論影視創作中人工智能預測技術的應用

摘 要：人工智能的發展為影視創作中智能預測技術的應用提供了可能性。人工智能預測技術能夠為影視制作過程的前期準備提供決策建議，為內容創作提供優化方案，提高收視口碑，降低失敗風險。在市場投放過程中，人工智能預測技術能夠通過機器智能從海量數據中提取有價值的信息，構建并優化預測算法;通過認知智能獲取受眾觀影時的神經數據，結合行為數據構建預測模型。同時，智能預測也需要關注隱私安全、教育審美、歧視偏見、商業控制等問題，以保持影視行業的健康發展。

關鍵詞：影視創作;智能影視;市場預測;認知神經科學

中圖分類號：G220????? 文獻標識碼：A

文章編號：1003-0751（2021）03-0167-06

人工智能技術日新月異，推動著影視創作的飛速發展，成為產業變革的重要驅動力。影視創作的全流程正在進行著深刻的變革，通過智能預測技術優化影視制作、市場投放，推動影視產業向智能化轉型與跨越。新技術改變了以往依靠業內專家經驗積累、簡單的歷史數據參考、受眾偏好自報告等方法進行演員選擇、劇情剪接、票房、收視率預測的局限。利用一種或多種人工智能技術，已經可以實現影視市場的精準預測，進而在行業各環節做出相應優化。譬如，依靠大數據分析技術可以發現影視創作要素與觀眾評價、反饋之間的相關性，預測市場規模，并根據預測結果，在制前準備階段輔助制片決策、演員選擇、判斷經濟效益;在內容制作階段根據不同類型觀眾偏好定制內容，以優化效果、提升共情;在宣傳發行階段評估傳播效果，制訂有效宣發計劃以提升投放精準度。在這個過程中，跨平臺多模態的數據科學可以幫助影視制作團隊和宣發團隊刻畫極為立體的受眾畫像，而類腦智能設備則能轉變受眾主觀記憶與客觀評價①，從而實現經濟效益的最大化。同時，人工智能的方法也深刻地改變了影視創作研究，實現了整體研究思路轉向和范式轉變：從主觀調查轉向大數據分析;從觀眾定性情感自述轉向可視化定量神經指標;從單向專家評估轉向多維數據支撐;從傳統廣播電視學研究轉向社會科學和自然科學交叉融合。

一、影視創作智能預測的必要性與可能性

人工智能，即利用機器模擬人的智能，是研究開發能夠模擬、延伸和擴展人類智能的理論、方法、技術及應用系統的技術科學統稱。②其主要技術方法包括運用機器學習、大數據分析等通用技術的機器智能，以及融合認知神經科學中具備感知、推理、思考等自我意識能力的認知智能。③自20世紀50年代開始，計算機輔助的信息技術已經被逐步應用于影視行業。目前，這一跨學科、跨領域的交叉合作已經進入全面深度融合階段。

同時，影視傳播渠道平臺化使作品數量、觀眾規模、內容創作都呈現指數式增長。產業容量和體量不斷擴展，積累的數據量也呈現出幾何級的膨脹。④影視內容不可能憑空構建，優質內容的創作往往需要在分析、學習歷史優秀作品的基礎上推陳出新。而面對浩瀚的數據，人力自然不足以精確分析并完整獲取其內在價值，利用人工智能中的大數據、機器學習等機器智能技術可以對海量數據進行高效分揀、提取，揭示隱含的、先前未知的并具有潛在價值或規律性的信息與知識。⑤另外，各大影視傳播平臺從通過廣告盈利到用戶直接內容付費的盈利模式的轉變⑥，以及移動互聯時代下的受眾話語權提升⑦，預示著了解受眾、洞察受眾偏好將成為影視產業發展的重中之重。面對抽象的受眾情感，傳統影視傳播的受眾研究手段存在依賴經驗主義、不客觀、不精確等局限。⑧利用人工智能中功能磁共振（fMRI）、腦電圖（EEG）、眼動跟蹤儀（Eye-Tracking）等認知智能技術可以打開“黑箱”，準確捕捉情感變化，確認觀影體驗的內隱過程，實現對受眾情感等心理維度的客觀洞察，從而進一步了解受眾偏好。⑨因此，影視創作運用人工智能進行預測成為行業發展的必然。

