(Tiếp theo P1)

Tìm thấy “các nhóm”: Cung bậc cảm xúc phổ biến

Sau khi sàng lọc dữ liệu từ các phân tích video, chúng tôi đã phát triển một phương pháp phân loại các câu chuyện thành các nhóm cung bậc, nói cách khác, các video có cùng quỹ đạo cảm xúc. Cách tiếp cận của chúng tôi kết hợp một kỹ thuật phân nhóm, được gọi là k-medoids với phương pháp xoắn thời gian động – một quá trình có thể phát hiện sự tương đồng giữa hai chuỗi video có tốc độ khác nhau.

Chúng tôi đã tìm kiếm các nhóm vòng cung cảm xúc trong hai bộ dữ liệu riêng biệt, một bộ dữ liệu với hơn 500 bộ phim Hollywood và một bộ dữ liệu khác với gần 1.500 bộ phim ngắn được tìm thấy trên Vimeo. Phân tích sơ bộ của chúng tôi về hóa trị trực quan cho thấy hầu hết các câu chuyện có thể được phân loại thành một số tương đối nhỏ các nhóm, giống như Vonnegut và những người kể chuyện khác đã nghi ngờ. Hình 2 cho thấy các cung bậc xuất hiện với các video trong bộ dữ liệu Vimeo được phân chia thành năm nhóm. Ví dụ, đối với nhóm được xác định bởi đường màu vàng, có sự gia tăng lớn về cảm xúc tiêu cực xuất hiện khá sớm trong video, sau đó cảm xúc tích cực được duy trì cho đến gần cuối đoạn video. (Tất cả các bộ phim có xu hướng đạt điểm thấp ở đầu bộ phim và cuối bộ phim vì máy móc thường lướt qua phần danh đề.)

Hình 2: Một số thể loại câu chuyện tạo ra nhiều ý kiến bình luận hơn so với các thể loại khác.

Nguồn: McKinsey&Company

Máy tính được coi là quả cầu pha lê: Dự đoán được sự tham gia của khán giả

Xem cách các câu chuyện hình thành là điều thú vị, nhưng điều quan trọng hơn là phải hiểu cách chúng ta có thể sử dụng những phát hiện này. Liệu vòng cung cảm xúc của một câu chuyện, hoặc nhóm các cung bậc mà câu chuyện thuộc về, có xác định cách khán giả sẽ phản ứng với video không? Có phải những câu chuyện với vòng cung cảm xúc nhất định sẽ kích thích sự tham gia lớn hơn của khán giả?

Nhóm chúng tôi đã cố gắng trả lời những câu hỏi này bằng cách phân tích dữ liệu trực quan cho bộ dữ liệu phim ngắn trên Vimeo. (Chúng tôi chọn tập trung vào các cung bậc hình ảnh trong phân tích được thảo luận ở đây vì chúng được liên kết chặt chẽ với phần nội dung video hơn phần âm thanh và các cung bậc được kết hợp đó đưa ra một số thách thức phân tích.) Đối với mỗi câu chuyện, chúng tôi đã sử dụng mô hình hồi quy để xem xét các tính năng biến đổi trong khi thực hiện kiểm soát các siêu dữ liệu khác nhau vốn có thể ảnh hưởng đến tương tác trực tuyến, chẳng hạn như thời lượng video và ngày tải lên.

Mục tiêu là dự đoán số lượng bình luận mà một video sẽ nhận được trên Twitter và các phương tiện truyền thông xã hội khác. Trong hầu hết các trường hợp, một lượng lớn các ý kiến ​​báo hiệu sự tham gia lớn của khán giả, mặc dù có thể tồn tại một số cảnh báo. Nếu một bộ phim bùng nổ – hãy nghĩ về Gigli và Ishtar – nó cũng có thể tạo ra nhiều ý kiến bình luận trực tuyến, nhưng không phải theo một cách tốt.

Trong phân tích Vimeo, các cung bậc hình ảnh thực sự dự đoán được sự tham gia của khán giả, trong đó các bộ phim ở một số thể loại tạo ra nhiều bình luận từ phía người xem hơn. (Chúng tôi đã thực hiện một số phân tích, mỗi phân tích có số lượng thể loại phim khác nhau để đảm bảo rằng chúng tôi đã không bỏ qua bất kỳ xu hướng nào). Trong một phân tích, thể loại phim nổi bật – được thể hiện màu đỏ trong Hình 2 – theo mô hình tăng giảm, với các nhân vật gặt hái được thành công và có cuộc sống hạnh phúc ban đầu trước khi bị rơi vào cuộc sống bất hạnh. Trong tất cả các thể loại câu chuyện, thể loại này có kết thúc tiêu cực nhất. Mặc dù những câu chuyện này có kết thúc ảm đạm nhưng chúng lại có tác động đến người xem.

