对269篇文献的科学计量分析显示，决策仪表盘中的可解释AI研究正从算法中心转向以人与决策为中心
核心概要
该研究以科学计量方法分析Scopus与Web of Science中经PRISMA筛选后保留的269篇原始研究论文，发现决策仪表盘中可解释AI研究的知识核心由可解释AI、决策与深度学习三个概念构成，主题随时间从神经网络、支持向量机等经典机器学习转向可视化深度学习、可视化技术、信任与智能决策支持系统，并呈现从技术中心向以人与决策为中心演进的趋势。
深度剖析
该领域的概念网络以可解释AI、决策与深度学习三个概念为核心枢纽，密度可视化显示研究最集中的区域正是三者的交汇处。 此前该领域缺乏对决策仪表盘中XAI研究知识结构的系统梳理，该研究首次以关键词共现网络刻画其概念核心。 基于Scopus与Web of Science检索、经PRISMA流程筛选后保留的269篇原始研究论文，使用VOSviewer进行关键词共现、密度与叠加可视化分析。
研究识别出若干相互关联的主题簇，包括人类伦理考量、技术方法发展、应用操作情境、认知自主系统与新兴专门议题，反映算法性能与工程效率同人类理解、信任与问责两条研究范式的汇合。 将原本分散的技术侧与人文侧文献整合为同一知识结构中的互补范式，而非彼此独立的讨论。 来自共现网络聚类与主题演化映射的结果，属于文献计量层面的结构性证据。
叠加可视化显示主题随时间迁移：早期研究集中于神经网络、支持向量机等经典机器学习技术，近期研究则更多强调可视化深度学习、可视化技术、信任与智能决策支持系统。 以时间维度呈现该领域的议题转移，指出信任与可视化已从边缘议题演变为XAI系统的组成部分。 基于VOSviewer叠加可视化与主题演化映射的时间切片分析。
逻辑增长模型显示该领域仍处于快速扩张阶段，尚未达到科学饱和。 为判断该领域所处发展阶段提供了量化视角，而非仅凭文献数量的直观印象。 对文献增长轨迹拟合逻辑增长模型所得结论。
启示与展望
该研究面向关注可解释AI、决策支持系统与可视化界面设计的研究者与设计实践者，适用于以文献计量方式理解该交叉领域知识结构的场景；其结论描述的是研究主题的分布与演化，而非某一具体仪表盘设计的有效性。
该文本为不完整读取，缺少图表、关键词列表与参考文献等细节，因此无法核验各主题簇的具体构成、Bradford与Lotka定律的具体结果以及逻辑增长模型的参数；此外，文献计量结果反映的是已发表文献的分布，其随时间推移的稳定性仍有待后续研究观察。