تُعد التفسيرات العكسية (Counterfactual Explanations) تقنية رئيسية في مجال الذكاء الاصطناعي القابل للتفسير، حيث تُستخدم لإظهار كيفية تغيير مخرجات النماذج إذا تم تعديل المدخلات. هذه التقنية تُستخدم لأغراض متعددة مثل تصحيح النماذج، تفسير التنبؤات، تبرير القرارات، وتقديم السبل الحياتية (algorithmic recourse).

في إطار مناقشة الفعالية الأخلاقية لهذه التفسيرات، تستكشف الورقة البحثية المعنية مشروعية استخدامها في إعدادات النماذج الحقيقية. حيث يتضح من الأبحاث التي أجريت في هذا السياق أن استخدام التفسيرات العكسية يمكن أن ينتج عنه تفسيرات سطحية إذا لم تُأخذ بعين الاعتبار الخيارات التي تم اتخاذها خلال مراحل بناء النموذج.

أحد النتائج المهمة تتمثل في أن التطبيقات السطحية للتفسيرات العكسية لا تأخذ في الاعتبار الخيارات التي يمكن أن تكون محل جدل، مما قد يؤدي إلى التغاضي عن الطريقة التي تم بها اتخاذ القرارات. تم دعم هذه النتائج بأربعة تجارب تجريبية، حيث أظهرت التدخلات في مراحل مختلفة من عملية التعلم الآلي (ML) تأثيرها على التفسيرات الناتجة.

تظهر الدراسة أن خيارات المنظمة في تحديد نماذج القياس، متطلبات العمل، وتحقق النموذج لها تأثير كبير على التفسيرات العكسية أكثر من الطريقة المستخدمة في توليدها. تعزز هذه النتائج الحاجة إلى التفكير بعناية في خيارات التصميم والحوكمة عند تقديم التفسيرات والعودة عن النتائج.

ختامًا، تُظهر هذه الدراسة أن التفسيرات العكسية وحدها لا توفر إجابات كافية لبعض الأسئلة المهمة المتعلقة بالإجراءات المُتخذة، مما يستدعي إعادة النظر فيما إذا كان يجب على صناع القرار أن يتصرفوا بشكل مختلف في سياق معين.