💬 NLP

Re-defining Humor Data Objects for AI Humor Research

Dieser Beitrag definiert Humor in der KI-Forschung neu als kontextabhängige soziale Interaktion, indem er eine verbesserte Prompting-Strategie für LLMs entwickelt, um hochwertige Humorerklärungen zu generieren, wodurch ein skalierbarer Datensatz für die Datensynthese geschaffen und das Verständnis von Humor als soziales Verhalten vorangetrieben wird.

Ursprüngliche Autoren: Anna Arnett, Bang Nguyen, Meng Jiang

Veröffentlicht 2026-05-26

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Anna Arnett, Bang Nguyen, Meng Jiang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, einen Witz zu verstehen. Lange Zeit behandelten Forscher Humor wie einen einfachen Lichtschalter: Entweder war der Witz „an" (lustig) oder „aus" (nicht lustig). Sie schauten sich lediglich den Text an und fragten: „Ist das ein Witz? Ja oder Nein?"

Doch die Autoren dieses Papiers argumentieren, dass Humor kein Lichtschalter ist; er ähnelt eher einer Live-Theateraufführung. Man kann ein Theaterstück nicht allein durch das Lesen des Drehbuchs verstehen; man muss wissen, wer die Schauspieler sind, was das Publikum tut und was unmittelbar vor der Pointe geschah.

Hier ist eine einfache Aufschlüsselung dessen, was sie taten, unter Verwendung einiger alltäglicher Analogien:

1. Das Problem: Das „blinde" Drehbuch

Die Forscher starteten mit einem Haufen Transkripte lustiger Momente (wie TED-Vorträge oder Sitcoms). Sie stellten ein großes Problem fest: Der Text enthielt oft die wichtigsten Teile nicht.

Die Analogie: Stellen Sie sich vor, Sie lesen ein Transkript einer Zaubershow, das nur sagt: „Der Zauberer winkt mit der Hand. Das Publikum lacht."
- Wenn Sie der Roboter sind, denken Sie vielleicht: „Okay, mit den Händen winken ist lustig."
- In Wirklichkeit lachte das Publikum jedoch, weil der Zauberer ein Kaninchen aus einem Hut zog, oder weil er ein albernes Gesicht schnitt. Das Transkript teilte Ihnen das nicht mit.
- Die alte Methode zwang die KI, zu raten (oder zu „halluzinieren"), was geschah, und oft lag sie falsch.

2. Die Lösung: Ein neuer „Witz-Notenspiegel"

Anstatt einen Witz einfach nur als „lustig" zu kennzeichnen, entwickelte das Team eine neue Art, Humor zu beschreiben, die sie Humor Reasoning Data Object (Humor-Verarbeitungs-Datenobjekt) nennen. Betrachten Sie dies als einen detaillierten Witz-Notenspiegel mit fünf spezifischen Abschnitten:

Der Aufbau (Kontext): Was geschah vor dem Witz?
Die Pointe (Versuch): Was sagte die Person tatsächlich?
Die Reaktion: Lachte das Publikum (1) oder blieb es still (0)?
Die Erklärung: Warum lachten sie? (Dies ist der wichtigste neue Teil).
Die „Rettung" (Wiedergutmachung): Wenn der Witz floppte, wie hat die Person ihn gerettet? (z. B. „Ups, mein Fehler" oder das Thema wechseln).

3. Das Experiment: Die KI zum „Denken" bringen

Das Team nutzte ein Large Language Model (eine fortschrittliche KI), um diese Notenspiegel auszufüllen. Sie versuchten zwei verschiedene Methoden, die KI dazu zu bringen, dies zu tun:

Prompt 1 (Der Optimist): Sie fragten die KI: „Hier ist der Text. Erklären Sie, warum das lustig ist."
- Das Ergebnis: Die KI gab ihr Bestes, doch wenn der Text Hinweise fehlten (wie ein visueller Hinweis oder ein kultureller Bezug), erfand die KI Geschichten, um die Lücken zu füllen. Es war wie ein Schüler, der auf einem Test die Antwort errät, weil er vergessen hat, die Frage sorgfältig zu lesen.
- Erfolgsrate: Nur etwa 55 % der Erklärungen waren gut.
Prompt 2 (Der Skeptiker): Sie änderten die Anweisungen. Sie sagten der KI: „Bevor Sie erklären, prüfen Sie, ob der Text tatsächlich genügend Informationen enthält. Wenn dem Text ein Bild, eine Geste oder ein entscheidendes Detail fehlt, geben Sie dies zu und sagen Sie, dass die Erklärung unmöglich ist."
- Das Ergebnis: Die KI wurde viel schlauer. Sie hörte auf, Dinge zu erfinden. Wenn dem Transkript ein visueller Hinweis fehlte, markierte sie die Daten als „kaputt", anstatt eine falsche Begründung zu erfinden.
- Erfolgsrate: Dies stieg auf 87 % korrekte Erklärungen.

