Ieda Rozenfeld Olhovetchi

Aplicações de Inteligência Artificial na Indústria Cinematográfica

Trabalho de Conclusão de Curso

TCC apresentado ao Curso de Transformação Digital do ECOA,

como parte dos requisitos necessários à obtenção do título de
Master in Digital Transformation

Orientador: Dr. Augusto Baffa

Rio de Janeiro, 6 de Dezembro de 2021

Dedico este trabalho à minha filha Raquel Olhovetchi,
fonte de inspiração e luta.
 AGRADECIMENTOS

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.

Palavras-chave: Aprendizado de Máquina, Cinema, Roteiro, Análise Técnica,

Processamento de Linguagem Natural, Análise de Sentimento, Entretenimento, Mídia Social,
Narrativa

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.

Keywords: Machine Learning, Film, Screenplay, Technical Analysis, Natural Language

Processing, Sentiment Analysis, Entertainment, Social Media, Storytelling
 LISTA DE ILUSTRAÇÕES

Figura 1 - Gráfico Receitas De Bilheteria Cinema ……………. 11

Figura 2 - Estágios Da Produção Fílmica ……………………... 12

Figura 3 - Modelo Análise Técnica Do Roteiro……………….. 13

Figura 4 - Storyboard Psicose De Alfred Hitchcock…………... 14

Figura 5 - Formato Padrão Do Roteiro……………………….... 16

Figura 6 - Etapas Da Análise De Sentimentos Textual ……….. 16

Figura 7 - Pré-Processamento E Geração Do Corpus………….. 18

Figura 8 - Tokenização……………………………………….... 18

Figura 9 - Lematização……………………………………….... 18

Figura 10 - Estrutura Dramática Do Roteiro……………………. 21

Figura 11 - Os Arcos Dramáticos De Syd Field……………….... 21

Figura 12 - Jornada Emocional De Vonnegut………………….... 23

Figura 13 - As Formas Das Histórias De Vonnegut…………….. 25

Figura 14 - Arco Emocional Homem No Buraco De Vonnegut.... 26

Figura 15 - Arco Emocional Garoto Encontra Garota de

Vonnegut……………………………………………. 26

Figura 16 - Arco Emocional Cinderela de Vonnegut……………. 27

Figura 17 - A Complexidade Das Palavras…………………….... 29

Figura 18 - Projeto Guttemberg…………………………………. 30

Figura 19 - Os Seis Formatos Do Arco Emocional……………... 33

Figura 20 - Valoração Das Frases……………………………….. 34

Figura 21 - Arco Emocional De Harry Potter …………………... 35

Figura 22 - Análise De Sentimento Para Classificar o

Sentimento De Resenhas De Filmes………………... 36

Figura 23 - Imagens Nas Redes Sociais………………………... 38

Figura 24 - Roda De Emoções De Plutchik……………………... 40

Figura 25 - Arcos Emocionais Da Cena De Abertura De “Up”.... 41

Figura 26 - Valência Visual Segundo MIT…………………….... 43

Figura 27 - Famílias De Histórias E Comentários Nas Redes

Sociais………………………………………………. 44

Figura 28 - Color Quantization………………………………….. 44

Figura 29 - Palheta Das Cores No Cinema…………………….... 46

Figura 30 - Emoções de imagens ………….……………………... 47

Figura 31 - Scriptmove ………….……………………………….. 49

 SUMÁRIO

1 Introdução………………………………………………………………………………… 9

2 Justificativa………………………………………………………………………………… 9

3 Inteligência Artificial e Análise Técnica do Roteiro ………………………....………… 12

4 Inteligência Artificial e Análise de Sentimento do Roteiro …………………………… 19

5 Usando Arcos De Emoção Para Inovação Na Indústria Do Entretenimento………… 35

6 Análise de Sentimento Audiovisual para Determinar Arcos Emocionais

em Filmes e Prever o Envolvimento do Público………………………………………… 37

7 Conclusão e Pesquisas Futuras………………………………………………………… 48

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

Figura 1 - Gráfico Receitas De Bilheteria Cinema

FONTE: ANCINE / Sistema de Controle de Bilheteria (SCB)

https://www.gov.br/ancine/pt-br/assuntos/noticias/ancine-divulga-numeros-da-exibicao-em-2020-e-2021

É neste ambiente que a inteligência artificial pode se tornar um recurso

estratégico para enfrentar tempos duros. Especialmente pelo desafio de reduzir radicalmente
custos e pelo imperativo que a produção audiovisual agora tem de se transformar
digitalmente, de marcar presença em meios digitais.
Conforme Marcela Doria, vice-presidente de data & dnsights da WarnerMedia na
América Latina e co-manager da WarnerMedia no Brasil (2020 , Meio & Mensagem -
Business Transformation) [17] “Mais do que chegar ao consumidor final, o conteúdo tem que
ser relevante. Estamos na era do alcance de qualidade. Hoje, são os dados que garantem a
relevância de um certo conteúdo ou mensagem, pois tudo é mensurável e controlável. Os
dados gerados pelo próprio consumidor é o que nos alimenta a sermos ainda mais relevantes
para eles próprios”.
A pesquisa “Global Entertainment & Media Outlook 2019-2023” [20] atesta uma
tendência que já vem se acentuando nos segmentos de vídeo, cinema, música, games,
 12

streaming, esportes e outras vertentes do entretenimento: a maior parte desse montante será
proveniente do consumo digital.2

3 Inteligência Artificial e Análise Técnica do Roteiro

Uma das fases mais importantes da pré-produção é a Análise Técnica do roteiro. O

roteiro é a ideia, que precisa ser transformada em um produto físico. Este é o estágio em que
todos os elementos necessários para transformar o script em um produto cinematográfico são
extraídos. (FIGURA 2)

Figura 2 - Estágios Da Produção Fílmica

FONTE: https://fxhome.com/blog/the-3-stages-of-film-production

Os ganhos de escala com o uso de técnicas de Inteligência Artificial são significativos.

