فراتر از پیش بینی: رویکرد مدل‑آگنوستیک در تفسیر مدل های یادگیری ماشینی برای تحلیل داده هایپزشکی (مطالعه ی مروری روایتی)

پیش زمینه و اهداف: فقدان قابلیت تفسیر پذیری، استفاده از الگوریتم های قدرتمند یادگیری ماشینی را در پشتیبانیاز تصمیم گیری در حوزه ی پزشکی محدود کرده است و منجر به بروز مشکلات حقوقی و اخلاقی می شود. هدف ازاین مطالعه، مروری بر مفهوم و کاربرد های رویکرد مدل‑آگنوستیک در تفسیر مدل های یادگیری ماشینی غیر شفافاست.”ⅿoⅾeⅼ−agnostiⅽ”، روش کار: مطالعه ی حاضر، یک مطالعه ی مرور روایتی است. با استفاده از کلید واژه هایو معادل و ترکیب های آن ها در پایگاه ”ⅿaⅽhine ⅼearning” ”expⅼainabiⅼity”، ”interpretabiⅼity”،اطلاعاتی موجود، عملیات جستجو انجام شد.یافته ها: در مقالات بررسی شده، فارغ از نوع الگوریتم های یادگیری ماشینی، روش های مدل‑آگنوستیک برایمجموعه داده های مختلف در جهت درک هر چی بیشتر انسان از عمکرد مدل، مورد استفاده قرار گرفته و تفاسیر قابلدرک را به دست داده است.نتیجه گیری: به کارگیری رویکرد مدل‑آگنوستیک برای تفسیر الگوریتم های یادگیری ماشینی غیرشفاف، یک فرآیندمهم در جهت اتخاذ تصمیمات، در حوزه ای حیاتی مثل پزشکی است.