智能預測技術解決相類似問題，已在許多領域開展探索。在新聞學中，利用大腦數據可以有效衡量受眾對新聞內容的喜愛與信任度，預測新聞傳播效果，指導新聞內容生產⑩;在廣告學中，通過機器挖掘技術學習多端消費者行為脈絡，可精準描繪消費者畫像，以此制訂廣告投放戰略[11];在管理學中，將采用認知智能技術獲取的神經數據與行為數據結合，預測消費行為，有效提升營銷效果[12]。在內容創作階段預測衡量劇本影視化的經濟效益，輔助制前決策;預測受眾偏好，優化制作內容提升共情;在市場投放階段，預測票房、收視率，制定營銷策略等，可以進一步提升影視創作的質量，實現“叫好又叫座”。因此，影視創作全流程采用人工智能的技術進行預測是完全可能的。

二、影視制作過程中的智能預測

人工智能技術能夠改變傳統影視制作過程中的預測模式與方法，獲得更為精準的預測數據，在制作前期、內容創作階段幫助影視創作，避免因劇本內容、演員匹配度、剪輯瑕疵等原因影響口碑、票房、收視率。通過算法智能推薦演員人選，利用機器學習改進劇本，使用認知智能優化剪輯方案，能夠避免一大批影視作品因為選角不適配、剪輯無邏輯等制前、制中環節的問題頻頻登上輿論風口，導致最后口碑收益雙失。制片方可根據智能預測的結果，完善制作前期準備、優化內容創作，提高觀眾喜好程度。

1.制作前期的智能預測

人工智能方法在影視作品的準備階段發揮了輔助制片決策，降低風險發生的作用。制片方可以利用人工智能技術，通過處理、分析海量影視作品的歷史數據，包括主題、劇本、演員、票房等，洞悉構建因素—票房關聯性算法模型，再通過對歷史案例數據的機器學習，最終輸出對新項目商業價值等內容的分析與預測。在劇本分析階段，依賴于大數據挖掘的“人工智能+自然語言”處理技術能對劇本內容自動識別、拆解，實現劇本分析自動化完成[13]，提高評價效率。例如，2017年迪士尼研究團隊創建了一種可以模擬文本區域以及各區域間相互依賴關系的人工神經網絡，以社交媒體內容的點贊數作為評價敘事質量的方法，并為敘事質量評價創建了一個數據庫，利用基于區域嵌入和區域內部相互影響設計的神經模型，為質量評價打下了堅實的基礎。[14]人工智能平臺ScriptBook已于2015年推出了基于機器學習與自然語言學習技術的智能劇本分析Deepstory系統，利用云計算幫助制片公司智能分析哪些劇本更有市場潛力，預測準確率高達86%，而影視行業傳統的預測準確率僅為44%。[15]

通過大數據抓取演員信息并與影片主題進行人工智能匹配，為選角過程提供客觀有力的數據支撐，也是一種成功的方法。[16]優酷“魚腦”系統中的“度量衡”板塊就是依托阿里大數據技術將演員信息與影片主題智能匹配，該系統在《長安十二時辰》的主角擬定中起到了關鍵性作用。在電影票房綜合預測方面，2020年初Cinelytic平臺與華納兄弟建立合作關系，作為一個為內容行業提供基于數據的項目管理工具，影視制片人在該平臺預測系統中設置電影題材、主要情節、演員和目標市場等參數之后，系統會自動輸出盈利預估、票房預測等全流程分析結果，幫助投資方進行投資決策，評估可靠性。[17]

2.內容創作的智能預測

影視制作具有成本高、投入大的特點，制作精良的影視作品投資成本往往上千萬，甚至過億。雖然制作優質內容贏取觀眾口碑、創造收益是所有制片方的美好愿景，但現實中仍不乏影視劇因內容原因慘遭撤檔或下架、投資方遭受巨大損失的案例。例如，電視劇《雷霆戰將》因其不合理的劇情與設計被《人民日報》點名批評，并緊急下架。[18]智能預測可以幫助影視劇在上映播出之前獲得觀眾真實反應數據，通過制作優化降低觀眾厭惡度，提高喜好度，有效規避撤檔下架風險，減少損失。

