Algoritmiska humora izjūta? Vēl nē.

Pēdējos mēnešos mākslīgā intelekta pētnieki ir guvuši milzīgus soļus, lai saskaņotu cilvēka veiktspēju visu veidu uzdevumos, kas līdz nesenam laikam tika uzskatīti par gandrīz neiespējamiem datoriem. Piemēram, sejas un objektu atpazīšana.

Bet ir dažas jomas, kuras mašīnām joprojām ir ļoti grūti aptvert, un viena no tām ir humors. Humora izjūta ir unikāli personiska īpašība, kuru ir ļoti grūti definēt. To, kas vienam liek smieties, bet citam grimasē, var būt gandrīz neiespējami paredzēt.

Daļēji tas ir tāpēc, ka humors ir atkarīgs no tik daudziem parametriem, no kuriem daudzi ir iekšēji un var mainīties vienā mirklī. Tas, kas šobrīd šķiet smieklīgs, var šķist tik smieklīgs vēlāk vai rīt.

Tomēr dažādi valodnieki un psihologi ir norādījuši, ka visiem labiem jokiem ir kopīgas īpašības un ka sistemātiskai analīzei tie ir jāatklāj. Jautājums ir par to, kā tikt galā ar šiem humora primitīviem un vai mašīnmācība var palīdzēt.

Šodien mēs saņemam sava veida atbildi, pateicoties Dragomira Radeva darbam Mičiganas Universitātē Annārborā un dažiem draugiem Yahoo Labs, Kolumbijas universitātē un Ņujorkietis žurnāls. Šie puiši ir pētījuši ar karikatūrām saistītos parakstus.

The Ņujorkietis slavens katru nedēļu publicē karikatūru bez parakstiem, lūdzot lasītājus iesniegt savus parakstus. Pēc tam redaktori izvēlas trīs labākos un lūdz lasītājus balsot par labāko.

Tādējādi ir izveidota milzīga parakstu datubāze. Šodien Radevs un kolēģi publicē savu pētījumu par 300 000 parakstiem, kas rakstīti 50 gadiem Ņujorkietis karikatūras kopš 2005. gada.

Viņu metode ir vienkārša. Vispirms viņi analizē katras multfilmas parakstu kopu, izmantojot vairākas standarta valodas metodes. Kritēriji ietver pozitīvā vai negatīvā noskaņojuma līmeni, to, vai paraksti bija vērsti uz cilvēku (t.i., attiecas uz cilvēkiem), cik skaidri tie attiecas uz multfilmā attēlotajiem objektiem utt.

Radevs un co arī izmantoja tīkla teoriju, lai pētītu parakstus. Viņi uzskaitīja katrā parakstā minētās tēmas un pēc tam izveidoja tīklu, savienojot parakstus, kuros bija minētas tās pašas tēmas. Tas ļāva viņiem izmantot standarta tīkla analīzes rīkus, lai atrastu, piemēram, vissvarīgāko tīkla mezglu, kas pazīstams kā centralitāte.

Katra no šīm metodēm izveidoja parakstu klasifikāciju. Radevs un kolēģi paņēma visus visaugstāk novērtētos parakstus un salīdzināja tos ar zelta standartu: parakstiem, ko lasītāji Ņujorkietis izvēlēta kā smieklīgākā. Viņi to izdarīja, apkopojot viedokli, izmantojot Amazon's Mechanical Turk, lūdzot septiņiem turkeriem izvēlēties smieklīgāko no diviem parakstiem vai sarindot tos vienādi.

Radevs un kolēģi saka, ka rezultāti sniedz zināmu ieskatu smieklīgo parakstu būtībā. Mēs noskaidrojām, ka metodes, kas konsekventi izvēlas smieklīgākus parakstus, ir negatīvs noskaņojums, uz cilvēku vērsts un leksiskā centrālība, viņi saka.

Tas ir ziņkārīgs pētījums, kuru ir grūti novērtēt. Pētnieki atzīst, ka nav nekāds pārsteigums, konstatējot, ka negatīvais noskaņojums korelē ar jautrību; centrētība uz cilvēku ir arī gaidīta humora īpašība. Leksiskās centralitātes nozīme nav tik skaidra.

Un tur slēpjas šāda veida pētījumu problēma. Ir viegli iedomāties, ka viens no šāda veida darba mērķiem būtu izveidot iekārtu, kas spētu automātiski izvēlēties labāko parakstu no tūkstošiem, kas ievadīti Ņujorkietis sacensības katru nedēļu. Taču komandas šķiet tik tālu no tā sasniegšanas. Vai kāda no šīm automātiskajām metodēm droši izvēlējās lasītāju izvēlēto parakstu? Radevs un co nesaka, tāpēc domājams, ka nē.

Ambiciozāks mērķis būtu atrast veidu, kā uzrakstīt labākus parakstus karikatūrām, iespējams, automātiski. Secinājums no šī darba? Neaizturiet elpu.

Un varbūt tas ir atvieglojums. Ir vismaz viena cilvēka īpašība, kas izskatās ārpus pašreizējām mašīnmācības metodēm.

Par godu Radevs un citi dara savu karikatūru un parakstu korpusu pieejamu citiem pētniekiem. Tāpēc, ja kāds domā, ka var darīt labāk, viņš ir laipni aicināts mēģināt.

Atsauce: arxiv.org/abs/1506.08126 : Humors kolektīvajā diskursā: Nepārraudzīta jautrības noteikšana New Yorker multfilmu parakstu konkursā

paslēpties