계산 유머(Computational humor)는 인공지능의 하위 분야로, 유머의 계산적 모델링을 다룬다. 이 분야는 언어학, 심리학, 컴퓨터 과학을 활용하여 유머러스한 텍스트나 기타 미디어를 감지, 해석, 생성할 수 있는 시스템을 개발한다. 이 분야는 유머의 기저에 있는 인지 메커니즘과 모호성, 맥락, 문화적 변이를 처리할 수 있는 알고리즘 구축의 실용적 과제를 모두 다룬다.
계산 유머 연구는 역사적으로 말장난이나 단순한 농담 템플릿을 식별하는 규칙 기반 접근 방식에 초점을 맞추었지만, 점차 머신 러닝과 딥 러닝 기법을 채택하고 있다. 현대 시스템은 방대한 텍스트 말뭉치로 훈련된 대규모 언어 모델에 의존하는 경우가 많으며, 이는 이전 방법보다 더 큰 유연성으로 유머를 생성하고 분석할 수 있다. 이 분야는 유머가 종종 공유된 지식, 타이밍, 예상치 못함에 의존하기 때문에 여전히 어려운 과제로 남아 있으며, 이러한 요소들은 모두 공식화하기 어렵다.
역사적 발전
계산 유머의 초기 연구는 1990년대로 거슬러 올라가며, Graeme Ritchie와 같은 연구자들이 부조화와 해소에 대한 언어학적 이론에 기반한 계산 모델을 제안했다. 이러한 초기 시스템은 수작업으로 만든 규칙을 사용하여 단순한 말장난을 생성하거나 농담을 분류했다. 예를 들어, 1990년대 중반에 개발된 JAPE 프로그램은 단어 연관 데이터베이스에서 말장난 수수께끼를 생성했다.
2000년대에는 통계적 방법이 등장하여 농담 말뭉치를 사용해 유머러스한 텍스트와 그렇지 않은 텍스트를 구분하는 분류기를 훈련시켰다. 그러나 성능은 유머의 복잡성과 레이블이 지정된 데이터의 부족으로 제한되었다. 2010년대에 신경망과 이후 트랜스포머 아키텍처의 등장은 전환점을 마련하여 모델이 언어의 더 미묘한 패턴을 포착할 수 있게 했다.
핵심 과제
핵심 과제 중 하나는 유머의 주관성이다. 한 사람이 재미있다고 느끼는 것이 다른 사람을 웃기지 않을 수 있어 평가가 어렵다. 연구자들은 종종 인간 평가자나 놀라움 또는 부조화와 같은 대리 지표를 사용하지만, 이는 완벽하지 않다. 또 다른 문제는 세계 지식에 대한 의존성이다. 많은 농담이 특정 사건, 인물, 문화적 규범을 참조하며, 모델이 이를 접하지 못했을 수 있다.
맥락도 중요한 역할을 한다. 한 문구는 한 상황에서 유머러스할 수 있지만 다른 상황에서는 공격적일 수 있다. 따라서 계산 시스템은 화용론과 사회적 단서를 처리해야 하며, 이는 여전히 활발한 연구 분야이다. 또한 유머 생성은 창의성과 일관성의 균형을 요구하는데, 농담은 새롭고 이해 가능해야 하기 때문이다.
방법 및 기법
규칙 기반 접근 방식에는 "What do you call a [X] that [Y]?"와 같은 미리 정의된 농담 구조의 슬롯을 채우는 템플릿 기반 생성기가 포함된다. 이러한 방식은 투명하지만 범위가 제한적이다. 통계적 및 머신 러닝 방법은 음운 유사성, 의미 거리, 구문 패턴과 같은 특징을 사용하여 유머러스한 내용을 식별한다.
최근 연구는 오픈AI, 앤트로픽, 구글 딥마인드에서 개발된 것과 같은 딥 러닝 및 대규모 언어 모델을 활용한다. 이러한 모델은 농담 데이터셋에 미세 조정하거나 유머러스한 응답을 생성하도록 프롬프트할 수 있다. top-p 샘플링 및 온도 스케일링과 같은 기법은 출력의 무작위성과 창의성을 제어하는 데 사용된다. 일부 시스템은 또한 인간 피드백 기반 강화 학습(RLHF)을 사용하여 생성된 유머를 인간의 선호도에 맞춘다.
응용 분야
실용적 응용으로는 챗봇이나 소셜 미디어와 같은 엔터테인먼트를 위한 자동 농담 생성, 감정 분석이나 콘텐츠 조정을 위한 유머 감지가 있다. 교육에서는 계산 유머를 사용하여 참여를 유도하는 학습 자료를 만들 수 있다. 이 분야는 또한 인터페이스를 더 친근하게 만들 수 있는 인간-컴퓨터 상호작용에도 정보를 제공한다.
상업 부문에서는 삼성전자와 애플 같은 기업이 가상 비서에서 유머를 탐구했지만, 부적절한 출력의 위험으로 인해 배포는 여전히 제한적이다. MIT CSAIL 및 스탠포드 AI 랩과 같은 연구 기관은 유머 인식 및 생성에 관한 연구를 발표하여 이 분야의 학문적 기반에 기여했다.
평가 및 향후 방향
계산 유머를 평가하는 것은 악명 높을 정도로 어렵다. 일반적인 방법으로는 참가자에게 리커트 척도로 재미를 평가하도록 요청하는 인간 판단 척도나 놀라움 또는 부조화를 측정하는 자동 지표가 있다. 그러나 이러한 방법은 실제 유머 인식과 상관관계가 낮은 경우가 많다. 일부 연구자는 웃음이나 참여와 같은 행동 측정을 제안하지만, 텍스트 기반 시스템에서 이를 포착하기는 어렵다.
향후 방향에는 특정 청중이나 맥락에 맞게 유머를 적응시킬 수 있는 모델 개발과 비디오나 음성의 유머를 위한 시각적 또는 청각적 신호와 같은 다중 모달 단서의 통합이 포함된다. 또한 유해하거나 편향된 유머를 피하는 것과 관련된 윤리적 함의를 이해하는 데에도 관심이 있다. 생성형 AI가 계속 발전함에 따라 계산 유머는 더 정교해질 수 있지만, 인공지능에게 여전히 어려운 벤치마크로 남을 가능성이 높다.