211service.com
Ett algoritmiskt sinne för humor? Inte än.
Under de senaste månaderna har forskare med artificiell intelligens tagit enorma framsteg i att matcha mänsklig prestation i alla typer av uppgifter som tills nyligen hade ansetts vara nästan omöjliga för datorer. Saker som ansikts- och objektigenkänning, till exempel.
Men det finns några områden som fortfarande är enormt svåra för maskiner att greppa, och humor är ett av dem. Att ha ett sinne för humor är en unik personlig egenskap som är känd som svår att definiera. Vad som får en person att skratta och en annan grimas kan vara nästan omöjligt att förutse.
Det beror delvis på att humor beror på så många parametrar, av vilka många är interna och kan förändras från ett ögonblick till ett annat. Det som verkar roligt nu kanske inte verkar så roligt senare eller imorgon.
Ändå har olika lingvister och psykologer föreslagit att bra skämt alla har gemensamma egenskaper och att en systematisk analys borde avslöja dem. Frågan är hur man kommer till dessa primitiver av humor och om maskininlärning kan hjälpa.
Idag får vi ett slags svar tack vare Dragomir Radevs arbete vid University of Michigan i Ann Arbor och några kompisar vid Yahoo Labs, Columbia University och New York-bo tidskrift. De här killarna har studerat bildtexterna förknippade med tecknade serier.
De New York-bo publicerar berömt en tecknad serie utan bildtext varje vecka och ber läsarna att skicka in sin egen bildtext. Redaktionen väljer sedan de tre bästa och ber läsarna att rösta på den bästa.
Det har skapat en enorm databas med bildtexter. Idag publicerar Radev och co sin studie av 300 000 bildtexter skrivna för 50 New York-bo tecknade serier sedan 2005.
Deras metod är okomplicerad. De analyserar först uppsättningen av bildtexter för varje tecknad serie med hjälp av ett antal språkliga standardtekniker. Kriterier inkluderar nivån på positiva eller negativa känslor, om bildtexterna var människocentrerade (dvs. hänvisade till människor), hur tydligt de hänvisar till objekt som avbildas i den tecknade filmen, och så vidare.
Radev och co använde också nätverksteori för att studera bildtexterna. De listade de ämnen som nämns i varje bildtext och skapade sedan ett nätverk genom att länka bildtexter som nämnde samma ämnen. Det gjorde det möjligt för dem att använda standardverktyg för nätverksanalys för att hitta till exempel den viktigaste noden i nätverket, en egenskap som kallas centralitet.
Var och en av dessa metoder gav en rangordning av bildtexterna. Radev och co tog var och en av de högst rankade bildtexterna och jämförde dem med guldstandarden: bildtexter som läsarna av New York-bo valde som roligast. De gjorde detta genom att crowdsourcing åsikter med Amazons Mechanical Turk, och bad sju turkers att välja den roligaste av två bildtexter eller rangordna dem lika.
Radev och co säger att resultaten ger en viss inblick i karaktären av roliga bildtexter. Vi fann att de metoder som konsekvent väljer roligare bildtexter är negativa känslor, människocentreradhet och lexikalisk centralitet, säger de.
Det är en nyfiken studie som är svår att utvärdera. Forskarna erkänner att det inte är någon överraskning att finna att negativa känslor korrelerar med lustighet; människocentrering är också en förväntad egenskap hos humor. Betydelsen av lexikal centralitet är mindre tydlig.
Och däri ligger problemet med den här typen av forskning. Det är lätt att föreställa sig att ett mål med den här typen av arbete skulle vara att skapa en maskin som automatiskt kan välja den bästa bildtexten bland tusentals som skrivits in i New York-bo tävling varje vecka. Men lagen verkar lika långt som någonsin från att uppnå detta. Valde någon av dessa automatiska metoder på ett tillförlitligt sätt den bildtext som valts av läsarna? Radev och co säger inte, så förmodligen inte.
Ett mer ambitiöst mål skulle vara att hitta ett sätt att skriva bättre bildtexter för tecknade serier, kanske automatiskt. Slutsatsen från detta arbete? Håll inte andan.
Och det kanske är en lättnad. Det finns åtminstone en mänsklig egenskap som ser utom räckhåll för nuvarande maskininlärningstekniker.
Till sin förtjänst gör Radev och co sin samling tecknade serier och bildtexter tillgängliga för andra forskare. Så om det finns någon där ute som tror att de kan göra bättre, är de välkomna att prova.
Ref: arxiv.org/abs/1506.08126 : Humor i kollektiv diskurs: Upptäcka oövervakad rolighet i New Yorker Cartoon Caption Contest