Explaining Humour Style Classifications: An XAI Approach to Understanding Computational Humour Analysis

要約

ユーモアスタイルは、幸福にマイナスまたはプラスの影響を与えることができます。
メンタルヘルスに対するこれらのスタイルの重要性を考えると、自動識別に関して重要な研究が行われています。
ただし、この目的に使用される自動化された機械学習モデルはブラックボックスであり、予測の決定が不透明になります。
メンタルヘルスの分野では、明快さと透明性が不可欠です。
このペーパーでは、ユーモアスタイルの分類を理解するための説明可能なAI（XAI）フレームワークを紹介します。
以前の研究から最高のパフォーマンスのシングルモデル（Ali+Xgboost）を使用して、包括的なXaiテクニックを適用して、言語的、感情的、意味的な機能がユーモアスタイルの分類の決定にどのように貢献するかを分析します。
私たちの分析は、異なるユーモアスタイルがどのように特徴付けられ、誤分類されているかについての明確なパターンを明らかにし、特に他のスタイルと提携ユーモアを区別する際の課題に重点を置いています。
機能の重要性、エラーパターン、および誤分類のケースを詳細に調べることにより、感情的な曖昧さ、コンテキストの誤解、ターゲットの識別など、モデルの決定に影響を与える重要な要因を特定します。
このフレームワークは、モデルの行動を理解する上で重要な有用性を示し、異なるユーモアスタイルを定義する機能の複雑な相互作用に対する解釈可能な洞察を達成します。
私たちの調査結果は、計算ユーモア分析の理論的理解と、メンタルヘルス、コンテンツの節度、デジタル人文科学の研究における実用的なアプリケーションの両方に貢献しています。

要約(オリジナル)

Humour styles can have either a negative or a positive impact on well-being. Given the importance of these styles to mental health, significant research has been conducted on their automatic identification. However, the automated machine learning models used for this purpose are black boxes, making their prediction decisions opaque. Clarity and transparency are vital in the field of mental health. This paper presents an explainable AI (XAI) framework for understanding humour style classification, building upon previous work in computational humour analysis. Using the best-performing single model (ALI+XGBoost) from prior research, we apply comprehensive XAI techniques to analyse how linguistic, emotional, and semantic features contribute to humour style classification decisions. Our analysis reveals distinct patterns in how different humour styles are characterised and misclassified, with particular emphasis on the challenges in distinguishing affiliative humour from other styles. Through detailed examination of feature importance, error patterns, and misclassification cases, we identify key factors influencing model decisions, including emotional ambiguity, context misinterpretation, and target identification. The framework demonstrates significant utility in understanding model behaviour, achieving interpretable insights into the complex interplay of features that define different humour styles. Our findings contribute to both the theoretical understanding of computational humour analysis and practical applications in mental health, content moderation, and digital humanities research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google