Human and Machine Learning Visible

Explainable Trustworthy and

Transparent Jianlong Zhou
Visit to download the full and correct content document:
https://textbookfull.com/product/human-and-machine-learning-visible-explainable-trust
worthy-and-transparent-jianlong-zhou/
More products digital (pdf, epub, mobi) instant
download maybe you interests ...

Explainable and Interpretable Models in Computer Vision

and Machine Learning Hugo Jair Escalante

https://textbookfull.com/product/explainable-and-interpretable-
models-in-computer-vision-and-machine-learning-hugo-jair-
escalante/

Interpretable AI Building explainable machine learning

systems MEAP V02 Ajay Thampi

https://textbookfull.com/product/interpretable-ai-building-
explainable-machine-learning-systems-meap-v02-ajay-thampi/

Medical image recognition, segmentation and parsing :

machine learning and multiple object approaches 1st
Edition Zhou

https://textbookfull.com/product/medical-image-recognition-
segmentation-and-parsing-machine-learning-and-multiple-object-
approaches-1st-edition-zhou/

Explainable Transparent Autonomous Agents and Multi

Agent Systems First International Workshop EXTRAAMAS
2019 Montreal QC Canada May 13 14 2019 Revised Selected
Papers Davide Calvaresi
https://textbookfull.com/product/explainable-transparent-
autonomous-agents-and-multi-agent-systems-first-international-
workshop-extraamas-2019-montreal-qc-canada-
Explainable Transparent Autonomous Agents and Multi
Agent Systems Second International Workshop EXTRAAMAS
2020 Auckland New Zealand May 9 13 2020 Revised
Selected Papers Davide Calvaresi
https://textbookfull.com/product/explainable-transparent-
autonomous-agents-and-multi-agent-systems-second-international-
workshop-extraamas-2020-auckland-new-zealand-
may-9-13-2020-revised-selected-papers-davide-calvaresi/

Learn Data Mining Through Excel: A Step-by-step

Approach for Understanding Machine Learning Methods 1st
Edition Hong Zhou

https://textbookfull.com/product/learn-data-mining-through-excel-
a-step-by-step-approach-for-understanding-machine-learning-
methods-1st-edition-hong-zhou/

Visible Learning Guide to Student Achievement Schools

Edition John Hattie

https://textbookfull.com/product/visible-learning-guide-to-
student-achievement-schools-edition-john-hattie/

Machine Learning Foundations: Supervised, Unsupervised,

and Advanced Learning Taeho Jo

https://textbookfull.com/product/machine-learning-foundations-
supervised-unsupervised-and-advanced-learning-taeho-jo/

Hyperparameter Optimization in Machine Learning: Make

Your Machine Learning and Deep Learning Models More
Efficient 1st Edition Tanay Agrawal

https://textbookfull.com/product/hyperparameter-optimization-in-
machine-learning-make-your-machine-learning-and-deep-learning-
models-more-efficient-1st-edition-tanay-agrawal/
Human–Computer Interaction Series

Jianlong Zhou · Fang Chen Editors

Human and
Machine
Learning
Visible, Explainable, Trustworthy and
Transparent
Human–Computer Interaction Series

Editors-in-Chief
Desney Tan
Microsoft Research, Redmond, USA

Jean Vanderdonckt
Université catholique de Louvain, Louvain-La-Neuve, Belgium
More information about this series at http://www.springer.com/series/6033
Jianlong Zhou Fang Chen
•

Editors

Human and Machine

Learning
Visible, Explainable, Trustworthy
and Transparent

123
Editors
Jianlong Zhou Fang Chen
DATA61 DATA61
CSIRO CSIRO
Eveleigh, NSW, Australia Eveleigh, NSW, Australia

ISSN 1571-5035 ISSN 2524-4477 (electronic)

Human–Computer Interaction Series
ISBN 978-3-319-90402-3 ISBN 978-3-319-90403-0 (eBook)
https://doi.org/10.1007/978-3-319-90403-0
Library of Congress Control Number: 2018940655

© Springer International Publishing AG, part of Springer Nature 2018

This work is subject to copyright. All rights are reserved by the Publisher, whether the whole or part
of the material is concerned, specifically the rights of translation, reprinting, reuse of illustrations,
recitation, broadcasting, reproduction on microfilms or in any other physical way, and transmission
or information storage and retrieval, electronic adaptation, computer software, or by similar or dissimilar
methodology now known or hereafter developed.
The use of general descriptive names, registered names, trademarks, service marks, etc. in this
publication does not imply, even in the absence of a specific statement, that such names are exempt from
the relevant protective laws and regulations and therefore free for general use.
The publisher, the authors and the editors are safe to assume that the advice and information in this
book are believed to be true and accurate at the date of publication. Neither the publisher nor the
authors or the editors give a warranty, express or implied, with respect to the material contained herein or
for any errors or omissions that may have been made. The publisher remains neutral with regard to
jurisdictional claims in published maps and institutional affiliations.

Printed on acid-free paper

This Springer imprint is published by the registered company Springer International Publishing AG
part of Springer Nature
The registered company address is: Gewerbestrasse 11, 6330 Cham, Switzerland
Foreword

Machine learning has transitioned from an arcane and obscure research area to one
of the hottest technologies around. Like other new and general purpose technolo-
gies, this rise to prominence brings social issues to the forefront. When electricity
was the plaything of eccentric hobbyists, it was of little concern to most people.
When it became infrastructure, many more took an interest because it directly
started affecting their lives. Machine learning is now affecting everyone’s lives, and
reasonably, higher demands are being made about the technology as a consequence.
Thus, the book you hold in your hand is timely and important. Machine learning
is arcane. It makes use of sophisticated mathematics and unimaginably complex
data to seemingly magically ascertain patterns that were previously hidden from the
view. As it becomes widely deployed, this arcaneness becomes a problem.
Machine learning offers the opportunity for great good, but also for great harm.
A first step in taming the new technology is to better understand it, and in particular
understand each of its manifestations when embedded in a social context. That is
the focus of this book. This is not a simple problem. Neither is it a single problem,
and that plurality and messiness is reflected in the diverse approaches in the book.
There is not (and cannot be) a single solution to this problem. Indeed, at present, I
do not believe we have an adequate handle on what ‘the problem’ is. We can wave
our arms about the need for transparency and understandability and accountability,
but what do those big words really mean? We can only find out by hard analysis
and thinking, and by attempting to build real systems, and importantly, doing
rigorous scientific experiments with such systems.
This is a new chapter for machine learning researchers, necessitating the mastery
of a much richer set of ways of knowing. The editors of the book have been at the
forefront of this richer view, and they have assembled an eclectic set of contributions
that start to make sense of the exciting problem situation we now find ourselves in.
This is not the last word on the subject. But it is a very important first step.

Canberra, Australia Robert C. Williamson

March 2018 Professor, Australian National University

v
Preface

With the rapid boom of data from various fields such as infrastructure, transport,
energy, health, education, telecommunications and finance, data analytics-driven
solutions are increasingly demanded for different purposes. From management
service delivery to customer support and all the way to specialised decision support
systems, domain users are looking to integrate ‘Big Data’ and advanced analytics
into their business operations in order to become more analytics-driven in their
decision-making (which is also known as predictive decision-making). Rapid
advances in Machine Learning (ML) research have been inspired by such expec-
tations. While we continuously find ourselves coming across ML-based appealing
systems that seem to work (or have worked) surprisingly well in practical scenarios
(e.g. AlphaGO’s beating with professional GO players, and the self-driving cars for
deciding to choose among different road conditions), ML technologies are currently
still facing prolonged challenges with user acceptance of delivered solutions as well
as seeing system misuse, disuse or even failure.
These fundamental challenges can be attributed to the nature of the ‘black-box’
of ML methods for domain experts and a lack of consideration of the human user
aspects when offering ML-based solutions. For example, for many non-ML users,
they simply provide source data to an ML-based predictive decision-making sys-
tem, and after selecting some menu options on screen, the system displays colourful
viewgraphs and/or recommendations as output. It is neither clear nor well under-
stood how ML algorithms processed input data to get predictive probabilities, how
trustworthy was this output, or how uncertainties were handled by underlying
algorithmic procedures. That is, explanation and transparency of ML are significant
for domain users to trust and use ML confidently in their practices. To this end,
visual representation plays a significant role in fostering the understanding of ML
mechanisms. As a result, demands for visible, explainable, trustworthy and trans-
parent ML are increasing as the use of predictive decision-making systems grows
and as people realise the potential impact of these systems in society. For example,
Google launched a new initiative of ‘People + AI Research’ (PAIR) in 2017 to
study and redesign the ways human interact with AI systems. The PAIR focuses on

vii
viii Preface

the ‘human side’ of AI: the relationship between humans and technology, the new
applications it enables and how to make it broadly inclusive.
The above observations and discussions motivate the editing of this book: Human
and Machine Learning: Visible, Explainable, Trustworthy and Transparent. This
edited book makes a systematic investigation into the relations between human and
machine learning, and reports the state-of-the-art advances in theories, techniques
and applications of transparent machine learning. The book specifically focuses on
four aspects of ML from a human user’s perspective: visible, explainable, trust-
worthy and transparent. The book consists of six parts, which are based on the
systematic understanding of the current active research activities and the outcomes
related to the topic of human and machine learning. The six parts cover the areas of
transparency in machine learning, visual explanation of ML processes/results,
algorithmic explanation of ML models, human cognitive responses in ML-based
decision-making, human evaluation of machine learning and domain knowledge in
transparent ML applications.
Part I investigates the Transparency in machine learning when applying ML to
real-world applications. This part presents a 2D transparency space which integrates
domain users and ML experts to translate ML into impacts. It demonstrates that
transparency not only includes ML method transparency but also means input
influence transparency and user response transparency. The transparency in ML is
investigated from various perspectives in this part. From the perspective of fairness,
the involvement of the human in ML stages such as collecting data, building a model
and reporting the results introduces various bias, for example, data can be collected
and labelled in a biased way which is discriminative against a certain race, gender,
ethnicity or age, resulting in unfair models. The transparency in ML is the first step
towards ethical and fair ML models. From the end-user’s perspective, the End-User
Development (EUD) models are used to create an end-user data analytics paradigm
for transparent machine learning. From the cognitive perspective, the knowledge
transfer in human deep cognitive learning benefits the transparency in ML by
considering human cognitive processes in the ML design and implementation. From
the communication perspective, the impediment to a human’s situation awareness of
ML-based systems often results in the disuse or over-reliance of ML-based auton-
omous systems. The Situation Awareness-based Agent Transparency (SAT) aims to
communicate ML in autonomous systems.
Part II features visualisation for the explanation and understanding of ML models.
The visualisation is not simply to make ML models visible but to foster under-
standing by the viewer. This part specifically focuses on the visual explanation of the
neural network which is one of the most complex ML models to understand. For
example, with the use of saliency map visualisation, it is possible to localise
the regions that affect image classifications to understand and interpret the
Convolutional Neural Network (CNN) classification mechanisms. Six case studies
are also discussed to investigate visual representation and explanation of neural
networks crossing disciplinary boundaries, focusing on extracting semantic encod-
ings, developing interactive interfaces, discovering critical cases and negotiating
cultural images of neural networks.
Preface ix

