Le projet en bref
Ce projet part d'un corpus public très utilisé en recherche : des dizaines de milliers d'échanges de dialogue extraits de scénarios de films américains, des années 1930 aux années 2000. Chaque échange est associé au film dont il vient et aux deux personnages qui se parlent.
L'idée était de répondre à trois questions avec des outils d'IA plutôt qu'en comptant à la main : de quoi parle-t-on le plus souvent au cinéma, est-ce que ça diffère selon qu'on écoute des hommes ou des femmes, et combien de films passeraient un test simple et connu de représentation féminine, le test de Bechdel.
En chiffres
- 617 films analysés
- 47 326 conversations classées
- 172 thèmes de discussion identifiés automatiquement
- ~2 500 personnages dont le genre a été déterminé
La méthode, en quatre étapes
1. Regrouper les conversations par thème
Chaque conversation est transformée en embedding : un vecteur numérique (généré ici par un modèle Gemini) qui capture son sens plutôt que ses mots exacts. Ces embeddings sont réduits en dimension avec UMAP, puis regroupés avec HDBSCAN, un algorithme de clustering qui détecte des zones denses de conversations similaires sans qu'on ait à fixer à l'avance un nombre de groupes. Un LLM (modèle de langage) lit ensuite chaque groupe et lui donne un nom compréhensible — par exemple Demande en mariage, ou Langage agressif. Un travail préalable a aussi consisté à masquer les noms des personnages avant ce regroupement, pour que les groupes se forment vraiment par sujet et non simplement parce que deux répliques viennent du même film.
2. Récupérer le bruit avec un LLM
HDBSCAN laisse volontairement de côté les conversations trop isolées pour appartenir clairement à un groupe — plus de la moitié du corpus au départ, classée en bruit. Plutôt que de les ignorer, chacune a été comparée au cluster le plus proche, et un LLM a tranché si elle en faisait vraiment partie ou non. Une seconde passe a même refait tourner HDBSCAN sur le bruit restant pour en faire émerger de nouveaux clusters, validés eux aussi par LLM. Résultat : le taux de bruit est passé d'environ 6 conversations sur 10 à moins de 3 sur 10.
3. Identifier le genre des personnages
Chaque personnage du corpus a été associé à un genre (homme / femme), en combinant les métadonnées disponibles avec un LLM pour les cas ambigus. Cela permet de classer chaque conversation selon qu'elle a lieu entre deux hommes, deux femmes, ou un homme et une femme.
4. Le test de Bechdel, automatisé
Le test de Bechdel est un indicateur popularisé dans les années 1980 pour repérer la place des personnages féminins dans une fiction. Un film le réussit s'il contient : (1) au moins deux personnages féminins nommés, (2) qui se parlent, (3) d'autre chose que d'un homme. Les trois critères ont été vérifiés automatiquement — les deux premiers à partir des données, le troisième en demandant à un modèle de langage de lire chaque conversation concernée.
Un principe suivi tout du long
À chaque étape, les résultats produits par l'IA ont été vérifiés à la main sur des échantillons avant d'être acceptés — et plusieurs erreurs ont effectivement été trouvées et corrigées en cours de route (des mots génériques pris pour des noms propres, des thèmes mal étiquetés...). Rien n'a été gardé tel quel juste parce qu'un modèle l'avait produit.
Résultat 1 — Qui parle à qui
Première étape la plus simple : pour chaque conversation, à quel genre appartiennent les deux personnages qui se parlent ?
des conversations du corpus ont lieu entre deux personnages féminins, contre 48,2 % entre deux personnages masculins — près de huit fois plus.
Part des 47 326 conversations analysées, par genre des deux personnages.
Résultat 2 — De quoi parle-t-on, selon le genre
Sur les 172 thèmes identifiés, certains reviennent nettement plus souvent dans les conversations entre femmes, d'autres dans les conversations entre hommes. Voici les écarts les plus marqués et les plus fiables (l'écart reste vrai film après film, pas seulement en moyenne sur l'ensemble du corpus).
Plus fréquent entre deux femmes
- Conversations en famille, autour d'un père
- Déclarations d'amour
- Réconfort, coucher, moments familiaux
- Grossesse et futurs enfants
- Adieux et marques d'affection
Plus fréquent entre deux hommes
- Langage agressif, insultes
- Argent et magouilles
- Armes à feu et violence
- Procès et discussions juridiques
- Paris et jeux d'argent
Ce classement écarte volontairement les thèmes qui, en y regardant film par film plutôt que conversation par conversation, se révèlent portés par une poignée de films seulement, un thème Star Trek par exemple, tiré par la seule franchise concernée — pour ne garder que des écarts qui se répètent vraiment à travers le corpus.
Résultat 3 — Qui a la parole
Une autre façon de mesurer la représentation : compter les mots effectivement prononcés par les personnages féminins dans chaque film, et comparer au total.
c'est, pour le film médian, la part du dialogue prononcée par des personnages féminins. Dans 62 % des films, elle est inférieure à 30 %. Et 3,2 % des films n'ont aucune réplique féminine du tout.
Fait notable : à l'échelle d'un seul personnage, il n'y a aucun écart — une femme qui a des répliques en dit en moyenne autant qu'un homme. Le déséquilibre ne vient donc pas du fait que les personnages féminins parlent moins une fois présents, mais du fait qu'il y a moins de personnages féminins avec des répliques pour commencer.
Résultat 4 — Le test de Bechdel
Sur les 616 films avec une date de sortie connue, voici combien franchissent chacun des trois critères.
36 % des films réussissent le test en entier — un chiffre cohérent avec ce qui est habituellement observé sur du cinéma hollywoodien classique. Le principal obstacle n'est pas le troisième critère (le sujet de la conversation) mais le deuxième : la moitié des films qui ont pourtant deux femmes nommées au casting ne les font jamais vraiment se parler.
Part des films qui réussissent le test de Bechdel, par décennie de sortie. Barres grisées = moins de 20 films dans la décennie, à lire avec prudence.
La courbe dessine un U plutôt qu'une progression continue : les années 1930-40 (l'âge des grandes comédies et drames à casting féminin choral) font étonnamment mieux que les années 1950-70, où dominent des genres très masculins (western, guerre, film noir). Le taux remonte ensuite jusqu'aux années 2000 sans jamais retrouver le niveau des années 1930-40.
À prendre avec précaution pour les décennies les plus anciennes : le corpus ne contient qu'une quinzaine de films pour les années 1930, 1940, 1950 et 1960 (respectivement 16, 15, 17 et 18 films), contre 51 pour les années 1970, puis plus d'une centaine à partir des années 1980 (107, 237 et 137 films).
Tester sur un film
Une page permet d'interroger directement les résultats pour n'importe lequel des 616 films du corpus : thèmes dominants, composition des dialogues par genre, et détail du test de Bechdel avec la conversation qui a fait pencher la balance.
Explorer les films →