Autores:  (1) Prerak Gandhi, Departamento de Ciência da Computação e Engenharia, Instituto Indiano de Tecnologia de Bombaim, Mumbai, prerakgandhi@cse.iitb.ac.in, e esses autores contribuíram igualmente para este trabalho;  (2) Vishal Pramanik, Departamento de Ciência da Computação e Engenharia, Instituto Indiano de Tecnologia de Bombaim, Mumbai, vishalpramanik,pb@cse.iitb.ac.in, e esses autores contribuíram igualmente para este trabalho;  (3) Pushpak Bhattacharyya, Departamento de Ciência da Computação e Engenharia, Instituto Indiano de Tecnologia de Bombaim, Mumbai.  Tabela de Links   Resumo e introdução   Motivação   Trabalho relatado   Conjunto de dados   Experimentos e Avaliação   Resultados e Análise   Conclusão e trabalho futuro   Limitações e Referências   A. Apêndice  6. Resultados e Análise  Apresentamos nossas observações e avaliações. A natureza da nossa tarefa faz com que a avaliação humana tenha precedência sobre a avaliação automática (afinal, ela serve para a geração automática de roteiros de filmes!). A análise qualitativa de nossos enredos e cenas geradas é baseada no feedback de 5 roteiristas profissionais de nosso parceiro da indústria, a conhecida plataforma de mídia.  6.1. Geração de plotagem  6.1.1. Avaliação Automática  A Tabela 1 mostra as pontuações de autoavaliação para os múltiplos modelos de geração de gráficos GPT-3.   6.1.2. Avaliação Humana  Conduzimos avaliação humana no modelo de entrada curto anotado de Hollywood. A avaliação foi feita por cinco grupos de 3 pessoas, sendo que cada grupo   tendo sido atribuídos 10 lotes exclusivos. As classificações dadas para as 5 características estão na Figura 5. As pontuações médias para fluência, criatividade, simpatia, coerência e relevância são   e   , respectivamente. Fluência de quase 4 é um indicador do poder do GPT-3 como modelo de linguagem. Criatividade e simpatia são respeitáveis em um valor em torno de 3,0. As pontuações baixas do BLEU apoiam a pontuação média de criatividade (Tabela 1). A Figura 5 indica que a coerência e a relevância ainda têm muito espaço para melhorias. 3,98, 3,29, 2,97, 2,65 2,55  O valor MAUVE (Pillutla et al., 2021) mede a lacuna entre o texto neural e o texto humano. Calculamos separadamente as pontuações MAUVE para 20 parcelas e 50 parcelas. A média ponderada das pontuações MAUVE para os dois experimentos é   , o que é razoavelmente bom. 0,48  6.1.3. Observações Qualitativas  Os roteiristas profissionais de nosso parceiro da indústria fizeram as seguintes observações:   Tramas de Hollywood não anotadas  • A construção é criativa e interessante, mas o final torna-se incoerente.  • Alguns personagens apresentados no início nunca mais são mencionados.  • O resultado não retrata os pontos-chave ou o tema mencionado no input.   Tramas anotadas de Hollywood  • Os enredos são muito mais coerentes e os finais são lógicos.  • Ainda há alucinação (uma característica comum a todos os modelos).  • As entradas mais longas tornaram as parcelas mais atentas aos pontos-chave.   Tramas anotadas de Hollywood com gêneros incluídos  • Junto com os pontos acima, agora os enredos gerados estão mais voltados para o gênero ou gêneros do filme que o escritor deseja criar.  • A adição de gênero dá algum controle sobre o tipo de enredo gerado pelo modelo.   Tramas anotadas de Bollywood  • As saídas apresentam incoerência nos dois últimos parágrafos e repetição dos mesmos personagens ao longo da trama.  • O fluxo da trama não é rápido o suficiente, ou seja, a trama não avança muito.  • Muitos dos resultados têm um tema dos anos 90, onde os personagens são separados e depois se encontram. Isso se deve a um conjunto de dados distorcido com gráficos menos modernos.  6.2. Geração de cena  Ajustamos o GPT-3 para geração de cena com nosso conjunto de dados. Geramos dez cenas utilizando os modelos mencionados em 5.1. Figura 7 no apêndice. mostra um exemplo de uma cena completamente gerada.  6.2.1. Avaliações humanas  Realizamos uma avaliação humana em 10 cenas geradas pelo modelo acima. 5 pessoas avaliaram as cenas por meio da Escala Likert. As classificações para os cinco recursos podem ser vistas na Figura 5. As pontuações médias para fluência, criatividade, simpatia, coerência e relevância são   e   , respectivamente. Todos os valores estão acima da marca neutra e implicam que as cenas geradas estão próximas das cenas escritas por humanos.  4,48, 3,9, 3,48, 3,46 3,86  6.2.2. Observações Qualitativas  Nesta seção analisamos a qualidade das cenas geradas pelo modelo GPT-3. Esta análise foi feita por roteiristas profissionais da empresa de mídia mencionada anteriormente.  • O modelo produz uma cena bem estruturada.  • Pode criar novos personagens e fabricar diálogos mesmo quando eles não são importantes.  • Os pontos-chave da entrada podem ser encontrados na saída.  • Existem algumas linhas que são repetitivas.  • A saída não é completamente coerente.  Este artigo está   sob licença CC 4.0 DEED. disponível no arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Teleplay.Tech

From teleplay to technology, we weave a narrative tapestry that dances between writing, CGI, and action.

Teleplay's blog

Este áudio é produzido no idioma original da história!

"Kurosawa": um assistente de roteirista: resultados e análises

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

As camadas invisíveis: por que as entrevistas com usuários são um ativo insubstituível

O guia completo para uma migração bem-sucedida para a nuvem: estratégias e práticas recomendadas

Crescimento de Criptomoedas: Criando Personas de Usuários Eficazes

Quer ganhar um concurso de redação do HackerNoon? Aqui está o que os vencedores do concurso #crypto-api recomendam

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps