Hoe natuurlijke taalverwerking een rol kan spelen bij het gebruik van humor in het onderwijs

Universiteit van Amsterdam

Hoe natuurlijke taalverwerking een rol kan

spelen bij het gebruik van humor in het

onderwijs

Pine ten Raa 11832983 Gina Luykx 11884576

Domein: Cognitie 28/11/2019

Abstract

In deze studie is uitgegaan van een toekomstig beeld van het academisch onderwijs, waarin er een robotdocent voor de klas staat. De centrale vraag is hoe een robotdocent humor zou kunnen toepassen in zijn onderwijs en hoe natuurlijke taalverwerking hierbij een rol kan spelen. Om humor toe te passen als docent zijn randvoorwaarden opgesteld voor het integreren van humor in het lesgeven met een optimaal leerresultaat. De timing van de grap en soort humor zijn onder andere van belang om optimaal resultaat te geven. In dit onderzoek wordt voor de natuurlijke taalverwerking gefocust op drie soorten humor: ironie, woordspeling en overdrijving. Uit het onderzoek kan geconcludeerd worden dat woordspeling het eenvoudigst geïmplementeerd kan worden in een natuurlijk taalverwerking systeem. De humortechniek ironie is ook implementeerbaar in een natuurlijk taalverwerking systeem, dit systeem zou echter niet alle ironische grappen kunnen herkennen

waardoor de detectie niet optimaal werkt. Tot slot is de humortechniek overdrijving nog niet mogelijk om te implementeren in een natuurlijk taalverwerking systeem.

Inhoudsopgave

3.2 Humor in het onderwijs

3.2.1 Deelresultaten ‘humor in het onderwijs’ 3.3 Robot opties binnen het onderwijs

3.3.1 Deelresultaten ‘robot opties binnen het onderwijs’ 3.4 Humor in robot onderwijs

3.4.1 Deelresultaten ‘humor in robot onderwijs’ 4. Verantwoording integratie van de disciplines

5. Discussie 5.1 Conclusie 5.2 Analyse 6. Bibliografie 7. Bijlage

1. Inleiding

Het geruchtmakende onderzoek van Frey en Osborne (2013) voorspelde dat in twintig jaar tijd 47 procent van alle banen in de VS overgenomen kan worden door computers. Omdat robots steeds beter en slimmer worden, kunnen ze veel van ons werk overnemen (Went, Kremer & Knottnerus, 2015). Colvin (2015) stelt dat veel dingen waarvan we denken dat alleen een mens ze kan, toch ineens binnen de mogelijkheden van een machine vallen. Sectoren als zorg, onderwijs, transport en de zakelijke dienstverlening lijken de arena waar de komende decennia de slag tussen mens en robot zal worden uitgevochten. De benadering van David Autor laat zien dat er sprake is van ‘routine-biased technological change’. De mate waarin taken ‘routiniseerbaar’ (codificeerbaar) zijn, bepaalt of ze overgenomen kunnen worden door computers en andere machines.

Dit onderzoek focust zich op het vak van doceren en bevraagt of doceren in zijn totaal een cognitieve routine is, waardoor het overgenomen kan worden door een robot. Voor sommige aspecten van doceren is dit duidelijk: bijvoorbeeld stof uitleggen of instructie geven voor een opdracht. Dit gebeurt volgens een (cognitieve) routine, ook getuige de vele uitlegfilmpjes die op YouTube beschikbaar zijn. Doceren is echter meer dan stof uitleggen en instructie geven en andere aspecten van doceren liggen tot nu toe minder voor de hand als zijnde een routine. Dit zijn taken die vragen om creativiteit, probleemoplossend vermogen, flexibiliteit en andere vaardigheden waarbij de gewenste acties van de werknemer niet vooraf te bepalen zijn (Went, Kremer & Knottnerus, 2015). De vraag is nu of deze aspecten niet ook stiekem een routine zijn. Één van deze aspecten is het gebruik van humor. Uit onderzoek van Vermunt (2006) en Ziegler (1998) bleek dat humor, al dan niet juist toegepast, een belangrijke rol speelt in het onderwijs en een gunstig effect heeft op het leergedrag van studenten. Het verhoogt het begrip van de lesstof, draagt bij aan een positieve leeromgeving en moedigt betrokkenheid van de studenten aan. Dit maakt dat ook de ‘robotdocent’ in staat zou moeten zijn om humor te gebruiken. Om met oog op de toekomst te kijken of dit realistisch is, zal hier onderzoek gedaan naar moeten worden. Vanuit de onderwijskunde is er weinig bekend over het efficiënt gebruik van humor in het lesgeven, aldus Aart Prins (docent lerarenopleiding, 12 november 2019). Er zal dus eerst een routine gevonden moeten worden waarmee docenten humor efficiënt kunnen gebruiken. Dit onderzoek richt zich hierbij specifiek op het onderwijs op academisch niveau. Bovendien is het nodig kennis te hebben van wat de huidige mogelijkheden binnen het ontwerpen van een robotdocent zijn. Al snel wordt duidelijk dat natuurlijke taalverwerking hier een grote rol in speelt: een techniek waarin de kunstmatige intelligentie en taalkunde gecombineerd worden. Door de kennis over humor en de kennis over een robotdocent te combineren kan inzicht verkregen worden in de mogelijkheden van een humoristische robotdocent. Hier is bovendien een uitgebreide definitie en categorisering van humor voor nodig vanuit de taalkunde.

De disciplines onderwijskunde, kunstmatige intelligentie en taalkunde werken samen om in een verkennende studie antwoord te geven op de volgende hoofdvraag: in hoeverre zou een “robotdocent” humor kunnen herkennen en zelf efficiënt gebruiken door middel van natuurlijke taalverwerking?

1. Wat zijn de randvoorwaarden voor efficiënt gebruik van humor in het onderwijs? 2. Welke basisvaardigheden moeten in de robotdocent geprogrammeerd worden zodat het

computersysteem in staat is om les te geven?

3. In hoeverre kan de robotdocent door middel van natuurlijke taalverwerking definities van humor uit de taalkunde detecteren?

Eerst volgt het theoretisch kader met daarin de theorieën die nu bekend zijn over dit onderwerp. Daarna volgt een beschrijving van de methode; een uitwerking van de resultaten en tot slot de conclusie.

Het verslag is als volgt opgebouwd: eerst wordt uitgebreid de methode van dit onderzoek besproken. Het is immers een interdisciplinair literatuuronderzoek waarbij de bronnen zeer gevarieerd van aard zijn. Er wordt in de methode stilgestaan bij het feit dat informatie uit zeer uiteenlopende disciplines bij elkaar is gebracht en hoe dit terugkomt in de methode van dit onderzoek. Daarna wordt per deelvraag het theoretisch kader geschetst, met direct daarop volgend het deelresultaat. Er is voor deze opbouw gekozen om redundantie te voorkomen en de lijn van het verslag helder te laten. In het tweede en derde deelresultaat wordt bovendien informatie uit de eerdere resultaten meegenomen; alle drie de deelresultaten worden nog eens met elkaar gecombineerd, hoe deze combinatie en integratie tot stand komt wordt besproken in de verantwoording van de integratie. Hierin wordt beschreven op basis van welke gemeenschappelijke gronden, uiteindelijk de conclusie gevormd is. Hierna volgt dan ook de conclusie en tot slot wordt er in de analyse nog kort op de studie gereflecteerd.

2. Methode

Voor dit onderzoek is voornamelijk interdisciplinaire literatuuronderzoek gedaan. Er is vanuit de onderwijswetenschappen, kunstmatige intelligentie en taalkunde literatuuronderzoek gedaan en vervolgens interdisciplinair gemaakt door de gevonden resultaten te integreren met elkaar om een conclusie te kunnen trekken. Voor vraagstukken die niet uit de literatuur gehaald konden worden, zijn er expertises binnen de discipline benaderd.

De disciplines onderwijskunde en kunstmatige intelligentie hebben literatuuronderzoek gedaan naar gegevens die dienen voor de juiste input van de robotdocent. De literatuur uit de onderwijswetenschap dient voor het vinden naar randvoorwaarden voor het efficiënt toepassen van humor in het lesgeven. Deze randvoorwaarden zijn opgesteld door te kijken welke effecten van humoristisch lesgeven het beste werken op de leeruitkomsten. De taalkunde heeft zich daarnaast gefocust op hoe humor gedefinieerd kan worden. Dit is gedaan door het vinden van modellen die beschrijven hoe humor wordt gedefinieerd. Deze disciplines zullen vervolgens integreren, doordat de taalkunde de humor soort gaat analyseren die toepasbaar is bij het efficiënt lesgeven.

Kunstmatige intelligentie heeft literatuuronderzoek gedaan naar de huidige mogelijkheden van de kunstmatige intelligentie en dan met name op het gebied van natuurlijke taalverwerking. Hier is kennis voor nodig om te weten of een robot humor kan detecteren. Voor het detecteren zijn de resultaten van de taalkunde en kunstmatige intelligentie geïntegreerd. Hierdoor zal geanalyseerd worden in hoeverre het taalkundige model kan worden toegepast op de natuurlijke taalverwerking. De resultaten vanuit de onderwijswetenschappen worden ook waar mogelijk geïntegreerd met de kunstmatige intelligentie. De randvoorwaarden vanuit de onderwijswetenschappen worden geanalyseerd in hoeverre deze gegevens ingevoerd kunnen worden bij een robot.