A Inteligência Artificial oferece recursos para otimizar a produção audiovisual, fazendo a
decupagem de roteiros e transformando-os em cronogramas de filmagem acompanhados de
orçamento com redução de custos e maximização dos lucros. Os benefícios para produtores,
cineastas, editores, distribuidores, profissionais de marketing são muitos. Transforma-se uma
operação manual que leva dias, por vezes semanas em uma plataforma que gera um resultado
em minutos através de machine learning.
A decupagem, também chamada de análise técnica do roteiro, é o primeiro passo para
se fazer tanto o plano de produção audiovisual quanto o seu orçamento. A decupagem
permite o levantamento dos custos de produção e de distribuição, separando as despesas fixas

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)

Figura 3 - Modelo Análise Técnica Do Roteiro

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

Figura 4 - Storyboard Psicose De Alfred Hitchcock

FONTE: https://psicosefans.blogspot.com/

Este mesmo detalhamento leva ao planejamento do cronograma do trabalho de

produção. E, para otimizar este cronograma na fase de pré-produção, pode-se fazer o
cruzamento de informações. Tendo no banco de dados a informação de quanto ganha cada
profissional, é possível fazer uma escala de trabalho de modo a economizar ao máximo em
diárias. Tendo acesso a sites que fazem previsão do tempo e que monitoram o trânsito, é
possível estabelecer um cronograma que evite atrasos e retrabalho. O mesmo mapa permite
ainda otimizar o trabalho de continuidade. E pensar também em alternativas orçamentárias,
com mudanças no elenco e na equipe técnica, com o corte de locações ou de recursos cênicos.
Usando algoritmos de Processamento de Linguagem Natural, especialmente treinados
com uma base de dados de roteiros cinematográficos em português se extrai automaticamente
os vários elementos do roteiro, separando todos eles em categorias distintas. Nestas
categorias, estão planos e sequências, personagens, locações, figurinos, objetos de cena,
previsões de sonoplastia e de efeitos especiais etc.
Em minutos, o algoritmo  de Inteligência Artificial processa o roteiro e dele extrai os
elementos-chave de cada cena: personagens, locações, objetos e figurinos, tipos de tomadas e
sequências previstos etc, para fazer um orçamento com base em custos mínimos.
 15

O programa prepara um cronograma de produção e prevê a sequência de tomadas,

levando em conta a disponibilidade da equipe técnica, do elenco, das locações, dos objetos de
cena, as restrições de recursos no orçamento, e até a previsão do clima e os dados de trânsito
da região. Depois do cronograma de produção, o programa faz o orçamento do projeto, com
base em pesquisas de preços. E pode desenhar orçamentos alternativos, com cortes de cenas,
alterações de elenco e equipe técnica, mudança de locações etc. O programa usa Inteligência
Artificial para reorganizar o cronograma.
O serviço permite a visualização do roteiro num gráfico que mostra o trabalho de
continuidade entre cenas, incluindo a frequência das interações entre os personagens e a carga
emocional das sequências, a fim de chamar atenção para eventuais falhas na narrativa. Se uma
cena for removida, o gráfico revela todas as cenas que serão afetadas pela remoção.
Os editais de financiamento pedem um orçamento detalhado e neste contexto nossa
plataforma obedece os critérios estabelecidos pela Ancine e usa a base de dados de salários
praticados aos componentes da equipe conforme a nossa legislação do audiovisual.
O sistema, treinado com banco de roteiros em domínio público 3, pode alertar
roteiristas e profissionais de marketing para o melhor aproveitamento das possibilidades da
história e suas estruturas, a fim de que tudo seja feito para a produção alcançar sua melhor
performance, incluindo-se aqui a melhor estratégia de marketing nas redes sociais.
Os roteiros obedecem padrões específicos semi-estruturados [32] que serão
transformados em símbolos estruturados (Corpus) . Assim o Processamento de Linguagem
Natural é usado para extrair dos roteiros as informações que são bases de dados que
obedecem a padrões internacionalmente convencionados. (FIGURA 5)
O Processamento de Linguagem Natural (PLN) é o campo da pesquisa computacional
que estuda como fazer com que uma máquina consiga entender a linguagem dos humanos,
especificamente, a linguagem escrita. Os dados podem ser extraídos por vários meios e
modos, como scripts da web, bancos de dados, artigos de notícias e outras fontes, mas os
dados extraídos nem sempre são “limpos”. O texto pode conter muitos ruídos como símbolos
e palavras que não fazem qualquer sentido na frase, espaços em branco extras, palavras com
erros ortográficos, palavras irrelevantes, etc.

