# Content-Selector 互动剧选题评分基准 v1

> 版本: v1  
> 总分: 100 分  
> 及格线: 90 分  
> 用途: 用于 content-selector template 的 self-evaluation 与训练评估

---

## 1. 评分总览

| 总分区间 | 等级 | 处理建议 |
|----------|------|----------|
| 95-100 | S | 优先立项，建议开发 3-5 个分支、多结局深度互动剧 |
| 90-94 | A | 通过选题，可设计 2-3 个关键决策点，做中等规模互动剧 |
| 85-89 | B | 降级为「轻互动短视频」（如评论区投票决定下一集走向） |
| 80-84 | C | 仅做常规短剧/解说改编，不做互动结构 |
| <80 | D | 淘汰，不作为训练正样本 |

**设线逻辑**: 互动剧生产链路长、成本高，只有高确定性优质素材才值得投入改编；80-89 分素材可作为低互动成本短视频改造，不建议做深度多结局互动剧。

---

## 2. 六维评分细则

### 维度 1: 对话潜力 (Dialogue Potential) — 20 分

评估原始素材中自然对话的丰富程度，以及直接映射为角色台词的可行性。

| 分值区间 | 标准描述 |
|----------|----------|
| 16-20 | 2 个及以上独立说话人，问答/争论/协商结构清晰，可直接分配角色台词 |
| 10-15 | 存在少量对话片段，但主体仍是独白；或说话人可识别但互动感弱，需二次加工 |
| 0-9 | 纯单人播报/独白，无其他说话人，必须做结构重构才能改编 |

**自动化评估方法**:
- 说话人识别: 扫描字幕中 `>> Name:`, `[Name]:`, 换段首词大写+冒号等模式，统计独立说话人数量
- 对话密度: 统计 `"\n>>"` 或 `"\n-"` 等换行对话标记频次，计算 `对话回合数 / 总时长`，>0.15 为佳
- 输出信号: `speaker_count`, `dialogue_density_score`

---

### 维度 2: 冲突强度 (Conflict Intensity) — 20 分

评估素材中立场对立、利益冲突、危机事件的浓度。

| 分值区间 | 标准描述 |
|----------|----------|
| 16-20 | 高密度冲突词 + 明确的立场对立/价值观碰撞，每 1000 字冲突词 ≥3 个 |
| 10-15 | 中等冲突，存在事件张力但缺乏对立双方，或冲突词密度中等 |
| 0-9 | 平铺直叙的信息传递，无明显对立面或戏剧张力 |

**自动化评估方法**:
- 冲突词库命中: 正则匹配 `attack`, `threaten`, `crisis`, `rescue`, `deal`, `betray`, `deny`, `accuse`, `revenge`, `war`, `dead`, `kill`, `destroy`, `confront`, `oppose`, `refuse` 等词
- 计算 `冲突词总数 / (字幕字数 / 1000)`，即每千字的冲突浓度
- 立场对立检测: 识别对话中明显的否定结构 (`I don't think so`, `That's not true`, `We strongly oppose`)
- 输出信号: `conflict_word_density`, `stance_opposition_flag`

---

### 维度 3: 情感共鸣 (Emotional Resonance) — 15 分

评估素材是否能触及普遍人性主题，激发观众的代入感。

| 分值区间 | 标准描述 |
|----------|----------|
| 12-15 | 能触及亲情、爱情、友情、正义、复仇、牺牲、恐惧等普遍人性主题 |
| 6-11 | 特定圈层/事件共鸣（如政治立场、职业身份），泛化性有限 |
| 0-5 | 冷静客观的纯信息陈述，无明显情感锚点或人性视角 |

**自动化评估方法**:
- 主题关键词匹配: 情感主题词库 (`family`, `love`, `home`, `mother`, `father`, `child`, `justice`, `revenge`, `sacrifice`, `fear`, `hope`, `grief`, `survive`)
- 冲突中的个体视角检测: 识别第一人称情感表达 (`I feel`, `We lost`, `My heart breaks`)
- 情感极性分析: 使用 NLP sentiment 检测情感波动，显著情感转折 3-5 次最适合短剧
- 输出信号: `emotional_theme_score`, `first_person_emotion_count`, `sentiment_volatility`

---

### 维度 4: 分支可设计性 (Branch Designability) — 20 分

评估从素材中提取自然决策点的难易程度。

| 分值区间 | 标准描述 |
|----------|----------|
| 16-20 | 可自然提取 3-5 个戏剧决策点（What would you do? 时刻），每个选择能明显改变后续走向 |
| 10-15 | 可设计 1-2 个决策点，或需要一定重构才能植入选择节点 |
| 0-9 | 难以找到选择节点，素材以线性陈述为主，无明显可分支的戏剧性时刻 |