Alleen de resultaten vanuit de onderwijswetenschappen over de juiste humor soort is gebruikt voor het theoretisch kader van de taalkunde en kunstmatige intelligentie. De integratie van de drie disciplines heeft voor de rest plaatsgevonden bij de onderlinge resultaten en conclusie.

3. Theoretisch kader en deelresultaten

Het onderzoeken of er een humoristische robotdocent zal kunnen ontstaan in de toekomst moet relevant zijn. Dit onderzoek zal relevant zijn wanneer het de kwaliteit van onderwijs beter zal maken. Het is echter complex om te bepalen wat kwaliteitsvol onderwijs is Biesta, G. (2015). Om te definiëren wat goed onderwijs is, heeft het onderzoek van Scheerens, J., Luyten, H., & Van Ravens, J. (Eds.). (2011). vragen gesteld om het begrip kwaliteit te concretiseren en toe te passen op het onderwijs. Een van deze vragen is ‘kwaliteit van wat?’ . Uit dit onderzoek blijkt dat ‘de docent’ een van deze objecten is. Voor de kwaliteit van onderwijs is de docent een factor die meespeelt. Het gebruik van humor in de lessen is een van de kwaliteiten die een goede docent illustreren Ziv, A. (1988). Aangezien het niet ondenkbaar is dat er in de toekomst robotdocenten komen en aangezien de kwaliteit van het onderwijs belangrijk is, zal het relevant zijn om te weten of het mogelijk is of de robotdocent dan humor efficiënt toe kan passen in de les. De effecten van humoristisch lesgeven zullen nu eerst uiteengezet worden.Er zal nu eerst verteld worden wat de precieze effecten zijn van het humoristisch lesgeven.

3.2 Humor in het onderwijs

Een robotdocent die gebruik maakt van humor in zijn lessen, zal dit net als de menselijke docent op de juiste manier moeten doen. ‘De juiste manier’ houdt in dit geval in dat er een zo goed mogelijk positief leerresultaat behaald wordt. Humor heeft verschillende positieve effecten tijdens het lesgeven. Ten eerste heeft het onderzoek van Powell, J. P., & Andresen, L. W. (1985) aangetoond dat humor de volgende effecten heeft tijdens het lesgeven: het zorgt voor een beter begrip van de lesstof; het creëert een positieve leeromgeving; het moedigt de betrokkenheid aan van de studenten, het zorgt voor een verbeterde aandacht; het is een manier om ontoewenselijk gedrag te managen en het verrijkt de kwaliteit van leven voor zowel de docent als de student. Voor het beter begrijpen van deze effecten is er gekeken of deze effecten verklaard kunnen worden. De effecten van een positieve leeromgeving en een verbeterde aandacht kunnen verklaard worden door de Collective Action Rituals (CIR) theorie van Collins (2004). Volgens de CIR komen alle interacties voort uit een interactie die daarvoor plaatsvond (Collins 2004). In deze CIR zit een bepaalde emotionele lading en aandacht, die er voor zorgt dat mensen bepaalde symbolen delen. Daaruit doen mensen vaker mee met een de desbetreffende interactie en snappen de onderlinge symbolen. Een bepaald soort humor is dan ook een gedeeld symbool tussen mensen en zorgt voor een een positieve emotie in een groep (Francis, 1994). De emotionele lading die vrijkomt bij humor zorgt er ook voor dat studenten meer aandacht hebben (Hurren, 2005). Dit correleert dat humor een deel van interactie tussen mensen is, die ook in de CIR voorkomen. Ziv, A. (1988) heeft ook aangetoond dat humor een significant positief effect heeft op het leerresultaat. Deze kennis toont aan dat humor van waarde is voor het lesgeven. Als er op den duur robotdocenten zijn dan is het, op basis van deze effecten, van belang dat de robot de juiste input heeft om deze effecten zo goed mogelijk tot stand te brengen. Hiervoor is het van belang om kennis te hebben welke gegevens als voorwaarden dienen om dit te bewerkstelligen.

Ondanks de aangetoonde effecten van humor, is er geen training in het lerarenprogramma geïntegreerd waaruit gegevens te halen zijn Ziv, A. (1988) Aart Prins (docent lerarenopleiding, 12 november 2019). Powell, J. P., & Andresen, L. W. (1985) heeft

desalniettemin onderzoek gedaan welke rol humor heeft in het onderwijs. Uit dit onderzoek werd geconstateerd dat docenten bepaalde vaardigheden nodig hebben om humoristisch les te geven en dat deze vaardigheden aan te leren zijn door middel van oefening en training. Uit dit onderzoek kon geconcludeerd worden dat er een misvatting heerst van welke competentie nodig is om humoristisch les te geven. De docent hoeft namelijk niet een humoristisch karakter te bezitten aangezien de grappen al bestaan. De docent zal de bestaande humor wel moeten waarderen en begrijpen. Daarnaast moet de docent de grap kunnen overbrengen door de algemene competenties van een docent te gebruiken. Eén van de belangrijkste competenties van de docent is het kunnen enthousiasmeren van de studenten en daarnaast is het goed kunnen communiceren een vereiste om les te kunnen geven Beldman, G. (2018). Ziv, A. (1988) benadrukt dat niet alle docenten gebaat zijn bij een dergelijke training. Docenten die een te verlegen persoonlijkheid hebben, moeten niet worden aangemoedigd door middel van training om humor te gebruiken. Wanneer een robotdocent wordt gemaakt zal dit probleem echter niet relevant meer zijn. Ziv, A. (1988) concludeert dat er statische voorwaarden zijn die gemiddeld gezien het maximale leerresultaat opleveren voor studenten. Ten eerste is uit dit onderzoek gebleken dat de frequentie van het aantal grappen een maximum heeft. Daarnaast is er ook een structuur te zien in de timing van de grap en het resultaat dat dit levert.

Ten slotte toont het onderzoek van McMorris, R. F., & Lin, W. C. (2004) aan dat de docent bewust zal moeten zijn dat verschillende soorten humor een verschillend effect hebben op de klas. Oftewel de ene soort humor werkt beter dan de andere soort humor. Onderzoek van Bekelja Wanzer et al (2006) wees uit dat de volgende vier soorten humor in context van het

lesgeven gewaardeerd worden door de studenten: stof gerelateerde humor, niet stof gerelateerde humor, zelfspot van de docent en niet intentionele humor. Soorten humor die niet gewaardeerd worden zijn: aanvallende humor en minachtende humor.

3.2.1 Deelresultaten humor in het onderwijs

Wat zijn de randvoorwaarden voor efficiënt gebruik van humor in het onderwijs?

Uit het onderwijskundige theoretisch kader is gebleken dat voor het succesvol lesgeven met humor er bepaalde voorwaarden zijn. Uit de opgedane kennis zijn hier de resultaten weergegeven van de randvoorwaarden die van toepassing zijn voor het succesvol lesgeven met humor.

Vaardigheden docent

Allereerst blijkt uit Powell, J. P., & Andresen, L. W. (1985) dat de docent niet de grap hoeft te creëren. Voor het overbrengen van de grap naar de klas wordt er geen speciale humoristische vaardigheid verlangt van de docent, maar algemene vaardigheden van het docentschap. Een belangrijkste vaardigheid daarvan is het kunnen enthousiasmeren van de studenten en het communiceren met de studenten Beldman, G. (2018).

Frequentie en timing

Ziv, A. (1988) heeft aangetoond dat, voor een zo goed mogelijke leeruitkomst, het belangrijk is om humor te presenteren met de juiste timing en frequentie. De best werkende timing is tijdens het uitleggen van een moeilijk concept. Ten eerste zal het concept worden uitgelegd door de docent. Ten tweede zal de docent het te leren concept humoristisch illustreren. Ten slotte herhaald de docent de definitie van het concept. Wat betreft timing is dit de meest

effectieve manier voor een docent om humor toe te passen. Naast de timing is het van belang om humor in een bepaalde frequentie toe te passen. Er is gebleken dat tussen de 3 en 4 grappen per uur het meest effectief is. Daarnaast moet deze mate van grapjes niet te statisch zijn, oftewel de docent moet gemiddeld rond de 3 a 4 grappen zitten maar mag variëren met de frequentie per les.

De soort humor in relatie tot de studenten

Onderzoek van Bekelja Wanzer et al (2006) wees uit dat de volgende vier soorten humor in context van het lesgeven gewaardeerd worden door de studenten: stof gerelateerde humor, niet stof gerelateerde humor, zelfspot van de docent en niet intentionele humor. Uit het resultaat van de timing bleek dat stof gerelateerde humor zorgt voor het beste leerresultaat. Uit deze resultaten kan gesteld worden dat dit onderzoek moet kijken naar de ‘stof gerelateerde humor’. Dit omdat deze soort humor allereerst het beste leerresultaat biedt en daarnaast gewaardeerd wordt door de studenten. Onder deze categorie vallen de volgende verbale soorten humor: cynisme, ironie, creatief taalgebruik, anekdotes en stereotypering van het studentenleven.