Part III reports the algorithmic explanation and interpretation of ML models

from different perspectives. From the popular feature importance/contribution’s
perspective, with the use of quasi-nomograms, prediction models can be explained
based on the feature importance visually. From the methodology’s perspective,
different from the gradient-based approaches limited to neural networks, the
perturbation-based approaches, by perturbing the inputs in the neighbourhood of
given instance to observe effects of perturbations on model’s output, allow the
explanation of an arbitrary prediction model decision process for each individual
predicted instance as well as the model as a whole. From the perspective of a
linguistic explanation, fuzzy models serve as a basic model architecture to offer
linguistically understandable explanations both on a local level and a global level.
Part IV focuses on the transparency in ML by communicating human cognitive
responses such as trust with multimodal interfaces for trustworthy ML solutions.
The communication of human cognitive responses could help understand to what
degree humans accept ML-based solutions. On the other hand, through under-
standing human cognitive responses during ML-based decision-making, ML-based
decision attributes/factors and even ML models can be adaptively refined in order to
make ML transparent. To this end, this part investigates trust dynamics under
uncertainty in predictive decision-making to reveal relations between system per-
formance and user trust. Since inappropriate trust in ML may result in system
disuse, misuse or failure (e.g. the medical error in clinical decision support), this
part discusses significant factors such as code structure, algorithm performance and
transparency of learning affordance to foster appropriate trust in ML. Furthermore,
the level of transparency of ML impacts trust in ML-based systems. It is demon-
strated that different levels of transparency are needed depending on the risk levels
in domains and the ability of a domain expert to evaluate the decision. Group
cognition is also introduced in pursuit of natural collaboration of ML-based systems
with humans.
Part V discovers the relations between human and machine learning from the
perspective of evaluation of machine learning. Since humans are the key stake-
holders as the ultimate frontline users of ML-based systems, this part presents
user-centred evaluation of machine learning for model optimisation, selection and
validation in order to best address the user experience as a whole. Furthermore, this
part couples two types of validation for interactive machine learning to benefit the
transparency in ML: algorithm-centred analysis, to study the computational beha-
viour of the system; and user-centred evaluation, to observe the utility and effec-
tiveness of the application for end-users.
Part VI introduces the attempts and efforts of the use of domain knowledge in
machine learning for ML explanation and ML performance improvement with case
studies covering domains and areas including infrastructure, transport, food science
and others. The domain knowledge is utilised to help extract meaningful features,
interpret ML models, and explain ML results. This part shows that human domain
experts play an active role in ML-based solutions from phrasing a practical problem
as an ML program, feature definition, ML model building to the ML results’
x Preface

interpretation and deployment, resulting in visible, explainable, trustworthy and

transparent ML for the impact of ML in real-world applications.
This edited book sets up links between human and machine learning from the
perspectives of visualisation, explanation, trustworthiness, and transparency. Such
links not only help human users proactively use ML outputs for informative and
trustworthy decision-making but also inspire ML experts to passionately develop
new ML algorithms which incorporate humans for human-centred ML algorithms
resulting in the overall advancement of ML. The book creates a systematic view of
relations between human and machine learning in this timely field for further active
discussions to translate ML into impacts in real-world applications.
The book aims to serve as the first dedicated source for the theories, method-
ologies and applications of visible, explainable, trustworthy and transparent
machine learning, establishing state-of-the-art research, and providing a ground-
breaking textbook to graduate students, research professionals and machine learn-
ing practitioners.

Sydney, Australia Jianlong Zhou

March 2018 Fang Chen
Acknowledgements

Our timely research on ‘human and machine learning’ for transparent machine
learning was originally motivated for investigation at National ICT Australia
(NICTA) (now DATA61) in early 2012. Our research outcomes together with the
increasing significance of transparent machine learning in the community as well as
the yearly consistent support from DATA61 inspire the editing of this volume
Human and Machine Learning: Visible, Explainable, Trustworthy and Transparent.
We would like to express our sincere appreciation to NICTA/DATA61 for its
continuous strong support to this research.
This edited book represents the state-of-the-art advances in the area of ‘human
and machine learning’, to which all authors contributed their excellent wisdom to
make it an integrated volume from both research and application’s perspectives. We
express our deepest gratitude to all authors for their outstanding contributions and
effective collaborations.
Our appreciation is also given to our reviewers, who voluntarily spent many of
hours to give insightful comments and suggestions. We would also like to thank
Springer Editorial Director Beverley Ford and her colleagues for their highest level
of professional support to this book’s publication.
We would also like to thank Air Force Office of Scientific Research (AFOSR)
through Asian Office of Aerospace R&D (AOARD) for research grants to supporting
editors in their different projects on human–machine interactions exploring human
behaviours and responses to automation systems and predictive decision-making.

Sydney, Australia Jianlong Zhou

March 2018 Fang Chen

xi
Contents

Part I Transparency in Machine Learning

1 2D Transparency Space—Bring Domain Users and Machine
Learning Experts Together . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Jianlong Zhou and Fang Chen
2 Transparency in Fair Machine Learning: the Case of Explainable
Recommender Systems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Behnoush Abdollahi and Olfa Nasraoui
3 Beyond Human-in-the-Loop: Empowering End-Users
with Transparent Machine Learning . . . . . . . . . . . . . . . . . . . . . . . 37
Patrick C. Shih
4 Effective Design in Human and Machine Learning:
A Cognitive Perspective . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Robert Zheng and Kevin Greenberg
5 Transparency Communication for Machine Learning
in Human-Automation Interaction . . . . . . . . . . . . . . . . . . . . . . . . . 75
David V. Pynadath, Michael J. Barnes, Ning Wang
and Jessie Y. C. Chen

Part II Visual Explanation of Machine Learning Process

6 Deep Learning for Plant Diseases: Detection and Saliency
Map Visualisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
Mohammed Brahimi, Marko Arsenovic, Sohaib Laraba,
Srdjan Sladojevic, Kamel Boukhalfa and Abdelouhab Moussaoui
7 Critical Challenges for the Visual Representation of Deep
Neural Networks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
Kieran Browne, Ben Swift and Henry Gardner

xiii
xiv Contents

Part III Algorithmic Explanation of Machine Learning Models

8 Explaining the Predictions of an Arbitrary Prediction Model:
Feature Contributions and Quasi-nomograms . . . . . . . . . . . . . . . . 139
Erik Štrumbelj and Igor Kononenko
9 Perturbation-Based Explanations of Prediction Models . . . . . . . . . 159
Marko Robnik-Šikonja and Marko Bohanec
10 Model Explanation and Interpretation Concepts for
Stimulating Advanced Human-Machine Interaction
with “Expert-in-the-Loop” . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Edwin Lughofer

Part IV User Cognitive Responses in ML-Based Decision Making

11 Revealing User Confidence in Machine Learning-Based
Decision Making . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
Jianlong Zhou, Kun Yu and Fang Chen
12 Do I Trust a Machine? Differences in User Trust Based
on System Performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
Kun Yu, Shlomo Berkovsky, Dan Conway, Ronnie Taib,
Jianlong Zhou and Fang Chen
13 Trust of Learning Systems: Considerations for Code, Algorithms,
and Affordances for Learning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
Joseph Lyons, Nhut Ho, Jeremy Friedman, Gene Alarcon
and Svyatoslav Guznov
14 Trust and Transparency in Machine Learning-Based Clinical
Decision Support . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
Cosima Gretton
15 Group Cognition and Collaborative AI . . . . . . . . . . . . . . . . . . . . . . 293
Janin Koch and Antti Oulasvirta

Part V Human and Evaluation of Machine Learning

16 User-Centred Evaluation for Machine Learning . . . . . . . . . . . . . . . 315
Scott Allen Cambo and Darren Gergle
17 Evaluation of Interactive Machine Learning Systems . . . . . . . . . . . 341
Nadia Boukhelifa, Anastasia Bezerianos and Evelyne Lutton
Contents xv

Part VI Domain Knowledge in Transparent Machine Learning

Applications
18 Water Pipe Failure Prediction: A Machine Learning Approach
Enhanced By Domain Knowledge . . . . . . . . . . . . . . . . . . . . . . . . . . 363
Bang Zhang, Ting Guo, Lelin Zhang, Peng Lin, Yang Wang,
Jianlong Zhou and Fang Chen
19 Analytical Modelling of Point Process and Application
to Transportation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
Le Minh Kieu
20 Structural Health Monitoring Using Machine Learning
Techniques and Domain Knowledge Based Features . . . . . . . . . . . 409
Nguyen Lu Dang Khoa, Mehrisadat Makki Alamdari,
Thierry Rakotoarivelo, Ali Anaissi and Yang Wang
21 Domain Knowledge in Predictive Maintenance for Water
Pipe Failures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437
Zhidong Li and Yang Wang
22 Interactive Machine Learning for Applications
in Food Science . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 459
Alberto Tonda, Nadia Boukhelifa, Thomas Chabin, Marc Barnabé,
Benoît Génot, Evelyne Lutton and Nathalie Perrot
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 479
Contributors

Behnoush Abdollahi Knowledge Discovery and Web Mining Lab, Computer

Engineering and Computer Science Department, University of Louisville, KY,
USA
Gene Alarcon Air Force Research Laboratory, Airman Systems Directorate,
Wright-Patterson AFB, OH, USA
Ali Anaissi School of IT, The University of Sydney, Sydney, NSW, Australia
Marko Arsenovic Faculty of Technical Sciences, University of Novi Sad, Novi
Sad, Serbia
Marc Barnabé INRA, Université Paris-Saclay, Thiverval-Grignon, France
Michael J. Barnes Human Research and Engineering Directorate, US Army
Research Laboratory, Orlando, FL, USA
Shlomo Berkovsky DATA61, CSIRO, Eveleigh, NSW, Australia
Anastasia Bezerianos Univ Paris-Sud, CNRS, INRIA, Université Paris-Saclay,
Orsay, France
Marko Bohanec Salvirt Ltd., Ljubljana, Slovenia
Kamel Boukhalfa Department of Computer Science, USTHB University, Algiers,
Algeria
Nadia Boukhelifa INRA, Université Paris-Saclay, Thiverval-Grignon, France
Mohammed Brahimi Department of Computer Science, USTHB University,
Algiers, Algeria; Department of Computer Science, Mohamed El Bachir El
Ibrahimi University, Bordj Bou Arreridj, Algeria
Kieran Browne Australian National University, Canberra, ACT, Australia
Scott Allen Cambo Northwestern University, Evanston, IL, USA
Thomas Chabin INRA, Université Paris-Saclay, Thiverval-Grignon, France

xvii
xviii Contributors

Fang Chen DATA61, CSIRO, Eveleigh, NSW, Australia

Jessie Y. C. Chen Human Research and Engineering Directorate, US Army
Research Laboratory, Orlando, FL, USA
Dan Conway DATA61, CSIRO, Eveleigh, NSW, Australia
Jeremy Friedman California State University, Northridge, CA, USA
Henry Gardner Australian National University, Canberra, ACT, Australia
Benoît Génot INRA, Université Paris-Saclay, Thiverval-Grignon, France
Darren Gergle Northwestern University, Evanston, IL, USA
Kevin Greenberg University of Utah, Salt Lake City, UT, USA
Cosima Gretton University College London, School of Management, London,
UK
Ting Guo DATA61, CSIRO, Eveleigh, NSW, Australia
Svyatoslav Guznov Air Force Research Laboratory, Airman Systems Directorate,
Wright-Patterson AFB, OH, USA
Nhut Ho California State University, Northridge, CA, USA
Nguyen Lu Dang Khoa DATA61, CSIRO, Eveleigh, NSW, Australia
Le Minh Kieu DATA61, CSIRO, Eveleigh, NSW, Australia
Janin Koch Department of Communications and Networking, School of Electrical
Engineering, Aalto University, Espoo, Finland
Igor Kononenko Faculty of Computer and Information Science, University of
Ljubljana, Ljubljana, Slovenia
Sohaib Laraba TCTS Lab, Numediart Institute, University of Mons, Mons,
Belgium
Zhidong Li DATA61, CSIRO, Eveleigh, NSW, Australia
Peng Lin DATA61, CSIRO, Eveleigh, NSW, Australia
Edwin Lughofer Department of Knowledge-Based Mathematical Systems,
Johannes Kepler University Linz, Linz, Austria
Evelyne Lutton INRA, Université Paris-Saclay, Thiverval-Grignon, France
Joseph Lyons Air Force Research Laboratory, Airman Systems Directorate,
Wright-Patterson AFB, OH, USA
Mehrisadat Makki Alamdari School of Civil and Environmental Engineering,
University of New South Wales, Kensington, NSW, Australia
Contributors xix