Các phân tích khác về các video Vimeo đã tiết lộ những phát hiện tương tự, với hai thể loại câu chuyện thu hút nhiều bình luận hơn những thể loại khác (Hình 3). Những câu chuyện này vừa lên đến cực điểm với sự bùng nổ cảm xúc tích cực, được biểu thị bằng sự gia tăng mạnh ở cuối của các vòng cung cảm xúc. Sự khác biệt chính là các câu chuyện trong biểu đồ bên trái liên quan đến nhiều thay đổi tâm trạng từ tiêu cực sang tích cực trước khi có cái kết có hậu. Những câu chuyện từ hai thể loại này có xu hướng nhận được nhiều ý kiến bình luận hơn những câu chuyện kết thúc tiêu cực, có lẽ lặp lại phát hiện của trường Đại học Pennsylvania rằng những cảm xúc tích cực tạo ra sự gắn kết lớn nhất.

Hình 3: Các thể loại mà câu chuyện có sự chuyển biến tích cực lớn ở gần phần cuối câu chuyện có xu hướng tạo ra nhiều bình luận nhất.

Nguồn: McKinsey&Company

Nhóm chúng tôi đã đọc các bình luận cho tất cả các bộ phim ngắn trên Vimeo, đánh giá các loại cảm xúc được thể hiện và chạy một chương trình để đo thời lượng của chúng. Phân tích này đã xác nhận rằng những câu chuyện trong ba thể loại vừa được mô tả có xu hướng tạo ra những phản hồi chi tiết hơn, tận tâm hơn. Thay vì chỉ nói “Tác phẩm lớn”, một bình luận có thể ghi “siêu phẩm, siêu siêu tuyệt vời … nó tác động đến bạn giống như một quả văng”. Điều đáng chú ý không kém là các bình luận không tập trung vào các hình ảnh trực quan cụ thể nhưng lại về tác động cảm xúc tổng thể của video hoặc cách câu chuyện thay đổi theo thời gian.

Những hiểu biết này sẽ không nhất thiết buộc các nhà biên kịch phải bắt đầu lại từ đầu – mà giống như việc yêu cầu George Orwell đưa ra một kết thúc có hậu vào năm 1984 để cổ vũ mọi thứ. Nhưng chúng có thể truyền cảm hứng cho những người kể chuyện bằng video nhìn vào nội dung của chúng một cách khách quan và thực hiện các chỉnh sửa để làm gia tăng sự tương tác. Điều đó có thể có nghĩa là một bản nhạc mới hoặc một hình ảnh khác biệt vào những thời điểm quan trọng, cũng như việc điều chỉnh cốt truyện, lời thoại và nhân vật. Khi những người kể chuyện ngày càng nhận ra giá trị của AI và khi các công cụ này trở nên có sẵn dễ dàng hơn, chúng ta có thể thấy sự thay đổi lớn trong cách tạo ra các câu chuyện video. Theo cách tương tự, giờ đây các đạo diễn có thể tích hợp ghi hình chuyển động trong tác phẩm của mình, các nhà văn và người kể chuyện có thể làm việc cùng với máy móc, sử dụng các khả năng AI để làm sắc nét câu chuyện và khuếch đại sức hút cảm xúc.

Để biết thêm thông tin về các vòng cung cảm xúc, xem trang của MIT về dự án học chuyện hoặc luận án của Eric Chu mà nghiên cứu này đã căn cứ vào. Bài viết tiếp theo của chúng tôi trong loạt bài viết này sẽ xem xét liệu vòng cung cảm xúc của một câu chuyện có thể dự đoán tốc độ, chiều rộng và chiều sâu của cuộc thảo luận về câu chuyện trên Twitter hay không.

Hoài Thu

Lược dịch theo bài viết của McKinsey&Company

Giới thiệu về (các) tác giả

Jonathan Dunn là đối tác tại văn phòng New York của McKinsey và Geoffrey Sands là giám đốc điều hành tại văn phòng Stamford. Eric Chu là nghiên cứu sinh tiến sĩ tại Viện Công nghệ Massachusetts (MIT) và tiến hành nghiên cứu tại Phòng thí nghiệm Lab for Social Machines, một bộ phận của Phòng thí nghiệm Media Lab của MIT, nơi Deb Roy là giám đốc và Russell Stevens là trưởng nhóm triển khai lĩnh vực này.


Ý tưởng về sự hợp tác giữa con người và máy móc không chỉ còn là câu chuyện viễn tưởng, tuy nhiên để đảm bảo sự đồng hành này được an toàn và đem lại những lợi ích quý giá đối với nhân loại, cần một cơ chế kiểm soát với các hành động của AI.  Trong Mô hình AIWS 7 lớp thuộc Sáng kiến Xã hội Trí tuệ nhân tạo (AIWS) phát triển bởi Viện Michael Dukakis, lớp đầu tiên tập trung vào xây dựng một quy chuẩn trách nhiệm để điều hành những công dân AI và đảm bảo rằng AI có thể hòa nhập một cách an toàn vào xã hội.