في عصر يسود فيه الذكاء الاصطناعي (AI) وثقافة التعلم العميق (Deep Learning)، أصبحت تقنيات الذكاء الاصطناعي القابلة للتفسير (XAI) ضرورة ملحة للتحقق من صحة وموثوقية هذه النماذج المتقدمة. ومع ذلك، فإن التحدي يكمن في تقييم هذه التقنيات بشكل فعّال، بسبب عدم وجود حقيقة أرضية موثوقة للمقارنة.

في هذا السياق، نقدم إطار عمل مبتكر يُعتبر مقياسًا كميًا لجودة تقنيات XAI، مكونًا استنادًا إلى الاضطرابات المستمرة في المدخلات. هذا المقياس يأخذ بعين الاعتبار الحاجة والجدوى للمعلومات المُعطاة في اتخاذ القرار بواسطة النموذج، ويظهر في مجموعة من الحالات أنه يتماشى بشكل أفضل مع بديهيات البشر حول جودة التفسير مقارنةً بالمقاييس الحالية.

للاستفادة من خصائص هذا المقياس، نعرض أيضًا طريقة جديدة لـ XAI تأخذ في الاعتبار الحالة التي نقوم فيها بتحسين نموذج باستخدام تقريب تفاضلي للمقياس كإشارة إشرافية. النتيجة هي وحدة مُعدلة يمكن تدريبها فوق أي نموذج أسود لإنتاج تفسيرات سببية لعملية اتخاذ القرار بواسطة النموذج، دون التأثير على أداء النموذج.

نظهر أن التفسيرات المُولّدة بواسطة هذه الطريقة تتفوق على تلك الناتجة عن تقنيات XAI المنافسة وفقًا لعدد من المقاييس القابلة للقياس. هذه الابتكارات تفتح آفاقًا جديدة في كيفية التصميم، التحليل، والتفاعل مع نماذج التعلم العميق، مما يجعل عملية اتخاذ القرار أكثر شفافية وفهمًا.