3
por exemplo: http://www.roteirodecinema.com.br/roteiros.htm
 16

Figura 5 - Formato Padrão Do Roteiro

FONTE: https://www.wikihow.com/Write-Movie-Scripts

O pré-processamento é a etapa em que os dados são limpos para remover os ruídos e

são transformados em formato de compreensão de máquina (Corpus) para que o algoritmo
possa compreender o contexto sendo um aspecto importante no aprendizado de máquina.
Dados limpos e bem processados ​resultam em melhor precisão do modelo. (FIGURA 6)

Figura 6 - Etapas Da Análise De Sentimentos Textual

FONTE:
https://www.fiverr.com/roshanfande/sentiment-analysis-with-machine-learning-related-works-d03a
 17

O Pré-processamento do roteiro para geração do Corpus - Preparação,

pré-processamento, representação - utiliza algumas técnicas de Inteligência Artificial e
Aprendizado de Máquina (Machine learning) para tratamento textual: (FIGURA 7)

• 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.

Figura 7 - Pré-Processamento E Geração Do Corpus

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

4 Inteligência Artificial e Análise de Sentimento do Roteiro

Usar Análise de Sentimentos para mapear as preferências dos espectadores, ainda na

fase de roteirização, permite às empresas projetar conteúdo focado no consumidor. Define o
conteúdo que os espectadores realmente queiram ver. Assim, pode transferir a
responsabilidade sobre a tomada de decisão sobre o conteúdo produzido para os
consumidores, que passam a ser peça chave da escolha dos filmes a serem produzidos .
Muitas pessoas consideram o cinema uma parte inerente da jornada cultural de sua
vida. As pessoas costumam ter favoritos dos quais se lembram desde a infância, citam
regularmente ou até mesmo usam para imitar o estilo dos personagens principais . É
importante compreender o poder das histórias e os mecanismos que formam as narrativas,
propagadoras de ideias e valores que contribuem para o desenvolvimento de uma sociedade
crítica e mais evoluída, e que estimulam os indivíduos a imaginar, principalmente dado o fato
de que os seres humanos assimilam as obras audiovisuais através dos mesmos mecanismos
com os quais compreendem o mundo à sua volta.
Mas por que alguns filmes se tornam um sucesso quase imediato, tornando-se virais
em todo o mundo, enquanto outros são rapidamente esquecidos [37]? A indústria de produção
e distribuição de filmes não é apenas um mercado multibilionário que gera mais de $120
bilhões anualmente.5 ; também é uma grande empresa de contar histórias. As histórias
contadas pelos filmes ajudam as pessoas a se conectar com os personagens, reviver suas
próprias experiências e até escapar de seu cotidiano. O sucesso das histórias contadas por
filmes é definido pela jornada emocional que essas histórias oferecem aos telespectadores. A
compreensão dessas jornadas emocionais pode impulsionar os modelos de negócios na
indústria do entretenimento.
Desde os tempos de Platão, a presença dos contadores de histórias é reconhecida, seja
como influência na sociedade ou como forma de entretenimento. Segundo Aristóteles “os
escritores têm lutado com a fórmula mágica para contar histórias de sucesso, tentando
antecipar e projetar as histórias mais envolventes” (Aristóteles, 1902). Em “A Poética de
Aristóteles ”, ele propôs que despertar uma resposta emocional é muito importante para contar
uma história de sucesso, bem como identificou vários tipos de histórias para a poesia antiga.
Especificamente, ele argumentou: “Uma tragédia perfeita deve, como vimos, ser arranjada
5
According to statista.com the market size of the global movie production and distribution industry in
2017 was $124 billion. For more details, see
https://www.statista.com/statistics/326011/movieproduction-distribution-industry/\)
 20

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

● Resolução: Ato 3, equivalente a 25% da trama.

Figura 10 - Estrutura Dramática Do Roteiro

FONTE: Desafios do Roteiro Cinematográfico no Cinema Interativo - Nathan Nascimento CIRINO

Universidade Federal de Campina Grande, Campina Grande, PB. Intercom – Sociedade Brasileira de Estudos
Interdisciplinares da Comunicação XXXV Congresso Brasileiro de Ciências da Comunicação – Fortaleza, CE –
3 a 7/9/2012.

Figura 11 - Os Arcos Dramáticos De Syd Field

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

Figura 12 - Jornada Emocional De Vonnegut

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)

Homem no Buraco - O protagonista se vê em perigo para escapar e acabar melhor

pela experiência. (peça Arsenic and Old Lace; Filme Madrugada muito louca). (FIGURA 14)
Garoto conhece Garota - O protagonista topa com algo incrível, consegue, perde, e
então reconquista definitivamente.( Livro Jane Eyre; Filme Brilho eterno de uma mente sem
lembranças) (FIGURA 15).
De mal a pior - O protagonista começa a se dar mal e continuamente se complica sem
perspectiva de melhora. ( Livro A metamorfose; Seriado Além da Imaginação ).
Onde fica para cima? - A história tem ambiguidade similar à vida que mantém o
público sem saber se novos eventos são bons ou ruins. ( Livro Hamlet; Seriado Os Sopranos ).
História da criação - Em muitas culturas, a história da criação traz a humanidade
recebendo dons incrementais de deidades. Primeiro são coisas gigantescas como a Terra e o
céu, depois coisas menores como pássaros e celulares. Não é uma estrutura convencional em
histórias ocidentais.
Velho Testamento - A humanidade recebe dons incrementais de deidades para de
repente ver o que é bom lhe ser retirado, enquanto se depara com uma queda de enorme
proporção. ( Livro Grandes Esperanças ).
Novo Testamento - A humanidade recebe dons incrementais de deidades para de
repente ver o que é bom lhe ser retirado, mas então recebe uma benção sem igual. ( Livro A
versão alternativa do final de Grandes Esperanças ).
Cinderela - Vonnegut sempre foi intrigado pelas similaridades entre a história da
Cinderela e o Novo Testamento, desde 1947 até praticamente o restante de sua
vida,continuando a escrever ensaios e dando palestras sobre o formato das histórias.
(FIGURA 16).
 25

