Resources and Evaluation in Computational Humour Generation: A Systematic Survey across Languages and Cultures

कंप्यूटर को चुटकुला सुनाना कृत्रिम बुद्धिमत्ता (आर्टिफिशियल इंटेलिजेंस) के सबसे छद्म रूप से कठिन कार्यों में से एक है। इसके लिए केवल व्याकरण के नियमों का पालन करने वाले शब्दों को जोड़ने की आवश्यकता नहीं होती; मशीन को मानवीय संस्कृति, समय (टाइमिंग) और अपेक्षाओं के सूक्ष्म, अक्सर अदृश्य नियमों को समझना होता है। एक चुटकुला जो एक शहर में काम करता है, वह दूसरे शहर में विफल हो सकता है या यहाँ तक कि अपमानजनक भी लग सकता है, और जो बात एक व्यक्ति को मज़ेदार लग सकती है, वह किसी अन्य के लिए भ्रमित करने वाली हो सकती है। वर्षों से, शोधकर्ताओं ने हास्य उत्पन्न करने वाले सिस्टम बनाने की कोशिश की है, जो शब्दों को बदलने वाले सरल नियम-आधारित प्रोग्रामों से लेकर विशाल मात्रा में टेक्स्ट से सीखने वाले जटिल, आधुनिक सिस्टमों तक विकसित हुए हैं। लेकिन जैसे-जैसे ये सिस्टम अधिक शक्तिशाली होते गए, एक नई समस्या उभर आई है: जबकि कंप्यूटर चुटकुले लिखने में बेहतर हो रहे हैं, जिस आधार पर वे खड़े हैं उसे देखना कठिन होता जा रहा है। हम नहीं जानते कि जिस डेटा से उन्होंने सीखा है वह वास्तव में उन लोगों का प्रतिनिधित्व करता है जिन्हें वे प्रसन्न करने के लिए बनाए गए हैं, या जो परीक्षण उन्हें परखने के लिए उपयोग किए जा रहे हैं, वे वास्तव में वही माप रहे हैं जो हम सोचते हैं।

किंग मंगकुत के प्रौद्योगिकी विश्वविद्यालय थोंबुरी के शोधकर्ताओं द्वारा किया गया एक हालिया व्यवस्थित सर्वेक्षण इस छिपे हुए आधार की गहराई से जांच करता है। टीम ने 2020 और 2026 के बीच प्रकाशित बहत्तर अध्ययनों का परीक्षण किया, एक ऐसा कालखंड जिसने कंप्यूटर को हास्य बनाने के लिए सिखाने के तरीके में एक बड़े बदलाव को देखा। उन्होंने केवल उन चुटकुलों को नहीं देखा जो मशीनों द्वारा बनाए गए थे; उन्होंने शोध के पूरे जीवनचक्र का पता लगाया, जिसमें मॉडल को प्रशिक्षित करने के लिए उपयोग किया गया कच्चा डेटा (रॉ डेटा) से लेकर यह तय करने के तरीकों तक शामिल था कि क्या कोई चुटकुला वास्तव में मज़ेदार था। उनका लक्ष्य यह निर्धारित करना था कि क्या वैज्ञानिकों के लिए उपलब्ध संसाधन वास्तव में दूसरों के उपयोग के लिए खुले हैं, क्या डेटा विभिन्न मानव संस्कृतियों की व्यापक विविधता को कवर करता है, और क्या इन सिस्टमों का परीक्षण करने का तरीका विश्वसनीय है। उन्होंने पाया कि यह क्षेत्र एक तीव्र परिवर्तन के दौर में है, जहाँ तकनीक उस पारदर्शिता और कठोरता से आगे निकल गई है जिसकी इसे सहारा देने के लिए आवश्यकता है।

