociais,
aumentando a expectativa do público para o acesso e a oferta de novidades em canais de
streaming. O Scriptmove é um protótipo de geração de Análise Técnica gerada a partir do
roteiro do filme “Cidade de Deus”. Através de um programa desenvolvido na linguagem R
foram extraídos personagens e locações. Este programa precisa ser aperfeiçoado para extração
dos demais dados que completam a Análise Técnica e geração da plataforma, que se propõe a
gerar a Análise Técnica em poucos minutos. Uma breve apresentação do sistema da proposta
do SCRIPTMOVE pode ser acessada em https://iedarozenfeld.wixsite.com/scriptmove .
Figura 31 - Scriptmove
FONTE: autor
50
8 Referências Bibliográficas
[1] “ANCINE divulga números da exibição em 2020 e 2021”. Agência Nacional do Cinema -
ANCINE,
https://www.gov.br/ancine/pt-br/assuntos/noticias/ancine-divulga-numeros-da-exibicao-em-
2020-e-2021.
[2] Andrew J, Reagan, et al. “The Emotional Arcs of Stories Are Dominated by Six Basic
Shapes”. EPJ Data Science, vol. 5, no 1, dezembro de 2016, p. 31. DOI.org (Crossref),
https://doi.org/10.1140/epjds/s13688-016-0093-1. https://arxiv.org/pdf/1606.07772.pdf
[4] A. G. Prasad, S. Sanjana, S. M. Bhat and B. S. Harish, "Sentiment analysis for sarcasm
detection on streaming short text data," 2017 2nd International Conference on Knowledge
Engineering and Applications (ICKEA), 2017, pp. 1-5, doi: 10.1109/ICKEA.2017.8169892.
[6] Bartram L., Fraser S.. “Affective Color in Visualization”, University Surrey, BC, Canada
lyn@sfu.ca Abhisekh Patra Simon Fraser University Surrey, BC, Canada apatra@sfu.ca
Maureen Stone Tableau Software Seattle, WA, USA mstone@tableau.com
https://research.tableau.com/sites/default/files/Affective%20Color%20CHI%202017.pdf
[7] Carriére, Jean-Claude e Bonitzer, Pascal. Prática do Roteiro Cinematográfico. São Paulo:
JSN, 1996
[8]] Catmul, Ed. Pixar: Keep Your Crises Small. www.youtube.com, 2007.
https://youtu.be/k2h2lvhzMDc.
[9] Catmul, Ed. :We Constantly Seek Out Small Crises - Stanford School of Business (January
1, 2007).
https://www.gsb.stanford.edu/insights/ed-catmull-we-constantly-seek-out-small-crises
[10] Color Quantization of Photographic Images I: Palette from Colors in the Image -
Wolfram Demonstrations Project.
https://demonstrations.wolfram.com/ColorQuantizationOfPhotographicImagesIPaletteFromC
olorsInThe/., August 2011
[12] Colander, David. Edgeworth’s Hedonimeter and the Quest to Measure Utility. 0723,
Middlebury College, Department of Economics, junho de 2007. ideas.repec.org,
https://ideas.repec.org/p/mdl/mdlpap/0723.html.
[13] Comparato, Doc. Da Criação ao Roteiro. Rio de Janeiro: Editora Rocco, 1998
[14] Del Vecchio, Marco, et al. “The Data Science of Hollywood: Using Emotional Arcs of
Movies to Drive Business Model Innovation in Entertainment Industries”. SSRN Electronic
Journal, 2018. DOI.org (Crossref), https://doi.org/10.2139/ssrn.3198315.
[15] Eric Chu and Deb Roy. , Audio-visual Sentiment Analysis for Learning Emotional Arcs in
Movies. Data Mining (ICDM), 2017 IEEE 17th International Conference on. IEEE, 2017.
https://sosuperic.github.io/a-darn-good-yarn-website/
[16] Eldhose, K. A., et al. “Alyce: An Artificial Intelligence Fine-Tuned Screenplay Writer”.
Innovative Data Communication Technologies and Application, organizado por Jennifer S.
Raj et al., vol. 59, Springer Singapore, 2021, p. 627–36. DOI.org (Crossref),
https://doi.org/10.1007/978-981-15-9651-3_52
[18] Frangidis P., Georgiou K., Papadopoulos S. (2020) “Sentiment Analysis on Movie Scripts
and Reviews”. In: Maglogiannis I., Iliadis L., Pimenidis E. (eds) Artificial Intelligence
Applications and Innovations. AIAI 2020. IFIP Advances in Information and Communication
Technology, vol 583. Springer, Cham. https://doi.org/10.1007/978-3-030-49161-1_36
[21] Hossen, Md. Sharif, e Niloy Ranjan Dev. “An Improved Lexicon Based Model for
Efficient Sentiment Analysis on Movie Review Data”. Wireless Personal Communications,
vol. 120, no 1, setembro de 2021, p. 535–44. DOI.org (Crossref),
https://doi.org/10.1007/s11277-021-08474-4.
[22] Habibian, Amirhossein. “Storytelling Machines for Video Search: PhD Thesis
Summary”. ACM SIGMultimedia Records, vol. 8, no 4, julho de 2017, p. 1. DOI.org
(Crossref), https://doi.org/10.1145/3129151.3129156.
