論文の概要: Data storytelling meets interpretable machine learning: Decoding AI decisions for non-experts without revealing sensitive data and model details
- arxiv url: http://arxiv.org/abs/2609.15722v1
- Date: Mon, 14 Sep 2026 15:20:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.468858
- Title: Data storytelling meets interpretable machine learning: Decoding AI decisions for non-experts without revealing sensitive data and model details
- Title（参考訳）: データストーリーテリングは解釈可能な機械学習に合致する:機密データやモデルの詳細を明らかにすることなく、非専門家のためのAI決定をデコードする
- Abstract要約: AIによる自動意思決定は、予測性能と解釈可能性の両方を必要とする。
解釈型機械学習(IML)の最近の進歩は、モデル予測を説明するためのツールを提供する。
この研究は、AI生成決定の説明可能性を高めるために、AIとデータストーリーテリングを統合している。
- 参考スコア（独自算出の注目度）: 4.709961254484315
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: AI-driven automated decision-making requires both predictive performance and interpretability. Recent advances in interpretable machine learning (IML) provide tools for explaining model predictions, but the technical complexity of these explanations may hinder accessibility to non-experts. To address this challenge, this study integrates data storytelling with IML to enhance the explainability of AI-generated decisions for a broader audience. Following the design science research (DSR) paradigm, this study proposes a formal definition of data storytelling in IML, introduces the DIST Pyramid to align data storytelling with IML, and presents the I-P-O Model to describe their interactions. It further develops an architecture to explain AI decisions through distinct "What-if" and "Why-not" event-generation processes. The architecture also employs data desensitization to protect sensitive input data. To validate the approach, a case study is conducted with the Boston Housing dataset, using SHapley Additive exPlanations (SHAP) values and large language models (LLMs) to generate data stories with And-But-Therefore (ABT) structures. An empirical evaluation shows that 76.4% and 74.3% of respondents rated the "What-if" and "Why-not" data stories as more comprehensible, with significantly higher accessibility scores than traditional SHAP visualizations. The paper concludes with the presentation of a narrative interpretation framework that integrates IML and data storytelling, thereby expanding the research scope as well as the practical applicability of AI decision-making.
- Abstract（参考訳）: AIによる自動意思決定は、予測性能と解釈可能性の両方を必要とする。
解釈型機械学習(IML)の最近の進歩は、モデル予測を説明するためのツールを提供しているが、これらの説明の技術的な複雑さは、非専門家へのアクセシビリティを阻害する可能性がある。
この課題に対処するために、この研究では、AI生成決定の説明可能性を高めるために、データストーリーテリングとMLを統合する。
デザインサイエンス研究(DSR)のパラダイムに倣って、IMLにおけるデータストーリーテリングの形式的定義を提案し、データストーリーテリングをIMLに合わせるためにDISTピラミッドを導入し、その相互作用を記述するためにI-P-Oモデルを提示する。
さらに、異なる“What-if”と“Why-not”イベント生成プロセスを通じて、AI決定を説明するアーキテクチャも開発している。
このアーキテクチャは、機密性の高い入力データを保護するためにデータデセンシタイズも採用している。
このアプローチを検証するために、ボストンハウジングデータセットを用いて、SHAP(SHapley Additive exPlanations)値とLLM(Big Language Model)を使用して、And-But-Therefore(ABT)構造でデータストーリを生成するケーススタディを行った。
実証的な評価では、76.4%と74.3%の回答者が、"What-if"と"Why-not"のデータストーリーを、従来のSHAPの視覚化よりもはるかに高いアクセシビリティスコアで、より理解しやすいものとして評価している。
論文は、AIとデータストーリーテリングを統合した物語解釈フレームワークの提示により、研究範囲を拡大するとともに、AI意思決定の実践的適用性について述べる。
関連論文リスト
