Un sens de l'humour algorithmique ? Pas encore.

Ces derniers mois, les chercheurs en intelligence artificielle ont fait des pas de géant pour égaler les performances humaines dans toutes sortes de tâches qui, jusqu'à récemment, étaient considérées comme presque impossibles pour les ordinateurs. Des choses comme la reconnaissance faciale et d'objets, par exemple.

Mais il y a des domaines qui sont encore extrêmement difficiles à appréhender pour les machines, et l'humour en fait partie. Avoir le sens de l'humour est une qualité personnelle unique qui est notoirement difficile à définir. Ce qui fait rire une personne et grimace une autre peut être presque impossible à prévoir.

C'est en partie parce que l'humour dépend de tant de paramètres, dont beaucoup sont internes et susceptibles de changer d'un moment à l'autre. Ce qui semble drôle maintenant peut ne pas sembler si drôle plus tard ou demain.

Néanmoins, divers linguistes et psychologues ont suggéré que les bonnes blagues partagent toutes des propriétés communes et qu'une analyse systématique devrait les révéler. La question est de savoir comment atteindre ces primitifs de l'humour et si l'apprentissage automatique peut aider.

Aujourd'hui, nous obtenons une sorte de réponse grâce au travail de Dragomir Radev de l'Université du Michigan à Ann Arbor et de quelques amis de Yahoo Labs, de l'Université de Columbia et du New yorkais magazine. Ces gars ont étudié les légendes associées aux dessins animés.

le New yorkais publie chaque semaine un dessin animé sans légende, demandant aux lecteurs de soumettre leur propre légende. Les éditeurs choisissent ensuite les trois premiers et demandent aux lecteurs de voter pour le meilleur.

Cela a créé une énorme base de données de légendes. Aujourd'hui, Radev et co publient leur étude de 300 000 légendes écrites pour 50 New yorkais dessins animés depuis 2005.

Leur méthode est simple. Ils analysent d'abord l'ensemble des légendes de chaque dessin animé en utilisant un certain nombre de techniques linguistiques standard. Les critères incluent le niveau de sentiment positif ou négatif, si les légendes étaient centrées sur l'humain (c'est-à-dire faisant référence à des personnes), la clarté avec laquelle elles font référence aux objets représentés dans le dessin animé, etc.

Radev et co ont également utilisé la théorie des réseaux pour étudier les sous-titres. Ils ont répertorié les sujets mentionnés dans chaque légende, puis ont créé un réseau en reliant les légendes qui mentionnaient les mêmes sujets. Cela leur a permis d'utiliser des outils d'analyse de réseau standard pour trouver, par exemple, le nœud le plus important du réseau, une propriété connue sous le nom de centralité.

Chacune de ces méthodes a produit un classement des légendes. Radev et co ont pris chacune des légendes les mieux classées et les ont comparées à l'étalon-or : les légendes que les lecteurs du New yorkais choisi comme le plus drôle. Ils l'ont fait en crowdsourcing d'opinions à l'aide de Mechanical Turk d'Amazon, demandant à sept turkers de choisir la plus amusante de deux légendes ou de les classer de manière égale.

Radev et co disent que les résultats donnent un aperçu de la nature des légendes amusantes. Nous avons constaté que les méthodes qui sélectionnent systématiquement les légendes les plus amusantes sont le sentiment négatif, le centrage sur l'humain et la centralité lexicale, disent-ils.

C'est une curieuse étude difficile à évaluer. Les chercheurs reconnaissent qu'il n'y a aucune surprise à constater que le sentiment négatif est en corrélation avec la drôlerie ; la centration sur l'humain est également une propriété attendue de l'humour. La signification de la centralité lexicale est moins claire.

Et c'est là que réside le problème avec ce genre de recherche. Il est facile d'imaginer que l'un des objectifs de ce type de travail serait de créer une machine capable de choisir automatiquement la meilleure légende parmi des milliers saisies dans le New yorkais compétition chaque semaine. Mais les équipes semblent plus loin que jamais d'y parvenir. L'une de ces méthodes automatiques a-t-elle sélectionné de manière fiable la légende choisie par les lecteurs ? Radev et co ne le disent pas, donc probablement pas.

Un objectif plus ambitieux serait de trouver un moyen d'écrire de meilleures légendes pour les dessins animés, peut-être automatiquement. La conclusion de ce travail ? Ne retenez pas votre souffle.

Et c'est peut-être un soulagement. Il y a au moins une qualité humaine qui semble hors de portée des techniques actuelles d'apprentissage automatique.

À leur crédit, Radev and co mettent leur corpus de dessins animés et de légendes à la disposition d'autres chercheurs. Donc, s'il y a quelqu'un qui pense pouvoir faire mieux, il est le bienvenu pour essayer.

Réf : arxiv.org/abs/1506.08126 : L'humour dans le discours collectif : détection non supervisée de la drôlerie dans le concours de légendes de dessins animés du New Yorker

cacher