Con el uso creciente del aprendizaje automático en varios campos para abordar diversos objetivos y metas, la complejidad de los enfoques de aprendizaje automático y aprendizaje profundo (DL) utilizados para proporcionar soluciones también ha aumentado. En los últimos años, se han introducido métodos de Inteligencia Artificial Explicable (XAI) para justificar e interpretar modelos de aprendizaje profundo en varios dominios y campos. Mientras que la mayoría de los artículos han aplicado XAI a idiomas en inglés y otros idiomas basados en el latín, este artículo tiene como objetivo explicar los resultados de la memoria a corto y largo plazo (LSTM) basada en atención en el Análisis de Sentimientos en Árabe (ASA), que se considera un área inexplorada en investigaciones anteriores. Con el uso de la Explicación Local Interpretable Independiente del Modelo (LIME), pretendemos justificar y demostrar cómo el LSTM conduce a la predicción de la polaridad del sentimiento dentro del ASA en textos árabes específicos del dominio sobre información médica sobre la cirugía LASIK entre usuarios de Twitter. En nuestra investigación, el LSTM alcanzó una precisión del 79.1% en el conjunto de datos propuesto. A lo largo de la representación de los sentimientos utilizando LIME, demostró resultados precisos sobre cómo palabras específicas contribuyeron a la clasificación general de la polaridad del sentimiento. Además, comparamos el conteo de palabras con los pesos de probabilidad dados en los ejemplos, para validar aún más los resultados de LIME en el contexto del ASA.