Figura 13 - As Formas Das Histórias De Vonnegut

FONTE:
https://www.openculture.com/2014/02/kurt-vonnegut-masters-thesis-rejected-by-u-chicago.html
 26

Figura 14 - Arco Emocional Homem No Buraco de Vonnegut

FONTE:
https://www.baloodesign.com.br/2020/06/25/kurt-vonnegut-visualiza-as-historias-mais-populares-de-nossa-civili
zacao-storytelling/

Figura 15 - Arco Emocional Garoto Encontra Garota de Vonnegut

FONTE: How to Become a Better Storyteller: 3 Key Points - The Enterprisers Project
https://enterprisersproject.com/article/2020/8/how-improve-storytelling
 27

Figura 16- Arco Emocional De Cinderela De Vonnegut

FONTE:
https://www.baloodesign.com.br/2020/06/25/kurt-vonnegut-visualiza-as-historias-mais-populares-de-nossa-civili
zacao-storytelling/

Também conhecida como mineração de opinião e análise de favorabilidade [49] (Pang

& Lee, 2008; Kontopoulos et al., 2013), a Análise de Sentimento é um subcampo do
Processamento de Linguagem Natural voltada a extrair, classificar e analisar opiniões sobre
diversos temas em grandes volumes de dados textuais. Seu objetivo é classificar textos pelo
sentimento ou opinião contidos na base de dados. Essa é uma técnica que tem como tarefa
básica a classificação automática de bases de dados contendo opiniões polarizadas (positivas,
negativas ou neutras) sobre temas previamente definidos. Com o auxílio da tecnologia da
informação, a Análise de Sentimento reduz drasticamente a necessidade de se lerem grandes
quantidades de documentos para extrair opiniões e há três principais razões para escolher a
análise de sentimento como uma abordagem de pesquisa:
1) converte grandes volumes de dados não estruturados em informações que permitem
previsões sobre questões específicas;
2) constrói modelos para agregar a opinião coletiva e revela informações úteis sobre o
comportamento da população para previsão de tendências futuras;
3) possibilita recolher informações sobre a opinião das pessoas a respeito de vários
temas.
 28

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.

Processamento de Linguagem Natural (PLN) é um campo da IA ​com o objetivo de

permitir que os computadores lidem com as comunicações humanas (faladas ou escritas). Para
tornar isso possível, a linguagem precisa ser codificada em um conjunto de regras que o
computador possa entender e seguir. Consideramos a linguagem algo natural, mas na verdade
é uma construção muito complexa. A Análise de Sentimentos é uma tarefa muito difícil
devido ao sarcasmo [4]. As palavras ou dados de texto implícitos em uma frase sarcástica vêm
com um sentido de significado diferente, dependendo dos remetentes ou das situações.
Sarcasmo é comentar algo oposto ao que você quer dizer. (FIGURA 17)
 29

Figura 17 - A Complexidade Das Palavras

FONTE: Sentiment analysis for sarcasm detection on streaming short text data," 2017

A Análise de Sentimentos é um subcampo do Processamento de Linguagem Natural

que identifica e extrai opiniões a partir de textos, que podem ser oriundos de blogs, redes
sociais, literatura e roteiros. No caso de roteiros fílmicos, com os dados da análise de
sentimento em mãos são montados clusters de filmes com roteiros que seguem “arcos
dramáticos” semelhantes. Como uma subtarefa da classificação do texto, se concentra em
identificar as informações subjetivas e classificá-las como positivas, negativas, neutras ou
quaisquer outras categorias que possam ser mais relevantes.
De acordo com a tese “The emotional arcs of stories are dominated by six basic
shapes” [2] de pesquisadores do Laboratório de História Computacional da Universidade de
Vermont foram analisados dados de milhares de romances. Os pesquisadores usaram um
subconjunto filtrado de 1.327 histórias da coleção de ficção do Project Gutenberg8 (FIGURA
18) , analisaram as palavras com base em seu sentimento geral implícito e as avaliaram em
uma escala de felicidade9.
8
https://www.gutenberg.org/
9
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.
 30

Figura 18 - Projeto Guttemberg

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

chamados de arquétipos - que formam os blocos de construção para narrativas mais

complexas. (FIGURA 19). São eles:

● Ascensão - Da pobreza à fortuna, ou de má a boa sorte

● Declínio - Declínio de bom a mau, uma tragédia
● Icarus - ascensão e depois declínio da sorte
● Oedipus - declínio, ascensão e declínio de novo
● Cinderela - ascensão, queda, ascensão
● Homem no buraco - queda, ascensão