हास्य सृजन (ह्यूमर जनरेशन) का परिदृश्य कुछ ही वर्षों में नाटकीय रूप से बदल गया है। अतीत में, शोधकर्ता विशिष्ट, हाथ से बनाए गए नियमों या डेटा के छोटे सेटों पर निर्भर थे जिन्हें एक ही प्रकार के चुटकुले, जैसे कि 'पन' (शब्दों का खेल) या हेडलाइन के लिए डिज़ाइन किया गया था। आज, यह क्षेत्र लार्ज लैंग्वेज मॉडल्स (LLMs) के प्रभुत्व में है, जो इंटरनेट से प्राप्त विशाल मात्रा में टेक्स्ट पर प्रशिक्षित विशाल कंप्यूटर प्रोग्राम हैं। ये मॉडल कई भाषाओं और शैलियों में टेक्स्ट उत्पन्न कर सकते हैं, और वे समीक्षा किए गए 73 प्रतिशत अध्ययनों में दिखाई दिए हैं। एक विशिष्ट चुटकुला लिखने वाला प्रोग्राम बनाने के बजाय, शोधकर्ता अब अक्सर इन मॉडल्स को एक सरल निर्देश, या 'प्रॉम्ट' देते हैं, जिसमें उन्हें मज़ेदार होने के लिए कहा जाता है। इस लचीलेपन ने नए प्रयोगों में उछाल लाया है, जिससे 2023 के बाद अध्ययनों की संख्या में भारी वृद्धि हुई है। हालाँकि, इस बदलाव ने एक नए प्रकार की अपारदर्शिता को जन्म दिया है। क्योंकि हास्य का ज्ञान अब मॉडल की आंतरिक सेटिंग्स, उसे दिए गए निर्देशों और पीढ़ी के दौरान उसके द्वारा प्राप्त डेटा में फैला हुआ है, इसलिए यह बताना अक्सर असंभव होता है कि हास्य वास्तव में कहाँ से आता है या वह किस विशिष्ट सांस्कृतिक संदर्भ से ले रहा है।

सर्वेक्षण के सबसे उल्लेखनीय निष्कर्षों में से एक यह है कि डेटा की प्रचुरता के बावजूद, इसे खोजना, पुन: उपयोग करना या सत्यापित करना अविश्वसनीय रूप से कठिन है। शोधकर्ताओं ने इन 74 अध्ययनों में उपलब्ध डेटासेट और संसाधनों की उपलब्धता की जाँच की और पाया कि केवल 28 प्रतिशत ही दूसरों के उपयोग के लिए सार्वजनिक रूप से उपलब्ध थे। इससे भी अधिक चिंताजनक बात यह है कि केवल एक अध्ययन ने स्पष्ट रूप से उस कानूनी लाइसेंस का नाम लिया कि इसके डेटा का उपयोग कैसे किया जा सकता है। वैज्ञानिक अनुसंधान की दुनिया में, यह एक रेसिपी प्रकाशित करने लेकिन सामग्री या व्यंजन साझा करने के नियमों को सूचीबद्ध करने से मना करने जैसा है। जब शोधकर्ताओं ने जारी किए गए कुछ संसाधनों को देखा, तो उन्होंने पाया कि उनमें से किसी के पास भी इंटरनेट पर एक स्थायी, अपरिवलाशील पता, जिसे 'परसिस्टेंट आइडेंटिफायर' कहा जाता है, नहीं था। इसका अर्थ है कि डेटा के लिंक टूट सकते हैं, और एक बार लिंक टूट जाने के बाद, डेटा प्रभावी रूप से खो जाता है। स्पष्ट लाइसेंस और स्थिर स्थानों के बिना, अन्य वैज्ञानिक परिणामों को दोहरा नहीं सकते या कार्य को आगे नहीं बढ़ा सकते, जो प्रगति को धीमा करता है और यह जानना कठिन बनाता है कि कोई सिस्टम वास्तव में प्रभावी है या केवल भाग्यशाली।

सर्वेक्षण ने उन भाषाओं के बीच एक महत्वपूर्ण अंतर भी प्रकट किया जो उन लोगों द्वारा बोली जाती हैं जिन्हें सिस्टम सेवा देने के लिए बनाए गए हैं और उन भाषाओं के बीच जिनका उपयोग उन्हें बनाने के लिए किया जाता है। आधे से अधिक अध्ययन विशेष रूप से अंग्रेजी पर केंद्रित थे, भले ही शोधकर्ताओं ने दावा किया कि उनके सिस्टम विभिन्न संस्कृतियों में काम कर सकते हैं। हालांकि चीनी, स्पेनिश, जापानी और अन्य भाषाओं से संबंधित अध्ययन थे, लेकिन इनमें से कई अंग्रेजी चुटकुलों के अनुवाद पर आधारित थे, न कि उन चुटकुलों के संग्रह पर जो मूल रूप से देशी वक्ताओं द्वारा बनाए गए थे। यह एक महत्वपूर्ण अंतर है क्योंकि हास्य संस्कृति से गहराई से जुड़ा हुआ है; एक चुटकुला जो किसी विशिष्ट ऐतिहासिक घटना या स्थानीय रीति-रिवाज पर निर्भर करता है, उसे कहीं और काम करने के लिए केवल अनुवादित नहीं किया जा सकता है। शोधकर्ताओं ने पाया कि केवल चार अध्ययनों ने सीधे तौर पर यह मूल्यांकन किया कि उत्पन्न हास्य सांस्कृतिक रूप से उपयुक्त था या नहीं, जिसमें उन लोगों को निर्णायक (रेटर्स) के रूप में रखा गया जो वास्तव में उस लक्षित समुदाय से संबंधित थे। अधिकांश अन्य मामलों में, शोधकर्ताओं ने मान लिया कि यदि एक मूल वक्ता को यह मज़ेदार लगा, तो यह सांस्कृतिक रूप से सुरक्षित था, बिना वास्तव में विशिष्ट सांस्कृतिक संवेदनशीलता या परंपराओं के लिए परीक्षण किए।

