Sembra che due ingegneri californiani abbiano creato con successo una teoria matematica della sorpresa. Si tratta in pratica di un modo per misurare in uno stream di informazioni una proprietà che è in parte simile all’idea di entropia di Shannon. A differenza della teoria di Shannon questa nuova misurazione dell’informazione avrebbe delle basi soggettive (ovvero dipendenti dall’osservatore) e non oggettive (ovvero come proprietà di una specifica sorgente).
Per ora può essere applicata solo a stream di tipo video (ovvero a stimoli visivi) ma l’idea di base è che lo stesso tipo di misurazione potrà, in futuro, essere applicata anche al sonoro, all’olfatto e magari anche al gusto e al tatto.
La misurazione si basa su due concetti: la saliency e la novelty.
Analyzing such a stream, researchers can isolate stimuli with visual attributes that are unique in the mix by breaking down the signal into “feature channels,” each describing a particular attribute (i.e,, color) in the mix. Such features are called “salient.” Itti himself previously developed a measure of saliency.
A parallel analysis performs similar operations, but does so over time, not space, looking for new elements suddenly appearing. This approach is said to model “novelty.”
Finally, an analysis can be done purely in terms of Shannon’s original equations, which can measure the level of organization or detail found in the data flow, its entropy.
Ora non c’è bisogno che sottolinei l’importanza di questa idea per le ricerche sui media (informazione/non informazione) e sull’economia dell’attenzione di cui tanto si parla oggi in relazione ai blog.
Per capire bene come questo algoritmo possa funzionare è necessario tuttavia attendere la presentazione ufficiale dei risultati di questa ricerca che saranno resi pubblici il 7 dicembre durante una conferenza su Neural Information Processing Systems (NIPS) Conference di Vancouver.
Ciò che è noto al momento lo si può trovare in questo articolo: Surprise! Computer scientists model the exclamation point.