人工智能技術可以有效獲得觀眾喜好、參與度等市場預測數據，指導優化影視內容創作。在影視劇樣片試映、內測階段，腦機協同的智能方法可以將觀眾抽象情感可視化，分析大腦皮層活動數據，洞察觀眾喜好，提升包括劇情、剪輯、特效等各方面的影視劇內容吸引度。以電影為例，Hasson通過功能磁共振（fMRI）測量觀眾觀看影片時的大腦活動，并使用被試間相關性（ISC）分析方法，比較被試間的大腦區域反應情況，評估觀眾觀看電影時大腦反應的相似性，這可以在一定程度上成為制片人評判影片質量的一個客觀、量化指標。[19]在影視劇拍攝初期，利用觀眾大腦活動數據樣本，通過ISC指標智能比對不同片段引起的觀眾神經活動差異，分析片段吸引力，預測完整影視作品呈現效果，對影視劇創作起到指導性作用。

此外，基于融合深度學習和行為畫像的協同式人工智能平臺數美科技，可以針對視頻內容的語音、畫面、片段進行摘取，通過模型策略體系進行識別，篩查社交平臺視頻中的涉政、色情、暴恐等內容。[20]該技術可應用于影視制作生產過程中的自我審查，盡早幫助制作方規避不合格內容的出現，不僅能幫助制片方及時修改作品內容，也能提高自審工作效率，減少人力消耗。

三、影視投放過程中的智能預測

由于影視作品類型、劇本內容、制作規模、市場容量、播放時間、宣發推廣、IP改編、導演以及演員等影響因素的復雜與多變，按照傳統方法進行影視作品的收視及票房預測具有極大的難度。通過人工智能的機器智能與認知智能技術幫助制片方對收視率、票房等市場數據進行預測，可以較為準確地獲得受眾與市場反應數據，制定相對更為精準的營銷投放策略，避免票房判斷失誤，降低投資方與制作方的風險損失。

1.機器智能的市場預測

機器智能對影視作品市場預測，主要是利用用戶行為大數據與影視作品直接數據（包括實時票房、發行時間與成本、演員、導演等），訓練反饋神經網絡等機器學習算法，構建收視預測模型，判斷影視作品的收視率、票房等市場相關指標。[21]

目前研究者主要通過用戶行為數據進行電影作品的收視預測，比如通過網頁搜索數據、具體相關網頁行為數據、社交數據、網絡購票平臺數據等，分析觀眾對該部影視作品的關注、期待與評價，以熱度或流行度為中介預測作品未來的票房、收視情況。2013年，谷歌的研究報告宣稱，可以在電影搜索量、電影廣告點擊量、上映影院數量和同系列電影前幾部的票房表現等四類指標的基礎上構建多元線性回歸模型，預測票房數據。[22]Mestyán等學者的研究重復檢驗了谷歌的算法模型，利用2010年312部電影的維基百科行為數據（包括頁面瀏覽次數、人工編輯人數、編輯次數、編輯嚴謹性等用戶活動參數）與電影的財務數據（包括票房與放映的影院數量），建立多元線性回歸模型，成功預測了電影的流行程度。[23]

以影視作品網絡口碑為依據構建算法模型，可以有效預測影片票房、電視劇收視率。自2014年起，一些學者將電影門戶網站，如豆瓣、時光網、IMDb、爛番茄等平臺口碑數據，與電影票房進行相關分析，發現用戶口碑具有顯著影響作用，高人氣伴隨高知名度，帶來高票房。[24]另一些研究結合微博、Twitter、Youtube等社交平臺的情感評論進行分析，發現社會化媒體數據的用戶情感與電影票房呈正相關，網絡口碑在不經常看電影用戶中影響更為明顯，消極情感評論對用戶的影響更為持久。[25]Eliashberg和Shugan認為，專家評論對影片后期票房和總票房具有顯著的預測作用，但對早期票房并沒有顯著影響。研究同時發現，專家評論的預測作用體現在正面評論的比例，而對評論數量的作用不顯著。[26]

還有一些因素，如電影熱度、撞檔影片數量、同類型影片歷史數據、具體影片類型、發行公司、是否為特效電影、是否在暑期檔等特殊檔期等，也被納入收視預測的重要考量依據。[27]在實際操作層面，貓眼官方版的票房預測功能已能夠將用戶行為數據與實時票房數據相結合，輔以用戶畫像，運用機器學習算法對電影日票房及票房走勢進行智能預測。