Abdelouhab Moussaoui Department of Computer Science, Setif 1 University,

Setif, Algeria
Olfa Nasraoui Knowledge Discovery and Web Mining Lab, Computer
Engineering and Computer Science Department, University of Louisville, KY,
USA
Antti Oulasvirta Department of Communications and Networking, School of
Electrical Engineering, Aalto University, Espoo, Finland
Nathalie Perrot INRA, Université Paris-Saclay, Thiverval-Grignon, France
David V. Pynadath Institute for Creative Technologies, University of Southern
California, Los Angeles, CA, USA
Thierry Rakotoarivelo DATA61, CSIRO, Eveleigh, NSW, Australia
Marko Robnik-Šikonja Faculty of Computer and Information Science,
University of Ljubljana, Ljubljana, Slovenia
Patrick C. Shih Department of Informatics, School of Informatics Computing and
Engineering, Indiana University Bloomington, Bloomington, IN, USA
Srdjan Sladojevic Faculty of Technical Sciences, University of Novi Sad, Novi
Sad, Serbia
Erik Štrumbelj Faculty of Computer and Information Science, University of
Ljubljana, Ljubljana, Slovenia
Ben Swift Australian National University, Canberra, ACT, Australia
Ronnie Taib DATA61, CSIRO, Eveleigh, NSW, Australia
Alberto Tonda INRA, Université Paris-Saclay, Thiverval-Grignon, France
Ning Wang Institute for Creative Technologies, University of Southern California,
Los Angeles, CA, USA
Yang Wang DATA61, CSIRO, Eveleigh, NSW, Australia
Kun Yu DATA61, CSIRO, Eveleigh, NSW, Australia
Bang Zhang DATA61, CSIRO, Eveleigh, NSW, Australia
Lelin Zhang DATA61, CSIRO, Eveleigh, NSW, Australia
Robert Zheng University of Utah, Salt Lake City, UT, USA
Jianlong Zhou DATA61, CSIRO, Eveleigh, NSW, Australia
Acronyms

ADES Appropriate Distance to the Enclosing Surface

AI Artificial Intelligence
ANN Artificial Neural Nets
AP All Pairs
ARPI Autonomy Research Pilot Initiative
ASM Autonomous Squad Member
B2B Business-to-Business
BN Bayesian Network
BVP Blood Volume Pulse
CAD Computer-Aided Diagnosis
CART Classification and Regression Trees
CDSS Clinical Decision Support Systems
CF Collaborative Filtering
CPPN Compositional Pattern Producing Network
CV Cross-Validation
CWM Critical Water Main
DBN Dynamic Bayesian Network
DNA Deoxyribonucleic Acid
DQN Deep Q-Network
EA Evolutionary Algorithm
EAs Evolutionary Algorithms
EC Evolutionary Computation
ECG Electrocardiograph
EEG Electroencephalography
EFS Evolving Fuzzy Systems
EIL Expert-in-The-Loop
EMF Explainable Matrix Factorisation
EUD End-User Development
EUDA End-User Data Analytic
EVE Evolutionary Visual Exploration

xxi
xxii Acronyms

FDD Frequency Domain Decomposition

FLEXFIS Flexible Fuzzy Inference Systems
FRF Frequency Response Function
FS Fuzzy Systems
FWNB Feature-Weighted Nearest Bi-cluster
GSR Galvanic Skin Response
GUI Graphical User Interface
HBP Hierarchical Beta Process
HCI Human–Computer Interaction
HIEM Human-Inspired Evolving Machines
HITL Human-in-the-Loop
HMM Hidden Markov Models
IEA Interactive Evolutionary Algorithm
IEC Interactive Evolutionary Computation
IME Interactions-based Method for Explanation
iML Interactive Machine Learning
IMPACT Intelligent Multi-UxV Planner with Adaptive
Collaborative/Control Technologies
IR Information Retrieval
ISE Influence Style Explanation
KA Knowledge Acquisition
KB Knowledge Base
KSE Keyword Style Explanation
LIDeOGraM Life science Interactive Development of Graph-based Models
LIME Local Interpretable Model-agnostic Explanations
LSTM Long Short-Term Memory
LVQ Learning Vector Quantisation
LWL Locally Weighted Learning
MARS Multivariate Adaptive Regression Splines
MEMS Microelectromechanical Systems
MF Matrix Factorisation
MII Mixed-Initiative Interaction
ML Machine Learning
ML-CDSS Machine Learning based Decision Support Systems
MLS Machine Learning Systems
NID Neural Interpretation Diagram
NSE Neighbour Style Explanation
OLSR Ordinary Least Squares Regression
PCA Principle Component Analysis
POMDP Partially Observable Markov Decision Process
PSD Power Spectral Density
RBM Restricted Boltzmann Machines
RGD Recursive Gradient Descent
RL Reinforcement Learning
RLM Recursive Levenberg–Marquardt
Acronyms xxiii

RWM Reticulation Water Main

SA Situation Awareness
SAT SA-based Agent Transparency
SHB Sydney Harbour Bridge
SHM Structural Health Monitoring
SMDP Semi-Markov Decision Process
SM Spectral Moments
SparseFIS Sparse Fuzzy Inference Systems
STEM Science, Technology, Engineering, and Mathematics
SVD Singular Value Decomposition
SVM Support Vector Machine
TML Transparent Machine Learning
TS Takagi-Sugeno
t-SNE t-Distributed Stochastic Neighbour Embedding
UxV Unmanned Vehicles
XAI eXplainable Artificial Intelligence
 Part I
Transparency in Machine Learning
Chapter 1
2D Transparency Space—Bring Domain
Users and Machine Learning Experts
Together

Jianlong Zhou and Fang Chen

Abstract Machine Learning (ML) is currently facing prolonged challenges with the
user acceptance of delivered solutions as well as seeing system misuse, disuse, or even
failure. These fundamental challenges can be attributed to the nature of the “black-
box” of ML methods for domain users when offering ML-based solutions. That is,
transparency of ML is essential for domain users to trust and use ML confidently
in their practices. This chapter argues for a change in how we view the relation-
ship between human and machine learning to translate ML results into impact. We
present a two-dimensional transparency space which integrates domain users and
ML experts together to make ML transparent. We identify typical Transparent ML
(TML) challenges and discuss key obstacles to TML, which aim to inspire active
discussions of making ML transparent with a systematic view in this timely field.

1.1 Introduction

With the rapid boom of data from various fields such as biology, finance, medicine,
and society, data analytics-driven solutions are increasingly demanded for different
purposes. From government service delivery to commercial transactions and all the
way to specialised decision support systems, domain users are looking to integrate
“Big Data” and advanced analytics into their business operations in order to become
more analytics-driven in their decision making (which is also known as predictive
decision making) [29]. Rapid advances in Machine Learning (ML) research have
been inspired by such expectations. While we continuously find ourselves coming
across ML-based appealing systems that seem to work (or have worked) surprisingly

J. Zhou (B) · F. Chen

DATA61, CSIRO, 13 Garden Street, Eveleigh, NSW 2015, Australia
e-mail: jianlong.zhou@data61.csiro.au
F. Chen
e-mail: fang.chen@data61.csiro.au

© Crown 2018 3
J. Zhou and F. Chen (eds.), Human and Machine Learning, Human–Computer
Interaction Series, https://doi.org/10.1007/978-3-319-90403-0_1
4 J. Zhou and F. Chen

well in practical scenarios (e.g. AlphaGO’s beating with professional GO players, and
the self-driving cars for choosing between different road conditions), ML technolo-
gies are currently still facing prolonged challenges with user acceptance of delivered
solutions as well as seeing system misuse, disuse, or even failure. These fundamen-
tal challenges can be attributed to the nature of the “black-box” of ML methods
for domain experts and a lack of consideration of the human aspects when offer-
ing ML-based solutions [39]. For example, for many of non-ML users, they simply
provide source data to an ML-based predictive decision making system, and after
selecting some menu options on screen, the system displays colourful viewgraphs
and/or recommendations as output [48]. It is neither clear nor well understood that
how ML algorithms processed input data to get predictive probabilities, how trust-
worthy was this output, or how uncertainties were handled by underlying algorithmic
procedures. That is, transparency of ML is significant for domain users to trust and
use ML confidently in their practices. As a result, demands for ML transparency are
increasing as the use of predictive decision making systems grows and as humans
realise the potential impact of these systems in society.
Therefore, besides the development of ML algorithms, the research of introducing
humans into the ML loop and making ML transparent has emerged recently as one of
the active research fields recently [18, 20, 45]. Other terms are also used to refer to
such researches, e.g. human-in-the-loop machine learning [19], human interpretabil-
ity in machine learning [18], or eXplainable Artificial Intelligence (XAI) [14] and
others. We use Transparent Machine Learning (TML) in this chapter. TML aims
to translate ML into impacts by allowing domain users understand ML-based data-
driven inferences to make trustworthy decisions confidently based on ML results,
and allowing ML to be accessible by domain users without requiring training in
complex ML algorithms and mathematical concepts. TML results in evolutionary
improvements of the existing state of practice, for example,
• TML not only helps domain users proactively use ML outputs for informative and
trustworthy decision making, but also allows users to see if an artificial intelligence
system is working as desired;
• TML can help detect causes for an adverse decision and therefore can provide
guidance on how to reverse it;
• TML allows effective interactions with ML algorithms, thus providing opportuni-
ties to the improve impact of ML algorithms in real-world applications.
Various approaches ranging from visualisation of the ML process to algorithmic
explanations of ML methods have been investigated to make ML understandable
and transparent [2, 9]. Yet these efforts are highly biased towards explaining ML
algorithms, and are largely based on abstract visualisation or statistical algorithms,
which introduce further complexities to domain users.
According to Wagstaff’s [39] three-stage model of presenting an ML research
program (the stage 1 is the preparation stage for an ML research program, the stage
2 is the development of ML algorithms, and the stage 3 is the impact stage of ML
methods on real-world applications), the ML algorithm development is only one of
three stages in the overall pipeline. Therefore the current highly biased ML algorithm
1 2D Transparency Space—Bring Domain Users and Machine … 5

explanation ignores the other two critical stages to translate ML results into impact.
The success of the other two stages of preparation of an ML program and deployment
of ML results is highly dependent on human users and therefore human factors. This
is because that the judgement of ML results as “right” or “wrong” is an activity
that comes after apprehension, which needs a very human intervention [36, 40].
Furthermore, the current visualisation or algorithmic explanations of ML are isolated
from the two other stages and are rarely accompanied by an assessment of whether
or how human factors from the preparation stage and deployment stage affect ML
algorithm explanations or how the three stages interact with each other.
This also occurs because there is no a systematic understanding of the problem of
making ML transparent. A systematic view of TML can be used as the guidance for
future investigations in this timely field in order to translate ML results into impact
in real-world applications. Furthermore, many TML or ML explanation approaches
are phrased in terms of answering why a prediction/classification is made. It is time
for us to ask questions of a larger scope: What is TML’s ideal objective? What are
the roles of domain users in TML? Can we maximize the transparency of ML by
approaches besides explaining ML algorithms? Or can we characterise ML-based
solutions in a more meaningful way that measures the user’s cognitive responses
because of ML transparency?
In this chapter, we argue for a change in how we view the relationship between
human and machine learning to translate ML results into impact. The contributions of
this work include: (1) identifying a fundamental problem in making ML transparent:
a lack of connection between domain users and ML experts; (2) suggesting a two-
dimensional (2D) transparency space which integrates the domain users and ML
experts together to make ML transparent; (3) introducing transparent questions and
transparent uses as well as feedback into the 2D transparency space from domain
user’s perspective to make ML transparent; (4) identifying example TML challenges
to the community; and (5) finding several key obstacles to TML. This chapter does
not propose ML algorithms or present experimental results but inspires a systematic
view of making ML transparent in this timely field for further active discussions to
improve the impact of ML in real-world applications.