3.3 Robot opties binnen het onderwijs

Welke basisvaardigheden moeten in de robotdocent geprogrammeerd worden zodat het computersysteem in staat is om les te geven?

Een voorwaarden voor een robotdocent om les te kunnen geven is dat de robot in staat moet zijn om te kunnen communiceren. Communicatie van een computersysteem is mogelijk door natuurlijke taalverwerking. Natuurlijk taalverwerking(NLP) is een tak binnen de kunstmatige intelligentie die gebruikt wordt door computers zodat natuurlijke taal, taal gesproken door mensen, kan worden gebruikt en begrepen (Liddy, 2001). Aan de hand van natuurlijke taalverwerking kunnen gebruikers communiceren met computers zonder programmeer-talen zoals Python en C te gebruiken. De input en de output van een natuurlijk taalverwerkingssysteem (NLP) kan zowel geschreven als gesproken zijn. Op dit moment speelt NLP al een relatief grote rol binnen het onderwijs. Twee voorbeelden van de toepassing van NLP op het huidige onderwijs zijn: e-learning, onderwijs waarbij interactief gebruik wordt gemaakt van een computer die verbonden is met een internetverbinding(Sangrà, Vlachopoulos & Cabrera, 2012). Het tweede voorbeeld is een beoordelingstechniek voor studenten waarbij NLP de studenten kan verbeteren op het gebied van woordgebruik en verschillende grammaticale en taalkundige fouten kan ontdekken (Alhawiti,2014).

Natuurlijke taalverwerking vindt plaats volgens een vast stappenplan. Allereerst moet de input, in het onderwijs bijvoorbeeld een vraag van de student over de inhoud van een vak, om worden gezet in programmeertaal. Eerst worden de woorden door middel van “lexical analysis” geanalyseerd en gestructureerd door middel van een lexicon. Een lexicon is een database aan woorden en zinnen uit een bepaalde natuurlijke taal. Bij deze stap wordt de tekst onderverdeeld in paragrafen, zinnen en woorden(Liddy, 2001). De volgende stap binnen NLP wordt Part of speech tagging genoemd. Elk NLP systeem is gekoppeld aan gecodeerde grammaticale en vocabulaire regels die zijn ontstaan uit de taalwetenschappen (Liddy, 2001). Een semantische analyse gebeurd door middel van een parser.

NLP systemen gebruiken machine learning, een vakgebied binnen de kunstmatige intelligentie en heeft de functie om patronen te herkennen in Big Data (Pedregosa, 2011), om deze regels toe te kunnen passen op de natuurlijke taal zodat de computer kan analyseren en de

betekenis kan achterhalen van wat de gebruiker als input heeft gegeven. Als de computer de betekenis van de input heeft begrepen wordt via het internet of via voorgeprogrammeerde kennis gekeken naar wat de output zal zijn. Deze output zal de computer terug moeten geven in een natuurlijke taal waarbij de tekst dus moet worden omgezet in deze taal(Liddy, 2001). De docent robot is dus door middel van natuurlijke taalverwerking in staat te communiceren en vragen te beantwoorden van leerlingen. Daarnaast zullen er verder ook andere regels in een robot geprogrammeerd kunnen worden. Een voorbeeld hiervan is frequentie, dus inprogrammeren hoe vaak iets wel of niet gezegd moet worden.

3.4 Humor in robot onderwijs

Het doel is dat de robotdocent humor zowel zou kunnen detecteren als zelf gebruiken. Op het moment dat iemand uit de klas een grap maakt, moet de robotdocent deze herkennen om er daarna op te kunnen anticiperen, wellicht door zelf ook een grap te maken. Ook moet de robot in staat kunnen zijn om zelf het initiatief te nemen tot het maken van een grap. De detectie van de grap is een passief proces. Daartegenover staat het actieve proces van het maken van de grap door de robotdocent zelf. Het passieve proces van detectie ligt bovendien ten grondslag aan het actieve proces van het maken van de grap: na de detectie moet de robot in staat zijn te analyseren. Door het patroon dat achter de grap zit te herkennen kan de robot uiteindelijk ook zelf een grap maken. Detectie is dus in beide gevallen de eerste stap die de robot moet kunnen beheersen (Verweij, 2011). Daarom zal er verder in dit onderzoek gefocust worden op de detectie van humor, met als voornaamste bron het model dat Hopstaken en De Jong ontwierpen. Humoranalysemodel van Hopstaken en De Jong

Voor de detectie van humor moet men weten wat humor nu precies is en hoe het taalkundig in elkaar zit. Om dit te bewerkstelligen is het noodzakelijk humor in verschillende categorieën in te delen. Hopstaken en De Jong (2009) deden dit en ontwierpen hiertoe het humor-analysemodel. Zij deden dit aan de hand van de klassieke en moderne retorica, vertegenwoordigd door Cicero en de Amerikaanse onderzoeker Berger. De retoricus Cicero was al zeer positief over het gebruik van humor. In 55 voor Christus schreef hij De Oratore, waarin hij de kracht die humor in een redevoering kan hebben beschreef. Hij verdeelde humor in verschillende soorten en stelde twee hoofdsoorten centraal: verbale humor (de taal staat centraal) en inhoudelijke humor (de gebeurtenis staat centraal), (van Rooijen-Dijkman & Leeman, 1989). Hieronder volgt een voorbeeld dat Cicero aanhaalde:

Een enthousiaste balspeler vernielt ’s nachts godenbeelden. Als hij niet komt opdagen op een wedstrijd, wordt van hem gezegd: "hij heeft een arm gebroken". (Cicero, 1989, p. 182)

Soort humor (categorie): Verbale humor Specifieke humortechniek: Woordspeling

Nu nog wordt er in de retorica veel over humor geschreven, in de moderne retorica valt vooral de Amerikaanse humoronderzoeker Berger op. Berger (1993) stelde een lijst op van 45 technieken waarmee men een ander aan het lachen kan krijgen. Hij stelt dat met zijn lijst alle vormen van humor geduid kunnen worden. Een voorbeeld van een beschreven humortechniek: Een boom is een voorwerp dat jarenlang vast staat op één plek en dat vervolgens plotseling voor een auto met een vrouwelijke chauffeur springt. (Berger, 1993, p. 25)

Soort humor (categorie): Taal Specifieke humortechniek: Definitie

De lijsten van Cicero en Berger vertonen veel overeenkomsten, maar vullen elkaar ook aan. Berger onderscheidt vier hoofdsoorten van humor: op basis van Taal (komt overeen met Cicero’s Verbale Humor), op basis van Identiteit en op basis van Logica (dit komt samen overeen met Cicero’s Inhoudelijke Humor) en Non-verbale humor (hier had Cicero geen categorie voor). Voor het humoranalysemodel hebben Hopstaken en De Jong de vier categorieën van Berger als uitgangspunt genomen. De vier categorieën vallen uiteen in verschillende humortechnieken, die samengevoegd zijn uit de lijsten van Cicero en Berger, zie tabel 1.

Bron: Hopstaken en De Jong (2009)

De humoristische passage wordt aan de hand van het model in één van de vier categorieën geplaatst. Tot slot wordt een techniek uit de gekozen categorie toegekend aan de humoristische passage. De efficiëntie van dit model uit zich vooral in het feit dat men van groot naar klein werkt: na een categorie gekozen te hebben, is er uit minder verschillende technieken te kiezen (Hopstaken & De Jong, 2009).

Om een categorie en techniek te kiezen, moet men kennis hebben van wat de verschillende humorcategorieën en -technieken precies inhouden. In het onderzoek van Hopstaken en De Jong zijn deze definities niet verder uitgewerkt. Zij noemen wel dat de mensen die hun model toepasten zich eerst moesten inlezen in de definities van de categorieën en technieken. Het grote verschil tussen het onderzoek van Hopstaken en De Jong en deze studie is dat het doel van deze studie kunstmatige detectie van humor is. Om van menselijke tot kunstmatige detectie te komen, volgt hierna in hoeverre het eerder besproken systeem van natuurlijke taalverwerking te combineren is met het humoranalysemodel.