**自动化评估方法**:
- 决策事件模板匹配: 识别 `should we`, `what if`, `choose between`, `whether to`, `decide to`, `agree or refuse`, `stay or leave`, `believe or doubt` 等决策句式
- 悬念/两难标记: `but`, `however`, `dilemma`, `torn between`, `risk` 出现频次
- 基于冲突强度加权: 冲突强度 ≥16 时，本维度可上浮 2 分
- 输出信号: `decision_point_count`, `dilemma_markers_count`

---

### 维度 5: 场景可视化 (Scene Visualizability) — 15 分

评估素材中场景描述是否清晰，以及是否适合低成本拍摄落地。

| 分值区间 | 标准描述 |
|----------|----------|
| 12-15 | 场景描述清晰（室内访谈、办公室、家庭客厅等），易低成本拍摄，无需大量置景 |
| 6-11 | 场景抽象或切换频繁，需要一定置景投入，或依赖新闻素材混剪 |
| 0-5 | 极度依赖大场面（战场、大规模游行、灾难现场），不适合低成本短剧拍摄 |

**自动化评估方法**:
- 地点实体提取: NLP 识别地点介词短语 (`in Washington`, `at the White House`, `in the studio`, `at home`)
- 场景复杂度评估: 统计场景中明确的室内/室外地点切换次数
- 大场面标记: 检测 `battlefield`, `war zone`, `explosion`, `crowd of thousands`, `massive` 等高风险拍摄词汇
- 输出信号: `location_clarity_score`, `scene_complexity_score`, `big_scene_risk_flag`

---

### 维度 6: 流量基础 (Traffic Foundation) — 10 分

评估素材本身的市场热度与受众基础。

| 分值区间 | 标准描述 |
|----------|----------|
| 8-10 | viewCount > 50 万 且 高赞播比 > 1.5%，说明情绪共鸣强、市场验证通过 |
| 4-7 | viewCount 10-50 万 或赞播比 0.5-1.5%，有一定热度但非爆款 |
| 0-3 | viewCount < 10 万 且赞播比 < 0.5%，冷门素材，流量风险高 |

**自动化评估方法**:
- 直接读取 YouTube JSON 的 `viewCount` 和 `likeCount`
- 计算 `likeRatio = likeCount / viewCount * 100%`
- viewCount 以原始数值为准，不做对数转换
- 输出信号: `viewCount`, `likeCount`, `likeRatio`

---

## 3. 自动化评估 Pipeline

```
输入: YouTube 视频 JSON {title, channelTitle, viewCount, likeCount, subtitles}
    │
    ▼ Step 1: NLP 特征提取
    ├─ 说话人识别 → speaker_count, dialogue_density_score
    ├─ 冲突词库扫描 → conflict_word_density, stance_opposition_flag
    ├─ 情感分析 → emotional_theme_score, sentiment_volatility
    ├─ 决策点检测 → decision_point_count, dilemma_markers_count
    ├─ 场景提取 → location_clarity_score, scene_complexity_score, big_scene_risk_flag
    └─ 流量计算 → viewCount, likeRatio
    │
    ▼ Step 2: 六维评分映射
    根据上表规则，输出 6 个维度的整数分数
    │
    ▼ Step 3: 总分与等级判定
    total_score = sum(6 dimensions)
    grade = S/A/B/C/D (按总分区间)
    │
    ▼ Step 4: 改编建议
    if total_score >= 90:
        输出 SBSE 剧本框架草案 + adaptation_plan
    elif 单人独白且 total_score < 90:
        输出重构建议 (角色分身/引入对立面/观众代入)
    else:
        输出 rejection_reason
```

---

## 4. Self-Evaluation 检查清单

content-selector 在输出最终评估前，应逐条确认:

- [ ] 说话人数量是否被准确识别？
- [ ] 冲突词密度是否达到 ≥3/千字（高分标准）？
- [ ] 是否存在可被观众代入的个体情感视角？
- [ ] 能否从素材中直接提取至少 1 个 "What would you do?" 决策点？
- [ ] 场景是否能在低成本条件下拍摄？是否存在大场面依赖？
- [ ] 流量指标是否支持立项（赞播比 >1% 为优）？
- [ ] 总分 ≥90 的素材是否自动生成了 SBSE 框架？
- [ ] 纯独白素材是否输出了明确的三步重构建议？