計算ユーモアは、人工知能の一分野であり、ユーモアの計算モデル化を扱う。言語学、心理学、コンピュータ科学を基盤とし、ユーモアのあるテキストやその他のメディアを検出、解釈、生成できるシステムを開発する。この分野は、ユーモアの背後にある認知メカニズムと、曖昧さ、文脈、文化的差異を扱うアルゴリズムを構築する実践的課題の両方に取り組む。
計算ユーモアの研究は歴史的に、駄洒落や単純なジョークのテンプレートを識別するようなルールベースの手法に焦点を当ててきたが、近年は機械学習や深層学習の手法を採用するようになっている。現代のシステムは、膨大なテキストコーパスで訓練された大規模言語モデルに依存することが多く、初期の手法よりも柔軟にユーモアを生成・分析できる。この分野は、ユーモアがしばしば共有知識、タイミング、意外性に依存するため、それらを形式化するのが難しく、依然として挑戦的な領域である。
歴史的発展
計算ユーモアの初期の研究は1990年代に遡り、グレアム・リッチーらが不調和と解決に関する言語学理論に基づく計算モデルを提案した。これらの初期システムは、手作業で作られたルールを用いて単純な駄洒落を生成したり、ジョークを分類したりした。例えば、1990年代半ばに開発されたJAPEプログラムは、単語連想のデータベースから駄洒落を含むなぞなぞを生成した。
2000年代に入ると統計的手法が登場し、ジョークのコーパスを用いてユーモアのあるテキストとないテキストを区別する分類器を訓練した。しかし、その性能はユーモアの複雑さとラベル付きデータの不足によって制限された。2010年代にニューラルネットワーク、そして後のトランスフォーマーアーキテクチャが登場したことで転機を迎え、モデルが言語のより微妙なパターンを捉えられるようになった。
主要な課題
中心的な課題の一つは、ユーモアの主観性である。ある人には面白くても、別の人には面白くないことがあり、評価を困難にしている。研究者はしばしば人間の評価者や、意外性や不調和などの代理指標を用いるが、これらは不完全である。もう一つの問題は、世界知識への依存である。多くのジョークは特定の出来事、人物、文化的規範を参照しており、モデルがそれらに遭遇していない可能性がある。
文脈も重要な役割を果たす。あるフレーズはある状況ではユーモラスでも、別の状況では不快になり得る。したがって、計算システムは語用論や社会的合図を扱う必要があり、これらは依然として活発な研究分野である。さらに、ユーモアを生成するには、新規性と一貫性のバランスを取る必要があり、ジョークは斬新でありながら理解可能でなければならない。
手法と技術
ルールベースの手法には、事前定義されたジョーク構造のスロットを埋めるテンプレートベースの生成器が含まれる。例えば、「[X]を[Y]するものを何と呼ぶか？」といった形式である。これらは透明性が高いが、範囲が限られている。統計的・機械学習的手法は、音韻的類似性、意味的距離、統語的パターンなどの特徴を用いてユーモアのある内容を識別する。
より最近の研究は、深層学習と大規模言語モデルを活用しており、例えばOpenAI、Anthropic、Google DeepMindによって開発されたものがある。これらのモデルは、ジョークデータセットで微調整したり、プロンプトを与えてユーモラスな応答を生成させたりできる。top-pサンプリングや温度スケーリングなどの技術は、出力のランダム性と創造性を制御するために用いられる。一部のシステムは、人間の好みに合わせて生成ユーモアを調整するために、人間からのフィードバックを用いた強化学習（RLHF）も採用している。
応用
実用的な応用には、チャットボットやソーシャルメディアにおけるエンターテインメント向けの自動ジョーク生成や、感情分析やコンテンツモデレーションのためのユーモア検出が含まれる。教育分野では、計算ユーモアを用いて魅力的な学習教材を作成できる。また、この分野は人間とコンピュータの相互作用にも情報を提供し、ユーモアがインターフェースをより親しみやすくする。
商業分野では、サムスン電子やAppleなどの企業が仮想アシスタントでのユーモアを探求してきたが、不適切な出力のリスクのため、展開は依然として限定的である。MIT CSAILやスタンフォードAIラボなどの研究機関は、ユーモア認識と生成に関する研究を発表し、この分野の学術的基盤に貢献している。
評価と今後の方向性
計算ユーモアの評価は、悪名高いほど困難である。一般的な方法には、参加者にリッカート尺度で面白さを評価してもらう人間の判断尺度や、意外性や不調和を測定する自動指標がある。しかし、これらは実際のユーモア認識と相関が低いことが多い。一部の研究者は、笑いや関与などの行動的尺度を用いることを提案しているが、テキストベースのシステムではこれらを捉えるのは難しい。
今後の方向性には、特定の聴衆や文脈に適応できるユーモアモデルの開発や、ビデオや音声におけるユーモアのための視覚的・聴覚的信号などのマルチモーダルな手がかりの統合が含まれる。また、有害または偏ったユーモアを避けること、特に倫理的影響を理解することへの関心もある。生成AIが進歩し続けるにつれて、計算ユーモアはより洗練されるかもしれないが、人工知能にとって挑戦的なベンチマークであり続けるだろう。