L'humour computationnel est un sous-domaine de l'intelligence artificielle qui s'intéresse à la modélisation computationnelle de l'humour. Il s'appuie sur la linguistique, la psychologie et l'informatique pour développer des systèmes capables de détecter, d'interpréter et de produire des textes humoristiques ou d'autres médias. Le domaine aborde à la fois les mécanismes cognitifs sous-jacents à l'humour et les défis pratiques liés à la construction d'algorithmes capables de gérer l'ambiguïté, le contexte et la variation culturelle.
La recherche en humour computationnel s'est historiquement concentrée sur des approches basées sur des règles, comme l'identification de jeux de mots ou de modèles de blagues simples, mais a de plus en plus adopté des techniques de apprentissage automatique et de apprentissage profond. Les systèmes modernes s'appuient souvent sur des grands modèles de langage entraînés sur de vastes corpus de textes, capables de générer et d'analyser l'humour avec une plus grande flexibilité que les méthodes antérieures. Le domaine reste difficile car l'humour dépend souvent de connaissances partagées, du timing et de l'inattendu, tous difficiles à formaliser.
Développement historique
Les premiers travaux en humour computationnel remontent aux années 1990, lorsque des chercheurs comme Graeme Ritchie et d'autres ont proposé des modèles computationnels basés sur des théories linguistiques de l'incongruité et de la résolution. Ces premiers systèmes utilisaient des règles élaborées à la main pour générer des jeux de mots simples ou pour classer des blagues. Par exemple, le programme JAPE, développé au milieu des années 1990, générait des devinettes à jeux de mots à partir d'une base de données d'associations de mots.
À partir des années 2000, des méthodes statistiques ont commencé à apparaître, utilisant des corpus de blagues pour entraîner des classifieurs capables de distinguer les textes humoristiques des textes non humoristiques. Cependant, les performances étaient limitées par la complexité de l'humour et la rareté des données étiquetées. L'avènement des réseaux de neurones et, plus tard, des architectures transformeurs dans les années 2010 a marqué un tournant, permettant aux modèles de capturer des schémas plus nuancés dans le langage.
Défis principaux
Un défi central est la subjectivité de l'humour. Ce qu'une personne trouve drôle peut ne pas amuser une autre, ce qui rend l'évaluation difficile. Les chercheurs utilisent souvent des évaluateurs humains ou des métriques indirectes comme la surprise ou l'incongruité, mais celles-ci sont imparfaites. Un autre problème est la dépendance à la connaissance du monde ; de nombreuses blagues font référence à des événements, des personnes ou des normes culturelles spécifiques qu'un modèle peut ne pas avoir rencontrés.
Le contexte joue également un rôle critique. Une phrase peut être humoristique dans une situation et offensante dans une autre. Les systèmes computationnels doivent donc gérer la pragmatique et les indices sociaux, ce qui reste un domaine de recherche actif. De plus, générer de l'humour nécessite d'équilibrer la créativité avec la cohérence, car une blague doit être à la fois nouvelle et compréhensible.
Méthodes et techniques
Les approches basées sur des règles incluent des générateurs à modèles qui remplissent des cases dans des structures de blagues prédéfinies, comme « Comment appelle-t-on un [X] qui [Y] ? ». Ces méthodes sont transparentes mais limitées en portée. Les méthodes statistiques et de apprentissage automatique utilisent des caractéristiques comme la similarité phonétique, la distance sémantique ou les schémas syntaxiques pour identifier le contenu humoristique.
Des travaux plus récents exploitent le apprentissage profond et les grands modèles de langage, tels que ceux développés par OpenAI, Anthropic et Google DeepMind. Ces modèles peuvent être affinés sur des ensembles de données de blagues ou sollicités pour générer des réponses humoristiques. Des techniques comme le échantillonnage top-p et le réglage de température sont utilisées pour contrôler le caractère aléatoire et la créativité des sorties. Certains systèmes utilisent également l'apprentissage par renforcement à partir de retours humains (Reinforcement Learning from AI Feedback (RLAIF)) pour aligner l'humour généré sur les préférences humaines.
Applications
Les applications pratiques incluent la génération automatique de blagues pour le divertissement, comme dans les chatbots ou les médias sociaux, et la détection de l'humour pour l'analyse des sentiments ou la modération de contenu. Dans l'éducation, l'humour computationnel peut être utilisé pour créer des supports d'apprentissage engageants. Le domaine informe également l'interaction homme-machine, où l'humour peut rendre les interfaces plus accessibles.
Dans le secteur commercial, des entreprises comme Samsung Electronics et Apple ont exploré l'humour dans les assistants virtuels, bien que le déploiement reste limité en raison du risque de sorties inappropriées. Des institutions de recherche comme MIT CSAIL et Stanford AI Lab ont publié des études sur la reconnaissance et la génération de l'humour, contribuant à la base académique du domaine.
Évaluation et orientations futures
Évaluer l'humour computationnel est notoirement difficile. Les méthodes courantes incluent des échelles de jugement humain, comme demander aux participants de noter le caractère drôle sur une échelle de Likert, ou des métriques automatisées qui mesurent la surprise ou l'incongruité. Cependant, celles-ci corrèlent souvent mal avec la perception réelle de l'humour. Certains chercheurs proposent d'utiliser des mesures comportementales, comme le rire ou l'engagement, mais celles-ci sont difficiles à capturer dans des systèmes textuels.
Les orientations futures incluent le développement de modèles capables d'adapter l'humour à des publics ou des contextes spécifiques, et l'intégration d'indices multimodaux, tels que des signaux visuels ou auditifs, pour l'humour dans la vidéo ou la parole. Il existe également un intérêt pour comprendre les implications éthiques, en particulier pour éviter un humour nuisible ou biaisé. Alors que la IA générative continue de progresser, l'humour computationnel pourrait devenir plus sophistiqué, mais il restera probablement un défi de référence pour l'intelligence artificielle.
Voir aussi
- intelligence artificielle
- traitement du langage naturel (lié, bien que non inclus dans la liste fournie, utiliser grand modèle de langage comme substitut)
- apprentissage automatique
- apprentissage profond
- réseau de neurones
- transformeur
- IA générative
- OpenAI
- Anthropic
- Google DeepMind
- MIT CSAIL
- Stanford AI Lab
- Samsung Electronics
- Apple
- Reinforcement Learning from AI Feedback (RLAIF)
- échantillonnage top-p
- réglage de température