Intergratie NLP & Hopstaken en De Jong

Vergelijking van het humoranalysemodel en het systeem van NLP leidt tot het gegeven dat de definities van de verschillende humorcategorieën en -technieken toegevoegd moeten worden aan het lexicon van de robotdocent. Volgens geïnterviewde J. De Jong (zie bijlage D) is humor in het algemeen een afwijking van verwachtingen en het is de grootste moeilijkheid is om verwachtingen te modelleren. Het gaat immers om de verwachtingen van de hele wereld en kent daardoor veel parameters: genreverwachtingen, jij als persoon in relatie tot het publiek, jouw functie, de situatie op dat moment, de stand van zaken op wereldomvattend formaat. Als iemand nu zou zeggen “het gaat goed met het milieu”, kan dat niet serieus bedoeld zijn. Een afwijking van verwachtingen levert een ongepastheid op, maar ook niet elke ongepastheid valt onder humor te scharen. ‘Toedeledokie’ op begrafenissen is ongepast, maar geen garantie voor geslaagde humor, soms word je erop afgerekend, en soms wordt erom gelachen. Soms is het gebruik van humor ongemakkelijk en soms is het creatief gevonden. Dit hangt van de gehele situatie op dat moment af. Humor in het algemeen is een afwijking van verwachtingen, maar het verschilt per humortechniek van welke verwachting afgeweken wordt. Omdat verdere focus op de definitie van humortechnieken, om deze te kunnen implementeren in een NLP systeem, diepgang vereist, is gekozen voor een selectie van de technieken ironie, overdrijving en woordspeling. De selectie zal nu verder worden toegelicht: ironie is misschien wel de meest ingewikkelde humortechniek, omdat deze zich baseert op afwijken van de letterlijke betekenis en zich beroept op de figuurlijke betekenis. Het verschil tussen de letterlijke en figuurlijke betekenis is van een groot scala aan verwachtingen afhankelijk. Juist omdat de humortechniek ironie zo ingewikkeld is, levert verder onderzoek naar ironie een goede inventarisatie op van de huidige mogelijkheden van de kunstmatige humordetectie. Bovendien is uit het onderwijskundig onderzoek naar voren gekomen dat ironie een stof gerelateerde soort van humor is en nuttig in het onderwijs. Overdrijving is van veel minder verwachtingen afhankelijk: alleen van die van wat een normale portie is. Ook woordspeling is van minder verwachtingen afhankelijk, hiervoor is kennis nodig over de betekenis van een woord. Omdat overdrijving en woordspeling beter behapbare technieken lijken, is ook voor deze technieken gekeken naar wat er verder mogelijk is op het gebied van kunstmatige detectie door een NLP systeem en het humoranalysemodel te combineren. Woordspeling bleek bovendien ook een nuttige humortechniek in het onderwijs te zijn.

Ironie

De techniek ‘ironie’ valt in de categorie ‘taal’ en wordt gescheiden van de techniek ‘overdrijving’. (Hopstaken & De Jong, 2009). De oudst overgeleverde definitie van het stijlmiddel ironie vinden we in de anonieme Retorica ad Alexandrum, toegeschreven aan

Anaximenes van Lampsacus (4e eeuw voor Christus). Hier betekent ironie ‘prijzen door te veroordelen’ en ‘veroordelen door te prijzen’. Dit was aanleiding voor de klassieke definitie: ‘het tegenovergestelde zeggen van wat je bedoelt’. Tegenovergesteld duidt dan op tegenovergesteld aan een lexicaal item, maar dit kan niet altijd: soms is dit lexicale item niet in de zin aan te wijzen. Er in binnen de taalkunde onenigheid over het gegeven dat ironie een binair verschijnsel zou zijn. Corbett en Conners (1999) pleiten hiervoor: een uiting is of wel, of niet ironisch. Giora, Fein en Schartz (1998) zien ironie als indirecte negatie: er is een bepaald verschil tussen de letterlijke en ironische betekenis, maar beide betekenissen blijven behouden. Het is immers alleen aan de ontvanger om te bepalen of de uiting zijn persoonlijke verwachtingen tegenspreekt of niet. Volgens hen is ironie hierom een gradueel verschijnsel en is het onderscheid tussen een ironische en een niet-ironische uiting heel vaag.

Of ironie wel of niet een binair verschijnsel is, als een toehoorder ironie opmerkt gebeurt dit volgens Het Standaard Pragmatische Model als volgt: de verwerking van figuratieve taal (ofwel ironie) vindt plaats in twee fases. Bij de eerste fase van de verwerking van een tekst wordt alleen de letterlijke betekenis van een uiting gedecodeerd. Past deze betekenis niet in de context van de tekst, dan wordt de betekenis verworpen. In de tweede fase wordt de bedoelde, figuurlijke betekenis geïnfereerd, (Gibbs 1986a: 14).

Het implementeren van een ironische humortechniek

Uit een onderzoek naar computationele humor kan geconcludeerd worden dat er bepaalde voorwaarden zijn voor een computersysteem om humor te kunnen detecteren(Stock & strapparava, 2005). Het belangrijkste is dat een systeem onderscheid moet maken als het om een situatie gaat waarin humor gebruikt wordt en waarin niet. In een onderzoek uit 1996 is door middel van het implementeren van computationele logica in het natuurlijke

taalverwerking systeem onderscheid gemaakt tussen twee omgevingen. Een omgeving waarbij de kans waarschijnlijk is dat er humor wordt toegepast en een omgeving waar het om een normale omgeving gaat(Utsumi, 1996). Er zijn drie beginvoorwaarden waar een

ironische omgeving aan moet voldoen om te kunnen worden herkend door een

computersysteem. Allereerst moet het computersysteem een verwachting hebben op t0. Deze verwachting komt niet uit op t1. Waardoor het computersysteem een negatieve

terugkoppeling maakt door de wanverhouding met het verwachten en hetgeen wat gebeurt is(Utsumi, 1996). In figuur 1.1 is een scenario beschreven waarbij in figuur 1.2 de

representatie daarvan in computationele logica voor zowel een ironische omgeving als een normale omgeving.

Figuur 1.1: Voorbeeld scenario Utsumi, A. (1996, August). A unified theory of irony and its computational formalization. In Proceedings of the 16th conference on Computational linguistics-Volume 2 (pp. 962-967). Association for

Figuur 1.2: Toepassing van computationele logica voor representatie van een ironische- en normale omgeving. Utsumi, A. (1996, August). A unified theory of irony and its computational formalization. In Proceedings of the 16th conference on Computational linguistics-Volume 2 (pp. 962-967). Association for Computational Linguistics.

Het computersysteem zou aan de hand van het geschetste scenario van figuur 1.1 verwachten dat Candy zelf de hele pizza op zal eten (t0) en dat doordat haar man de pizza opgegeten heeft(t1) ontstaat er bij de computer een wanverhouding tussen t0 en t1. Door het representatie schema van dit onderzoek (Utsumi,1996) zullen veel situaties door de computer herkent kunnen worden als ironische situaties. Ook zullen er situaties zijn waarbij deze drie voorwaarden niet herkent worden doordat de computer een ander verwachtingsmodel heeft. Hierdoor zal het computersysteem de situatie niet herkennen als een “ironic environment” en dus ook hier niet naar handelen. Het is namelijk voor een computersysteem een uitdaging om humoristisch materiaal te automatiseren doordat het menselijk gebruik van humor gebaseerd is op een brede algemene kennis van de wereld. Dus het pragma

Overdrijving

Geïnterviewde J. De Jong (zie bijlage D) definieert overdrijving als een afwijking van wat een normale portie is. Om dit te kunnen herkennen is dan kennis nodig van wat op de gehele wereld een normale portie is.

Een computersysteem kan nog niet zelf inschatten wat in de hedendaagse wereld door mensen normaal wordt gezien en overdreven. Daarnaast kan de computer geen onderscheid maken tussen een situatie waarin overdreven wordt en een situatie waarin overdreven wordt en tegelijkertijd als humor opgevat moet worden. Deze kennis bevat niet alleen feiten maar ook redeneerpatronen. Om alle situaties correct in te schatten zou het computermodel hetzelfde kunnen produceren als de menselijke geest(Ritchie, 2001). Dit is met de huidige technieken van vandaag nog niet mogelijk. Echter zou er wel een computersysteem mogelijk zijn dat deze humor zou moeten kunnen verwerken. Het systeem zou op een gelijke manier als het detectiesysteem van ironie kunnen werken. Dit systeem heeft dan alleen een minder uitgebreide intelligentie(Ritchie, 2001).

Woordspeling

(2002): Woordspelingen in slagzinnen zijn slagzinnen die naast een voor de hand liggende interpretatie een alternatieve, minder voor de hand liggende interpretatie kennen (p. 248). De interpretatie duidt op verschillende betekenissen van een woord, zoals die in woordenboeken te vinden zijn (Lagerwerf, 2002).

