Re-defining Humor Data Objects for AI Humor Research
本文通过开发一种改进的提示策略，使大语言模型能够生成高质量的幽默解释，从而将人工智能研究中的幽默重新定义为一种依赖语境的社会互动，进而构建了一个可扩展的数据合成数据集，并推动了对幽默作为一种社会行为的理解。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正在教一个机器人如何理解笑话。长期以来，研究人员将幽默视为一个简单的电灯开关：笑话要么“开”（好笑），要么“关”（不好笑）。他们只是查看文本，然后问：“这是个笑话吗？是或否？”
但本文的作者认为，幽默并非电灯开关；它更像是一场现场戏剧表演。你无法仅通过阅读剧本就理解一场戏剧；你需要知道演员是谁、观众在做什么，以及 punchline（笑点）之前发生了什么。
以下是他们所做工作的简要分解，使用了一些日常类比：
1. 问题：“盲目”的剧本
研究人员从一系列有趣时刻的转录稿（如 TED 演讲或情景喜剧）入手。他们发现了一个大问题：文本往往缺失了最重要的部分。
- 类比： 想象你正在阅读一份魔术表演的转录稿，上面只写着：“魔术师挥了挥手。观众笑了。”
- 如果你是那个机器人，你可能会想：“好吧，挥手是有趣的。”
- 但实际上，观众发笑是因为魔术师从帽子里变出了一只兔子，或者因为他做了个滑稽的表情。转录稿并没有告诉你这些。
- 旧有的方法迫使 AI 去猜测（或“幻觉”）发生了什么，结果往往出错。
2. 解决方案：新的“笑话成绩单”
团队没有仅仅将笑话标记为“好笑”，而是创造了一种描述幽默的新方法，他们称之为幽默推理数据对象。你可以将其想象成一份详细的笑话成绩单，包含五个具体部分：
- 铺垫（上下文）： 在讲笑话之前发生了什么？
- 笑点（尝试）： 这个人实际上说了什么？
- 反应： 观众笑了（1）还是保持沉默（0）？
- 解释： 他们为什么发笑？（这是最重要且最新的部分）。
- “补救”（恢复）： 如果笑话冷场了，这个人是如何挽回的？（例如：“哎呀，我的错，”或者转换话题）。
3. 实验：教 AI“思考”
团队使用大型语言模型（一种先进的 AI）来填写这些成绩单。他们尝试了两种不同的方式来要求 AI 完成这项工作：
提示 1（乐观派）： 他们问 AI：“这是文本。解释为什么这很好笑。”
- 结果： AI 尽力了，但当文本缺失线索（如视觉提示或文化典故）时，AI 会编造故事来填补空白。这就像学生在考试中因为没仔细阅读题目而胡乱猜测答案。
- 成功率： 只有约**55%**的解释是合格的。
提示 2（怀疑派）： 他们修改了指令。他们告诉 AI：“在解释之前，先检查文本是否真的包含足够的信息。如果文本缺少图片、手势或关键细节，请承认这一点，并说明无法进行解释。”
- 结果： AI 变得聪明多了。它不再凭空捏造。如果转录稿缺少视觉提示，它会标记该数据为“损坏”，而不是编造一个虚假的理由。
- 成功率： 这一比例跃升至**87%**的正确解释。
4. 重大胜利：规模化扩展
一旦他们修正了指令（即“提示”），便利用 AI 生成了307 条新的、高质量的笑话解释。
- 为何重要： 他们不仅修复了 AI，还创建了一个新的数据集。这就像建立了一个庞大的“笑话成绩单”图书馆，其中不仅包含笑话本身，还包含其背后的推理，以及如果文本过于混乱而无法理解时的警告标签。
- 核心结论： 该论文证明，你不需要更聪明的机器人来更好地理解幽默；你只需要向机器人提出正确的问题。通过迫使 AI 检查自己的工作并承认信息的缺失，幽默解释的质量得到了飞跃式提升。
总结
这篇论文本质上是一份指南，教导如何防止 AI 在解释笑话时“凭空捏造”。通过将幽默视为一种复杂的社会互动（包含上下文、反应和解释），而不是简单的“是/否”标签，并赋予 AI 严格的规则遵循，他们创造了一种更可靠的方法来研究机器如何理解人类的欢笑。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。