2.認知智能的市場預測

認知智能對影視作品的市場預測，主要是通過眼動跟蹤和腦電等技術獲取受眾觀影時的神經生理數據、行為數據，預測票房或者收視狀況。這類研究從知覺刺激、視聽語言與鏡頭運動等層面分析影視內容對觀看影視劇時大腦活動產生的影響[28]，依據觀眾的直接神經反饋對具體影視作品進行評價和預測。相比專業人士的主觀經驗性預測與問卷調查等研究方法，這些方法具有更高的客觀性和科學性。[29]

眼動追蹤技術通過記錄和分析觀眾的注視點、注視軌跡、眼跳、瞳孔大小等數據實現對觀影期間觀眾心理過程的可視化分析。[30]例如，李思屈和諸葛達維在2016年成功運用眼動追蹤技術，采集觀眾觀看《陸貞傳奇》《楚漢傳奇》《趙氏孤兒》三部影視作品時的眼動生理數據，分析預測三部電視劇的收視效果，結果與實際收視率排行一致。該研究證明了通過合理的實驗設計，小樣本用戶眼動數據對預測影視劇實際的市場收視排名的可行性與準確性。[31]

腦電技術通過記錄和分析大腦神經元的電活動，通過頻譜和腦電成分等指標反映觀眾觀影時的認知和情感過程。[32]例如，Barnett等的一項探索性研究通過預告片的神經反饋活動確定作品吸引力以預測未來市場表現。該研究通過結合觀看電影預告片時的行為自報告和不同觀眾的腦電神經相似性對電影票房進行預測，結果發現，結合了EEG數據的預測，其準確度得到顯著提升。[33]Boksem與Smidts的研究則通過觀眾觀看電影預告片時的β與γ頻段神經振蕩強度對影視劇市場進行預測，如果震蕩強度超過既定偏好值，則可視為個體和群體對該影片是偏好的，以此預測該影片的市場反應。[34]

還有研究運用多模態技術，融合多種認知神經科學方法來對影視劇市場表現進行預測。Christoforou等學者同時運用EEG與眼動追蹤兩種認知神經科學技術測量觀眾對預告片的大腦和眼球反應，分析注意異步性（Attentional-asynchrony）與認知一致性（Cognitive-congruency）兩類指標，對電影首映周末的銷售業績進行預測，結果發現相比問卷等傳統測量方法，該預測模型的準確性能夠提高23倍。[35]

四、智能預測需要關注的問題

人工智能為影視行業帶來了許多積極的影響[36]，智能預測的方法解決了很多傳統方法解決不了的問題，但受人工智能技術本身的影響，人們在使用智能預測的過程中需要關注以下問題：

其一，隱私與信息安全問題。人工智能獲取觀眾偏好進行智能預測，在通過大數據、機器學習等技術預測觀眾偏好時，對于歷史數據的獲取與學習是必不可缺的。當受眾進行視聽平臺交易和注冊登記時，個別平臺不僅可以利用用戶的觀看行為采集媒介消費行為數據，甚至可以獲取用戶隱私信息，可能導致隱私的泄露。從產業法規來看，數據收集與獲取過程中帶來的隱私保護等新問題，對現有法律規章制度提出挑戰。[37]

其二，教育與審美功能弱化問題。智能算法造成“信息繭房”，觀眾會被推薦的影視作品與相關信息（包括閱讀的信息、觀看的視頻、收到的廣告等）影響并干擾選擇，造成影視作品的教育與審美功能的弱化。智能預測可精準洞察受眾偏好，制作方由此可實現影視內容精準投放，增加觀眾的沉浸時長，提高觀眾的忠誠度和留存率。但信息越精確，代表著信息涉及的范圍越狹窄，久而久之，受眾會將自身桎梏于像蠶繭一般的“信息繭房”中。智能預測能評估哪些內容更受歡迎，卻不能判斷其質量。人性天然存在獵奇、審丑、窺私等特點，智能預測算法對低俗內容的高評分，導致有價值的影視作品被邊緣化，降低了用戶的審美水平、文化素養，使更多別有用心的內容生產者和廣告商為迎合用戶、提高流量而生產了大量的低俗內容[38]，造成影視作品的教育與審美功能弱化。