HAHAcronym is het eerste Europeese project naar computationele humor verwerking. In dit onderzoek werd gekeken of het mogelijk was om ironische acroniemen te genereren(Stock & Strapparava, 2002). Dit onderzoek ging verder op het onderzoek van Binsted en Ritchie, waarbij onderzoek gedaan werd naar het creëren van een computationeel humor prototype. Hierbij hebben zij semantische en syntactische regels opgesteld als basis van het herkennen van woordspelingen(Binsted & Ritchie, 1994). Over het algemeen waren beide onderzoeken gebaseerd op de tegenstrijdigheidstheorie van Raskin, deze theorie houdt zich vast aan het verrassende element van humor waarbij humor ontstaat uit een conflict tussen wat men verwacht dat er gebeurt en wat er werkelijk gebeurt(Raskin, 1985). Uit dit Europese project is geresulteerd dat het gebruik van standaard bronnen met bijpassende lexicons, semantische- en syntactische regels het mogelijk is om een prototype te maken dat ironische acroniemen kan genereren(Stock & Strapparava, 2002). Het onderzoek maakt gebruik van WORD NET, wat gezien kan worden als een lexicon matrix waarvan een dimensie over de relaties tussen de woorden gaat (lexical relations) en de andere dimensie over de conceptuele relatie, die voornamelijk ingaat op de context van de zin welke woordgroepen bij elkaar horen waardoor de betekenis van de woorden bekend wordt(Stock & Strapparava, 2002). Aan de hand van domeingroepen worden onverschilligheden opgemerkt. Bij het domein sport worden bijvoorbeeld de woorden {honkbal, trainingsbroek, bal, sportief, etc} aangekoppeld. Aan de hand van domeinen kunnen computersystemen verbanden met elkaar tussen woorden vinden en ook onderscheid maken tussen woorden die geen verband hebben in een bepaalde zin; een belangrijke tool voor computersystemen om woordspelingen te kunnen herkennen(Stock & Strapparava, 2005).

3.4.1 Deelresultaten

In hoeverre kan de robotdocent door middel van natuurlijke taalverwerking definities van humor uit de taalkunde detecteren?

Om humor kunstmatig te kunnen detecteren kunnen het NLP systeem en het humoranalysemodel van Hopstaken en De Jong gecombineerd worden. Hopstaken en De Jong ontwierpen hun humoranalysemodel voor menselijk gebruikers die kennis moesten hebben van de definities van alle verschillende humortechnieken. Dan zouden zij in staat zijn om elke passage al dan niet in het hokje van een humortechniek te plaatsen. Op het moment dat dit model niet door mensen, maar door een NLP systeem toegepast wordt, moet het NLP systeem ook kennis hebben van al deze verschillende definities. De algemene definitie van humor luidt als volgt: een afwijking van verwachtingen. Dit betreft de verwachtingen van de gehele situatie met betrekking tot de context van de wereld en kent hierdoor tal van parameters. Per humortechniek verschilt van welke verwachting afgeweken wordt. We hebben ons gefocust op het verder uitwerken van de humortechnieken ironie, overdrijving en woordspeling. Ironie is een zeer complexe humortechniek doordat zij afwijkt van een groot scala aan verwachtingen. Overdrijving en woordspeling zijn simpelere humortechnieken: zij zijn slechts afhankelijk van enerzijds de kennis van een normale portie en anderzijds de verschillende betekenissen van een

woord. Ironie en woordspeling zijn bovendien humorsoorten die relevant en nuttig zijn voor het onderwijs.

Naar de kunstmatige detectie van ironie is vanuit de NLP tak al meer onderzoek gedaan en het onderscheiden van een ironische en normale omgeving vormt een begin. De onderscheiding van omgevingen zou in principe ook gebruikt kunnen worden bij de detectie van overdrijven, waarin de ‘normale omgeving’ nu de betekenis van ‘een normale portie’ zou krijgen. Logisch redeneren levert op dat ‘een normale portie’ makkelijker te implementeren is dan ‘de normale omgeving’. Er is echter nog niet veel onderzoek gedaan naar de detectie van overdrijving, waardoor het uit de huidige literatuur niet mogelijk lijkt. Wij stellen dat er misschien nu nog geen computersysteem beschikbaar is dat overdrijving kan detecteren, maar dat dit op niet al te lange termijn met behulp van het ironie-systeem wel mogelijk zou moeten zijn. Naar woordspeling is wel al meer onderzoek gedaan. In dit onderzoek hanteren wij de definitie van woordspelingen waarin woordspelingen naast een voor de hand liggende interpretatie een alternatieve, minder voor de hand liggende interpretatie kennen.De interpretatie duidt op verschillende betekenissen van een woord. Deze betekenissen kunnen in een NLP systeem geïmplementeerd worden door middel van domeingroepen. Met behulp van deze definities kunnen woordspelingen al voor een groot deel kunstmatig gedetecteerd worden.

4. Verantwoording integratie van de disciplines

Dit onderzoek is een interdisciplinair onderzoek waarin drie disciplines (onderwijskunde, taalkunde en kunstmatige intelligentie) met elkaar worden geïntegreerd. Tijdens de integratie ontstonden conflicten tussen het onderwijsperspectief en de kunstmatige intelligentie. Vanuit onderwijswetenschappen is onderzoek gedaan naar menselijke docenten en niet naar robots. De resultaten zijn dan ook omschreven ter functie voor een menselijke docent. Hierdoor zijn deze resultaten niet rechtstreeks geschikt voor de kunstmatige intelligentie. De common ground voor dit conflict is gecreëerd door de taalkunde. Het resultaat ,zoals de humor soort, is door middel van het taalkundige model ontleed voor de kunstmatige intelligentie. Door het schematisch definiëren per humor soort kan dit resultaat gebruikt worden voor de kunstmatige intelligentie.

Daarnaast was er een conflict in perspectief tussen de taalkunde en de kunstmatige intelligentie. Het model van Hopstaken en de Jong beschreef dat per humortechniek er andere afwijkingen zijn van verwachtingen. Voor dit onderzoek was het onmogelijk om al deze afwijkingen te integreren met de kunstmatige intelligentie. Dankzij de onderwijswetenschappen zijn alleen de nuttige humortechnieken behandeld. Echter was het hierna lastig om voor deze selectie van humortechnieken common ground te zoeken met de kunstmatige intelligentie. Het definiëren van bijvoorbeeld de humortechniek ‘ironie’ is te ingewikkeld voor de kunstmatige intelligentie om optimaal te kunnen toepassen in de natuurlijke taalverwerking.

5. Discussie

Dankzij de resultaten kan er een conclusie gegeven worden op de hoofdvraag:

In hoeverre zou een “robotdocent” humor kunnen herkennen en zelf efficiënt gebruiken door middel van natuurlijke taalverwerking?

De eerste beantwoording hiervan zal gedaan worden op betrekking van het herkennen van de humor. Het is gebleken het mogelijk is voor een robot om humor te herkennen. Voor het herkennen is kennis nodig over de verwachtingen van de gehele situatie met betrekking tot de context van de wereld en kent hierdoor tal van parameters. Per humortechniek verschilt van welke verwachting afgeweken wordt. De humor soort woordspeling is daardoor al beter te herkennen dan ironie. Alle humorsoorten zijn echter nog te complex om optimaal herkend te kunnen worden door een robot.

De tweede beantwoording gaat omtrent het efficiënt kunnen gebruiken van humor door de robotdocent. Een essentiële factor om als robot humor te kunnen gebruiken is om de humor te kunnen herkennen. uit de eerst beantwoording kan daarom gesteld worden dat het efficiënt gebruiken ook nog niet aan de orde is. Er zijn echter wel randvoorwaarden gevonden voor het efficient lesgeven die kunnen worden geprogrammeerd in de robot zoals frequentie en de timing. De humor soort is daarentegen nog niet mogelijk waardoor de andere waarden voor nu nog niet van waarde zijn.

5.2 Analyse

Om ons klaar te maken voor de toekomst is het belangrijk te beseffen dat er een robotdocent kan komen in het onderwijs. Dankzij de interdisciplinaire aanpak is het mogelijk geweest om de complexe onderzoeksvraag te beantwoorden. Er is kennis opgedaan uit alle drie de disciplines en dankzij het integreren van deze kennis is er een beter beeld ontstaan in hoeverre de robotdocent humoristisch les kan geven. Aangezien er nog geen robotdocenten bestaan, geeft dit onderzoek een nieuw inzicht in de mogelijkheden hiervan. De resultaten en conclusie uit ons onderzoek zijn interessant om op voort te bouwen om in de toekomst een optimaal functionerende robotdocent te creëren.

6.1 Bibliografie

Alhawiti, D. K. M. (2014). Natural Language Processing and its Use in Education. Computer Science Department, Faculty of Computers and Information technology, Tabuk University, Tabuk, Saudi Arabia.

Attardo, S. (2008). A primer for the linguistics of humor. The primer of humor research, 8, 101-55.

Baker, D. P. (2011). The future of the schooled society: The transforming culture of education in postindustrial society. In Frontiers in sociology of education (pp. 11-34). Springer, Dordrecht.

Bandura, A., & Walters, R. H. (1977). Social learning theory (Vol. 1). Englewood Cliffs, NJ: Prentice-hall.

Barsade, S. G. (2002). The ripple effect: Emotional contagion and its influence on group behavior. Administrative science quarterly, 47(4), 644-675.

Bekelja Wanzer, M., Bainbridge Frymier, A., Wojtaszczyk, A. M., & Smith, T. (2006). Appropriate and inappropriate uses of humor by teachers. Communication Education, 55(2), 178-196.

Berger, A.A. (1993). An Anatomy of Humor. New Brunswick, NJ etc.: Transaction Publishers.

Berger, A.A. (1995). Blind Men and Elephants. Perspectives on Humor. New Brunswick, NJ etc.: Transaction Publishers.