1.2 Can Only Explanation Make ML Transparent?

This section highlights related work conducted recently and demonstrates their lim-
itations in making ML transparent.

1.2.1 Hyper-focus on Visualisation of ML Process

In the early years, visualisation is primarily used to explain the ML process of

simple ML algorithms in order to make ML transparent. For example, different
6 J. Zhou and F. Chen

visualisation methods are used to examine specific values and show probabilities of
picked objects visually for Naïve–Bayes [5, 26], decision trees [3], Support Vector
Machines (SVMs) [7], or Hidden Markov Models (HMMs) [10]. Advanced visuali-
sation techniques are then proposed to present more complex ML processes. Erra et
al. [12] introduced a visual clustering which utilises a collective behavioral model.
Each data item is represented by an agent visualised with a metaphor in 3D domain.
Visualisation helps users to understand and guide the clustering process. Huang et
al. [17] used a visual clustering for assisting the analysis of email attacks. Paiva
et al. [30] presented an approach that employs the similarity tree visualisation to
distinguish groups of interest within the data set.
Visualisation is also used as an interaction interface for users in data analysis. For
example, Guo et al. [15] introduced a visual interface named Nugget Browser allow-
ing users to interactively submit subgroup mining queries for discovering interesting
patterns dynamically. Talbot et al. [38] proposed EnsembleMatrix allowing users to
visually ensemble multiple classifiers together and provides a summary visualisation
of results of these multiple classifiers. Zhou et al. [48] revealed states of key internal
variables of ML models with interactive visualisation to let users perceive what is
going on inside a model.
More recent work tries to use visualisation as an interactive tool to facilitate
ML diagnosis. ModelTracker [2] provides an intuitive visualisation interface for
ML performance analysis and debugging. Chen et al. [8] proposed an interactive
visualisation tool by combining ten state-of-the-art visualisation methods in ML
(shaded confusion matrix, ManiMatrix, learning curve, learning curve of multiple
models, McNemar Test matrix, EnsembleMatrix, Customized SmartStripes, Cus-
tomized ModelTracker, confusion matrix with sub-categories, force-directed graph)
to help users interactively carry out a multi-step diagnosis for ML models. Krause
et al. [23, 24] presented an interactive visual diagnostic tool for ML models based
on the concept of partial dependence to communicate how features affect the predic-
tion, as well as support for tweaking feature values and seeing how the prediction
responds.
Visualisations comprise the major body of ML process explanations. However,
the abstract visualisations may introduce more complexities to users. Furthermore,
without the consideration of how a domain problem is phrased as an ML task and
what user cognitive responses on ML-based decisions are, users still have difficulty
understanding the overall ML process with abstract visualisations.

1.2.2 Hyper-focus on Algorithmic Explanation of ML

Besides visualisation, various algorithmic approaches are proposed to explain ML

models. At least two types of algorithmic explanation approaches can be categorised:
• Feature/instance contributions to ML models: The approach of feature contri-
butions reveals each feature contributions to ML models to explain ML models. For
1 2D Transparency Space—Bring Domain Users and Machine … 7

example, Robnik-Sikonja et al. [34] explained classification models by evaluating

contributions of features to classifications based on the idea that the importance of
a feature or a group of features in a specific model can be estimated by simulating
lack of knowledge about the values of the feature(s). Besides feature contributions,
an explanation of individual instance contributions to ML models was investigated
to allow users to understand why a classification/prediction is made. For exam-
ple, Landecker et al. [27] developed an approach of contribution propagation to
give per-instance explanations of a network’s classifications. Baehrens et al. [4]
used local gradients to characterise how an instance has to be moved to change its
predicted label in order to explain individual classification decisions.
• Mathematical models for ML model explanation: This kind of explanation uses
mathematical models to explain why certain ML results are obtained. For example,
Chen et al. [9] developed statistical models to give online users of social network
sites (e.g. Facebook) transparency into why certain inferences are made about them
and control to inhibit those inferences by hiding certain personal information from
inference. Zahavy et al. [43] explained the success of Deep Q-Network (DQN)
based on its learned representation, by showing that DQN is mapping states to
sub-manifolds with mutual spatial and temporal structure and learning specific
policies at each cluster using a t-Distributed Stochastic Neighbor Embedding (t-
SNE) map. Zrihem et al. [49] further developed approaches to automatically learn
an internal Semi-Markov Decision Process (SMDP) model in the DQN’s learned
representation and visualized SMDP for the explanation of DQN’s policy. Koh
and Liang [22] used influence functions to trace a model’s prediction back to its
training data, and identify the training points which most contribute to a given
prediction.
These approaches explain ML models mostly from an ML expert’s perspective,
which introduce further complexities to domain users and make it more difficult for
users to understand complex algorithms. Furthermore, these explanations only focus
on one stage of ML method development and ignore the other two stages of an ML
program.

1.2.3 Limited User Cognitive Response Communication

As the ultimate frontline users of ML-based systems, humans are the key stakeholders
and human factors such as user trust are essential in extracting and delivering more
sensible and effective insights from data science technologies [13]. From this per-
spective, Zhou et al. [44, 47] argued that communicating human cognitive responses
such as user trust (on ML results) and confidence (in decision making based on
ML results) benefit the evaluation of effectiveness of ML approaches. On the one
hand, human cognition status could help understand to what degree humans accept
innovative technologies. On the other hand, through understanding human cogni-
tion status in predictive decision making, ML-based decision attributes and even
8 J. Zhou and F. Chen

ML models can be adaptively refined in order to make ML transparent. Therefore,

different approaches are investigated to reveal human cognition states such as user
trust and confidence in a predictive decision making scenario [44, 48].
Moreover, various researches have been investigated to learn user trust varia-
tions in ML-based decision making. Kizilcec [21] proposed that the transparency
of algorithm interfaces can promote awareness and foster user trust. It was found
that appropriate transparency of algorithms through explanation benefited user trust
whereas too much explanatory information on algorithms eroded user trust. Ribeiro et
al. [33] explained predictions of classifiers by learning an interpretable model locally
around the prediction visualising importance of the most relevant instances/features
to improve user trust in classifications. Kulesza et al. [25] investigated the soundness
and completeness of explanations to end users to build mental models and demon-
strated that end users trusted intelligent assistants more in explanations with high
soundness and completeness.
However, these investigations focus more on the user cognitive responses during
the stage of deployment of ML-based solutions, i.e. during the predictive decision
making. It is highly necessary to feed user cognitive responses back into the loop to
improve the understanding of ML program preparation and ML method development,
and thus improve the overall transparency of ML.

1.2.4 Lack of Domain Knowledge Use in Transparency

Usually, it is more acceptable for domain users to get an understanding of data and
their analysis with the use of domain knowledge. Therefore, domain knowledge is
used in ML for different purposes. For example, Sun and DeJong [37] proposed
explanation-augmented SVMs by incorporating domain knowledge into SVMs to
identify the “important” features in the explained instance that are allowed to con-
tribute to the kernel inner product evaluation. In the Bayesian network, domain
knowledge is used to judge the form of linear inequality and approximate equal-
ity constraints on Bayesian network parameters to improve learning accuracy [46].
Domain knowledge is also used as a form of restrictions (e.g. existence or absence
of arcs or edges between nodes) to improve Bayesian network structure (e.g. in less
time) [11]. Altendorf et al. [1] used domain knowledge on qualitative monotonicity
to guide the process of finding the maximum likelihood parameters. Williams and
Mostafa [42] used domain knowledge of anticipated changes between the source and
target tasks to reduce prediction uncertainty in active transfer learning. Interestingly,
Harrison et al. [16] used sociocultural knowledge presented in stories to train vir-
tual agents and robots to exhibit desired behaviours using reinforcement learning.
Peng et al. [32] investigated the strategy of non-expert humans in curriculum learn-
ing and showed its potentials in the reinforcement learning process to improve the
learning performance.
1 2D Transparency Space—Bring Domain Users and Machine … 9

The previous work primarily focuses on the improvement of ML performance

with the incorporation of domain knowledge into the learning process. Little work
has been done on the use of domain knowledge to explain input data or to phrase
practical problems into an ML program in order to make ML transparent.

1.3 Workflow of Applying ML to a Practical Problem

Before giving more details on TML, this section presents the current workflow of
applying ML technologies to a practical problem with the use of water pipe failure
prediction as a case study, in order to motivate TML approaches. Water supply net-
works constitute one of the most crucial and valuable urban assets. The combination
of growing populations and ageing pipe networks requires water utilities to develop
advanced risk management strategies in order to maintain their distribution systems
in a financially viable way [28]. Especially for critical water mains (generally >300
mm in diameter), failure of defining based on the network location (e.g. a single
trunk line connecting distribution areas or under a major road) or size which infers
impact potential, failure of them typically bring severe consequences due to service
interruptions and negative economic and social impacts, such as flooding and traf-
fic disruption, which can cost millions of dollars [28]. From an asset management
perspective there are two goals for critical mains management [41]: (1) minimise
unexpected critical mains failure by prioritising timely renewals; (2) avoid replacing
a pipe too early before the end of its economic life. Thus, utility companies use
outcomes from failure prediction models, to make renewal plans based on risk levels
of pipes and reasonable budget plans for pipe maintenance.
Figure 1.1 illustrates the workflow of phrasing water pipe failures as an ML pro-
gram in the current practice. In this workflow, original domain data (in the format of
various spread sheets and images) are firstly collected from customers. Interviews
with domain experts are then arranged to learn details of the water pipes, such as
what factors affect pipe failures from the domain experts’ view, how domain experts
predict pipe failures in their routine work. After this stage, the original domain data
are cleaned in order to be processed easily by future stages, such as removing records
with missing information or inputting default values in records with missing informa-
tion. After cleaning the data, ML method developers try to get an overview of domain
data and learn some patterns in the data. Based on the overview of the cleaned data,
various data features are derived and ML models are developed. In order to allow
users to easily perceive ML results, visualisation of ML results is then presented.
The results need to be explained to users using domain knowledge. According to
the explanation of ML results, decisions are made to practice domain actions such
as digging out and replacing high risk pipes. From the practice actions, significant
information can be gathered such as whether pipes predicted as high risk ones are
confirmed or violated from actual digging. The information can be used as feedback
to the pipeline to improve effectiveness of the ML analysis, such as feature definition
and ML modeling.
10 J. Zhou and F. Chen

Fig. 1.1 Workflow of applying ML to water pipe failure predictions

From this workflow, we have the following observations:

• Domain users and ML experts collaborate closely in applying ML to practical
problems.
• All stages of preparation of an ML program, deployment of ML, as well as feedback
loop affect the effectiveness of ML-based solutions.
• Interviews with domain experts, which are based on questions/answers and domain
knowledge, play a significant roles in applying ML to practical problems.
Based on these observations, this chapter proposes a two-dimensional trans-
parency space to make ML transparent as presented in the following sections.

