人は「最高だね」という一言を、心からの称賛にも、失敗への皮肉にも使います。冗談を真顔で言うこともあれば、本当の話が冗談のように聞こえることもあります。

AIが嘘や冗談を理解するには、単語の意味だけでなく、直前の出来事、話者の意図、声の調子、表情、聞き手の反応まで見る必要があります。本記事では、言葉どおりではない発話を研究する際、どのようなデータが使われるのかを整理します。

嘘、冗談、皮肉は別の現象です。研究上の定義や収集方法も異なるため、一つの「本音判定モデル」でまとめて扱えるとは限りません。

嘘と冗談と皮肉は何が違うのか

同じ文でも、誰が誰に、どの場面で言ったかによって分類が変わります。発話文だけを切り出すと、人間にも判定できないことがあります。

皮肉研究では会話の前後を一緒に集める

MUStARDは、テレビ番組の会話から皮肉発話を集め、文章だけでなく音声と映像も収録したデータセットです。皮肉を言った一文の前にある会話も残されており、発話が生まれた状況を確認できます。

文章だけでは分からない皮肉でも、強調された声、長い間、表情、相手の反応が手掛かりになる可能性があります。ただし、作品中の演技を学ぶことと、日常会話の皮肉を理解することは同じではありません。

冗談には「面白いか」という主観が入る

冗談のデータでは、発話者が冗談として言ったか、聞き手が冗談として受け取ったか、評価者が面白いと感じたかを分ける必要があります。面白さは年代、文化、関係性によって変わるため、単純な多数決では少数者の解釈が消えることがあります。

Humicroeditでは、ニュース見出しの一部分を置き換えて冗談を作り、編集後の見出しを5人ずつが評価しました。作る人と評価する人を分けることで、作者以外にも面白さが伝わるかを確認しています。

嘘のデータは正解の確認が難しい

自然な会話から嘘を集めても、何が事実だったか確認できなければ正解ラベルを付けられません。そのため研究では、参加者へ事実と異なる説明をするよう指示した実験データや、正解を確認できるゲーム、公開記録と照合できる発言などが使われます。

しかし、実験で指示されてつく嘘と、利害のある現実の嘘では緊張や言動が異なります。データ取得のしやすさと、利用場面への近さにはトレードオフがあります。

虚偽レビュー研究では、クラウドワーカーへ宿泊していないホテルのレビューを書いてもらい、依頼によって真偽が分かるデータを作った例があります。

「声が震えたから嘘」とは限らない

視線、声の高さ、言いよどみなどを嘘の兆候として扱いたくなりますが、緊張、性格、言語能力、障害、撮影環境でも変化します。特定の特徴を真偽へ直結させると、誤判定や属性による偏りを生む可能性があります。

必要なのは発話ラベルだけではない

• 対象発話と前後の会話
• 話者と聞き手の関係性
• 事実確認の根拠
• 音声、表情、身振り
• 聞き手がどう解釈したか
• 評価者が迷った事例と不一致

AIに言外の意味を学ばせるデータでは、短い文を大量に集めるだけでなく、なぜその判定になったかを再現できる情報が重要です。