4. Der große Gewinn: Skalierung

Sobald sie die Anweisungen (den „Prompt") korrigiert hatten, nutzten sie die KI, um 307 neue, hochwertige Witz-Erklärungen zu generieren.

Warum das wichtig ist: Sie haben nicht nur die KI repariert; sie haben einen neuen Datensatz erstellt. Dies ist wie der Bau einer riesigen Bibliothek von „Witz-Notenspiegeln", die nicht nur den Witz enthält, sondern auch die Begründung dahinter und eine Warnung, falls der Text zu unübersichtlich war, um verstanden zu werden.
Das Fazit: Das Papier beweist, dass man keinen intelligenteren Roboter braucht, um Humor besser zu verstehen; man muss dem Roboter nur die richtigen Fragen stellen. Indem sie die KI zwangen, ihre eigene Arbeit zu überprüfen und einzugestehen, wenn Informationen fehlen, stieg die Qualität der Humor-Erklärungen enorm an.

Zusammenfassung

Das Papier ist im Wesentlichen ein Leitfaden, wie man verhindert, dass KI beim Erklären von Witzen „Dinge erfindet". Indem sie Humor als komplexe soziale Interaktion (mit Kontext, Reaktionen und Erklärungen) behandeln und nicht als einfaches „Ja/Nein"-Label, und indem sie der KI strenge Regeln geben, schufen sie eine viel zuverlässigere Methode, um zu untersuchen, wie Maschinen menschliches Lachen verstehen.

Technisches Fazit: Neudefinition von Humor-Datenobjekten für die KI-Humorforschung

Problemstellung

Die bestehende KI-Humorforschung behandelt Humor überwiegend als binäre Klassifikationsaufgabe („vorhanden" oder „nicht vorhanden") auf Basis textueller Objekte. Dieser Ansatz ignoriert die psychologische Definition von Humor als soziales Verhalten, das Interaktion, Kontext und Erklärung beinhaltet. Aktuelle Datensätze fehlen typischerweise die reichhaltigen strukturellen Elemente, die erforderlich sind, um zu verstehen, warum Humor gelingt oder scheitert, wie etwa die beteiligten sozialen Rollen (Erzähler vs. Empfänger), die spezifische Begründung hinter einer Reaktion oder Wiederherstellungsstrategien für gescheiterte Versuche. Darüber hinaus verlassen sich bestehende Humordatensätze häufig auf Transkripte aus multimodalen Quellen (z. B. TED-Vorträge, Sitcoms), die entscheidende visuelle Hinweise, Timing oder Vortragweise auslassen, was zu einem unvollständigen Kontext für KI-Modelle führt.

Methodik

Die Autoren schlagen eine Neudefinition des „Humor"-Datenobjekts und eine Pipeline zur Generierung strukturierter Humor-Erklärungsdaten mittels Large Language Models (LLMs) vor.

1. Das Humor-Datenobjekt

Der Artikel definiert einen Humor-Datenpunkt als ein Quintupel $(C, X; Y, R; Z)$ :

$C$ (Kontext): Sozialer Dialog oder vorhergehender Kontext.
$X$ (Versuch): Der humorvolle Äußerung des Erzählers oder die Pointe.
$Y$ (Reaktion): Ein binäres Label, das angibt, ob der Empfänger Humor empfand ($1$) oder nicht ($0$).
$R$ (Begründung): Die Erklärung des Empfängers für die Reaktion, die detailliert beschreibt, warum der Humor gelang oder scheiterte.
$Z$ (Wiederherstellung): Die Reaktion des Erzählers auf einen gescheiterten Versuch (z. B. Entschuldigung, Ablenkung), markiert als „n/a", falls $Y=1$ .

Die Vorarbeit konzentrierte sich primär auf die Generierung von $R$ (der Erklärung).

2. Datensatzkonstruktion und Prompt-Iteration

Die Forscher nutzten bestehende Datensätze mit beobachtbaren Reaktionen, insbesondere den SMILE-Datensatz (TED+Sitcoms). Sie extrahierten den lokalen textuellen Kontext ( $C$ ), die Kandidaten-Pointe ( $X$ ) und die beobachtete Reaktion ( $Y$ ).