1.4 Making Machine Learning Transparent

Instead of just explaining why a certain prediction is being made with abstract visual-
isation or more complex mathematical algorithms which add additional complexities
to domain users, can domain users play a greater role as they are the key stakeholders
of ML-based solutions? This is also not simply a matter of user studies on different
ML algorithms. A fundamental change is highly necessary in the overall workflow
of making ML transparent in applying ML to domain applications.
Another random document with
no related content on Scribd:
corazón oprimido de pena y lleno de la noble envidia que infunde e
bien no merecido. En la ventana que frente a él estaba, un arbolillo
agitado por el viento, tocaba con sus ramas los vidrios. Varias veces
durante el curso del diálogo precedente, Salvador había mirado all
creyendo que alguien llamaba en los vidrios. Ya llegado el momento de
su desengaño, miró la rama, y viendo que daba más fuerte, murmuró
«Ya me voy, ya me voy».
Volviéndose otra vez a Sola, le dijo:
—Me has hablado en un lenguaje que no admite réplica. No debo
quejarme, pues he venido tarde, y habiendo tenido el bien en mi mano
durante mucho tiempo, lo he soltado para seguir locamente un camino
de aventuras. Pero algo me disculparán mi desgracia, mi destierro y
también mi pobreza, causa de que antes no te propusiera lo que ahora
te propongo. Aquí me tienes razonable, con esperanzas de ser rico, y
a pesar de tales ventajas, más desgraciado y más solo que antes.
Animada por el triunfo que había obtenido en su espíritu, Sola quiso
ir más allá, quiso hacer un alarde de valentía diciendo a su amigo: ya
encontrarás otra con quien casarte; pero cuando iba a pronunciar la
primera sílaba de esta frase triste, no tuvo ánimos para ello y fue
vencida por su congoja. No dijo nada.
—Yo quería —dijo Salvador no desesperanzado todavía— que
meditaras...
Sola, que vio un abismo delante de sí, quiso hacer lo que
vulgarmente se llama cortar por lo sano.
—No hables de eso... —dijo—. No puede ser... Figúrate que no
existo.
Sin darse cuenta de ello, le miró con lágrimas. Pero sobrecogida
repentinamente de miedo, se levantó y corriendo a la ventana se puso
a mirar los morales al través de los vidrios. Allí la infeliz imaginó un
engaño o salida ingeniosa para justificar su emoción. Volviose a él
segura de salir bien de tal empeño.
—¿Sabes por qué lloro? Porque me acuerdo de tu pobre madre
que murió en mis brazos, desconsolada por no verte... Dejome un
encargo para ti, un paquetito donde hay una carta y varias alhajas
encargándome que a nadie lo fiara y que te lo diera en tu propia mano
¡Y yo tan tonta que no te lo he dado aún, cuando no debí hacer otra
cosa desde que entraste!... Lo que me confió tu madre no se separa
nunca de mí... Aquí lo tengo y voy a traértelo.
 Sin esperar respuesta, Sola subió a su habitación, y al poco rato
puso en manos de Monsalud un paquete cuidadosamente cerrado con
lacres. Salvador lo abrió con mano trémula. Lo primero que sacó fue
una carta, que besó muchas veces. En pie al lado de su amigo, que
continuaba en el sofá de paja, Sola no podía apartar los ojos de
aquellos interesantes objetos. La carta tenía varios pliegos. Salvado
pasó la vista rápidamente por ellos antes de leer.
—¡Mira, mira lo que dice aquí! —exclamó señalando una línea—. M
madre me suplica que me case contigo.
—Te lo suplicaba hace mucho tiempo —dijo Sola, disimulando su
pena con cierta jocosidad afectada, que si no era propia del momento
venía bien como pantalla.
—Necesito una hora para leer esto —dijo Monsalud—. ¿Me
permites leerlo aquí?
Sola miró a las ventanas, y por un momento pareció aturdida Su
corazón atenazado le sugería clemencia, mientras la dignidad, e
deber y otros sentimientos muy respetables, pero un poco lúgubres
como los magistrados que condenan a muerte con arreglo a la justicia
le ordenaban ser cruel y despiadada con el advenedizo.
—Mucho siento decírtelo, hermano —manifestó la joven sonriendo
como se sonríe a veces el que van a ajusticiar—, lo siento muchísimo
pero... pronto anochecerá. Tú, que estás ahora tan razonable, me
dirás si es conveniente...
—Sí, debo marcharme —replicó Salvador levantándose.
—Debes marcharte y no volver... y no volver —afirmó ella marcando
muy bien las últimas palabras.
—¿Y qué pensaré de ti?
Sola meditó un rato y dijo:
—¡Que me he muerto!
Se apretaron las manos. Sola miraba fijamente al suelo. Fue aquella
la despedida de menos lances visibles que imaginarse puede. No pasó
nada, absolutamente nada, porque no puede llamarse acontecimiento
el que doña Sola y Monda se acercase a los vidrios de la ventana para
verle salir y que le estuviese mirando hasta que desapareció entre los
olivos, caballero en el más desvencijado rocín que han visto cuadras
toledanas. Ni es tampoco digno de mención el fenómeno (que no
sabemos si será óptico o qué será) de que Sola le siguiese viendo aun
después de que las ramas de los olivos y la creciente penumbra de la
tarde ocultaran completamente su persona.
La noche cayó sobre ella como una losa.
Fatigado y displicente, con los hábitos arremangados y su gran
caña de pescar al hombro, subía el padre Alelí la cuestecilla del olivar
Ya era de noche. Los muchachos acompañaban al fraile, trayendo e
uno la cesta, otro los aparejos y el pequeño dos ranas grandes y
verdes. Esto era lo único que el reino acuático había concedido
aquella tarde a la expedición piscatoria de que era patrón el buen Alelí
Todas nuestras noticias están conformes en que tampoco en las tardes
anteriores fueron más provechosas la paciencia del fraile y la
constancia de los muchachos para convencer a las truchas y otras
alimañas del aurífero río de la conveniencia de tragar el anzuelo; por lo
que Alelí volvía de muy mal talante a casa, echando pestes contra e
Tajo y sus riberas.
Todavía distaba de la casa unas cincuenta varas, cuando encontró
a Sola que lentamente bajaba como si se paseara, saliendo a
encuentro de las primeras ondas de aire fresco que de los cercanos
montes venían. Los niños menores la conocieron de lejos y volaron
hacia ella, saludándola con cabriolas y gritos, o colgándose de sus
manos para saltar más a gusto.
—¿Usted por aquí a estas horas? —dijo Alelí deteniendo el paso
para descansar—. La noche está buena y fresquecita. ¿Querrá usted
creer que tampoco esta tarde nos han dicho las truchas esta boca es
mía? Nada, pasan por los anzuelos y se ríen. Esos animalillos de Dios
han aprendido mucho desde mis tiempos, y ya no se dejan engañar..
Hola, hola, ¿no son estas pisadas de caballo? Por aquí ha pasado un
jinete. Dígame usted: ¿ha enviado Benigno algún propio con buenas
noticias?
Sola dio un grito terrible, que dejó suspenso y azorado a
bondadoso fraile. Fue que Jacobito puso una de las ranas sobre e
cuello de la joven. Sentir aquel contacto viscoso y frío y ver casi a
mismo tiempo el salto del animalucho rozándole la cara, fueron causa
de su miedo repentino; que este modo de asustarse y esta manera de
gritar son cosas propias de mujeres. Alelí esgrimió la caña como un
maestro de escuela, y dio dos cañazos al nene.
—¡Tonto, mal criado!
—No, no han venido buenas noticias —dijo Sola temblando.
 Aquella noche cenaron como siempre, en paz y en gracia de Dios
hablando de Cordero y pronosticando su vuelta para un día próximo
La vida feliz de aquella buena gente no se alteró tampoco lo más
mínimo en los siguientes días. Sola estaba triste; pero siempre en su
puesto, siempre en su deber, y todas las ocupaciones de la casa
seguían su marcha regular y ordenada. Ninguna cosa faltó de su sitio
ni ningún hecho normal se retrasó de su marcada hora. La reina y
señora de la casa, inalterable en su imperio, lo regía con rectitud
pasmosa, cual si ninguno de sus pensamientos se distrajese de las
faenas domésticas. Interiormente fortalecía su alma con la
conformidad, y exteriormente con el trabajo.
Fuera de algunos breves momentos, ni el observador más
perspicaz habría notado alteración en ella. Estaba como siempre
grave sin sequedad, amable con todos, jovial cuando el caso lo
requería, enojada jamás. Sin embargo, cuando Crucita y ella se
sentaban a coser, podían oírse en boca de la hermana de don Benigno
observaciones como esta:
—Pero, mujer, está Mosquetín haciéndote caricias, y ni siquiera le
miras.
Sola se reía y acariciaba al perro.
—Hace días que estás no sé cómo... —continuaba el ama de
Mosquetín—. Nada, mujer, ya vendrán esos papeles; no te apures, no
seas tonta. Pues qué, ¿han de estar en la China esos cansados
legajos?... ¡Vaya cómo se ponen estas niñas del día cuando les llega
el momento de casarse! Todo no puede ser a qué quieres boca. Menos
orgullito, señora, que ya que el bobalicón de mi hermano ha querido
hacerte su mujer, Dios no ha de permitir que este disparate se realice
sin que te cueste malos ratos.
Sola reía de nuevo y acariciaba a Mosquetín.
Una mañana, los chicos, que se pasaban el día en la huerta
haciendo de las suyas, empezaron a gritar: «Padre, padre». Don
Benigno llegaba. Entró en la casa sofocado, ceñudo, limpiándose con
el pañuelo el copioso sudor de su inflamado rostro, y dejándose cae
en una silla con muestras de cansancio, no decía más que esto:
—¡Los papeles!... ¡Los papeles!... ¡Don Felicísimo!...
—¿Qué?... ¿Han parecido?... —le preguntó Sola con ansiedad.
—¡Qué han de parecer!... ¡Barástolis! No hay paciencia para esto
no hay paciencia...
 XXIX