Bergson, H. (2018). Le rire: essai sur la signification du comique. République des Lettres. Biesta, G. (2015). Goed onderwijs, functioneel of disfunctioneel? Over de school als oefenplaats voor volwassenheid.

Binsted, K., Nijholt, A., Stock, O., Strapparava, C., Ritchie, G., Manurung, R., ... & O'Mara, D. (2006). Computational humor. IEEE Intelligent Systems, 21(2), 59-69.

Binsted, K., & Ritchie, G. (1997). Computational rules for generating punning riddles. HUMOR-International Journal of Humor Research, 10(1), 25-76.

Bourdieu, P. (1989). Social space and symbolic power. Sociological theory, 7(1), 14-25. Bourdieu, P. (1990). Structures, habitus, practices, in: Calhoun (3rd edition), Contemporary Sociological Theory

Chung, H., Park, J., & Lee, S. (2017). Digital forensic approaches for Amazon Alexa ecosystem. Digital Investigation, 22, S15-S25, in: Contemporary Sociological Theory, pp. 345-358.

Cicero (1989). De oratore. Drie gesprekken over redenaarskunst, Weten – denken – spreken. Vertaald en toegelicht door H.W.A. van Rooijen-Dijkman &A.D. Leeman. Amsterdam.

Collins, R. (2004). Interaction Ritual Chains, in: Calhoun (3rd edition), Contemporary Sociological Theory, pp.75-90 (15pp.)

Colvin, G. (2015) Humans are underrated. What high achievers know that brilliant machines never will, New York: Penguin Random House.

Francis, L. E. (1994). Laughter, the Best Mediation: Humor as Emotion Management in Interaction. Symbolic Interaction, 17(2), 147–163. https://doi.org/10.1525/si.1994.17.2.147 Frey, C.B. en M.A. Osborne (2013) The future of employment. How susceptible are jobs to computerisation?, Oxford: Oxford Martin Publication.

Greatbatch, D., & Clark, T. A. R. (2002). Laughing with the gurus. Business Strategy Review, 13(3), 10.

Hopstaken, T., & de Jong, J. Humor in lekenpraatjes. De ontwikkeling en toepassing van een humoranalysemodel voor toespraken.

Jones, S. S. (1996). What Does Durkheim Mean by Thing? Durkheimian Studies 2, 43–59, in Ritzer, G., & Stepnisky, J. (2017). Sociological Theory. Thousand Oaks: SAGE Publications. Kao, J. T., Levy, R., & Goodman, N. D. (2013). The funny thing about incongruity: A computational model of humor in puns. In Proceedings of the Annual Meeting of the Cognitive Science Society (Vol. 35, No. 35).

Kao, J. T., Levy, R., & Goodman, N. D. (2013). The funny thing about incongruity: A computational model of humor in puns. In Proceedings of the Annual Meeting of the Cognitive Science Society (Vol. 35, No. 35).

Kuipers, G. M. M. (2001). Goede humor, slechte smaak: een sociologie van de mop. Amsterdam: Diss. UvA.

Lagerwerf, L. (2002). Deliberate ambiguity in slogans: recognition and appreciation. Document design, 3(3), 244-260.

Lende, S. P., & Raghuwanshi, M. M. (2016). Question answering system on education acts using NLP techniques. In 2016 World Conference on Futuristic Trends in Research and Innovation for Social Welfare (Startup Conclave) (pp. 1-6). IEEE.

Liddy, E. D. (2001). Natural language processing.

Norrick, N. R., & Chiaro, D. (Eds.). (2009). Humor in interaction (Vol. 182). John Benjamins Publishing.

Powell, J. P., & Andresen, L. W. (1985). Humour and teaching in higher education. Studies in Higher Education, 10(1), 79-90.

Ritchie, G. (2001). Current directions in computational humour. Artificial Intelligence Review, 16(2), 119-135.

Sangrà, A., Vlachopoulos, D., & Cabrera, N. (2012). Building an inclusive definition of e-learning: An approach to the conceptual framework. The International Review of Research in Open and Distributed Learning, 13(2), 145-159.

Schippers, J. J. (2014). De robots zijn welkom, mits…. Tijdschrift voor Arbeidsvraagstukken, 30(4), 350-352.

Stock, O., & Strapparava, C. (2003, August). Getting serious about the development of computational humor. In IJCAI (Vol. 3, pp. 59-64).

Stock, O., & Strapparava, C. (2005, June). Hahacronym: A computational humor system. In Proceedings of the ACL 2005 on Interactive poster and demonstration sessions (pp. 113-116). Association for Computational Linguistics.

Stock, O., & Strapparava, C. (2002). HAHAcronym: Humorous agents for humorous acronyms. Stock, Oliviero, Carlo Strapparava, and Anton Nijholt. Eds, 125-135.

Stock, O., & Strapparava, C. (2003, August). Getting serious about the development of computational humor. In IJCAI (Vol. 3, pp. 59-64).

Stock, O., & Strapparava, C. (2005). The act of creating humorous acronyms. Applied Artificial Intelligence, 19(2), 137-151.

Stock, O., & Strapparava, C. (2003, January). An experiment in automated humorous output production. In Proceedings of the 8th international conference on Intelligent user interfaces (pp. 300-302). ACM.

Torok, S. E., McMorris, R. F., & Lin, W. C. (2004). Is humor an appreciated teaching tool? perceptions of professors’ teaching styles and use of humor. College Teaching, 52(1), 14-20 Utsumi, A. (1996, August). A unified theory of irony and its computational formalization. In Proceedings of the 16th conference on Computational linguistics-Volume 2 (pp. 962-967). Association for Computational Linguistics.

Vermunt, J. D. (2006). Docent van deze tijd: Leren en laten leren. Universiteit Utrecht, IVLOS. Verweij, D. E. M. (2011). Intelligente robots en morele professionaliteit?.

Went, R., Kremer, M., & Knottnerus, A. (2015). De robot de baas. De toekomst van het werk in het tweede machine tijdperk. Den Haag: WRR.

Ziegler, J. B. (1998). Use of humour in medical teaching. Medical teacher, 20(4), 341-348. Ziv, A. (1988). Teaching and learning with humor: Experiment and replication. The Journal of Experimental Education, 57(1), 4-15.

A. Data Management Tabel

Titel Disciplines Wat is nuttig uit dit artikel? APA

Natural language and its use in Education

Kunstmatige intelligentie en Onderwijskunde

Dit artikel gaat over het gebruik van natuurlijke taalverwerking voor onderwijs. Dit artikel is nuttig voor ons onderzoek omdat er in dit artikel geschreven wordt hoe NLP op dit moment toegepast kan worden in het onderwijs. Dit kan gebruikt worden voor het theoretisch kader.

Alhawiti, D. K. M. (2014). Natural Language

Processing and its Use in Education. Computer Science Department, Faculty of Computers and Information technology, Tabuk University, Tabuk, Saudi Arabia. Natural language processing Kunstmatige intelligentie en taalkunde

Dit artikel gaat volledig over natuurlijke taalverwerking. Dit artikel is nuttig omdat de

toepassing en betekenis van NLP goed uitgelegd wordt. Daarnaast is het voor de taalkunde ook een nuttig artikel omdat het taalaspect ook duidelijk beschreven wordt.

Liddy, E. D. (2001). Natural language processing.

Humor in

lekenpraatjes

Taalkunde en KI Dit artikel geeft het

humoranalysemodel, dat met behulp van taalkunde verder uitgewerkt zal worden waardoor het bruikbaar (te programmeren) is voor de KI.

Hopstaken, T., & de Jong, J. Humor in lekenpraatjes. De ontwikkeling en toepassing van een humoranalysemodel voor toespraken

De robot de baas. Sociologie en KI Een bundel van artikelen over het tweede machine tijdperk: geeft visies op de wereld met een ‘robotdocent’. Handig om als achtergrond in je hoofd te houden, en vormt ook de basis van de inleiding.

Went, R., Kremer, M., & Knottnerus, A. (2015). De robot de baas. De toekomst van het werk in het tweede machine tijdperk. Den Haag: WRR. Collective Interaction Rituals Sociologie en Kunstmatige Intelligentie

Dit is een samenvatting van de theorie van Collins over

collectieve interactie rituelen. Dit is een belangrijke basis als je het hebt over interacties, zoals lachen. Andere artikelen geven een toevoeging wat betreft interactie over humor. Maar dit stuk is een goed stuk dat over interacties gaat

Collins, R. (2004).

Interaction Ritual Chains, in: Calhoun (3rd edition), Contemporary Sociological Theory, pp.75-90 (15pp.)

en uiteindelijk ook samen met het stuk van Bourdieu over de

kenmerken die mensen hebben. Goede humor,

slechte smaak: een sociologie van de mop. Amsterdam

Sociologie en Taalkunde

Dit stuk gaat over de verschillen in smaak van humor tussen mensen. Het is een artikel dat laat zien dat mensen verschillen hebben in humor. Dit kan helpen om te gaan aan te tonen dat er verschil is in humor tussen mensen op het academisch onderwijs.

Kuipers, G. M. M. (2001). Goede humor, slechte smaak: een sociologie van de mop. Amsterdam: Diss. UvA.