Os pesquisadores se basearam na chamada Análise de Sentimentos. Essa é uma

técnica estatística comumente usada para analisar posts de mídia social. Com base em dados
públicos, a cada palavra é alocada uma "pontuação de sentimento". Dessa forma, uma palavra
pode ser categorizada como positiva (feliz) ou negativa (triste), ou pode ser associada a até
oito emoções mais sutis, como medo, alegria, surpresa e anseio. Por exemplo, a palavra
"abolir" é negativa e associada à raiva.
Ao fazer a análise de sentimento em todas as palavras de um romance, poema ou peça
e traçar os resultados em relação ao tempo, é possível perceber as mudanças de humor ao
longo do texto, revelando um tipo de narrativa emocional. Embora não seja um sistema
perfeito - já que foca em palavras isoladas, ignorando o contexto - ele é surpreendentemente
perspicaz quando aplicado a trechos maiores de texto. As ferramentas para fazer análises de
sentimento estão livremente disponíveis, e boa parte da literatura de domínio público pode ser
baixada de bancos de dados online. Entender os arcos emocionais das histórias pode ser útil
para auxiliar na construção de argumentos e ensinar bom senso aos sistemas de inteligência
artificial.
 33

Figura 19 - Os Seis Formatos Do Arco Emocional

FONTE: https://www.bbc.com/portuguese/vert-cul-44829803
 34

Cada frase do roteiro passa por um processo de análise de sentimento e recebe um

valor dentro do seguinte intervalo: -1 (emocionalmente negativo) até 1 (emocionalmente
positivo). Esse processo de valoração das frases é um dos recursos do chamado
Processamento de Linguagem Natural (PLN) – um dos métodos de Data Science. (FIGURA
20)

Figura 20 - Valoração Das Frases

FONTE: https://www.cloudfactory.com/sentiment-analysis

Na Figura 21 , podemos ver o arco emocional de Harry Potter e as Relíquias da Morte, o

último livro da popular série Harry Potter de JK Rowling. Embora o enredo do livro seja
aninhado e complicado, o arco emocional associado a cada sub-narrativa é claramente visível.
 35

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

Figura 21 - Arco Emocional De Harry Potter E As Relíquias Da Morte

FONTE: https://link.springer.com/article/10.1140/epjds/s13688-016-0093-1

5 Usando Arcos De Emoção Para Inovação Na Indústria Do Entretenimento

Todos os negócios que passam por transformação digital evocam as questões de

design centrado no consumidor: como as empresas podem projetar serviços e produtos
personalizados que refletem com precisão as preferências do consumidor? Desde mecanismos
de busca e sugestões personalizadas até a própria criação de conteúdo, o cliente - ou
consumidor - passa a ser o protagonista das decisões empresariais. Poderia-se transpor esta
premissa para espectadores de filmes? Seria possível prever o sucesso de um filme ainda na
etapa do roteiro através da Análise de Sentimento?

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

Com a metodologia de processamento de linguagem natural de ciência de dados,

usando-se a ferramenta de Análise de Sentimento , pode-se explorar em que medida as
emoções moldam as preferências do consumidor por conteúdo de mídia e entretenimento.
O trabalho “The Data Science Of Hollywood: Using Emotional Arcs Of Movies To
Drive Business Model Innovation In Entertainment Industries” [14] de pesquisadores da
University of Cambridge, University of the West of England e The Alan Turing Institute foi
apresentado em 2017 no seminário “Sentiment-driven Consumer-centric Design:
Understanding Emotional Trajectories of Films to Drive Business Model Innovation in Media
and Entertainment Industries”. Através de um conjunto de dados filtrado de 6.174 scripts de
filmes, foi gerado um mapeamento do conteúdo para capturar a trajetória emocional de cada
filme. Em seguida, os mapeamentos foram combinados em clusters que representam
agrupamentos de jornadas emocionais do consumidor. Esses clusters são usados ​para prever
os parâmetros gerais de sucesso dos filmes, incluindo bilheteria receitas, níveis de satisfação
do espectador capturados pelas classificações do site IMDb 15 , prêmios, bem como o número
de comentários de espectadores e críticos. ( FIGURA 22). Eles descobriram que, como os
livros, todas as histórias de filmes são dominadas por seis formas básicas. As maiores
bilheterias estão associadas à forma Homem no Buraco (Man in a Hole), que é caracterizada
por uma queda emocional seguida por uma ascensão emocional.

Figura 22 - Análise De Sentimento Para Classificar O Sentimento De Resenhas De Filmes

FONTE: Sentiment Analysis for Classifying Sentiment of Movie Reviews -

https://www.enjoyalgorithms.com/blog/sentiment-analysis-using-machine-learning

15
DATASET do IMDB disponível em
https://www.kaggle.com/columbine/imdb-dataset-sentiment-analysis-in-csv-format
 37

Esta forma resulta em filmes de sucesso financeiro, independentemente do gênero e do

orçamento de produção. Ainda, Homem em um Buraco tem sucesso não porque produz os
filmes mais “apreciados”, mas porque gera mais “comentários sobre os filmes” .
Curiosamente, uma combinação cuidadosamente escolhida de orçamento de produção e
gênero pode produzir um filme de sucesso financeiro com qualquer forma emocional.
Implicações disso na análise para gerar conteúdo sob demanda e para impulsionar a inovação
do modelo de negócios em indústrias de entretenimento são discutidas.

