📄 social_science

Through a Gendered Lens: Artificial Intelligence, Photographic Representation, and the Politics of Vision in World Cinema

Este estudo de métodos mistos revela que a inteligência artificial reproduz sistematicamente convenções fotográficas patriarcais no cinema mundial por meio de um "Índice de Viés Fotográfico de Gênero" quantificável e de um "Framework do Olhar de Gênero da IA" teórico, enquanto dados empíricos confirmam que as mulheres profissionais do cinema experienciam essas ferramentas como significativamente mais limitadoras do que seus homólogos masculinos.

Autores originais: Manish Sehrawat, JANARDHAN JUVVIGUNTA, Rubaid Ashfaq, Rohit Rohit, Mohd Asif Shah

Publicado 2026-07-10

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Manish Sehrawat, JANARDHAN JUVVIGUNTA, Rubaid Ashfaq, Rohit Rohit, Mohd Asif Shah

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine a câmera de cinema como um espelho mágico que não apenas reflete o mundo, mas decide como o vemos. Durante décadas, a teórica do cinema Laura Mulvey argumentou que este espelho era segurado por um "olhar masculino" (male gaze), transformando mulheres em objetos para serem olhados, em vez de pessoas com histórias. Mas agora, um novo tipo de espelho chegou: a Inteligência Artificial.

Este artigo faz uma pergunta assustadora, porém fascinante: Se ensinarmos uma IA a fazer filmes mostrando a ela milhões de fotos e filmes antigos, ela apenas copiará os maus hábitos do passado?

A resposta curta é um sim estatístico e estrondoso.

A Máquina de "Maus Hábitos"

Pense na IA como um estudante super-rápido que aprende copiando. Se você mostrar a este estudante uma biblioteca cheia de filmes antigos onde as mulheres são sempre mostradas em close-ups apertados (focando apenas em seus lábios ou olhos) e os homens são mostrados de longe (mostrando todo o seu corpo e poder), o estudante aprende que este é o modo como o mundo funciona.

Os pesquisadores testaram três geradores de imagem de IA populares (Stable Diffusion XL, DALL-E 3 e Midjourney v6) para ver o que produziam ao serem solicitados a criar cenas com personagens masculinos e femininos. Eles inventaram uma régua especial chamada Índice de Viés Fotográfico de Gênero (GPBI) para medir a "objetificação" das imagens.

O Referencial: Uma pontuação perfeita e justa é 1,00.
Os Resultados: As ferramentas de IA pontuaram entre 1,62 e 1,94.

Isso significa que a IA não cometeu apenas alguns erros; ela sistematicamente fez as mulheres parecerem mais objetos do que os homens. Especificamente:

O Zoom: Quando a IA desenhava uma mulher, ela dava um zoom fechado (como um close-up de um rosto), mas quando desenhava um homem, ela recuava para mostrar toda a cena. As mulheres eram enquadradas a aproximadamente metade da distância dos homens.
A Iluminação: As mulheres eram iluminadas com sombras duras e de alto contraste (fazendo-as parecer dramáticas, mas distantes), enquanto os homens recebiam uma luz mais suave e natural.
A Fragmentação: A IA tinha maior probabilidade de cortar partes do corpo de uma mulher no enquadramento, focando em partes específicas do corpo em vez da pessoa como um todo.

O Mito da "Democracia"

Você pode ter ouvido dizer: "A IA é ótima! Ela permite que qualquer pessoa faça filmes e derruba as barreiras!". O artigo argumenta que isso é uma armadildade.

Imagine um videogame onde as configurações padrão são manipuladas para que jogar com uma personagem feminina seja mais difícil e tenha um visual pior do que jogar com um personagem masculino. Se você quiser consertar isso, tem que gastar três vezes mais tempo ajustando as configurações. O artigo descobriu que 74,1% das mulheres na indústria do cinema sentem que as ferramentas de IA estão "codificando convenções fotográficas patriarcais", em comparação com apenas 40,8% dos homens.

Para as cineastas, usar essas ferramentas não é um passe livre para a criatividade; é um trabalho extra. Elas precisam lutar contra as configurações padrão da IA apenas para obter uma imagem que não pareça ter sido tirada através dos olhos de alguém que não as compreende. O artigo sugere que, em vez de democratizar o cinema, a IA está apenas tornando mais barato reproduzir as mesmas velhas e enviesadas formas de ver.

A "Mão Invisível"

Por que isso acontece? O artigo explica que a IA não é "má"; ela é apenas uma estatística. Ela aprendeu com um "corpus" (uma biblioteca gigante) de imagens que foram majoritariamente criadas por homens, para uma indústria dominada por homens.

O Treinamento: A IA absorveu os "piores hábitos" do passado — como a maneira pela qual as mulheres eram frequentemente filmadas como objetos — e os tornou a configuração "padrão".
A Ilusão: Como a IA cria imagens que parecem tão reais (fotorrealistas), esquecemos que elas não são reais. Não havia uma pessoa de fato ali para ser fotografada. A IA apenas calculou a forma mais provável de desenhar uma "mulher" com base em seus dados de treinamento enviesados. Isso torna o viés invisível, como um fantasma na máquina.

