في ظل تعقيد أنظمة الذكاء الاصطناعي المتزايد، تزداد الحاجة إلى الشفافية من خلال الذكاء الاصطناعي القابل للتفسير (Explainable AI - XAI). تقدم التفسيرات المضادة (Counterfactual Explanations - CFs) سيناريوهات "ماذا لو" على ثلاثة مستويات: المستوى المحلي الذي يقدم رؤى خاصة بكل حالة، والمستوى العالمي الذي يتناول الاتجاهات الأوسع، والمستوى الجماعي (Group-wise Counterfactuals - GWCFs) الذي يكشف عن أنماط داخل مجموعات متماسكة.

ورغم توفر طرق لكل مستوى من هذه المستويات، إلا أن هناك نقصًا في منهج موحد يدمج بين هذه المقاربات المتكاملة. يهدف هذا البحث إلى معالجة هذه الثغرة من خلال اقتراح منهج تحسين يعتمد على التدرج للنماذج القابلة للتفريق، حيث يتم توليد تفسيرات مضادة محلية وعالمية وجماعية بطريقة متكاملة.

وقد قمنا بإenhancement توليد GWCF من خلال الجمع بين تجميع الحالات وتوليد التفسيرات المضادة في عملية واحدة فعالة، عوضًا عن الطرق التقليدية ذات الخطوتين. علاوة على ذلك، لضمان الموثوقية، قدمنا بشكل مبتكر دمج معايير المعقولية في مجال GWCF، مما يجعل التفسيرات صالحة وواقعية.

تظهر نتائجنا فعالية هذه الطريقة في تحقيق التوازن بين الصلاحية والقرب والمعقولية، بينما تُحسن من تدرج المجموعات، مع التحقق من فائدتها العملية من خلال حالات استخدام عملية.