تُعتبر نماذج السلاسل الزمنية (Time Series Models) من الأدوات الأساسية في تحليل البيانات، ولكن غالباً ما تواجه تحديات في توفير تفسيرات دقيقة للتأثيرات. تعتبر طرق الشفافية المرتبطة بهذه النماذج، والتي تنتج غالباً درجات تأثير مستقيمة، غير كافية لتوضيح الروابط المعقدة بين المتغيرات.

تشير الدراسات إلى أن العقبة الرئيسية لا تكمن فقط في التنسيق العددي لتلك الدرجات ولكن في وجود تباين أساسي في الحسابات. تستخدم الأساليب الحالية مثل تقييم التأثير الهامشي (Marginal Influence Attribution Methods) طرقاً تمزج بين الاعتماد الزمني المباشر والوسيطين في سياق الارتباط الذاتي (Autocorrelation)، مما يؤدي إلى نتائج مضللة.

من المفاهيم الجديدة التي تم تقديمها في هذا السياق هو مفهوم DAG-faithfulness. يُعد التفسير DAG-faithful مهما لأنه يضمن أن الرسم البياني للارتباطات الزمنية المنصوص عليها يُعادل الرسوم البيانية الموجهة غير الدائرية (Directed Acyclic Graphs - DAG) التي يتم تعلمها ضمنياً من قبل النموذج.

على سبيل المثال، يتضح أن طرق التقييم القياسية، مثل SHAP، لا تُعتبر DAG-faithful بصفة عامة، مما يسلط الضوء على محدودية الحسابات في الإصدارات الحديثة التي تأخذ بعين الاعتبار السلاسل الزمنية. لذا يتطلب الأمر مراجعة دقيقة في كيفية فهمنا لتأثيرات الميزات في النماذج الزمنية لتعزيز الشفافية وجودة النتائج.