研究人员开发了一种新颖的机器学习框架，该框架使用电影剧本中的场景描述来自动识别不同角色的动作。将该框架应用于数百个电影剧本表明，这些行为往往反映了普遍存在的性别刻板印象，其中一些在不同时间被发现是一致的。美国南加州大学的VictorMartinez及其同事于12月21日在开放获取期刊PLOSONE上展示了这些发现。

电影、电视节目和其他媒体一贯描绘传统的性别刻板印象，其中一些可能是有害的。为了加深对这个问题的理解，一些研究人员探索了使用计算框架作为分析脚本中大量角色对话的有效且准确的方法。然而，一些有害的刻板印象可能不是通过人物所说的，而是通过他们的行为来传达的。

为了探索角色的行为如何反映刻板印象，Martinez及其同事使用机器学习方法创建了一个计算模型，该模型可以自动分析电影剧本中的场景描述并识别不同角色的行为。使用该模型，研究人员分析了1909年至2013年制作的912部电影剧本中的超过120万个场景描述，识别出两万个角色执行的五万个动作。

接下来，研究人员进行了统计分析，以检查不同性别角色执行的动作类型之间是否存在差异。这些分析确定了许多反映已知性别刻板印象的差异。

例如，他们发现女性角色往往比男性角色表现得更少，而且女性角色更有可能表达爱意。男性角色不太可能“抽泣”或“哭泣”，女性角色更容易被其他角色“看”或“看”，凸显出对女性形象的重视。

虽然研究人员的模型受到其充分捕捉与脚本与每个场景和整体叙事相关的细微社会背景的能力的限制，但这些发现与先前对流行媒体中的性别刻板印象的研究一致，并有助于提高人们对如何媒体可能会延续有害的刻板印象，从而影响人们在现实生活中的信念和行为。

未来，可以改进和应用新的机器学习框架，以纳入性别、年龄和种族之间的交叉性概念，以加深对该问题的理解

作者补充说，“研究人员建议使用机器学习方法来识别媒体人物对话中的刻板印象，但这些方法并没有考虑通过人物动作传达的有害刻板印象。为了解决这个问题，我们开发了一个大规模的机器学习“可以从电影剧本描述中识别角色动作的框架。通过从912部电影剧本中收集120万个场景描述，我们能够大规模研究电影刻画中的系统性别差异。”