जब बात यह आंकने की आती है कि क्या एक कंप्यूटर ने सफलतापूर्वक एक चुटकुला सुनाया है, तो उपयोग किए जाने वाले तरीके अक्सर असंगत और कभी-कभी भ्रामक होते हैं। हास्य को मापने के लिए 'गोल्ड स्टैंडर्ड' हमेशा मानवीय निर्णय रहा है, और सर्वेक्षण ने पुष्टि की कि मानवीय मूल्यांकन अभी भी सबसे आम तरीका है, जिसका उपयोग 84 प्रतिशत अध्यйनों में किया गया। हालाँकि, इन मूल्यांकनों को संचालित करने का तरीका बहुत भिन्न है। कुछ अध्ययन छात्रों के एक छोटे समूह का उपयोग करते हैं, जबकि अन्य पेशेवर कॉमेडियनों या ऑनलाइन श्रमिकों के बड़े समूहों का उपयोग करते हैं। 40 प्रतिशत से भी कम अध्ययनों ने यह सुनिश्चित करने के लिए सांख्यिकीय परीक्षणों का उपयोग करने की रिपोर्ट दी कि उनके परिणाम केवल एक इत्तेफाक नहीं थे, और कई ने यह भी नहीं बताया कि उन्होंने यह कैसे तय किया कि कोई चुटकुला मज़ेदार था या नहीं। चीज़ों को तेज़ करने के प्रयास में, कुछ शोधकर्ताओं ने न्यायाधीश के रूप में अन्य कंप्यूटर मॉडलों का उपयोग करना शुरू कर दिया है, लेकिन सर्वेक्षण ने पाया कि ये स्वचालित न्यायाधीश अक्सर मनुष्यों से असहमत होते हैं। वे किसी प्रतिक्रिया को इसलिए मज़ेदार मान सकते हैं क्योंकि वह नवीन या आश्चर्यजनक है, भले ही एक मनुष्य उसे भ्रमित करने वाला या अपमानजनक पा सकता हो। यह एक जोखिम पैदा करता है कि सिस्टम वास्तविक लोगों को हँसाने के बजाय अन्य कंप्यूटरों को खुश करने के लिए अनुकूलित (ऑप्टिमाइज़) किए जा रहे हैं।

शोधकर्ताओं ने निष्कर्ष निकाला कि इस क्षेत्र में मुख्य बाधा डेटा की कमी नहीं है, बल्कि पहले से मौजूद डेटा को खोजने, पुन: उपयोग करने और सत्यापित करने की कठिनाई है। शक्तिशाली, सामान्य-उद्देश्य वाले मॉडलों की ओर बदलाव ने उच्च-गुणवत्ता वाले, विस्तृत दस्तावेजीकृत संसाधनों की आवश्यकता को समाप्त नहीं किया है; बल्कि इसने उन संसाधनों को और भी महत्वपूर्ण बना दिया है। आगे बढ़ने के लिए, इस क्षेत्र को डेटा साझा करने के बेहतर अभ्यासों को अपनाना होगा, जिसमें स्पष्ट लाइसेंस, स्थायी लिंक और डेटा कैसे एकत्र और एनोटेट किया गया, इसका विस्तृत विवरण शामिल है। सबसे महत्वपूर्ण बात यह है कि शोधकर्ताओं को यह सुनिश्चित करने की आवश्यकता है कि उनके मूल्यांकन उनके दावों से मेल खाते हों। यदि कोई सिस्टम किसी विशिष्ट सांस्कृतिक समूह के लिए मज़ेदार होने का दावा करता है, तो उसका परीक्षण उस समूह के लोगों द्वारा किया जाना चाहिए, जिसमें ऐसे मानदंड हों जो उनके मूल्यों और परंपराओं को दर्शाते हों। जब तक इन आधारों को मजबूत नहीं किया जाता, तब तक कंप्यूटर को चुटकुले सुनाने की प्रगति अनिश्चित रहेगी, जिसमें होने वाली प्रगति वास्तविक मानवीय हास्य के बजाय परीक्षण विधियों की विचित्रताओं को दर्शा सकती है।