¿Y cómo habían de parecer, Santo Dios, si el cura de La Bañeza, a

consecuencia de una reyerta con el obispo de la diócesis, había hecho
la gracia de huir del pueblo, después de arrojar a un pozo todos los
libros parroquiales? Véase aquí por dónde la tremenda y sorda lucha
que entre el régimen absolutista y el espíritu moderno estaba
empeñada, había de estorbar la felicidad de aquel candoroso don
Benigno, que aunque liberal, en nada se metía.
Era el obispo de León, señor Abarca, absolutista furibundo de ideas
y aragonés de nacimiento, con lo que basta para pintarle. De
consejero áulico del rey y atizador de sus pasiones, pasó a la intimidad
de don Carlos y a la dirección del partido de este, llegando a ser más
tarde ministro universal de la corte de Oñate. El cura de La Bañeza se
diferenciaba de su pastor en lo de liberal, y se le igualaba en lo de
aragonés. Puede suponerse lo que sería una pendencia clerical y
política entre dos aragoneses de sotana. El obispo tenía, entre otros
defectos, el de los modos ásperos, los procedimientos brutales y las
palabras destempladas; el cura, sobre todas estas máculas, tenía la de
ser algo más presbítero de Baco que sacerdote de Cristo. Resistiose e
cura a dejar la parroquia (que precisamente estaba a cuatro pasos de
la taberna); insistió el obispo, salieron a relucir mil zarandajas
canónicas de un lado, liberalescas de otro, y al fin vencido e
subalterno, escapó una noche antes de que le cayera encima el brazo
secular; pero como hombre de ideas filosóficas, pensó que los libros
parroquiales, por ser expresión de la verdad, debían estar como la
verdad misma, en el fondo de un pozo.
De orden de Su Ilustrísima hízose una información en el pueblo
para restablecer los libros, y al cabo de algunos meses, don Benigno
supo por Carnicero que en la partida de bautismo no había ya
dificultades. Pero el demonio, que siempre está inventando diabluras
hizo que apareciese nueva contrariedad. Uno de los libros del registro
de matrimonios se había conservado, y en el tal libro constaba que
una Soledad Gil de la Cuadra había contraído nupcias en 1823
Indudablemente no era esta Soledad nuestra simpática heroína; pero
mientras se ponía en claro, ji, ji (así lo decía don Felicísimo a su cliente
Cordero), había de pasar algún tiempo, siendo quizás preciso llevar e
asunto a un tribunal eclesiástico, pues estas delicadas cosas no son
buñuelos que se hacen en un segundo.
Así, entre obispos y curas aragoneses, pozos llenos de libros
agentes eclesiásticos y torna y vuelve y daca, el héroe de Boteros
sufrió el martirio de Tántalo durante un año largo, pues hasta el verano
de 1832 no se allanaron las dificultades. Cuando don Felicísimo
escribió a Cordero participándole este feliz suceso, añadía que solo
faltaba una firma del señor obispo Abarca para que todo aque
grandísimo lío terminase.
Durante esta larga espera, la familia de Cordero continuaba sin
novedad en la salud y en las costumbres. El invierno lo pasaron en
Madrid para atender a la educación de los niños y a la tienda, que don
Benigno juró no abandonar mientras el edificio de sus felicidades no
fuese coronado con la gallarda cúpula del casamiento. A la entrada de
la primavera se trasladaron todos a los Cigarrales, acompañados de
Alelí, que cada día tomaba más afición a la familia y se entretenía en
enseñar a Mosquetín a andar en dos pies.
Innecesario será decir, pero digámoslo, que don Benigno, si bien
trataba familiarmente a Sola, no traspasó jamás, en aquella larga
antesala de las bodas, los límites del decoro y de la dignidad. Se
estimaba demasiado a sí mismo y amaba a Sola lo bastante para
proceder de aquella manera delicada y caballerosa, magnificando su
ya magnífica conducta con el mérito nuevo de la castidad. Ni siquiera
se permitía tutear a su prometida, porque el tuteo, decía, trae
insensiblemente libertades peligrosas, y porque el decoro del lenguaje
es siempre una garantía del decoro de las acciones.
En este tiempo ocurrió también la dispersión de algunos personajes
muy principales de esta historia. Salvador se fue a Andalucía, donde
encontró abundancia de cuadros y antigüedades de mérito. Luego
subió por Extremadura a Salamanca, vino a Madrid en febrero de 1832
a exigir de Carnicero el cumplimiento del pacto, y habiendo ocurrido
dilaciones, celebraron un nuevo pacto-prórroga, que terminó cuatro
meses después con feliz éxito el asunto. El aventurero vio al fin en sus
manos la mitad de la herencia de su tío, gracias a las uñas de don
Felicísimo, que acariciando la otra mitad, desenmarañó la madeja. Fue
Salvador a París en la primavera para rendir cuentas a Aguado, y en e
verano tornó a España y a Madrid para ultimar un asunto de vales
reales que en la corte tenía.
Jenara pasó en Madrid el invierno de 1831 a 1832, y en primavera
se trasladó a Valencia, volviendo al poco tiempo para instalarse en
San Ildefonso. La opinión pública que, tal vez sin motivo, le tenía mala
voluntad, hacía correr acerca de su conducta rumores poco favorables
aunque eran de esos que cualquier dama ilustre de aquellos tiempos
y de estos y de todos los tiempos soporta sin detrimento alguno en e
lustre de su casa, antes bien aumentándolo y viéndose cada día más
obsequiada y enaltecida. Si en el año anterior fue tildada de
aficionarse con exceso a la oratoria forense y parlamentaria, ahora
decían de ella que se pirraba por la poesía lírica, prefiriendo sobre
todos los géneros el byroniano, o sea de las desesperaciones y
lamentos, sin admitir consuelo alguno en este mundo ni en el otro.
Enorme escuadrón de amigos la despidió al marchar a la Granja
Adiós, gentil Angélica, engañadora Circe. No podemos seguirte aún
Nos llaman por algún tiempo en Madrid afecciones de literatos que nos
son más caras que las propias niñas de nuestros ojos. Y era curioso
ver cómo se iba encrespando aquel piélago de ideas, de temas
literarios e imágenes poéticas del cafetín llamado Parnasillo. Sin duda
de allí había de salir algo grande. Ya se hablaba mucho y con ardor de
un drama célebre estrenado en París el 25 de febrero de 1830, y que
tenía el privilegio de dividir y enzarzar a todos los ingenios del mundo
en atroz contienda. El asunto, según algunos de los nuestros, no podía
ser más disparatado. Un príncipe apócrifo que se hace bandolero, una
dama obsequiada por tres pretendientes, un viejo prócer enamorado y
un emperador del mundo, son los personajes principales. Luego hay
aquello de que todos conspiran contra todos, y de que pasan cosas
históricas que la historia no ha tenido el honor de conocer jamás. Y
hay un pasaje en que el prócer que aborrece al bandido lo salva de
emperador; y luego el emperador se lleva la muchacha, y el bandolero
se une al prócer; y como uno de los dos está de más porque ambos
quieren a la señorita, el bandolero jura que se matará cuando el próce
toque un cierto cuerno que aquel le da en prenda de su palabra; y
cuando todo va a acabar en bien porque el emperador ha perdonado a
chicos y grandes y viene el casorio de los amantes con espléndida
fiesta, suena el consabido cuerno: el príncipe bandolero recuerda que
juró matarse, y, en efecto, se mata.
Si a unos les parece esto el colmo del absurdo, a otros les parece
de perlas. Riñen los exaltados con los retóricos, y en medio de las
disputas sale a relucir una palabra que estos profieren con desprecio
aquellos con orgullo. ¡Románticos!... Aguarde un poco el lector que ya
vendrán a su tiempo la amarillez del rostro, las largas y descuidadas
melenas, las estrechas casacas. Por ahora el romanticismo no ha
pasado a las maneras ni al vestido, y se mantiene gallardo y
majestuoso en la esfera del ideal.
El drama francés es un monstruo para algunos; pero ¡qué aliento de
vida, de inspiración, de grandeza en este monstruo, pariente sin duda
de las hidras calderonianas, ante cuya indómita arrogancia, a veces
sublime, salvaje a veces, parecen gatos disecados las esfinges de
clasicismo! Contra la frialdad de un arte moribundo protesta un arte
incendiario; la corrección es atropellada por el delirio; las reglas, con
sus gastados cachivaches, se hunden para dar paso a la regla única y
soberana de la inspiración. Se acaba la poesía que proscribe los
personajes que no sean reyes, y se proclama la igualdad en el colosa
imperio de los protagonistas. Rómpese como un código irrisorio la
jerarquía de las palabras nobles o innobles, y el pueblo, con su
sencillez y crudeza nativa, habla a las musas de tú. Caen heridos de
muerte todos los monopolios: ya no hay asuntos privilegiados, y a
templo del arte se le abren unas puertas muy grandes para dar paso a
la irrupción que se prepara. Se suprimen los títulos nobiliarios de
ciertas ideas, y se ordena que el Mar, por ejemplo, que de antiguo
venía metiendo bulla y soplándose mucho con los retumbantes
dictados de Nereo, Neptuno, Tetis, Anfitrite, sea despojado de estos
tratamientos y se llame simplemente Fulano de Tal, es decir, el Mar. Lo
mismo les pasa a la Tierra, al Viento, al Rayo.
Mucho podríamos decir sobre esta revolución que tuvimos la gloria
de presenciar; pero damos punto aquí porque no es llegada aún la
sazón de ella, y sus insignes jefes no eran todavía más que
conspiradores. El café del Príncipe era una logia literaria, donde se
elaboraba entre disputas la gloriosa emancipación de la fantasía, a
grito mágico de ¡España por Calderón!
El teatro dormitaba solitario y triste; pero ya sonaban cerca las
espuelas de Don Álvaro. Marsilla y Manrique estaban más lejos; pero
también se sentían sus pisadas, estremeciendo las podridas tablas de
los antiguos corrales. Comenzaba a invadir los ánimos la fiebre de
sentimiento heroico, y las amarguras y melancolías se ponían de
moda.
Las grandes obras de Espronceda no existían aún, y de él solo se
conocían el Pelayo, la Serenata compuesta en Londres y otras
composiciones de calidad secundaria. Vivía sin asiento, derramando a
manos llenas los tesoros de la vida y de la inteligencia, llevando sobre
sí, como un fardo enojoso que para todo le estorbaba, su genio
potente y su corazón repleto de exaltados afectos. Unos versos
indiscretos le hicieron perder su puesto en la Guardia Real. Fue
desterrado a la villa de Cuéllar, donde se dedicó a escribir novelas.
Vega había escrito ya composiciones primorosas; pero sin entra
aún en aquellas íntimas relaciones con Talía, que tanto dieron que
hablar a la Fama; Bretón había vuelto de Andalucía, y con sin igua
ingenio explotaba la rica hacienda heredada de Moratín; Martínez de la
Rosa trabajaba oscuramente en Granada; Gallego vivía a la sazón en
Sevilla; Gil y Zárate, perseguido siempre por la inquisitorial censura de
padre Carrillo, había abandonado el teatro por una cátedra de francés
Caballero, Villalta, Revilla, Vedia, Segovia y otros insignes jóvenes
cultivaban con brío la lírica, la historia y la crítica.
Al propio tiempo la pintura de la vida real, es decir, del espíritu
lenguaje y modo de la sociedad en que vivimos, era acometida por un
joven artista madrileño para quien esta grande empresa estaba
guardada.
Miradle. No parece tener más de veintiséis o veintisiete años. Es
pequeño de cuerpo, usa anteojos, y siempre que mira parece que se
burla. Es, más que un hombre, la observación humanada uniéndose a
la gracia, y disimulando el aguijoncillo de la curiosidad maleante con e
floreo de la discreción. De sus ojos parte un rayo de viveza que en un
instante explora toda la superficie, y sin saber cómo se mete hasta e
fondo, sacando los corazones a la cara; y al hacerlo parece que se ríe
como dando a entender que a nadie lastimará en sus disecciones de
vivos.
 Este joven, a quien estaba destinado el resucitar en nuestro siglo la
muerta y casi olvidada pintura de la realidad de la vida española ta
como la practicó Cervantes, comenzó en 1832 su labor fecunda, que
había de ser principio y fundamento de una larga escuela de prosistas
Él trajo el cuadro de costumbres, la sátira amena, la rica pintura de la
vida, elementos de que toma su sustancia y hechura la novela. É
arrojó en esta gran alquitara, donde bulliciosa hierve nuestra cultura
un género nuevo, despreciado de los clásicos, olvidado de los
románticos, y él solo había de darle su mayor desarrollo y toda la
perfección posible. Tuvo secuaces, como Larra, cuya originalidad
consiste en la crítica literaria y la sátira política, siendo en la pintura de
costumbres discípulo y continuador de El Curioso Parlante; tuvo
imitadores sin cuento, y tantos, tantos admiradores que, en su larga
vida, los españoles no han cesado de poner laureles en la frente de
este valeroso soldado de Cervantes.
En 1831 escribió el Manual de Madrid, anunciando en él sus dotes
literarias y una pasión que había de ocuparle toda la vida, la pasión de
Madrid. En enero del año siguiente publicó El Retrato en las Cartas
Españolas de Carnerero, y tras El Retrato vino sin interrupción esa
galería de deliciosos cuadros matritenses, que servirá, el día en que la
capital de España se pierda, para encontrarla aunque se meta cien
estados bajo tierra. ¡Asombroso poder del ingenio! Aquellos revueltos
tiempos en que se decidió la suerte de la nación española han
quedado más impresos en nuestra mente por su literatura que por su
historia; y antes que la Pragmática Sanción, y el Carlismo y la
Amnistía, antes que el Auto acordado y la Corte de Oñate y e
Estatuto, viven en nuestra memoria don Plácido Cascabelillo, don
Pascual Bailón Corredera, don Solícito Ganzúa, don Homobono
Quiñones y otras dignas personas nacidas de la realidad y lanzadas a
mundo con el perdurable sello del arte.
En agosto del mismo año de 1832 principió a salir el Pobrecito
Hablador, de Larra. De este quisiéramos hablar un poco; pero e
insoportable calor nos obliga a salir de Madrid.
Antes de partir haremos una visita a don Felicísimo, en cuya casa
hallamos grandísima novedad, y es que al cabo de no pocas dudas y
vacilaciones, el insigne Pipaón se decidió a manifestar a Micaelita su
propósito de tomarla por esposa, considerando que si buenos
desperfectos tenía, con buenas talegas iban disimulados. Es opinión
admitida por todos los historiadores que Micaelita no rezó ningún
padrenuestro al oír nueva tan lisonjera de los labios del cortesano de
1815. Don Felicísimo y doña Sagrario se regocijaron, pues no podían
soñar mejor partido para aquel poco solicitado género que un individuo
encaminado a ser, por sus prendas excepcionales, el Calomarde de
los tiempos futuros.
Nuestra buena suerte quiso que, al dar un vistazo al agente de
asuntos eclésiasticos, halláramos al señor de Pipaón, que también se
despedía. Deleitosa conversación se entabló entre los dos. Cuando e
cortesano estrechó entre los suyos fuertísimos los dedos de corcho de
señor don Felicísimo, este exhaló un hipo y dijo:
—Me olvidaba... Querido Pipaón, puesto que va usted
inmediatamente para allá, hágame el favor de llevar esta carta.
Y diciéndolo, el anciano levantó el pie de cabrón con ademán que
algo tenía de ceremonioso y cabalístico, como el mágico que alza
cubiletes y descubre signos. El sobre de la carta de que se hizo cargo
Pipaón decía:
Al señor don Carlos Navarro, en San Ildefonso.
 XXX

