📖 AI 总结

该研究指出，SHAP 和 LIME 等事后解释方法虽广泛用于文本分类器，但其可视化主要面向从左到右的语言。当应用于乌尔都语、阿拉伯语、波斯语和希伯来语等从右到左（RTL）语言时，归因数值在数学上仍然有效，但视觉呈现失效：词元顺序错乱、连写字母断裂、图表布局不符合自然阅读方向。作者将这一问题界定为可视化问题而非解释方法本身的缺陷，提出 SHAP-RTL 渲染层，在保留原始归因值、特征顺序和模型输出的前提下，修正阅读方向与字形整形，并按语言选择字体。研究在四种语言的仇恨与冒犯性言论数据集上，使用 TF-IDF 与逻辑回归分类器评估，通过每语言 200 个特征词的 OCR 往返测试衡量渲染正确性。结果显示，默认渲染的字符错误率高达 0.820 至 0.979，常见的重排与整形变通方案在乌尔都语上错误率达 0.998，反而更差，而 SHAP-RTL 在 Matplotlib 不同版本下均保持正确。该框架还能将相同归因以读者语言的简短上下文解释形式表达。研究强调语言感知可视化对提升事后可解释性跨书写系统可及性的重要意义。

🔑 关键词速览