Oscar dla najlepszego filmu a opinie widzów. Analiza sentymentu recenzji na IMDb (2014-2023)

Celem pracy jest zbadanie, czy i w jaki sposób wygrana Nagrody Akademii Filmowej wpływa na sentyment opinii użytkowników platformy IMDb. Analizie poddano recenzje z lat 2014–2023. W części teoretycznej omówiono historię i znaczenie Nagród Akademii Filmowej, rolę kategorii Najlepszy Film oraz specyfikę platformy IMDb jako źródła danych o odbiorze filmów. Scharakteryzowano podstawowe pojęcia z zakresu produkcji filmowej oraz opisano zmiany zachodzące na rynku audiowizualnym w erze cyfryzacji, ze szczególnym uwzględnieniem wzrostu znaczenia platform streamingowych i konsekwencji pandemii COVID-19. W dalszej części pracy przedstawiono zagadnienia związane z analizą sentymentu jako narzędzia przetwarzania języka naturalnego (NLP), z uwzględnieniem jej zastosowań, wyzwań oraz dostępnych technologii. Szczególną uwagę zwrócono na modele językowe oparte na architekturze Transformer, takich jak BERT i RoBERT. W części empirycznej pracy dokonano pobrania i oczyszczenia ponad 100 000 recenzji użytkowników serwisu IMDb dotyczących filmów nominowanych do Oscara w latach 2014–2023. Następnie przeprowadzono klasyfikację sentymentu przy użyciu modelu RoBERT oraz analizę statystyczną zidentyfikowanych nastrojów. Zastosowane metody pozwoliły na zbadanie różnic w odbiorze filmów nagrodzonych Oscarem i pozostałych nominowanych.

The purpose of the study was to investigate whether and how winning an Academy Award influences the sentiment of IMDb platform users' opinions. Reviews from 2014-2023 were analyzed. In the theoretical part, the history and significance of the Academy Awards, the role of the Best Picture category and the specifics of the IMDb platform as a source of data on film reception were discussed. The basic concepts of film production were characterized, and the changes taking place in the audiovisual market in the era of digitization were described, with particular attention to the rise of streaming platforms and the consequences of the COVID-19 pandemic. In the next part of the work, issues related to the analysis of sentiment, as a natural language processing (NLP) tool, were presented, considering its applications, challenges and available technologies. Special attention was paid to language models based on Transformer architecture, such as BERT and RoBERT. The empirical part of the study involved downloading and cleaning more than 100,000 IMDb user reviews of Oscar-nominated films from 2014-2023, followed by sentiment classification using the RoBERT model and statistical analysis of the identified sentiments. The methods used made it possible to examine differences in the perception of Oscar-winning films and other nominees.