En algoritmisk sans for humor? Ikke endnu.

I de seneste måneder har forskere med kunstig intelligens gjort store fremskridt med at matche menneskelig præstation i alle slags opgaver, der indtil for nylig var blevet tænkt som næsten umulige for computere. Ting som ansigts- og objektgenkendelse, for eksempel.

Men der er nogle områder, som stadig er enormt svære for maskiner at fatte, og humor er et af dem. At have en sans for humor er en unik personlig egenskab, som er berømt svær at definere. Hvad der får én person til at grine og en anden grimasse, kan være næsten umuligt at forudsige.

Det er til dels fordi humor afhænger af så mange parametre, hvoraf mange er interne og kan ændre sig fra det ene øjeblik til det andet. Det, der virker sjovt nu, virker måske ikke så sjovt senere eller i morgen.

Ikke desto mindre har forskellige lingvister og psykologer foreslået, at gode vittigheder alle har fælles egenskaber, og at en systematisk analyse burde afsløre dem. Spørgsmålet er, hvordan man kommer til disse primitiver af humor, og om maskinlæring kan hjælpe.

I dag får vi et slags svar takket være Dragomir Radevs arbejde ved University of Michigan i Ann Arbor og et par venner fra Yahoo Labs, Columbia University og New Yorker magasin. Disse fyre har studeret billedteksterne forbundet med tegnefilm.

Det New Yorker berømt udgiver en tegneserie uden billedtekst hver uge, og beder læserne om at indsende deres egen billedtekst. Redaktionen vælger derefter de tre bedste og beder læserne om at stemme på den bedste.

Det har skabt en enorm database med billedtekster. I dag udgiver Radev og co deres undersøgelse af 300.000 billedtekster skrevet til 50 New Yorker tegnefilm siden 2005.

Deres metode er ligetil. De analyserer først sættet af billedtekster for hver tegneserie ved hjælp af en række sproglige standardteknikker. Kriterier omfatter niveauet af positiv eller negativ følelse, om billedteksterne var menneskecentrerede (dvs. refererede til mennesker), hvor tydeligt de refererer til objekter afbildet i tegneserien, og så videre.

Radev og co brugte også netværksteori til at studere billedteksterne. De listede emnerne nævnt i hver billedtekst og oprettede derefter et netværk ved at linke billedtekster, der nævnte de samme emner. Det gjorde det muligt for dem at bruge standard netværksanalyseværktøjer til at finde for eksempel den vigtigste knude i netværket, en egenskab kendt som centralitet.

Hver af disse metoder producerede en rangordning af billedteksterne. Radev og co tog hver af de højest rangerede billedtekster og sammenlignede dem med guldstandarden: billedtekster, som læserne af New Yorker valgt som den sjoveste. De gjorde dette ved at crowdsourcing mening ved hjælp af Amazons Mechanical Turk, og bad syv turkere om at vælge den sjoveste af to billedtekster eller at rangere dem ligeligt.

Radev og co siger, at resultaterne giver et vist indblik i karakteren af ​​sjove billedtekster. Vi fandt ud af, at de metoder, der konsekvent vælger sjovere billedtekster, er negativ stemning, menneske-centrerethed og leksikalsk centralitet, siger de.

Det er en nysgerrig undersøgelse, som er svær at vurdere. Forskerne erkender, at der ikke er nogen overraskelse i at finde ud af, at negativ stemning hænger sammen med sjov; menneske-centrerethed er også en forventet egenskab ved humor. Betydningen af ​​leksikalsk centralitet er mindre klar.

Og deri ligger problemet med denne form for forskning. Det er let at forestille sig, at et mål fra denne form for arbejde ville være at skabe en maskine, der automatisk kan vælge den bedste billedtekst blandt tusinder, der er indtastet i New Yorker konkurrence hver uge. Men holdene virker så langt som nogensinde fra at opnå dette. Har nogen af ​​disse automatiske metoder pålideligt valgt billedteksten valgt af læserne? Radev og co siger ikke, så formodentlig ikke.

Et mere ambitiøst mål ville være at finde en måde at skrive bedre billedtekster til tegnefilm, måske automatisk. Konklusionen fra dette arbejde? Hold ikke vejret.

Og måske er det en lettelse. Der er i det mindste én menneskelig kvalitet, der ser ud over rækkevidden af ​​nuværende maskinlæringsteknikker.

Til deres ære gør Radev og co deres korpus af tegneserier og billedtekster tilgængelige for andre forskere. Så hvis der er nogen derude, der mener, de kan gøre det bedre, er de velkomne til at prøve.

Ref: arxiv.org/abs/1506.08126 : Humor i kollektiv diskurs: Uovervåget opdagelse af sjov i New Yorker tegneserie billedtekstkonkurrencen

skjule