其三，算法歧視與算法偏見的問題。智能預測是數據、算法與機器共同協作下的產物，但訓練數據的偏差、算法創建者自身無法意識的價值偏差以及創建算法所依賴的底層數據的有限性都會導致算法偏見[39]，機器自動化決策的不透明性使得準確量化公平難上加難。由南加州大學、谷歌慈善組織等合作研發的機器學習系統發現，在近幾年很火爆的好萊塢電影中，男性演員的出鏡時間幾乎是女演員的兩倍。[40]在此基礎上，人工智能選角系統在對大量影視作品進行數據分析時，極有可能因此預測男性演員具有更大的競爭力，而在某中性角色的演員選取時產生性別歧視，從而加重行業競爭的不平等性。

其四，受商業力量控制的問題。智能預測背后存在著人的力量與符合經濟社會的商業邏輯[41]。智能預測能夠準確描繪受眾畫像，別有用心的制作方可能會為了滿足盈利需求，根據預測結果對不同受眾制定差異化價格，例如利用算法預測出某類用戶偏好刑偵類影視，進而在刑偵類電影上映時針對該特定觀眾群體抬高票價。這樣的現象發人深省，未來是否有必要通過一定的法律手段，要求包括文化企業在內的商家做出“不作惡”的商業承諾。

五、結語與思考

人工智能對影視創作市場預測影響巨大。由機器智能與認知智能等技術輔助實現智能預測，可以在制作過程、市場投放階段提供有效幫助，獲得最大經濟效益與觀眾滿意度，能夠為制前準備提供判斷、為制作內容提供反饋、為市場投放提供建議，使影視作品更貼近受眾;并為大幅度提高影視制片、發行、宣傳與營銷等上下游流程中放映策略制定等的預測準確率與效率提供依據，減少人力、物力、財力等成本，更大程度地推動文化傳播、提升行業效益。同時，智能技術也在迅速地影響和改變影視創作的各個環節，推動相關理論與行業實踐的新發展，并對影視行業的發展以及相關理論的更新和突破提出了新的要求。

當然，技術的發展并未取代人的重要性，新技術仍然存在一定的局限性。其一，影視制作作為一種藝術創作是靈活且復雜的，它需要打破思維定式、推陳出新，而人工智能并不能取代人類非凡的創造力和想象力。其二，現階段人工智能算法門檻高。機器學習、大數據技術雖然可承擔復雜的程序化工作，但仍缺乏與人類共情的能力，人類的心理空間和意識空間存在很多不可計算性。其三，由于認知智能技術對于實驗設置的要求相對較高，導致生態效度受到一定的損失。換言之，技術限制了大規模實時測量及分析，因此在應用于影視受眾研究以對市場反應進行預測時，針對大規模受眾群體的研究仍有待突破。其四，人工智能技術所帶來的倫理問題也是未來影視交叉學科需要面臨的挑戰之一。

人工智能為影視行業的發展帶來了新的挑戰和機遇。機器智能與認知智能技術正在潛移默化地改變影視傳播整個流程的運作方式，不斷提高效率，拓展邊界，用科學的方法在創意制作和宣發推廣等環節幫助制作團隊更了解受眾，把握技術更迭脈絡，同時使作品更加貼近市場，順應時代發展潮流。隨著人工智能技術的發展，未來的影視創作無論是理論還是實踐都將產生巨大的變革。

注釋

①⑧參見楊雅、喻國明：《受眾研究的綜合評價范式——基于大數據時代的認知傳播交叉學科視域》，《新聞與寫作》2019年第3期。

[25]參見Andrei Oghina， Mathias Breuss， Manos Tsagkias， Maarten de Rijke.Predicting IMDB Movie Ratings Using Social Media. European Conference on Information Retrieval. Springer， Berlin， Heidelberg， 2012， pp.503-507; 朱夢嫻：《口碑與票房： 社會化媒體電影評論的商業價值研究》，《信息資源管理學報》2015年第4期; Sudhanshu Kumar， Kanjar De， Partha Pratim Roy.Movie Recommendation System Using Sentiment Analysis From Microblogging Data. IEEE Transactions on Computational Social Systems， 2020， pp.915-923.

