يعتبر استخدام أمثلة العواقب المضادة (CounterFactual Examples - CFEs) حجر الزاوية في مجال الذكاء الاصطناعي القابل للتفسير (eXplainable Artificial Intelligence - XAI). حيث توفر هذه الأمثلة تفسيرات محلية ومرنة من خلال تعديل بسيط في المدخلات التي تؤثر على تنبؤات النموذج. ولكن لضمان فهم هذه التعديلات، يجب أن تكون ذات معنى دلالي للمستخدمين.

في هذا السياق، تقترح ورقة بحثية حديثة دمج المعرفة المعبر عنها من خلال مفردات لغوية ضبابية، لتعكس كيف يدرك الأفراد ويفسرون البيانات. إن الهيكل الذي تفرضه هذه المفردات الضبابية يجعل الميزات معتمدة على بعضها البعض، مما يمنع استخدام طرق التحسين المدفوعة بالتدرجات مثل طريقة DiCE.

ومن خلال تقديم تقنية جديدة تحت مسمى DiCEf، يمكن للباحثين تخصيص تجربة المستخدم، حيث يتم تطوير طريقة جديدة تمكن من توليد أمثلة عواقب مضادة تكون مفهومة لغوياً، مع المحافظة على التكاليف والندرة والتنوع.

أظهرت التجارب على بيانات حقيقية القدرة الفائقة لهذه المنهجية في إبقاء الفهم لدى المستخدمين، مما يمثل خطوة مهمة في جعل الذكاء الاصطناعي أكثر وصولاً وفهماً.