O Que o Artigo Diz (e o Que Não Diz)

Os autores estão muito seguros de suas descobertas porque não apenas adivinharam; eles mediram.

Eles mediram: Eles entrevistaram 186 profissionais do cinema da Índia, Reino Unido e EUA. Eles geraram 600 imagens e fizeram especialistas avaliarem.
Eles provaram: O viés é real, mensurável e consistente em diferentes sistemas de IA.
Eles descartaram: Eles rejeitam explicitamente a ideia de que a IA é uma ferramenta neutra que naturalmente corrigirá a desigualdade. Eles também observam que seu estudo não cobriu todos os países do mundo (como Coreia ou Nigéria), portanto, não sabemos se os números são exatamente os mesmos em todos os lugares, mas o padrão é forte onde eles investigaram.

A Solução?

O artigo sugere que não podemos apenas esperar que a IA "aprenda melhor" por conta própria. Precisamos mudar as regras:

Auditar a Biblioteca: Verificar os dados de treinamento para garantir que incluam mais diretoras e fotógrafas.
Novos Padrões: Os estúdios de cinema devem recusar a compra de ferramentas de IA que possuam altos índices de viés (acima de 1,2).
Transparência: As imagens de IA devem carregar um "rótulo" informando que foram feitas por uma máquina e quais vieses podem estar nelas.
Mulheres no Comando: Mulheres cinematógrafas e estudiosas feministas precisam ser as responsáveis pelo design dessas ferramentas, não apenas usuárias delas.

Ao final, o artigo conclui que a câmera sempre foi política. Agora, o "olhar" não é apenas humano; é algorítmico. E, a menos que consertemos o código, o algoritmo continuará nos mostrando um mundo onde as mulheres são objetos e os homens são os heróis. A questão não é se a IA tem um olhar de gênero, mas se temos a coragem de enxergá-lo e mudá-lo.

Resumo Técnico: Através de uma Lente de Gênero: Inteligência Artificial, Representação Fotográfica e a Política da Visão no Cinema Mundial

Problematização
O artigo aborda a lacuna crítica na compreensão da política de gênero da integração da Inteligência Artificial (IA) no cinema mundial. Enquanto a IA está transformando rapidamente os fluxos de trabalho da produção cinematográfica (animação, VFX, cinematografia), os mecanismos específicos pelos quais os modelos de IA generativa reproduzem, amplificam ou contestam as convenções fotográficas patriarcais permanecem subexaminados. Os autores argumentam que, como os modelos generativos são treinados em vastos arquivos de fotografia e cinema historicamente dominados por homens, eles herdam e sistematizam a "política de gênero da visão" incorporada nesses conjuntos de dados. Consequentemente, as ferramentas visuais de IA correm o risco de se tornarem participantes políticas que normalizam convenções objetificantes sob o disfarce de neutralidade técnica, potencialmente restringindo a autonomia criativa das mulheres praticantes de forma mais severa do que a de seus homólogos masculinos.

Metodologia
O estudo emprega um design de métodos mistos críticos fundamentado na epistemologia do ponto de vista feminista, integrando quatro vertentes empíricas:

Levantamento Profissional (n=186): Um questionário estruturado administrado a profissionais da indústria cinematográfica na Índia, Reino Unido e EUA (estratificado para equilíbrio de gênero). Utilizou uma "Escala de Experiência de IA de Gênero" (GAES) validada de 12 itens para medir percepções de convenções fotográficas da IA, autonomia criativa e experiências de gênero. As análises estatísticas incluíram testes t para amostras independentes, testes qui-quadrado e regressão logística binária.
Entrevistas com Especialistas (n=8): Entrevistas semiestruturadas com profissionais seniores (diretores de fotografia, roteiristas, supervisores de VFX e acadêmicos) analisadas via análise temática reflexiva para explorar nuances experienciais.
Estudo de Caso Computacional (GPBI): Uma análise quantitativa de 600 imagens cinematográficas geradas por IA (100 pares de gêneros correspondentes por sistema) através de três grandes plataformas generativas: Stable Diffusion XL, DALL-E 3 e Midjourney v6. O estudo introduziu o Índice de Viés Fotográfico de Gênero (GPBI), uma medida composta que operacionaliza três dimensões derivadas da erudição cinematográfica feminista:
- Pontuação de Distância de Enquadramento (FDS): Medindo a distância do plano (enquadramentos mais fechados para mulheres indicam objetificação).
- Pontuação de Razão de Iluminação (LRS): Medindo o contraste entre luz principal e luz de preenchimento (contraste mais duro para mulheres indica objetificação).
- Pontuação de Saliência de Partes do Corpo (BPS): Medindo a proporção da área composicional ocupada por partes do corpo não faciais (fragmentação).
- As pontuações foram comparadas contra um Referencial de Cinematografia Feminista (FCB) derivado das obras de 12 diretoras de fotografia premiadas.
Revisão Sistemática de Literatura: Uma revisão baseada no protocolo PRISMA de 89 fontes para contextualizar os achados dentro da produção acadêmica existente sobre IA, gênero e representação visual.