[26]參見Jehoshua Eliashberg， Steven M. Shugan. Film critics： Influencers or predictors？.Journal of Marketing， 1997， Vol.61， No.2， pp.68-68; Mahesh Joshi， Dipanjan Das， Kevin Gimpel， Noah A. Smith.Movie Reviews and Revenues： An Experiment in Text Regression. Human Language Technologies： The 2010 Annual Conference of the North American Chapter of the Association for Computational Linguistics. 2010， pp.293-296; 彭嵐：《電影票房影響因素分析與展望》，《西南民族大學學報》（人文社會科學版）2016年第5期。

[27]參見陳邦麗、徐美萍：《基于LARS-SVR的電影總票房預測模型研究》，《陜西師范大學學報》（自然科學版）2018年第1期;韓忠明、原碧鴻、陳炎等：《一個有效的基于GBRT的早期電影票房預測模型》，《計算機應用研究》2018年第2期。

[28]參見楊歆迪、王宜文：《近年來神經電影學發展新探 基于認知神經科學的電影理論創新》，《北京電影學院學報》2018年第4期。

[29]參見諸葛達維、鄭宇：《影視劇科學評價新路徑：認知神經科學方法》，《傳媒評論》2015年第5期。

[30]參見Dongheng Li， D. Winfield， D. J. Parkhurst.Starburst： A hybrid algorithm for video-based eye tracking combining feature-based and model-based approaches. 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR′05）-Workshops. IEEE， 2005， pp.79-79; J. Han， L. Sun， X. Hu， et al. Spatial and temporal visual attention prediction in videos using eye movement data.Neurocomputing， 2014， Vol.145， pp.140-153.

[31]參見李思屈、諸葛達維：《認知神經科學方法在媒體效果測評中的應用研究——以電視劇收視率預測為例》，《現代傳播》2016年第9期。

[32]參見Mehmet Sirac zerdem， Hasan Polat. Emotion recognition based on EEG features in movie clips with channel selection.Brain informatics， 2017， Vol.4， No.4， pp.241-252.

[33]參見Sam Barnett， Moran Cerf. A ticket for your thoughts： Method for predicting content recall and sales using neural similarity of moviegoers.Journal of Consumer Research， 2017， Vol.44，No.1， pp.160-181.

[34]參見Maarten A.S. Boksem， Ale Smidts. Brain responses to movie trailers predict individual preferences for movies and their population-wide commercial success.Journal of Marketing Research， 2015， Vol.52， No.4， pp.482-492.

[35]參見Christoforos Christoforou， Timothy C. Papadopoulos， Fofi Constantinidou， Maria Theodorou. Your brain on the movies： a computational approach for predicting box-office performance from viewer′s brain responses to movie trailers.Frontiers in neuroinformatics， 2017， Vol.11， p.72.

[36]參見張文軍：《人工智能與影視內容制作：現狀與未來》，《現代電視技術》2019第6期;姜揚、宋雅琪：《價值鏈視角下人工智能對電影產業的影響分析》，《傳媒》2019第24期。

[37]參見吳衛華：《大數據背景下影視產業創新發展》，《當代傳播》2015年第2期。

[38]參見李景平：《人工智能深度介入文化產業的問題及風險防范》，《深圳大學學報》（人文社會科學版）2019第5期。

[39]參見Lee Rainie， Janna Anderson.Code-Dependent： Pros and Cons of the Algorithm Age. Pew Research Center， 2017， p.87.

[40]參見Machine learning reveals lack of female screen time in top films，NewScientist網站，https：//www.newscientist.com/article/2123926-machine-learning-reveals-lack-of-female-screen-time-in-top-films/，2017年3月8日。

[41]參見張愛軍、李圓：《人工智能時代的算法權力：邏輯、風險及規制》，《河海大學學報》（哲學社會科學版）2019第6期。

責任編輯：沐 紫

A Study of the Application of Artificial Intelligent Prediction Technology in Film and Television Production

Zhu Lian

Abstract：The development of artificial intelligence makes possible the application of intelligent prediction technology in film and television creations. The intelligent prediction technology can provide decisions and suggestions for the early stage preparation of production， offer optimization proposals for contents， raise audience ratings and lower the failure risks. During the launch of the show， the intelligent prediction technology extracts valuable information from the sea of data by machinery intelligence， and constructs and optimizes prediction calculation. It gets the neurological data of the trial audience through cognitive intelligence， and constructs prediction models combined with the behavioural data. Simultaneously， intelligence prediction should also concern the four issues of the privacy safety， education aesthetics， discrimination and prejudice， and the commercial control， so as to ensure the sound development of the film and television industry.

Key words：TV and film production; intelligence television and film industry; market prediction; cognitive neuro science

收稿日期：2020-12-16

作者簡介：諸廉，女，上海外國語大學新聞傳播學院副教授，碩士生導師（上海 200083）。