情報論的フレームワークによる発話とテキストの説明比較

アノマイザー アイソメチック ディビジョン (XAI) は機械学習モデルを透明性や信頼性に基づいた可視またはテキストで明かす努力をします。この記事では、説明の伝達モディality、つまり声とText間の影響に対するユーザ理解力評価と信用度調整方法のための情報理論的フレームワークについて提案しました。 これによりモデルとユーザーとの間は伝搬するための通信チャネルが作られますが、これは情報を保持するメトリック、解釈効率 (CE)、そして自信度調整誤差 (T CE) を含んだように特定化されました。これについてはピトアナイエンによって開発されPythonに基づいて、多様な伝播スタイルの組み合わせを評価するためにシミュレーションフレームワークが構築されています（簡潔、詳細、類似型）。結果は解釈効率でText説明が最高となっており、Voice説明では信用度調整に優れるためです。類似型の説明が最も高い結果を生み出しました。このフレームワークは、多様なモード可説明性システムの設計と評価をリプロデキブな基礎として用いることができますし、Openセット（UCI貸金許認証またはカジーフェンニックス財務取引セット）を使った正規的な実験にSHAPまたはLIIMEの出力で適用することができます。

arXiv:2602.07179v1 Announce Type: cross Abstract: Explainable Artificial Intelligence (XAI) aims to make machine learning models transparent and trustworthy, yet most current approaches communicate explanations visually or through text. This paper introduces an information theoretic framework for analyzing how explanation modality specifically, voice versus text affects user comprehension and trust calibration in AI systems. The proposed model treats explanation delivery as a communication channel between model and user, characterized by metrics for information retention, comprehension efficiency (CE), and trust calibration error (T CE). A simulation framework implemented in Python was developed to evaluate these metrics using synthetic SHAP based feature attributions across multiple modality style configurations (brief, detailed, and analogy based). Results demonstrate that text explanations achieve higher comprehension efficiency, while voice explanations yield improved trust calibration, with analogy based delivery achieving the best overall trade off. This framework provides a reproducible foundation for designing and benchmarking multimodal explainability systems and can be extended to empirical studies using real SHAP or LIME outputs on open datasets such as the UCI Credit Approval or Kaggle Financial Transactions datasets.