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

要約

ユーモアのスタイルは、幸福にマイナスの影響を与えることもあれば、プラスの影響を与えることもあります。
これらのスタイルが精神的健康にとって重要であることを考慮して、その自動識別に関する重要な研究が行われてきました。
ただし、この目的で使用される自動機械学習モデルはブラックボックスであるため、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、明確さと透明性が不可欠です。
この論文では、計算的ユーモア分析におけるこれまでの研究に基づいて、ユーモアのスタイル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。
先行研究で得られた最高のパフォーマンスを誇る単一モデル (ALI+XGBoost) を使用して、包括的な XAI 技術を適用して、言語的、感情的、意味論的特徴がユーモア スタイル分類の決定にどのように寄与するかを分析します。
私たちの分析では、親和的なユーモアを他のスタイルから区別する際の課題に特に重点を置き、さまざまなユーモアのスタイルがどのように特徴付けられ、誤って分類されるかについて明確なパターンが明らかになりました。
特徴の重要性、エラー パターン、誤分類ケースの詳細な調査を通じて、感情的な曖昧さ、コンテキストの誤解、ターゲットの特定など、モデルの決定に影響を与える主要な要因を特定します。
このフレームワークは、モデルの動作を理解する上で重要な有用性を示し、さまざまなユーモア スタイルを定義する特徴の複雑な相互作用について解釈可能な洞察を実現します。
私たちの発見は、計算的ユーモア分析の理論的理解と、メンタルヘルス、コンテンツモデレーション、およびデジタル人文学研究における実践的な応用の両方に貢献します。

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