當 xAI 碰上數位人文 / When xAI Meets Digital Humanities
内容提要
这篇文章讲述了将可解释的人工智能应用于数字人文分析的重要性和实现方法，包括子群组探勘和可解释性文字云。即使是文科学生也可以通过简单的实践学习和应用可解释性人工智能的分析技术。
延伸解读
从操作到理解：xAI 在数字人文中的角色
文章指出，能操作 AI 并不等于真正“懂”AI。在数字人文分析中，可解释性人工智能（xAI）帮助研究者理解 AI 决策过程，从而掌握分析结果背后的逻辑。这对于处理文本、历史资料等具有诠释需求的人文学科尤为重要，因为仅靠黑箱模型的输出难以支撑严谨的人文论证。
子群组探勘：发现数据中的局部模式
子群组探勘是 xAI 的一种分析方式，旨在从数据中找出具有特殊特征的子群体。文章提到其定义、表示方式和品质评估，说明该方法能帮助研究者识别整体数据中容易被忽略的局部现象。在数字人文场景下，这可用于分析读者评论、文本主题等，揭示不同群体间的差异。
可解释性文字云：从远读到近读的桥梁
文章将可解释性文字云作为实作案例，连接了远读与近读。传统文字云仅展示词频，而可解释性文字云能进一步呈现词语与特定类别或子群组的关联，从而产生可解释的洞察。这种可视化方法让文科学生也能通过简单实作，将 xAI 技术应用于任何资料分析。
文科生也能上手：低门槛的 xAI 实践
演讲强调，即使不会写程式的文学院学生，也能通过简单实作学习 xAI 分析技术。现场活动以中文小说读者评论资料集为例，使用 Colab 进行文字云分析。这降低了技术门槛，让人文学科研究者能专注于问题本身，而非程式实作细节，从而更广泛地应用可解释性 AI。
Q&A
可解释的人工智能在数字人文分析中有什么重要性？
可解释的人工智能帮助人们理解AI的决策过程，从而真正掌握AI的运作方式。
什么是子群组探勘，它的应用是什么？
子群组探勘是分析数据中不同子群体的过程，主要用于识别和评估这些子群体的特征和质量。
文科学生如何学习可解释性人工智能技术？
文科学生可以通过简单的实践和实施来学习可解释性人工智能的分析技术，无需编程能力。
可解释性机器学习的基本概念是什么？
可解释性机器学习是指能够提供透明和可理解的AI决策过程的机器学习方法。
可解释性文字云是如何生成的？
可解释性文字云通过分析文本数据并提取关键词生成，帮助用户理解文本的主要内容和主题。
理解AI决策过程对使用AI有什么影响？
理解AI决策过程可以提高用户对AI的信任和有效利用，避免盲目依赖AI的结果。