6 Análise de Sentimento Audiovisual para Determinar Arcos Emocionais em

Filmes e Prever o Envolvimento do Público

Historicamente, técnicas de análise de sentimento foram desenvolvidas para a análise

de texto e os estudos que existem para extrair (ou seja, inferir) sentimentos de conteúdos
audiovisuais (por exemplo, imagens, sons e vídeos) ainda são muito recentes. Observa-se que
as pessoas tendem a usar também imagens e vídeos, além das mensagens textuais, para
expressar suas experiências por meio das redes sociais. As informações contidas em tais
conteúdos visuais não estão relacionadas apenas aos conteúdos semânticos, como objetos ou
ações sobre a imagem adquirida, mas também nos informam sobre afeto e sentimento
transmitidos pela cena retratada [5] . Essas informações são, portanto, úteis para entender o
impacto emocional das para além da semântica. Por essas razões, imagens e vídeos se
tornaram um dos mais populares meios pelos quais as pessoas expressam suas emoções e
compartilham suas experiências nas redes sociais.
As imagens compartilhadas nas redes sociais (FIGURA 23) refletem os aspectos
visuais das atividades e interesses diários dos usuários. Esse crescente uso da imagem como
forma de expressão representa uma fonte recente e poderosa de informação para analisar os
interesses e sentimentos dos espectadores fílmicos. Definir as emoções inerentemente
subjacentes às imagens postadas e vistas pelos espectadores pode promover novas abordagens
para vários campos de aplicação, como percepção da marca, avaliação da satisfação do
cliente, publicidade, análise de mídia e a produção fílmica - neste caso nosso objeto de
interesse. Existem várias fontes que podem ser exploradas para construir conjuntos de dados
de análise de sentimento visual [34][35]. A coleção de dados de opinião pode ser obtida
explorando plataformas sociais mais comuns (Instagram, Flickr, Twitter, Facebook, etc.), bem
como sites de coleta de análises de negócios e produtos (Amazon, Tripadvisor, Ebay, etc.).
 38

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..

Figura 23 - Imagens Nas Redes Sociais

FONTE: FACEBOOK

As cores possuem papel relevante na composição estética de um filme. Elas são

responsáveis por gerar sensações, impressões e ilusões. No cinema, a seleção de cores é
definida conforme a informação ou mensagem que se deseja passar ao público. As cores
também orientam o figurino, a cenografia, a iluminação e os objetos presentes em cena. As
cores assumem significados variados de acordo com o filme no qual estão inseridas, por isso
nem sempre uma cor é atribuída a um único gênero fílmico. A construção do filme ultrapassa
aspectos como iluminação e enquadramentos. As cores, além da questão estética, funcionam
como uma ferramenta que auxilia na transmissão e no reforço de ideias e sensações. No que
se refere aos sentimentos, uma paleta de cores bem selecionada pode afetar a sensação térmica
de uma cena ou produção. Diferentes cores são capazes de transmitir diferentes sensações
para o espectador e conseguem acentuar uma emoção que pretende ser transmitida, apontando
o clima de uma cena e até o estado emocional de uma personagem.
A Psicologia das Cores é um termo usado para nomear o campo que estuda as
diferentes reações do nosso cérebro sob influência das cores. É um ramo da psicologia que
 39

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

Figura 24 - Roda De Emoções De Plutchik

FONTE:https://pt.wikipedia.org/wiki/Robert_Plutchik#cite_note-1

A Análise de Sentimento Visual visa compreender como as imagens afetam as

pessoas, em termos de evocação emoções. Embora este campo seja bastante novo, nos últimos
anos, uma ampla gama de técnicas foram desenvolvidos para várias fontes de dados e
problemas, resultando em um grande corpo de pesquisa.
O Massachusetts Institute of Thechnology (MIT) através de seu Lab For Social
Machines e a equipe McKinsey Consumer Tech18 [11] estudaram milhares de vídeos do Vimeo
usando análises avançadas para estabelecer a conexão entre as cores e os arcos emocionais
[3]. Eles desenvolveram modelos de aprendizado de máquina que dependem de redes neurais

18

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/ai-
in-storytelling#
 41

para "assistir" pequenas porções de vídeo - filmes, TV e curtas-metragens online - e estimar

seu conteúdo emocional positivo ou negativo por segundo. Esses modelos consideram todos
os aspectos de um vídeo - não apenas o enredo, os personagens e o diálogo, mas também os
toques mais sutis, como um close-up do rosto de uma pessoa ou um trecho de música que toca
durante uma cena de perseguição de carro. Quando o conteúdo de cada trecho é considerado,
surge o arco emocional da história. Os pesquisadores descobriram que o arco emocional de
uma história, gerado pelo algoritmo de Inteligência Artificial, poderia prever se o público iria
gostar ou não. Os algoritmos usaram visão computacional para pontuar as emoções para cada
cena, por segundo. Com o arco emocional de cada história esboçado, eles usaram o
aprendizado de máquina para dividí-los nas oito classificações de Vonnegut. Como exemplo,
eles analisaram o trecho de abertura do filme “UP”. No gráfico podemos ver os pontos altos e
baixos da montagem da cena de abertura do filme (FIGURA 25).

