على مدار العقد الماضي، كان التركيز الرئيسي لبحوث الذكاء الاصطناعي القابل للتفسير (Explainable AI) يدور حول تفسير التنبؤات الفردية للنماذج. هذا النوع من التفسير يؤدي إلى إنتاج شروحات تُربط المدخلات بالمخرجات وفق هيكل قرار ثابت. وبفضل التقدم الأخير في نماذج اللغات الضخمة (Large Language Models)، ظهرت أنظمة ذكاء اصطناعي قادرة على التصرف بشكل ديناميكي، حيث يتحدد النجاح أو الفشل بناءً على تسلسلات من القرارات بدلاً من الإخراج المفرد.

تظل الأساليب القائمة على التفسير المصممة للتنبؤات الثابتة غير كافية لفهم السلوكيات الناشئة على مدى الزمن. لذا، جاء هذا البحث لسد هذه الفجوة من خلال مقارنة أساليب التفسير القائم على الإسناد مع التشخيص القائم على المسار في كلا النوعين من الأنظمة.

وتظهر النتائج أنه على الرغم من أن أساليب الإسناد تحقق تصنيفات ثابتة للميزات في السيناريوهات الثابتة، إلا أنه لا يمكن الاعتماد عليها بشكل موثوق لتشخيص حالات الفشل على مستوى التنفيذ في المسارات الديناميكية. في المقابل، تشير التقييمات المستندة إلى المسارات في البيئات العاملة الديناميكية بوضوح إلى مواقع انهيار السلوك، مما يُظهر أن عدم الاتساق في تتبع الحالة يكون أكثر شيوعًا بمعدل 2.7 مرة في الحالات الفاشلة، مما يقلل من احتمال النجاح بنسبة 49%.

تشجع هذه النتائج على ضرورة الانتقال نحو تبني مبدأ التفسير على مستوى المسار لتقييم وتشخيص سلوك الذكاء الاصطناعي المستقل في الأنظمة الديناميكية.