Um die Begründung ( $R$ ) zu generieren, setzte das Team eine iterative Prompt-Strategie mit einem LLM ein (Basis-Modell: gpt-4o-mini):

Prompt 1 (Initial): Forderte das Modell auf, eine strukturierte JSON-Ausgabe zu generieren, die eine schrittweise Begründung, einen kausalen Flussdiagramm, eine abschließende Erklärung und einen Halluzinations-Flag enthält. Dieser Prompt ging davon aus, dass der Text ausreichend sei, und zwang häufig zu einer Erklärung, selbst wenn der Kontext fehlte.
Prompt 2 (Revidiert): Entwickelt nach manueller Überprüfung von 31 Beispielen, die erhebliche Fehler aufzeigten. Dieser Prompt forderte das Modell explizit auf:
1. Zu bewerten, ob das Transkript allein ausreicht, um die Humor-Erklärung zu stützen.
2. Datenqualitätsprobleme zu markieren, wie fehlenden Kontext, Ausrichtungsfehler oder Multimodalitätsabhängigkeit.
3. Das Erfinden von Erklärungen zu vermeiden, wenn der Text unzureichend war.

3. Evaluation und Skalierung

Das Team bewertete die Ausgaben beider Prompts manuell anhand derselben 31 Beispiele. Die Evaluierungskriterien umfassten Fundiertheit (Verlassen auf $C$ und $X$ ), Vollständigkeit, Identifizierung des wahren Humor-Mechanismus und das Fehlen nicht untermauerter Fakten. Nach dem Erfolg von Prompt 2 skalierte das Team den Generierungsprozess, um einen Datensatz mit 307 Erklärungsbeispielen zu produzieren.

Wichtige Ergebnisse

Prompt-Verbesserung: Die manuelle Evaluation am Testset mit 31 Beispielen zeigte eine signifikante Verbesserung mit dem revidierten Prompt.
- Prompt 1: 17/31 Ausgaben waren akzeptabel; 14 waren falsch.
- Prompt 2: 27/31 Ausgaben waren akzeptabel; nur 4 waren falsch.
Fehleranalyse: Die anfänglichen Misserfolge wurden in vier Kategorien eingeteilt:
1. Unvollständiger Kontext: Das Transkript fehlte Hintergrundinformationen, die zum Verständnis des Witzes notwendig waren.
2. Unerklärte Eigennamen: Das Modell versagte darin, reale Weltbezüge zu erklären (z. B. „FedEx-Tage").
3. Multimodalitätsabhängigkeit: Der Humor beruhte auf visuellen Hinweisen, Gesten oder Timing, die im Text nicht vorhanden waren.
4. Unzuverlässige Transkripte: Falsch transkribierte Wörter oder falsch ausgerichtete Lach-Marker führten zu inkohärenten Erklärungen.
Skalierung: Der revidierte Prompt generierte erfolgreich 307 strukturierte Datenpunkte. Entscheidend war, dass er die Tendenz reduzierte, Erklärungen zu halluzinieren, wenn der Quelltext fehlerhaft war, und stattdessen die Unzulänglichkeit der Daten markierte.
Automatische Optimierung: Ein Experiment mit DSPy/GEPA zur automatischen Prompt-Optimierung erzielte keine Leistungssteigerungen über die manuelle Verfeinerung hinaus, was darauf hindeutet, dass die vom Menschen geleitete Fehleranalyse der Haupttreiber der Verbesserung war.

Bedeutung und Beiträge

Der Artikel beansprucht folgende Beiträge für das Feld der KI-Humorforschung:

Neudefinition von Datenobjekten: Über die binären Labels hinausgehend zu einem strukturierten Quintupel, das Humor als soziale Interaktion erfasst, die Kontext, Versuch, Reaktion, Begründung und Wiederherstellung umfasst.
Skalierbare Datensynthese: Der Nachweis, dass gut gestaltete LLM-Prompts zur Generierung großskaliger, strukturierter Humor-Erklärungsdaten verwendet werden können, selbst aus unvollkommenen Quelltranskripten. Dies bietet eine Methode für Daten-Augmentation und -Synthese.
Umgang mit Multimodalität und Kontext: Die Feststellung, dass eine effektive Generierung von Humor-Erklärungen erfordert, dass das Modell die Textausreichendheit explizit bewertet und Multimodalitätsabhängigkeiten markiert, anstatt eine Erklärung zu erzwingen.
Grundlage für zukünftige Arbeiten: Der generierte Datensatz und das definierte Datenobjekt bilden eine Basislinie für zukünftige Forschung im Bereich Humorverständnis, Datensynthese und der Entwicklung sozial bewusster KI-Modelle.

Die Autoren nehmen eine bescheidene Haltung ein und stellen fest, dass der Datensatz mit 307 Beispielen eine vorläufige Ressource und kein Goldstandard ist. Zudem sei weitere Arbeit erforderlich, um die Qualität der Erklärungen systematisch über verschiedene Fehlermodi hinweg zu evaluieren und die Nützlichkeit des Datensatzes beim Training von Humor-Generierungsmodellen zu untersuchen.