Veel commerciële films over de hele wereld blijven vrouwelijkheid op een stereotiepe manier uitdrukken, een recente studie met behulp van beeldanalyse toonde aan. Een KAIST-onderzoeksteam ontwikkelde een nieuwe beeldanalysemethode voor het automatisch kwantificeren van de mate van gendervooroordelen in films.

De Bechdel-test is de meest representatieve en algemene methode geweest om gendervooroordelen in films te evalueren. Deze test geeft de mate van genderbias in een film aan door te meten hoe actief de aanwezigheid van vrouwen in een film is. Een film slaagt voor de Bechdel-test als de film (1) minstens twee vrouwelijke personages heeft, (2) die met elkaar praten, en (3) hun gesprek is niet gerelateerd aan de mannelijke personages.

Echter, de Bechdel-test heeft fundamentele beperkingen met betrekking tot de nauwkeurigheid en bruikbaarheid van de evaluatie. Ten eerste, de Bechdel-test vereist veel personeel, zoals het subjectief wordt uitgevoerd door een persoon. Belangrijker, de Bechdel-test analyseert slechts een enkel aspect van de film, de dialogen tussen karakters in het script, en geeft alleen een dichotoom resultaat van het slagen voor de test, voorbijgaan aan het feit dat een film een ​​visuele kunstvorm is die meerlagige en gecompliceerde gendervooroordelen weerspiegelt. Het is ook moeilijk om het huidige discours over gendervooroordelen volledig weer te geven, die veel diverser is dan in 1985, toen de Bechdel-test voor het eerst werd gepresenteerd.

Geïnspireerd door deze beperkingen, een KAIST-onderzoeksteam onder leiding van professor Byungjoo Lee van de Graduate School of Culture Technology stelde een geavanceerd systeem voor dat computervisietechnologie gebruikt om automatisch de visuele informatie van elk frame van de film te analyseren. Hierdoor kan het systeem nauwkeuriger en praktischer beoordelen in welke mate vrouwelijke en mannelijke personages discriminerend worden afgebeeld in een film in kwantitatieve termen, en maakt het verder mogelijk om gendervooroordelen aan het licht te brengen die conventionele analysemethoden nog niet konden detecteren.

Professor Lee en zijn onderzoekers Ji Yoon Jang en Sangyoon Lee analyseerden 40 films uit Hollywood en Zuid-Korea die tussen 2017 en 2018 zijn uitgebracht. Ze hebben de films gedownsampled van 24 naar 3 frames per seconde, en gebruikte Microsoft's Face API gezichtsherkenningstechnologie en objectdetectietechnologie YOLO9000 om de details van de personages en hun omringende objecten in de scènes te verifiëren.

Door gebruik te maken van het nieuwe systeem, het team berekende acht kwantitatieve indices die de representatie van een bepaald geslacht in de films beschrijven. Ze zijn:emotionele diversiteit, ruimtelijke staticiteit, ruimtelijke bezetting, tijdelijke bezetting, gemiddelde leeftijd, intellectueel beeld, nadruk op uiterlijk, en type en frequentie van omringende objecten.

Uit de index van het type en de frequentie van omringende objecten bleek dat vrouwelijke personages en auto's slechts 55,7 procent zoveel samen werden gevolgd als mannelijke personages, terwijl ze eerder verschenen met meubels en in een huishouden, met een kans van 123,9 procent.

In geval van tijdelijke bezetting en gemiddelde leeftijd, vrouwelijke personages kwamen met 56 procent minder vaak voor in films dan mannen, en waren gemiddeld in 79,1 procent van de gevallen jonger. Deze twee indices vielen vooral op in Koreaanse films.

Professor Lee zei:"Ons onderzoek bevestigde dat veel commerciële films vrouwen weergeven vanuit een stereotiep perspectief. Ik hoop dat dit resultaat het publiek bewust maakt van het belang van voorzichtigheid wanneer filmmakers personages in films creëren."