Principais Contribuições
O artigo apresenta três contribuições originais para os campos do cinema mediado por IA, teoria do cinema feminista e filosofia da fotografia:

O Índice de Viés Fotográfico de Gênero (GPBI): Uma métrica composta validada para medir o viés de gênero em imagens cinematográficas geradas por IA. Ele operacionaliza o viés através de enquadramento, iluminação e fragmentação corporal, fornecendo uma ferramenta quantitativa para detectar desvios sistemáticos da paridade cinematográfica feminista.
O Quadro do Olhar de Gênero da IA (AGGF): Uma síntese teórica que estende o conceito de "olhar masculino" de Laura Mulvey (1975) para a produção visual algorítmica. O quadro propõe quatro mecanismos interligados:
- Patriarcado do Corpus: Os dados de treinamento codificam hierarquias de gênero históricas.
- Amplificação Algorítmica: O aprendizado estatístico amplifica convenções visuais dominantes (masculinas/objetificantes).
- Naturalização Pós-Indexical: Imagens geradas por IA possuem autoridade fotográfica sem um traço indexical, tornando as convenções de gênero invisíveis e "naturais".
- Normalização Institucional: A implementação de ferramentas de IA incorpora esses vieses nas normas profissionais, dificultando estruturalmente a crítica feminista.
Evidência Empírica Primária: Dados de grande amostra demonstrando que as mulheres praticantes de cinema experimentam as ferramentas de IA como significativamente mais restritivas do que os homens, especificamente em relação à codificação de convenções patriarcais.

Resultos

Achados do Levantamento: As respondentes mulheres relataram níveis significativamente maiores de viés percebido e restrição criativa do que os homens. Especificamente, 74,1% das mulheres relataram que as ferramentas de IA codificam convenções fotográficas patriarcais, em comparação com 40,8% dos homens ( $\chi^2(1) = 28,4, p < .001$ ). A razão de chances indicou que as mulheres eram 4,71 vezes mais propensas a perceber esse viés. Todos os itens de gênero do levantamento mostraram grandes tamanhos de efeito ( $d > 0,95$ ).
Estudo de Caso GPBI: Todas as três plataformas de IA produziram pontuações GPBI significativamente acima do referencial de paridade feminista (1,00), confirmando a reprodução sistemática de convenções objetificantes:
- Stable Diffusion XL: GPBI = 1,94
- DALL-E 3: GPBI = 1,77
- Midjourney v6: GPBI = 1,62
- Achado Chave: Sujeitos femininos foram enquadrados a aproximadamente metade da distância de plano dos sujeitos masculinos em todos os sistemas (Razão média FDS ~0,71/1,37), instanciando o mecanismo de "patriarcado do corpus".
Temas das Entrevistas: Dados qualitativos revelaram que os profissionais veem a IA como tendo "absorvido nossos piores hábitos", criando uma estética "padrão" que carece de interioridade para sujeitos femininos. As mulheres praticantes relataram que alcançar contraestéticas feministas exige "trabalho adicional" (ex: prompts específicos para combater os padrões), enquanto funções técnicas percebem a IA como um aumento de eficiência sem reconhecer o custo de gênero.

Significância e Alegações
O artigo alega que a integração da IA no cinema não é um evento de produtividade neutro, mas um "evento político de gênero" com consequências mensuráveis para a representação e autoria.

Significância Teórica: Ele estende a teoria do cinema feminista do cinema de autoria humana para a produção algorítmica, argumentando que o "olhar autoral" foi substituído por um "olhar probabilístico" que não é menos político.
Significância Prática: Os achados desafiam as narrativas da indústria de que a IA é uma força "democratizante". Em vez disso, os autores argumentam que, sem intervenção, a IA apenas reduz o custo de reproduzir estéticas patriarcais dominantes, forçando as cineastas mulheres a realizar o "trabalho de contraposição" para alcançar uma representação equitativa.
Agenda de Governança: O artigo propõe uma agenda de governança de cinco pontos mapeada aos mecanismos do AGGF, incluindo auditoria de corpus independente, padrões de aquisição baseados em GPBI para estúdios, divulgações de transparência obrigatórias (metadados de proveniência), equipes de desenvolvimento lideradas por mulheres e a criação de bibliotecas de prompts de cinematografia feminista.

Os autores concluem que, embora a indústria tenha a capacidade técnica de medir e mitigar esses vieses (como evidenciado pela variância entre os sistemas), a barreira primária permanece sendo a vontade política de reconhecer e abordar o olhar de gênero incorporado na visão algorítmica.

A Máquina de "Maus Hábitos"

O Mito da "Democracia"

A "Mão Invisível"

O Que o Artigo Diz (e o Que Não Diz)

A Solução?

Mais como este