En los primeros días del mes de septiembre, un viajero llegó a la

Posada del Segoviano en la Granja, y pidió cuarto y comida
exigencias a que con tanto tesón como desabrimiento se negó e
fondista. Era inaudita frescura venir a pedir techo y manteles en una
posada que por su mucha fama y prez estaba llena de gente principa
desde el sótano a los desvanes ¡Ahí era nada en gracia de Dios lo de
personajes que en la casa había! Cuatro consejeros de Estado, un
fiscal de la Rota, un administrador del Noveno y Excusado, dos
brigadieres exentos, un padre prepósito, un definidor y seis cantores
de ópera sobrellevaban allí con paciencia las incomodidades de los
cuartos, y compartían el ayuno de las parcas comidas y mermadas
cenas.
—Perdone por Dios, hermano —dijo a nuestro viajero el implacable
dueño del mesón, que reventaba de gordura y orgullo, considerando e
buen esquilmo de aquel año, gracias al ansia de los partidos que tanta
gente llevaba a San Ildefonso.
Y el viajero redoblaba su amabilidad suplicante, en vista de la
negativa venteril. Era tímido y circunspecto, quizá en demasía para
aquel caso en que tenía que habérselas con la ralea de posaderos y
fondistas.
—Deme usted un cuchitril cualquiera —dijo—. No estaré sino e
tiempo necesario para conseguir que Su Ilustrísima el señor Abarca
eche una firma en cierto documento.
—¿El señor Abarca?... Buena persona... Es muy amigo mío —
replicó el ventero—. Pero no puedo alojarle a usted... como no sea en
la cuadra.
Ya se había decidido el atribulado señor a aceptar esta oferta
cuando acertó a pasar don Juan de Pipaón. El viajero y el cortesano
se vieron, se saludaron, se abrazaron, y... ¿cómo había de consenti
don Juan que un tan querido amigo suyo se albergara entre
cuadrúpedos, teniendo él como tenía, en la casa de Pajes, dos
hermosísimas y holgadas estancias, donde estaba como garbanzo en
olla?
—Venga conmigo el buen Cordero —dijo con generosa bizarría—
que le hospedaré como a un príncipe. La Granja rebosa de gente
Amigo —añadió hablándole al oído, cuando ambos marchaban hacia
la casa de Pajes—, el rey se nos muere.
—De modo que sobrevendrá...
—El diluvio universal... Háblase de componer la cosa en familia
Pero vamos, vamos a que descanse usted.
Cordero dio un suspiro, y ambos entraron en la casa. Después de
un ligero descanso y del desayuno consiguiente, Cordero salió a ve
los jardines.
¡La Granja! ¿Quién no ha oído hablar de sus maravillosos jardines
de sus risueños paisajes, de la sorprendente arquitectura líquida de
sus fuentes, de sus laberintos y vergeles?... Versalles, Aranjuez
Fontainebleau, Caserta, Schönbrunn, Postdam, Windsor, sitios donde
se han labrado un nido los reyes europeos huyendo del tumulto de las
capitales y del roce del pueblo, podrán igualarle, pero no superan a
rinconcito que fundó el primer Borbón para descansar del gobierno. Y
no hay más remedio que admirar esta pasmosa obra del despotismo
ilustrado, reconociéndola conforme a la idea que la hizo nacer. E
despotismo ilustrado fomentó la riqueza en todos los órdenes, desterró
abusos, alivió contribuciones, acometió mejoras en bien del pueblo
pero todo lo sometió a una reglamentación prolija. Hacía el bien como
una merced, y lo distribuía como se distribuye la sopa a los pobres
recogidos en un asilo. Todo había de sujetarse a canon y a medida, y
la nación, que nada podía hacer por sí, recibía los beneficios con
arreglo a disciplina de hospital.
El despotismo ilustrado da vida en el orden económico a los
Pósitos, a los Bancos privilegiados, a los Gremios; en el orden político
crea los pactos de familia, y en el artístico protege el clasicismo. Llega
al fin un día en que pone su mano en la naturaleza, y entonces
aparece Le Nôtre, el arquitecto de jardines. Este hombre somete la
vegetación a la geometría, y hace jardines con teodolito. A su mando
inapelable los árboles ya no pueden nacer libremente donde la tierra
el agua y Dios quisieron que naciesen, y se ponen en filas, como
soldados, o en círculo, como bailarines. No basta esto para consegui
aquella conformidad disciplinaria, que es el mayor gusto de
despotismo ilustrado, y son escogidos los árboles, como Federico de
Prusia escoge a sus granaderos. Es preciso que todos sean de un
tamaño y que las ramas crezcan con regularidad. El hacha se encarga
de convertir un bosque en alameda, y surgen, como por encanto, esos
bellos escuadrones de tilos y esas compañías de olmos, que parecen
esperar el grito de un pino para marchar en orden de parada.
El despotismo ilustrado y sus jardineros aspiran a más: aspiran a
que la naturaleza no parezca naturaleza, sino un reino fiel sometido a
la voluntad de su dueño y señor. Las tijeras, que antes solo eran arma
de los sastres, son ahora la primera herramienta de horticultura, y con
ella se establece una igualdad de vasallaje que confunde en un solo
tamaño al grande y al chico. Es un instrumento de corrección como la
lima de que tanto hablaban los clásicos, y que a fuerza de pulimenta
hacía que todos los versos fueran igualmente fastidiosos. La tijera
hace de los poéticos mirtos y del espeso boj las baratijas más
graciosas que puede imaginarse. Córtalos en todas las formas, y talla
guarniciones, muebles, dibujos, casitas, arcos, escudos, trofeos. Los
jardineros redondean los árboles, dejándoles cual si salieran del torno
y las esbeltas copas se convierten en pelotas verdes. En el bajo suelo
cortan y recortan el césped como se cortaría el paño para hacer una
casaca, y luego bordan todo esto con flores vivas, que ponen donde la
topografía ordena. Hacen mil juegos y mosaicos, tapicerías y
arabescos. ¡Ay de aquella florecilla indisciplinada que se salga de su
sitio! La arrancan sin piedad. La lozanía excesiva tiene pena de
muerte, como la libertad entre los hombres.
A un jardín le hacen parecer teatro, plaza, cementerio o cosa
semejante. Resulta un lugar frío, triste, desabrido, que trae a
pensamiento las tragedias en que Alejandro salía vestido de Luis XIV
Es preciso poner algo que anime aquella soledad, algo que se mueva
¿Quién será el juglar de este escenario amanerado? Pues el agua. E
agua, que es la libertad misma, la independencia, el perpetuo correr, la
risa y la alegría del mundo, es sacada de los plácidos arroyos, de las
tranquilas lagunas, de los agrestes manantiales, sujeta con presas y
trasportada en cañerías, y luego sometida al martirio inquisitorial de las
fuentes, que la obligan a saltar y hacer cabriolas de un modo
indecoroso. El clasicismo hortícola quiere que en todo jardín haya
mucha mitología, faunos groseros, ninfas muy remilgadas, dioses
pedantes, geniecillos traviesos. Pues todos estos individuos no tienen
gracia si no echan un chorro de agua, quién por la boca, quién po
ánforas y caracoles, aquel por todas las partes de su musgoso cuerpo
y diosa hay que arroja de sus pechos cantidad bastante para abreva
toda la caballería de un ejército.
En la Granja, la fuente de la Fama escupe al cielo un surtidor de
184 pies de altura, y el Canastillo traza en el espacio todo un problema
geométrico con rayas de agua, mientras Neptuno, rigiendo sus
caballos pisciformes, eleva a los aires sorprendente arquitectura de
movible cristal, que con los juegos de la luz embelesa y fascina. Las
fuentes de Pomona, Anfitrite y los Dragones también hacen con e
agua los volatines más originales. Desde la plaza de las Ocho Calles
se ven, con solo girar la mirada, todas las extravagancias de
gimnástica y coreografía con que el pobre elemento esclavizado
divierte a reyes y a pueblos. Los atónitos ojos del espectador dudan s
aquello será verdad o será sueño, inclinándose a veces a creer que es
un manicomio de ríos.
Era primer domingo de mes, y corrían las fuentes. Toda la sociedad
del Real Sitio estaba en los jardines disfrutando de la frescura de
ambiente y de la perspectiva de los árboles, cosa bellísima aunque
académica. Las damas de la corte y las que sin serlo habían ido a
veranear, los militares de todas graduaciones, los señores y los
consejeros, los lechuguinos, y, por último, la gente del pueblo, a quien
se permitía entrar aquel día por causa del correr de las fuentes
formaban un conjunto tan curioso como rico en matices y animación
Por aquí corrillos de pastoreo cortesano como el que inspiró a
Watteau, por allá rusticidades en crudo, más lejos Ariadnas que se
quieren perder en laberintillos de boj, y por todas las rectas calles
grupos que se cruzan, bandadas alegres que van y vienen. Como e
agua salta risueña de las tazas de mármol, así surge la conversación
chispeante de los movibles grupos. No se puede entender nada.
Allá va Pipaón con su amigo. Al pasar oímos que este le dice:
—Y Jenara ¿dónde está? No la he visto por ninguna parte.
—¿Qué la has de ver, si ha ido a Cuéllar? —replicó el cortesano.
Y perdiéronse entre el gentío elegante. El vestir ceremonioso era
entonces de rúbrica en los paseos, y no había las libertades que la
comodidad ha introducido después. Entonces ni el calor ni e
esparcimiento estival eran razones bastantes para prescindir de la
etiqueta, y así, lo mismo en el Prado de Madrid que en los jardines de
San Ildefonso, el hombre culto tenía que encorbatinarse al uso de la
época, que era una elegante parodia de la pena de muerte en garrote
vil. ¡Ay de aquel cuya cabeza no se presentara sirviendo de cimiento a
un mediano torreón de felpa negra o blanca con pelos como de zalea