Humour and teaching in higher education. Studies in Higher Education,

onderwijskunde Dit artikel geeft een goede

ondersteuning voor dit onderzoek doordat het duidelijk vertelt wat de positieve effecten zijn van lesgeven met humor. Dit is goed voor de relevantie van dit

onderzoek. Daarnaast concludeert dit artikel dat docenten

vaardigheden kunnen aanleren voor het gebruik van humor. Deze conclusie geeft aanleiding om voor dit onderzoek te kijken wat deze vaardigheden inhouden om ervoor te zorgen dat een robot ze ook kan aanleren

Powell, J. P., & Andresen, L. W. (1985).

Humour and teaching in higher education. Studies in Higher Education, 10(1), 79-90. Is humor an appreciated teaching tool? Perceptions of professors’ teaching styles and use of humor

Dit artikel geeft een kritische blik op humor als lesmethode. Humor zorgt weliswaar voor een positief leerresultaat, maar dit artikel kaart aan dat er wel verschil zit tussen de manier waarop humor wordt toegepast in het lesgeven en het effect dat dit heeft op de groep. Interessant voor dit onderzoek om ervoor te zorgen dat humor zo effectief mogelijk moet worden toegepast.

Torok, S. E., McMorris, R. F., & Lin, W. C. (2004). IS HUMOR AN APPRECIATED TEACHING TOOL? PERCEPTIONS OF PROFESSORS'TEACHIN G STYLES AND USE OF HUMOR. College

Teaching, 52(1), 14-20

B. Integratieprocess & Common Ground van onderzoeksvoorstel

1. Pinpoiting a key theory or insight that is somehow shared between disciplines but may be defined and operationalized in different ways: Een inzicht dat is gedeeld in het

onderzoek is dat humor een positieve werking heeft op de mens. Dit hebben Sociologie en Onderwijskunde samen ondervonden. Bij Sociologie zijn het vooral theoretische stukken die hebben geholpen om dit inzicht te komen, waarbij het bij Onderwijskunde is onderzocht in de praktijk, waarbij positieve effecten zijn ondervonden tijdens het lesgeven.

2. Elaborating an explanatory mechanism by integrating additional insights into it:Bij kunstmatige intelligente en Taalkunde is het verwerken en maken van data samengekomen. De natuurlijke taalverwerking van kunstmatige intelligentie wordt verandert door het model van taalkunde. Daarbij proberen sociologie en onderwijskunde randvoorwaardes te maken voor een specifieke vorm van de natuurlijke taalverwerking.

3. Making assumptions explicit that might need to be reconsidered by one or more disciplines: Er moet misschien uiteindelijk gekeken worden of er daadwerkelijk een verschil is in humor bij mensen op het academisch onderwijs. Taalkunde stelde dat daar een aanleiding naar is. Sociologie deed dat ook, maar gaat daar onderzoek naar doen, maar het zou zo kunnen dat het grotendeels hetzelfde is, omdat de sociale economische stand van mensen op het academisch onderwijs grotendeels hetzelfde is.

4. Realizing that an existing methodology can perhaps be improved using insights from other disciplines: De methodologie die we gaan doen is allemaal gebaseerd op literatuuronderzoek. Hier kan weinig over gezegd worden.

5. Realizing that the apparently contrasting results from different studies can be reinterpreted in such a way that they are consistent with each other: Er zijn nog geen tegenstellingen gevonden in ons onderzoek

6. Common ground is created by an existing intervention that must be made more robust by adjusting it in respones to a newly uncovered additional factor: Taalkunde gaat onderzoeken hoe de natuurlijke taalverwerking van kunstmatige intelligentie verandert kan worden. Daarbij gaat onderwijskunde onderzoeken of er bepaalde randvoorwaardes zijn, die de robotdocent kan verbeteren, dus kijken welke toevoegingen er gemaakt kunnen worden bij de natuurlijke taalverwerking.

C. Expert interview 1

Interview Aart Prins

Wat is uw functie bij de Hogeschool van Amsterdam?

Ik ben hier lerarenopleider en leraar nederlands en ik was in mijn vorige baan schoolleider van een kleine particuliere school en daar was ik te veel met beleid bezig. Ik vond het veel leuker om met de inhoud van het onderwijs weer bezig te zijn. En de inhoud van het nederleands is een prachtig vak. Dus om dat meer te doen. Ja.

Leuk

Ja

Pas jij bijvoorbeeld humor toe in je lessen?

Nee totaal niet(sarcastisch)

Totaal niet?

Nee is allemaal erg serieus Nee ik doe dat heel veel

Haha ja dat vermoeden had ik al

Het is echt een smeermiddel. En ook, ik zat erover te denken van wat is dat dan precies. Ik heb wel is kritiek gehad van een docent of ouders van jullie zitten alleen maar te lachen bij Nederlands. Volgens mij is dat zo maar is dat niet alleen maar. Er wordt veel gelachen en ik geniet van die aandacht. Het is een soort gratis publiek ik hoef geen werving te maken. en ik kan de hele tijd geintjes maken.

Ja en je zegt wel aandacht te krijgen dus.

Ja dus altijd de check. Dus als je een grap maakt en ze kijken je glazig aan dan is het ook meteen een intelligentie test. Humor is ook intelligentie. En je zit in de vrolijke sfeer heel veel te leren.

En ik hou ik meer van verwarring zaaien dan van duidelijkheid bieden.

Ik weet niet of we al toe zijn aan voorbeeldjes. Maar ik geef jeugdliteratuur en dan begin ik de les van ‘jongens lezen is zo belangrijk daar hou ik zo ongelofelijk veel van’. Dan heb ik een boek bij de kringloop gekocht en zeg ik dat het mijn lievelingsboek is en dat ik dat met ze wil delen. En dan ruk ik een bladzijde eruit ‘hier alsjeblief, alsjeblieft’. En dan krijgen ze allemaal een bladzijde van het boek.

En dan zeg je ‘nou jullie zijn natuurlijk gewend om linksboven te beginnen. Maar we doen het vandaag eens anders. Pak een pen, hou je linkerarm gestrekt as je links bent. En dan laat je m zo naar je blaadje toe komen en het eerste woord wat je ziet omcirkel je.’ Nou dan hebben ze een ervaring jongen. En dan gaan ze een krasgedicht maken. Ik weet niet of je daarvan gehoord hebt.

Nee

Je hebt een hele bladzijde je krast wat weg en de woorden die overblijven wordt een gedicht.

En de show in het begin doe je omdat?

Om de toon te zetten. Er komt dan volledige betrokkenheid.

Uit artikelen blijkt dat humor veel positieve effecten hebben. Het creëert zoals jij eigenlijk ook al zei een positieve omgeving in de ruimte. Het moedigt de betrokkenheid van de studenten aan.

Ja en het is ook een verbindende ervaring. Als je met ze alle iets meegemaakt hebt dan verbindt dat nog extra.

Je zegt dat jij veel humor toepast in het lesgeven. Maar vast niet alle docenten zullen dat doen. De ene in meerdere en de andere in mindere mate. Wat voor vaardigheden moeten docenten hebben om met humor les te geven. En denk je dat elke docent dat kan?

Hele goeie vraag en hele moeilijke vraag. Je moet namelijk goeie contactuele vaardigheden hebben. Want het is ook wel is misgegaan bij mij. Ik heb een keer een grap gemaakt over zelfmoord, ik vond t grappig. Een thema waar je heel goed grappen over kan maken. Maar er was een meisje in het publiek die een keer een poging had gedaan. Dus wat voor mij geinig was… dus je moet heel goed het publiek kunnen inschatten. Je zoekt de grens op maar je gaat er wel is overheen. Met dat meisje en mij is het helemaal goed gekomen trouwens.

Grappen zijn ook vaak grensgevallen.

Ja je raakt ermee. Je raakt ze echt. Iemand die lacht is ook meteen weerloos. Je snijdt met humor recht de ziel in. Maar de vaardigheid is jezelf aan de kaak kunnen stellen. Zelfspot kunnen hebben, maar dat is misschien meer een eigenschap dan vaardigheid. Je moet als vaardigheid denk ik ook wel een beetje boven je vak kunnen zweven. Dus als ik jou uit moet leggen wat een betrekkelijk voornaamwoord is, dan moet ik zeker zijn dat ik het heel goed snap om los te kunnen dansen. Het kan daarnaast ook een redmiddel zijn in het lesgeven om eroverheen te grappen zodat de studenten niet door hebben dat je iets vergeten bent.

De vaardigheid is dus altijd dingen op spanning kunnen zetten.

Wordt er in de docentenopleiding aandacht aan humor besteed

Nee niet expliciet. Wordt terloops wel is genoemd.

Bijvoorbeeld in een presentatie les ofzo?

Ja zoiets als een goeie uitsmijter of iets dergelijks, maar humor wordt eigenlijk weinig benoemt

Denk je dat docenten die daar onzeker zijn om humor te gebruiken er gebaat bij zijn om er les over te hebben?

