เปรียบเทียบวิธี

	การจำแนกประเภทโดยใช้ RoBERTa ที่อธิบายได้	การจำแนกประเภทโดยใช้ BERT ที่อธิบายได้
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2019–2020	2019–2020
ผู้ริเริ่ม	Liu et al. (RoBERTa, 2019); Lundberg & Lee (SHAP, 2017); Ribeiro et al. (LIME, 2016)	Devlin et al. (BERT); explainability methods by Lundberg & Lee (SHAP), Ribeiro et al. (LIME), Sundararajan et al. (Integrated Gradients)
ประเภท	Pre-trained transformer classifier with post-hoc XAI	Pre-trained transformer classifier with post-hoc or intrinsic explainability
แหล่งต้นตำรับ	Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., Levy, O., Lewis, M., Zettlemoyer, L., & Stoyanov, V. (2019). RoBERTa: A Robustly Optimized BERT Pretraining Approach. arXiv preprint arXiv:1907.11692.	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, pp. 4171–4186.
ชื่อเรียกอื่น	XAI-RoBERTa, Interpretable RoBERTa Classifier, RoBERTa with SHAP/LIME, Transparent RoBERTa NLP	XAI-BERT, interpretable BERT classifier, BERT with post-hoc explanation, transparent BERT classification
ที่เกี่ยวข้อง	5	6
สรุป	Explainable RoBERTa-based classification fine-tunes a RoBERTa transformer model on labeled text data and then applies post-hoc interpretability methods — such as SHAP, LIME, or attention analysis — to reveal which tokens or features drove each prediction. This bridges state-of-the-art NLP performance with human-understandable reasoning, satisfying both accuracy and transparency requirements.	Explainable BERT-based Classification combines the predictive power of fine-tuned BERT transformers for text classification with post-hoc or intrinsic explainability techniques — such as SHAP, LIME, attention analysis, or integrated gradients — to reveal which words or tokens drove each prediction. The result is a classifier that is both accurate and interpretable enough for high-stakes or auditable NLP applications.