算法失败作为一种人文学科方法：利用机器学习的误预测识别适合定性分析的丰富案例
机器学习
2026-05-26 v1 人工智能
计算与语言
计算机与社会
摘要
本评论检验了 Munk 等人（2022）提出的一种方法，该方法将机器学习中的失败预测用作识别模糊且丰富案例以进行定性分析的方法。使用一个描述 500 部艺术作品、电影、小说和电子游戏中虚构角色与机器视觉技术互动所执行动作的数据集，我训练了一个简单的机器学习算法（在 R 中使用 kNN 算法），仅利用虚构角色的信息来预测一个动作是主动还是被动。可预测的动作通常是非情绪化且明确的活动中，机器视觉技术被当作简单工具对待。不可预测的动作，即算法无法正确预测的动作，则更具矛盾性且带有情绪色彩，角色与技术之间存在着更复杂的权力关系。因此，结果支持了 Munk 等人的理论，即失败预测可被有效地用于识别适合定性分析的丰富案例。该检验不仅仅是复制 Munk 等人的结果，还表明该方法可应用于更广泛的人文学科领域，且不需要复杂的神经网络，也能使用更简单的机器学习算法工作。需要进一步研究以理解该方法对哪些类型的数据有用，以及哪些类型的机器学习最具生成性。为此，包含了产生结果所需的 R 代码以便复制该检验。该代码也可被重用或改编以在其他数据集上检验该方法。
引用
@article{arxiv.2305.11663,
title = {Algorithmic failure as a humanities methodology: machine learning's mispredictions identify rich cases for qualitative analysis},
author = {Jill Walker Rettberg},
journal= {arXiv preprint arXiv:2305.11663},
year = {2026}
}