ala estrecha y figura cónico-truncada que daba gloria verlo!
Las solapas altas, las mangas de pernil, las apretadas cinturas, son
accidentes muy conocidos para que necesitemos pintarlos. El paño
oscuro lo informaba todo, y entonces no había las rabicortas
americanas de frágil tela, ni los trajes cómodos, ni sombreros de paja
ni quitasoles.
¿Pues y el vestido y los diversos atavíos de las damas? Entonces e
peinarse era peinarse; había arquitectura de cabellos, y una peineta
solía tener más importancia que el Congreso de Verona. Para calle las
damas retorcían y alzaban por detrás su pelo, sujetándole en la corona
con una peineta que se llamaba de teja, de sofá o de pico de pato
según su forma. ¡Qué cosa tan bonita!, ¿no es verdad? Pues ved
ahora por delante los rizos batidos, como una fila de pequeños toneles
negros o rubios suspendidos sobre la frente. Esto era monísimo, sobre
todo si se completaba tan lindo artificio con la cadena a la Ferronière y
broche a la Sévigné sujetando el cabello. Esto hacía creer que las
señoras llevaban el reloj en el moño, de lo que resultaba mucho
atractivo.
Tentado estoy de describiros el peinado a la jirafa con tres grandes
lazos armados sobre un catafalco de alambre, los cuales lazos
aparecían como en un trono, rodeados de una servil cohorte de rizos
huecos.
¡Cielos piadosos, quién pudiera ver ahora aquellas dulletas de
inglesina tan pomposas que parecían sacos, y aquellos abrigos de
gros tornasol, de casimir Fernaux o tafetán de Florencia, guarnecidos
de rulós y trenza, todo tan propio y rico que cada señora era un
almacén de modas! ¡Quién pudiera ver ahora resucitados y puestos en
uso aquellos vestidos de invierno, altos de talle, escurridos de falda, y
guarnecidos de marta o chinchilla! Lo más airoso de este traje era e
gato, o sea un desmedido rollo de piel que las señoras se envolvían en
el cuello, dejando caer la punta sobre el pecho, y así parecían víctimas
de la voracidad de una cruel serpiente.
Pero estas son cosas de invierno, y volvamos a nuestro verano y a
nuestros jardines de la Granja. Todos los que esto lean, convendrán en
que no podría darse cosa más bonita que aquellas mangas de jamón
abultadas por medio de ahuecadores de ballena, y con los cuales las
señoras parecían llevar un globo aerostático en cada brazo. ¡Y dicen
que entonces no había modas elegantes! ¿Pues y dónde nos dejan
aquel talle, que por lo alto tocaba el cielo, y aquella falda, que
intentaba seguir el mismo camino huyendo de los pies, y aquel escote
recto por pecho y espalda, que a veces quería bajar al encuentro de
talle y que disimulaba su impudencia con hipocresía de canesús y
sofisma de tules? Si no fuera porque las damas ataviadas en tal guisa
se asemejaban bastante a una alcarraza, este vestido merecía
haberse perpetuado. ¡Qué precioso era! Tenía la ventaja de no altera
las formas, y entonces el pecho era pecho y las caderas, caderas.
¡Ay!, entonces también los pies eran pies, es decir, que no había
esas falsificaciones de pies que se llaman botinas. Los zapateros no
habían intentado aún enmendar la plana a Dios creando extremidades
convencionales al cuerpo humano. ¿Y qué cosa más bonita que
aquellas galgas y aquel cruzado de cintas por la pierna arriba hasta
perderse donde la vista no podía penetrar? La suela casi plana, e
tacón moderado, el empeine muy bajo, eran indudablemente la última
parodia de aquellas sandalias que usaban las heroínas antiguas, y que
servían para lo que no sirve ningún zapato moderno, para andar.
Ni que me maten dejaré de hablar de las mantillas, las cuales
entonces eran a propósito para echar abajo la teoría de que esta
prenda no sirve para nada. Entonces las mantillas eran mantillas
como que había unas que se llamaban de toalla, y esto pinta su
longitud. Aquellas prendas tapaban y tenían infinito número de
pliegues, cuya disposición y gobierno, sometidos a la mano de la muje
que la llevaba, eran casi un lenguaje. La toquilla de ahora es un
adorno; la mantilla de entonces era la persona misma. Las toquillas de
hoy se llevan; las mantillas de entonces se ponían. Los pliegues
relumbrones de su raso interior, el brillo severo de su terciopelo, la
niebla negra de sus encajes, hechura fantástica de hilos tejidos po
moscas, la pasamanería de sus guarniciones, reunían en derredor de
una cara hermosa no sé qué misterioso cortejo de geniecillos, que ora
parecían serios, ora risueños, y a su modo expresaban el pudor o la
provocación, la reserva o el desenfado. El ideal se hizo trapo, y se
llamó mantilla.
En cambio de otras ventajas que el vestir moderno lleva al antiguo
aquellos tenían la de la variedad de tonos. Entonces los colores eran
colores, y no como hogaño, variantes de gris, del canelo y de los tintes
metálicos. Entonces la gente se vestía de verde, de colorado, de
amarillo, y los jardines de la Granja, vistos a lo lejos, eran un prado de
pintadas florecillas. El alepín, la cúbica, el tafetán de la reina, el muaré
antic, las sargas, la inglesina, el cotepali, ofrecían variedad de bultos y
colores. Los parisienses, que en esto de hacer modas se pintan solos
y cuando no pueden inventar formas y colores nuevos les dan
nombres extraños, habían lanzado al mundo el color jirafa, el pasa de
Corinto, el no menos gracioso La Vallière, el azul Cristina; pero los que
verdaderamente merecen un puesto en la historia, son el color ayes de
Polonia y el humo de Marengo.
El cuadro de interés indumentario con fondos de verdor académico
que hemos trazado, carece aún de ciertos tonos fuertes que echará de
menos todo el que hubiera contemplado el original. Con el pincel gordo
apuntaremos en los primeros términos algunas manchas de encarnado
rabioso, amarillo y pardo, que son las pintorescas sayas de las
mujeres del campo venidas de los inmediatos pueblos. La elegancia
de estos trajes se pierde en la oscuridad de los tiempos, y a nuestro
siglo solo ha llegado una especie de alcachofa de burdos refajos
dentro de la cual, el cuerpo femenino no parece tal cuerpo, sino una
peonza que da vuelta sobre los pies, mientras los hombres (aquí es
preciso volcar sobre el cuadro toda la pintura negra), fajados y
oprimidos dentro de las enjutas chaquetas y los ahogados pantalones
y las medias de punto, parecen saltamontes puestos de pie
guardando la cabeza bajo anchísimo queso negro.
El pincel más amanerado nos servirá para apuntar, oscilando sobre
esta multitud de cabezas como las llamas de Pentecostés, los
pompones de los militares; y si hubiera tiempo y lienzo pondríamos en
último término, con tintas graciosas, un zaguanete de alabarderos que
semejante a un ejército de zarzuela, pasa por el jardín precedido de su
música de tambor y pífanos. Lejos, más lejos aún que la vaporosa
proyección del agua en el aire, ponemos la fachada del palacio
rectilínea, clásica, de formas discretas y limadas como los versos de
una oda. ¡Ay!, en el momento en que lo contemplamos, gran gentío de
cortesanos, militares y personajes de todas las categorías entra y sale
por las tres grandes puertas del centro con afán oficioso. De pronto e
murmullo alegre de las fuentes cesa, y todas dejan de correr. El agua
vacila en los aires, los chorros se truncan, se desmayan, descienden
caen, como castillos fantásticos deshechos por la luz de la razón, y en
estanques y tazones se extingue el último silbido de los surtidores, que
vuelven a esconderse en sus misteriosas cañerías. En los jardines
reina un estupor lúgubre; la gente se para, pregunta, contesta
murmura, y de boca en boca van pasando, como chispazos de pólvora
fugaz, estas palabras: «El rey se muere, el rey se muere».
Las puertas del palacio se abren de par en par. Entremos.
 XXXI

—Se ha fijado la gota en el pecho...

—Así parece.
—Peligro inminente..., ¡muerte!
—El Señor lo dispone así...
El que tal dijo (y lo dijo con el aplomo del que está en los secretos
de Dios y mantiene relaciones absolutamente familiares con Él) era un
anciano corpulento, recio y hasta majestuoso, vestido de luengas
ropas moradas. Parecía la efigie de un santo doctor bajado de los
altares, y sus palabras querían tener una autoridad semidivina
Hablaba dogmáticamente y no admitía réplica. Era obispo y aragonés.
Su interlocutor vestía también ropas talares, pero negras, sin
adorno alguno ni preciadas insignias. No parecía tener más de treinta
y cinco años, y se distinguía por su hermosura, como el obispo de
León por su apostólica majestad. Era el padre Carranza, prepósito de
los jesuitas, hombre listo si los hay, y además de cara bonita, calidad
que avaloraba su extraordinaria elocuencia, de tal modo que cuando
subía al púlpito parecía un ángel con sotana, celestial mensajero para
proclamar con encantadora voz lo pecadores que somos. Por su
elocuencia y talento (no por otras de sus eminentes cualidades, como
la malignidad ha dicho alguna vez) ganó en absoluto la confianza de
doña Francisca, a quien conoceremos en seguida.
—Diga usted a Sus Altezas que Su Majestad me ha llamado para
pedirme consejo en estas críticas circunstancias. En este momento Su
Excelencia el señor Calomarde está en la cámara de Su Majestad, e
cual..., Dios lo quiere así..., continúa en malísimo estado, en
deplorable estado... Cúmplase la voluntad del Altísimo.
Esto se decía en lujosa antecámara de esas que abundan en
nuestros palacios reales, y que en su ornato y mueblaje ofrecían