Ja ik denk dat als je aanmoedigt van wat is het en wat zou je kunnen doen. Ik denk dat dat enorm kan helpen

Dus dat ze een klein voorschrift hebben daarover?

Ja dat zou goed zijn

Denk je dat bepaald soort humor nog makkelijker is aan te leren

Uhhh, ik heb wel is bij jeugdliteratuur. Roomtaarten humor bijvoorbeeld. Je hebt bepaalde leeftijd fases met humor. Dus kennis van welke types humor er zijn en welke het beste werken bij de groep die je lesgeeft. En ik ben ook wel stiekem voor de grens opzoeken. Maar er was hier ook bijvoorbeeld iemand die grensoverschrijdend seks gerelateerde grapjes te maken en daar moet je mee oppassen.

Uit onderzoek is inderdaad ook gebleken dat men moet oppassen met bepaald soort humor als sarcasme of aanvallende humor.

Dan heb ik meteen ook weer een voorbeeld. Ik had vorig jaar een groep voor jeugdliteratuur. Waar 8 meisjes moslim waren. Dat is relatief veel voor deze opleiding. En die gingen allemaal links achterin zitten. Dus ze zoeken elkaar op. De jongens in sportieve kleren zoeken elkaar ook op. Nou ik dacht dat wil ik wel even doorbreken. Bij de introductie les waren ze niet. En toen had ik alle groepjes al allemaal uit elkaar gepulkt. Zodat ze ook veel interactie tussen de groepjes hebben. En toen had ik gezegd nou jongens als je een hoofddoek ophebt dan wil ik graag dat je links achterin gaat zitten. En daar zaten ze dus al. En toen was het van; dat kunt u niet zeggen enzo. Mooi denk ik dan. Verwarring zaaien is een belangrijke.

Dat is dus niet altijd erg wil je zeggen.

Stel het maar aan de kaak. Dat is steeds mijn ervaring. Soms doe je iets en hier had ik goed over nagedacht. En je maakt zo ook wel is wat los wat heel goed vast zit.

Ja zo’n situatie kan je dus juist goed oplossen met humor aan de kaak stellen.

Ja ja ja. In humor zit altijd wat onder.

In ons onderzoek wil ik gaan kijken welke randvoorwaarden nodig zijn voor het toepassen van humor.

Ja dat is leuk en goed om te gaan onderzoeken lijkt mij. Ik moet gelijk ook nog weer denken aan iets. Je hebt 4 lezers types. De 1 die wil gewoon pragmatisch lezen. Die wil gewoon weten wat hij moet dan. Dus niet lezen om te genieten. Daar heb ik een voorbeeldje van. Een plaatje met wat moet je doen als een krokodil jou bijt. En dan zie je eerst dat je met twee handen zijn bek moet dichthouden. En dan echt een plaatje dat iemand al halverwege de bek van de krokodil zit en die pakt dan een boompje vast. Dat is een hilarisch plaatje. Stel je wordt

aangevallen door een krokodil dan wil je niet een heel boek erover lezen maar wil je in een keer weten wat je moet doen. Wat gebeurt natuurlijk, iedereen gaat lachen. Dus waar je pragmatisch wil gaan kijken, gaan ze lachen. Ze gaan al verder dan de inhoudt in plaats van het pragmatische doel waarvoor ze eigenlijk kwamen. Ze gaan genieten.

En denk jij dat je te veel humor kan toepassen?

Ja kan wel. Een groep kan melig worden en de slappenlach. Dat is situatie afhankelijk

En wat je ook kan hebben is dat je malle pietje wordt en als cabaratier gezien worden. Jonge kinderen weten dan soms ook niet meer wie je bent. Dan denken ze dat je een geintje maakt terwijl je boos bent in werkelijkheid.

Stel uit dit onderzoek kunnen we voorwaardes opstellen. We kunnen docenten voorschrijven welke humor risico geeft en wat je wanneer moet doen. Is dat relevant voor docenten met weinig kennis hierover?

Ja ik denk dat wanneer de docenten de meerwaarde ervan gaan zien dat dat zeker gaat helpen. Dat ze gaan snappen dat een boodschap soms beter werkt wanneer je er wat humor op smeert, dan worden ze best bereid. Maar dan moeten ze wel zien dat het wetenschappelijk aangetoond is.

Leuke vragen zijn het. Ik wilde nog toevoegen dat creativiteit een vaardigheid is die erbij hoort. Want het is een soort los denken van het vaste patroon.

Heb jij nog artikelen of teksten die je wil vertellen.

Ik kan je nog over twee lessen vertellen. Dat ging over een heel ironische tekst. Vandaag gaan we een vliegtuigmaaltijd voorbereiden. Zet daarvoor de stoelen achter elkaar en niet naast elkaar gezellig en zorg dat er net te weinig beenruimte is. Kook de pasta 1 minuut en gooi het daarna in ijswater. Pak wat zalmsnippers en een halve kilo creme fraiche en mix dit door elkaar. En die leerlingen uit het vmbo die zeiden wat is dit voor tekst. Die dachten dat het een recept was terwijl het als grap bedoeld was. Het is dus ook een intelligentie test.

En nog een andere. Een gedicht van daan zonderland heet letterlijk. Dat gaat als volgt. Geachte heer ik moet u danken voor het postpakket wat ik net ontving maar u vergeeft mij ongetwijfeld een zekere teleurstelling. Toen ik de hand vroeg van uw dochter die ik hartstochtelijk bemin deed ik dat niet in letterlijke maar in overdrachtelijke zin. Hij heeft dus in dat postpakket de hand ontvangen. Dat is ook een test of ze het snappen.

Andere literatuur weet ik even niet zo.

D. Expert interview 2

Jaap de Jong is hoogleraar Journalistiek en Nieuwe Media aan de Universiteit Leiden. Hij geeft les in moderne retorica en doet onderzoek naar stijl en retorische technieken in toespraken en andere teksten. Hij schreef meerdere boeken en legio aan artikelen over zijn onderzoek. Ook schreef hij samen met Tommy Hopstaken het artikel “Humor in lekenpraatjes. De ontwikkeling en toepassing van een humoranalysemodel voor toespraken”. Zij ontwikkelden het humoranalysemodel dat in ons onderzoek als uitgangspunt genomen wordt.

“Jij wilde mij spreken over het humoranalysemodel he… Dat is al een tijdje geleden. Wij hebben dat tien jaar geleden geschreven? Later heb ik het model nog eens gebruikt voor een onderzoek. Toen schreef ik een artikel samen met Andreg Steunmeyer. We pasten het humoranalysemodel toe op zestien wetenschappelijke Vield lezingen. Dit zijn communicatieweetenschappers die spreken. We hebben deze toespraken toen helemaal uitgeschreven, dat was veel werk. Daarna hebben we gekeken wanneer er gelachen werd (perlocutionaire effect) en een humortechniek toegekend aan de humoristische passage. Iets interessants wat eruit kwam was zelfspot: dat zat er best vaak in. Daarna heb ik nog eens een experiment gedaan naar zelfspot. We maakten toen drie varianten van een toespraak: 1 zonder zelfspot, 1 met een beperkt aantal vormen van zelfspot en 1 met extreem veel zelfspot. Deze legden we voor aan een publiek en achteraf stelden we vragen over de toespraken. We hadden bovendien gezegd dat het ergens anders over ging (niet over zelfspot of humor). Het resultaat was zeer opmerkelijk: de toespraken met veel en een beperkt aantal vormen van zelfspot werden als minder professioneel ervaren. De presentatie zonder zelfspot was interessanter, er was geen voordeel in dit geval. Deze uitkomst hadden wij van tevoren niet verwacht. In de discussie hebben we wel benoemd dat de spreker in dit geval jong en onbekend was. Zijn aanvangsethos was gemiddeld en nog niet gevestigd. Mensen vinden hem als hij zelfspot gebruikt niet grappig, maar denken eerder: misschien is hij dan ook niet zo goed. Dit zou anders kunnen zijn bij sprekers met een hoog aanvangsethos. Een mogelijke verklaring is dan dat zelfspot vooral goed werkt

Ik heb humor wel eens beschreven als een tweezijdig zwaard: het kan je ethos goed doen, maar het kan het ook schaden. Zelfspot kan je schaden in de zin dat je als niet serieus en onkundig wordt gezien.

Een andere ‘gevaarlijke’ humortechniek is sarcasme, dit zit tegen het cynisme aan. Hiermee word je snel als minder betrokken en onbetrouwbaar ervaren.

De definitie van ironie is dat iets niet gebruikt wordt als dat wat het letterlijk betekent. Ironie op zich is heel ingewikkeld, scriptiestudenten stoppen met hun onderzoek hiernaar omdat het ontzettend complex is. Als je dit wil gaan programmeren heb je zo veel kennis van de wereld nodig. Kinderen begrijpen ironie vaak nog niet. Je hebt levenservaring nodig, maar ook feitelijke ervaring, kennis van degene die de ironie gebruikt als persoon. Dan ligt het ook nog aan de toon waarop iets uitgesproken wordt. Bovendien is ironie lastig te onderscheiden van sarcasme.