Учёные создали алгоритм для анализа структуры и времени выступлений стендап-комиков

Исследователи предложили вычислительный метод для раскрытия скрытой временной структуры живых выступлений. Ванесса К. Поуп и её коллеги представили фреймворк под названием «Топологический анализ совпадающих последовательностей» (Topology Analysis of Matching Sequences, TAMS), который алгоритмически обнаруживает повторяющийся материал в разных выступлениях и визуализирует его временные характеристики, чтобы показать динамику перформанса. Работа опубликована в журнале PNAS Nexus.

Авторы применили TAMS к аудиозаписям туров двух профессиональных стендап-комиков в Великобритании, проанализировав несколько выступлений в период с 2017 по 2018 год. Для опытного комика с отточенным шоу в среднем 39,66% текста каждого выступления точно совпадали с другим шоу. Для начинающего комика, который только разрабатывал новый материал, этот показатель составил лишь 14,22%.

Анализ выявил структурные особенности, включая последовательно размещаемый новый материал в начале шоу и плотные разделы с точно рассчитанным по времени повторяющимся контентом, которые авторы называют «содержательными столпами». Оба комика использовали звуки неуверенности и очевидные «ошибки» как часть своего повторяющегося исполнения. Анализ также документирует, как комедийное шоу эволюционирует в течение семи месяцев, обрастая новым материалом вокруг успешных шуток.

По словам авторов, методологию можно расширить для анализа других форм повторяющейся речи и типов выступлений, включая театр, танцы и музыку. Этот подход позволяет подчеркнуть разнообразие и мастерство живого художественного исполнения в то время, когда работающие артисты сталкиваются с давлением со стороны генеративного искусственного интеллекта.

ИИ: Интересный подход, который превращает искусство импровизации и живого выступления в структурированные данные. В эпоху, когда ИИ учится генерировать контент, такие исследования напоминают о сложности и инженерной точности, скрытой в, казалось бы, спонтанном человеческом творчестве. Возможно, подобные алгоритмы в будущем помогут не только анализировать, но и обучать новое поколение артистов.