流行电影中的性别偏见 - 计算方法

目前关于媒体的性别偏见的辩论在长期学术努力的肩膀上，捕获，分析和解构女性和男性的代表在电视，书籍和收音机等各种车辆上。自1950年代以来，研究人员一直在识别性刻板印象，职业典型，偏见的职业作用，身体分期，婚姻和强奸，以及建立强大，稳定的模式，例如妇女出现＆＃34;依赖于男性＆＃34; unintrelligent＆＃34 ;,＆＃34;较少的竞争力＆＃34;，＆＃34;更为性＆＃34; （Linda Busby，1975）。

这些分析是艰苦的工作，需要许多研究人员达成如何讨论如何注释媒体，以定义对特征和含义的共同理解，当然，通过观看，倾听或读数在其上进行聆听或阅读来评估内容。这使得能够对股权的陈述进行深入理解和评估，而是限制了在规模和几个时间点重现它以捕获潜在趋势的可能性。

我们的工作探讨了使用人工智能和机器学习算法来解决此类限制的可能性。一方面，计算机不可能系统地捕获有关概念的良好表示，例如依赖，智力，竞争力或性化，至少目前。另一方面，算法管理到数百万的简单任务，例如计数发生。所以，

我们专注于一项非常简单的任务：妇女和男子的脸上的脸上出现在超过3500多电影超过3年。

我们选择了在对等网络上进行充分共享的电影，并在IMDB上记录，该想法是捕获文化表现的特征，并在塑造它们方面有影响力。对于每部电影，我们每2秒提取一帧，并应用图像分析算法以检测面部的存在，并猜测那些人是否是女性或男性。以下是成功猜测的例子以及说明性错误。有错误的事实不一定丢弃整个协议。重要的是概述何时以及如何讨论何时何时以及如何纠正整个数据集的观察的准确性，这些观察的准确性包括更多的是1200万图像。

平均而言，在整个数据集上，只有34.52％的电影中显示的面部被检测为女性。为了以非正式的这种比率在实践中意味着什么，这里是一些顶级汇总电影的示例。首先，在具有高百分比的男性面（女性面部的比例）的电影中我们发现了加勒比海（2007年），星球大战（2005），矩阵（2003），独立日（1996）的电影或森林凝块（1994），所有比例约为23％。饥饿游戏（2014年），侏罗纪世界（2015年），流氓一（2016年）和重力（2013年）等电影围绕着女性男性平等，比例为45％和55％。最后，女性面孔比例最高的电影（68％）是坏妈妈（2016年），紧随其后的是姐妹（2015年），党的生活（2018年）和蛋糕（2014年）。

这种比率如何随着时间的推移而发展？我们在临时将DataSet拆分为4个包含相同数量电影的块。我们观察到妇女人数的显着增加。从1985年到1998年，该比例的比例为27％，从2014年到2019年，最近一段时间达到女性男性平价的重点，比例为44.9％。而且，情况的多样性（正式，该比率的方差）增加。这意味着最近产生的电影倾向于深入了解更多样化的屏幕上的女性股。

谨慎在解释这些结果时需要。底线是：我们测量了良好的物理屏幕存在的面部的面孔数量。我们正在处理过度/陈述，而不是妇女或男性如何实际代表。在跳跃从评估到电影中的妇女和男子的实际代表的代表性之前，有很多乏味的研究。生产企业可能有强烈的激励措施，以培养更多的电影中的女性存在，但这种努力可以轻松地以“紫色洗手”重新颁布性别的保守耻辱。

女性面的比例显着不同于另一部电影类型而变化。犯罪电影是展示最少数量的女性面（31.3％），而恐怖电影显示最多的比例为37.1％，紧随浪漫和喜剧。我们使用这种变化来将我们的公制与另一个名为Bechdel测试的着名特征进行比较，如果至少有两个名叫女性在除了一个男人外面的事情上互相交谈。看来，这两个度量在他们对另一个类型的变化中的变化高度相关，暗示了计数面的假设可能是有关更多语义特征的相关代理。

此外，我们研究了IMDB的元数据，如预算，总额和评级价值，计数和人口统计数据。 “电影中更多的女性”是否与电影投入或制造的剩余或多或少的资金相关联？妇女或男子的IMDB对IMDB的评级是妇女的屏幕上的价值吗？是评估者的数量吗？似乎，尽管有趣的模式，这些特征与电影中的女性面的比例之间没有强烈的相关性（正面或阴性），除了一个：女性评级的比例。这意味着，虽然妇女给电影的价值并没有说明电影中的女性数量，但妇女在评级中的份额确实如此。

etVoilà！我们坚持认为我们所知道的索赔 - 彻底使用社会科学中的计算方法 - 而不是跳跃对性别的危险解释，我们对其感兴趣但不是专家的研究。本文的学术版本提供了有关我们的研究协议的更多详细信息，我们如何处理算法错误，轻微导致Mise-en-Scène和字符的Mise-Cas-Castre中可能的性别偏见。然而，如果任何问题未被答复，请随时通过电子邮件或推特联系我们。

如果您想了解更多有关本文中提到的主题的更多信息，请以下是几条曲目：

关于媒体的性别，Linda Busby（1975）和Rena Rudy等。 （2010）是开始的好地方。

Tanaya Guha等人的工作。 （2015,2021）与我们的相似性有很多相似之处，具有更好的算法，但数据明显减少（尚未进行时间分析）。

一些活动家努力监测妇女在媒体中的存在是Geena Davis Institute（使用Guha的方法）和每年的Glaad报告，提供许多数据和分析。 Joy Buolamwini和Timnit Gebru（2018）和Kate Crawford和Trevor Paglen（2019）的工作提供了对图像分析算法的制作和性能的详细批评。 对于鸟类对社会科学的计算图像分析的看法，Taylor Arnold和Lauren Tilton（2019）可能是您的兴趣。