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
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。
布达佩斯M4地铁需求预测中XGBoost精度超过NeuralProphet，且SHAP解释与专家认知一致
该研究用布达佩斯M4地铁2024年一年、实际可用216天、5:00至24:00的小时级进站客流数据，在限定单站单方向（Kálvin tér至Kelenföld vasútállomás）和6小时预测窗口下，公平比较了内在可解释的NeuralProphet与用SHAP做事后解释的黑箱XGBoost，结果显示XGBoost预测更准（MAE 91.0753对230.2803，RMSE 144.7094对363.2115，R² 0.9600对0.7896），且SHAP给出的时间特征重要性与NeuralProphet的季节性分量及交通领域专家知识相符。
急性卒中管理中的负责任人工智能：可解释性与公平性的综述
这篇综述综合了急性卒中管理中可解释人工智能与公平性人工智能的现有文献，指出人工智能已在大血管闭塞检测、Alberta卒中项目早期CT评分和功能预后预测等任务上表现良好，但可解释性方法多为事后近似且很少被正式检验，公平性评估因人口统计学元数据有限、监管限制和缺乏卒中专用公平标准而少见，可解释性与公平性彼此脱节，泛化性也受数据集划分策略与报告实践影响，因此呼吁建立同时评估可解释性、公平性与泛化性的统一评价框架。
已读完全部报道