في عالم الذكاء الاصطناعي المتزايد التعقيد، يُعدّ فهم كيفية عمل الأنظمة الذكية أمراً في غاية الأهمية. لذلك، قدمت دراسة جديدة إطاراً متكاملاً يهدف إلى تقييم قابلية الفهم في نماذج الذكاء الاصطناعي. يدعو هذا البحث إلى إنشاء مقياس موحد يعتمد على ثلاث جوانب رئيسية: الوفاء (Fidelity)، البساطة (Simplicity)، والاستقرار (Stability).

تضمّن البحث تجارب مقارنة شاملة لتقييم التطبيقات المختلفة لأساليب الشرح القابلة للتفسير (Explainable AI) مثل LIME وSHAP عبر مجموعات بيانات متعددة ونماذج تعليم آلي (Machine Learning Models). كما تم الاستفادة من النتائج لتشييد قاعدة معرفية خارجية توثّق درجات قابلية الفهم لكل نموذج مسجّل، لتكون بمثابة مورد قيّم لتقييم التطبيقات بناءً على السياق.

من استنتاجات الدراسة، يتضح أن خصائص مثل الوفاء، البساطة، والاستقرار قد تختلف بشكل كبير اعتماداً على مجموعة البيانات (Dataset)، النموذج المستخدم، وخبرة المستخدم النهائي. وقد تم تطبيق الإطار الجديد على ثلاث مجموعات بيانات مفتوحة المصدر، مع مناقشة الأبعاد المترتبة على النتائج المتحصل عليها.

تساهم هذه الدراسة في تعزيز مجال الذكاء الاصطناعي القابل للتفسير من خلال توفير أداة فعالة ومتنوعة لقيمة قابلية الفهم ومقارنتها، مما يدعم تطوير أنظمة ذكاء اصطناعي أكثر شفافية وموثوقية.