Figura 25 - Arcos Emocionais Da Cena De Abertura De “Up”

FONTE: AI in storytelling: Machines as cocreators (MIT)

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/ai-in-stor
ytelling#
 42

O eixo x é o tempo, medido em minutos, e o eixo y é a valência visual, ou a extensão

em que as imagens provocam emoções positivas ou negativas naquele momento específico,
conforme pontuado pela máquina. Quanto maior a pontuação, mais positiva é a emoção.
Como em todas as análises visuais, eles criaram gráficos semelhantes para as respostas de
máquina ao áudio e ao vídeo se concentrando nos gráficos visuais como foco de análises do
envolvimento emocional. ​Os modelos de aprendizado de máquina do MIT já revisaram
milhares de vídeos e construíram arcos emocionais para cada um. Para medir sua precisão e
acurácia, voluntários legendaram clipes de filmes com vários rótulos emocionais. Eles tiveram
que identificar qual elemento do vídeo - como diálogo, música ou imagens - acionou sua
resposta. Os pesquisadores usaram esses insights para refinar o modelo de Machine
Learning.
Depois de examinar os dados das análises de vídeo, os pesquisadores desenvolveram
um método para classificar as histórias em famílias de arcos - vídeos que compartilham a
mesma trajetória emocional. Essa abordagem combina uma técnica de agrupamento, chamada
k-medoides, com sincronização de tempo dinâmica - um processo que pode detectar
semelhanças entre duas sequências de vídeo que variam em velocidade.
Foram analisados os modelos de arcos emocionais em dois conjuntos de dados
separados - um com mais de 500 filmes de Hollywood e outro com quase 1.500 curtas
encontrados no Vimeo. A análise preliminar da valência visual revelou que a maioria das
histórias pode ser classificada em um número relativamente pequeno de grupos, assim como
Vonnegut e outros contadores de histórias suspeitaram. A Figura 26 mostra que os arcos que
emergem com os vídeos no conjunto de dados do Vimeo são agrupados em cinco famílias.
Para a família designada pela linha amarela, por exemplo, há um surto de emoção negativa
bem no início do vídeo, seguido por emoção positiva perto do final. (Todos os filmes tendem
a ter pontuação baixa no início e no final, durante os créditos.)
Para cada história, foi usado um modelo de regressão para considerar os recursos do
arco emocional, levando-se em conta vários metadados que podem afetar a reação online,
como a duração do vídeo e a data de upload. O objetivo era prever o número de comentários
que um vídeo receberia no Twitter [49] e outras mídias sociais. Na maioria dos casos, um
grande volume de comentários indica um forte envolvimento positivo do público, embora
possa haver algumas ressalvas, pois alguns filmes também podem gerar muitos comentários
online, mas não no bom sentido.
 43

Figura 26 - Valência Visual Segundo MIT

Na análise do Vimeo, os arcos visuais de fato previram o envolvimento do público,

com filmes em várias famílias gerando mais comentários do espectador. Em uma análise, a
família que se destacou - mostrada em vermelho na Figura 23 - segue um padrão de ascensão
e queda, com os personagens alcançando sucesso e felicidade precoces antes de um declínio
constante para o infortúnio. De todas as famílias de histórias, esta tem o final mais negativo.
Embora esses contos tenham um final sombrio, eles deixam um impacto nos telespectadores.
Outras análises dos vídeos do Vimeo revelaram descobertas semelhantes, com duas
famílias de histórias atraindo significativamente mais comentários do que outras (FIGURA
27). Ambas histórias culminam com um estrondo emocional positivo, indicado pelo grande
pico próximo ao final dos arcos. A principal diferença é que as histórias no gráfico à esquerda
envolvem mais oscilações de humor do negativo para o positivo antes do grande final. As
histórias dessas duas famílias tendem a receber mais comentários do que aquelas que
terminam negativamente, talvez ecoando a descoberta da Universidade da Pensilvânia de que
as emoções positivas geram o maior envolvimento.
 44

Figura 27 - Famílias De Histórias E Comentários Nas Redes Sociais

A extração de cores de imagens, estáticas ou em movimento, é um campo estudado

chamado “Color Quantization” (FIGURA 28) ou traduzindo “Quantização de Cores” [10]. Na
computação gráfica, a quantização de cores é um processo que reduz o número de cores
distintas usadas em uma imagem, geralmente com a intenção de que uma nova imagem seja o
mais visualmente semelhante possível à paleta de cores da imagem original [10].

Figura 28 - Color Quantization

FONTE:
https://demonstrations.wolfram.com/ColorQuantizationOfPhotographicImagesIPaletteFromColorsInThe/
 45

Quando assistimos a um filme, ficamos atentos a diversos elementos que o compõe:

roteiro, construção dos personagens, enquadramentos. E aos que analisam a produção com
mais profundidade ainda, a paleta de cores é outro ponto a ser estudado e compreendido. Isso
porque, na maioria das vezes, os tons não são usados à toa. A construção visual de um filme
vai muito além da iluminação e enquadramentos, e a paleta de cores não é somente para fins
estéticos.Seja para ditar o tom de uma situação ou para indicar conexões entre personagens, a
paleta de cores é um elemento fundamental que afeta o psicológico do espectador fílmico.
Com base na Análise de Sentimento visual pode-se estabelecer quais emoções são
despertadas no espectador a partir da paleta de cores de um filme (FIGURA 29) e assim
sugerir ao diretor e à direção de arte uma paleta de cores baseada em emoções [36].
 46