- LLM/Agent-as-Data-Analyst: A Survey [54.08761322298559]
大規模言語モデル(LLM)とエージェント技術は、データ分析タスクの機能と開発パラダイムに根本的な変化をもたらした。
LLMは複雑なデータ理解、自然言語、意味分析機能、自律パイプラインオーケストレーションを可能にする。
論文 参考訳（メタデータ） (2025-09-28T17:31:38Z) - Enabling Transparent Cyber Threat Intelligence Combining Large Language Models and Domain Ontologies [3.4423725226938426]
ログからの情報抽出の精度と説明性を向上するAIエージェントを構築するための新しい手法を提案する。
本手法の設計は,ハニーポットデータに関連する解析的要件によって動機付けられている。
その結果,従来のプロンプトのみの手法に比べて,情報抽出の精度が高いことがわかった。
論文 参考訳（メタデータ） (2025-08-26T23:17:33Z) - AIGI-Holmes: Towards Explainable and Generalizable AI-Generated Image Detection via Multimodal Large Language Models [78.08374249341514]
AI生成コンテンツ(AIGC)の急速な発展は、誤情報を拡散するAIGIの誤用につながった。
大規模で包括的なデータセットであるHolmes-Setを導入し、画像がAI生成されているかどうかを解説したインストラクションチューニングデータセットを含む。
本研究は,MLLMの構造化説明と品質管理によるデータ生成を効率化する,Multi-Expert Juryと呼ばれる効率的なデータアノテーション手法を提案する。
さらに,視覚専門家による事前学習,教師付き微調整,直接選好最適化を含む3段階学習フレームワークであるHolmes Pipelineを提案する。
論文 参考訳（メタデータ） (2025-07-03T14:26:31Z) - MDSF: Context-Aware Multi-Dimensional Data Storytelling Framework based on Large language Model [1.33134751838052]
本稿では,大規模言語モデルに基づく多次元データストーリーテリングフレームワーク(MDSF)について紹介する。
このフレームワークには、高度な前処理技術、拡張分析アルゴリズム、行動可能な洞察を特定し優先順位付けするためのユニークなスコアリングメカニズムが含まれている。
論文 参考訳（メタデータ） (2025-01-02T02:35:38Z) - DSAI: Unbiased and Interpretable Latent Feature Extraction for Data-Centric AI [24.349800949355465]
大規模言語モデル(LLM)は、大きなデータセットの潜在特性を客観的に識別するのにしばしば苦労する。
本研究では,非バイアスで解釈可能な特徴抽出を可能にするフレームワークであるData Scientist AI(DSAI)を提案する。
論文 参考訳（メタデータ） (2024-12-09T08:47:05Z) - User-centric evaluation of explainability of AI with and for humans: a comprehensive empirical study [5.775094401949666]
この研究はHuman-Centered Artificial Intelligence (HCAI)にある。
一般的に使用されるeXplainable Artificial Intelligence (XAI)アルゴリズムのユーザ中心評価の結果に焦点を当てている。
論文 参考訳（メタデータ） (2024-10-21T12:32:39Z) - Data Analysis in the Era of Generative AI [56.44807642944589]
本稿では,AIを活用したデータ分析ツールの可能性について考察する。
我々は、大規模言語とマルチモーダルモデルの出現が、データ分析ワークフローの様々な段階を強化する新しい機会を提供する方法について検討する。
次に、直感的なインタラクションを促進し、ユーザ信頼を構築し、AI支援分析ワークフローを複数のアプリにわたって合理化するための、人間中心の設計原則を調べます。
論文 参考訳（メタデータ） (2024-09-27T06:31:03Z) - Knowledge-Aware Reasoning over Multimodal Semi-structured Tables [85.24395216111462]
本研究では、現在のAIモデルがマルチモーダルな構造化データに基づいて知識を考慮した推論を行うことができるかどうかを検討する。
この目的のために設計された新しいデータセットであるMMTabQAを紹介する。
我々の実験は、複数のテキストと画像の入力を効果的に統合し解釈する上で、現在のAIモデルに対する重大な課題を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-08-25T15:17:43Z) - Leveraging Large Language Models for Web Scraping [0.0]
本研究では,言語生成用に設計したRAGモデルに対して,汎用的な高精度なデータスクレイピング手法について検討する。
よりモジュール的で解釈可能な方法で知識をキャプチャするために、私たちは、潜在的な知識検索機能を備えた事前訓練された言語モデルを使用します。
論文 参考訳（メタデータ） (2024-06-12T14:15:15Z) - The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
大規模言語モデル(LLM)はAIの進歩の基礎となっている。
LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。
機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
論文 参考訳（メタデータ） (2024-03-23T09:26:15Z) - Interpretable Medical Diagnostics with Structured Data Extraction by
Large Language Models [59.89454513692417]
タブラルデータはしばしばテキストに隠され、特に医学的診断報告に使用される。
本稿では,TEMED-LLM と呼ばれるテキスト医療報告から構造化表状データを抽出する手法を提案する。
本手法は,医学診断における最先端のテキスト分類モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-06-08T09:12:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。