[23] Hye-Yeon Yu · Moon-Hyun Kim · Byung-Chull Bae , “Emotion and Sentiment Analysis
from a Film Script: A Case Study”, Department of Computer Engineering, Sungkyunkwan
University, Korea. School of Games, Hongik University, Sejong 30016, Korea
[25] Jhala A. (2008) Exploiting Structure and Conventions of Movie Scripts for Information
Retrieval and Text Mining. In: Spierling U., Szilas N. (eds) Interactive Storytelling. ICIDS
2008. Lecture Notes in Computer Science, vol 5334. Springer, Berlin, Heidelberg.
https://doi.org/10.1007/978-3-540-89454-4_27
[26] Kesari G., “How to Become a Better Storyteller: 3 Key Points”, 2020,
https://towardsdatascience.com/how-to-become-a-better-storyteller-3-key-points-1a204fb3b1
8b
[28] Liu, Chang, et al. “Towards Story-Based Classification of Movie Scenes”. PLOS ONE,
organizado por Ronald Breiger, vol. 15, no 2, fevereiro de 2020, p. e0228579. DOI.org
(Crossref), https://doi.org/10.1371/journal.pone.0228579.
[29]Márquez, Gabriel Garcia. Como Contar um Conto. Rio de Janeiro: Casa Jorge Editorial,
1995.
[30] Mckee R. Story: style, structure, substance, and the principles of screenwriting. Harper
Collins, 1997.
[31] Mihanovic A., Hrvoje G., and Krstic K.. “Big Data and Sentiment Analysis Using
KNIME: Online Reviews vs. Social Media” (n.d.).
http://www.skladistenje.com/wp-content/uploads/2014/05/BigDataAndSentimentAnalysisU
singKNIME_OnlineReviewsVsSocial-Media_1.pdf.
[32]Moss, Hugo. Como Formatar o seu Roteiro. Rio de Janeiro: Pessoa Moss Ass. Cons.,
1998
[34] Ortis A. , “Methods for Sentiment Analysis and Social Media Popularity of
Crowdsourced Visual Contents” , 2019, University of Catania Viale
http://dspace.unict.it:8080/handle/10761/4136
[35] Ortis, Alessandro, et al. “Survey on Visual Sentiment Analysis”. IET Image Processing,
vol. 14, no 8, junho de 2020, p. 1440–56. DOI.org (Crossref),
https://doi.org/10.1049/iet-ipr.2019.1270
https://arxiv.org/pdf/2004.11639.pdf
[36] Peng Y. And Chou T., " Automatic Color Palette Design Using Color Image and
Sentiment Analysis," 2019 IEEE 4th International Conference on Cloud Computing and Big
Data Analysis (ICCCBDA), 2019, pp. 389-392, doi: 10.1109/ICCCBDA.2019.8725717.
53
[38] Plutchik, Robert.; Kellerman, Henry. (1980). Theories of emotion. New York: Academic
Press. ISBN 0-12-558701-5. OCLC 6814085.
[39] Ray, Debajyoti (Deb). “Data Science and AI in Film Production”. RivetAI, 28 de junho
de 2018, https://medium.com/rivetai/data-science-and-ai-in-film-production-8918ea654670
[40] Ray, Debajyoti, et al. Script Writing and Content Generation Tools and Improved
Operation of Same. US10922489B2, https://patents.google.com/patent/US10922489B2/en
[41]Stefan Siersdorfer, Enrico Minack, Fan Deng, and Jonathon Hare. Analyzing and
predicting sentiment of images on the social web. In Proceedings of the 18th ACM
international conference on Multimedia, pages 715–718. ACM, 2010
[42] Silva J., Oliveira P., Souza H., Bermejo J. and Barbosa A. , A Aplicação Da Técnica De
Análise De Sentimento Em Mídias Sociais Como Instrumento Para As Práticas Da Gestão
Social Em Nível Governamental (n.d.).
https://www.scielo.br/j/rap/a/GD3F8HdkQKGSHy8zzV8w9Ys/?lang=pt#
[43] Vonnegut K., “The Fluctuations Between Good and Evil in Simple Tasks”, 1965,
University of Chicago
https://capnmariam.tumblr.com/post/76564658108/kurt-vonnegut-library-adventures-newish-
exhibits
[44] Vonnegut, Kurt. Shapes of stories (recorded lecture). YouTube. com, 1985.
https://youtu.be/oP3c1h8v2ZQ
[45] Vonnegut, Kurt. Shapes of stories (recorded lecture). YouTube. com, 1995.
https://youtu.be/GOGru_4z1Vc
[46] V. K. Singh, R. Piryani, A. Uddin and P. Waila, "Sentiment analysis of movie reviews: A
new feature-based heuristic for aspect-level sentiment classification," 2013 International
Mutli-Conference on Automation, Computing, Communication, Control and Compressed
Sensing (iMac4s), 2013, pp. 712-717, doi: 10.1109/iMac4s.2013.6526500.
[47] Walraven, Jen. “Data Science and Entertainment Production”. Proceedings of the 24th
ACM SIGKDD International Conference on Knowledge Discovery & Data Mining,
Association for Computing Machinery, 2018, p. 2879. ACM Digital Library,
https://doi.org/10.1145/3219819.3226069.
[48] Yu, Hye-Yeon, Kim, Moon-Hyun, And Bae, Byung-Chull. “Emotion and Sentiment
Analysis from a Film Script: A Case Study” (n.d.).
https://www.koreascience.or.kr/article/JAKO201707356128225.pdf