Figura 29 - Palheta Das Cores No Cinema

FONTE: https://cinematecando.com.br/importancia-das-cores-no-cinema/
 47

Considerando que a resposta emocional de uma pessoa que vê uma imagem

pode incluir várias emoções, os autores do paper “A Survey on Visual Sentiment Analysis” [5]
tiveram como objetivo prever uma representação de distribuição das emoções ao invés de um
único dominante emoção de (FIGURA 30). Eles compararam métodos para prever tais
distribuições de emoções: Support Vector Regressor (com base em recursos relacionados à
borda, cor, textura, forma e saliência), Convolutional Neural Network (CNN) para
classificação e regressão. Eles também propuseram um método para mudar a emoção causada
pela distribuição de uma imagem editando sua textura e cores. Dada uma imagem de origem e
uma de destino, o método transforma o tom e as texturas da cor da imagem de origem nos da
imagem de destino. O resultado é que a imagem editada evoca emoções mais próximas da
imagem alvo do que a original. Os experimentos sobre transferência de emoção sugerem que
características holísticas, como o tom da cor podem influenciar a emoção evocada, embora a
emoção relacionada a imagens com semântica de alto nível sejam difíceis de serem modeladas
de acordo com uma imagem alvo arbitrária.

Figura 30 - Emoções de Imagens

FONTE: https://arxiv.org/pdf/2004.11639.pdf
 48

7 Conclusão e Pesquisas Futuras

Compreender a percepção de um produto, serviço ou marca é essencial para qualquer

empresa de qualquer setor. A análise de sentimento é uma tarefa comum no Processamento de
Linguagem Natural e funciona como um tipo de classificação de texto em que um modelo de
Inteligência Artificial é treinado para identificar a tonalidade emocional de um texto como
positiva, negativa ou neutra.
Usar análise de sentimento para mapear as preferências dos espectadores fílmicos,
ainda na fase de roteirização, permite às empresas projetar conteúdo focado no consumidor e
ajuda a definir o conteúdo que o público quer assistir. Assim, elas podem transferir a
responsabilidade sobre a tomada de decisão baseada no gosto dos consumidores, que passam
a ser peça chave da escolha dos filmes a serem produzidos .
Os resultados beneficiam 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, as técnicas de Inteligência Artificial aplicadas
ao roteiro permitem 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.
Usar Inteligência Artificial para analisar as curvas dramáticas dos filmes através de
textos, imagens e sons é interessante, mas como podemos usar essas descobertas? O arco de
uma história, ou a família de arcos a que pertence, determina como o público responderá a um
filme? As histórias com certos arcos previsivelmente estimulam um maior engajamento?
Essas percepções e análises não necessariamente farão com que os roteiristas alterem a
escrita do roteiro - seria como pedir a George Orwell um final feliz para seu livro “1984” para
tornar a história mais alegre! Mas elas podem inspirar os diretores cinematográficos a olhar
seu conteúdo de forma objetiva e fazer edições para aumentar o envolvimento e engajamento
do espectador. Isso pode significar uma nova partitura musical, mudanças na paleta de cores
ou uma imagem diferente em momentos cruciais, bem como ajustes no enredo, diálogo e
personagens. À medida que os contadores de histórias percebem cada vez mais o valor da
Inteligência Artificial ​e essas ferramentas se tornam mais disponíveis, podemos ver uma
 49

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

[3] AI in storytelling: Machines as cocreators | McKinsey.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insig
hts/ai-in-storytelling#. Acessado 5 de dezembro de 2021.

[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.

[5] “A Survey on Visual Sentiment Analysis”. DeepAI, 24 de abril de 2020,

https://deepai.org/publication/a-survey-on-visual-sentiment-analysis
https://arxiv.org/pdf/2004.11639v1.pdf

[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

[11] Chu E. , Dunn J., Roy D. , Sands G. , Stevens R. , AI in storytelling: Machines as

cocreators, 2017,
https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights
/ai-in-storytelling#
 51

[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

[17] Experiências sob demanda – Business Transformation | Meio & Mensagem.

https://businesstransformation.meioemensagem.com.br/entretenimento/experiencias-sob-de
manda/. Acessado 5 de dezembro de 2021.

[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

[19] Field Syd. “Screenplay: The foundations of screenwriting”. Delta, 2007.

[20] Global Entertainment & Media Outlook 2019-2023,

https://mediaoutlook.pwc.com/dist/assets/pdf/Take-a-Tour-Outlook-2019.pdf

[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

[24] How to Become a Better Storyteller: 3 Key Points.

https://enterprisersproject.com/article/2020/8/how-improve-storytelling
 52

[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

[27] Lavanya R. And Bharathi B. , "Systematic analysis of Movie Recommendation System

through Sentiment Analysis," 2021 International Conference on Artificial Intelligence and
Smart Systems (ICAIS), 2021, pp. 614-620, doi: 10.1109/ICAIS50930.2021.9395854.

[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

[33] NLTK :: Sample usage for portuguese_en.

https://www.nltk.org/howto/portuguese_en.html#examples-for-portuguese-processing.

[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

[37] Pogrebna, Ganna. “Data Science e Hollywood: é possível prever desempenho de

bilheteria pela análise de sentimento dos roteiros?” , August 27, 2018.
https://ilumeo.com.br/todos-posts/2018/8/27/data-science-e-hollywood?format=amp

[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

[49] Kontopoulos, Efstratios, et al. “Ontology-Based Sentiment Analysis of Twitter Posts”.

Expert Systems with Applications, vol. 40, no 10, agosto de 2013, p. 4065–74. DOI.org
(Crossref), https://doi.org/10.1016/j.eswa.2013.01.001