في عصر الذكاء الاصطناعي، يتزايد الطلب على اتخاذ القرارات الآلية التي تتمتع بالدقة والقابلية للتفسير. ومع تسارع التقدم في مجالات تعلم الآلة القابل للتفسير (Interpretable Machine Learning)، أصبح من الضروري تقديم تلك التفسيرات بصورة بسيطة وسهلة الفهم لغير الخبراء. ولتلبية هذا الطلب، أطلقت دراسة جديدة تدمج بين مفهوم السرد البياني (Data Storytelling) وتعلم الآلة القابل للتفسير، مما يساهم في تحسين إمكانية فهم القرارات الذكية.

تسعى هذه الدراسة، التي تتبع نمط بحث علوم التصميم (Design Science Research)، إلى تقديم تعريف رسمي لنمط السرد البياني داخل تعلم الآلة القابل للتفسير. حيث تقدم نموذج هرم DIST كطريقة لربط السرد البياني مع تعلم الآلة، بالإضافة إلى تقديم نموذج I-P-O الذي يصف تفاعلاتهما. ومن خلال تطوير بنية خاصة لشرح قرارات الذكاء الاصطناعي، تتضمن هذه البنية عمليات إنتاج أحداث "لماذا لا" و"ماذا لو".

أيضاً، لضمان حماية البيانات الحساسة، تعتمد الدراسة تقنيات لتقليل حساسية البيانات (Data Desensitization). وتمت دراسة حالتين باستخدام مجموعة بيانات الإسكان في بوسطن، من خلال قيم التعويض SHapley Additive exPlanations (SHAP) ونماذج لغوية ضخمة (Large Language Models) لإنشاء قصص بيانات تتبع نمط And-But-Therefore (ABT).

أظهرت التقييمات أن 76.4% و74.3% من المشاركين اعتبروا قصص البيانات "ماذا لو" و"لماذا لا" أكثر وضوحاً، مع الحصول على درجات وصول أعلى بكثير مقارنة بالتصورات التقليدية لـ SHAP. تختتم الورقة بدعوة لتقديم إطار تفسير سردي يجمع بين تعلم الآلة القابل للتفسير والسرد البياني، مما يعزز نطاق البحث والتطبيق العملي لقرارات الذكاء الاصطناعي.