في عالم الرعاية الصحية والصناعة، حيث تكون القرارات ذات تأثير كبير، أصبح من الضروري ضمان فهم القرارات التي يتخذها الذكاء الاصطناعي (AI). إن غياب الرؤية الواضحة لدوافع النموذج يمكن أن يؤثر بشكل عميق على موثوقية هذه النماذج. وللأسف، تظل تطبيقات السلاسل الزمنية (Time Series) غير مستكشفة بشكل كافٍ مقارنةً ببيانات الصور، مما يشير إلى الحاجة الملحة لتطوير تقنيات الذكاء الاصطناعي القابلة للتفسير (XAI).

ومعظم التقنيات الحالية المتاحة تركز فقط على النقاط أو التسلسلات الفرعية، وهو ما قد يُحد من استخدامها، إذ إن هذه النقاط والتسلسلات قد لا تلتقط الأنماط والاتجاهات المهمة وقد تُفضي إلى تفسيرات غير مفهومة للبشر. وفي هذا السياق، تقدم الورقة البحثية مفهومًا جديدًا تحت مسمى C-SHAP.

تعتمد تقنية C-SHAP على تعريف المفاهيم كأنماط عالية المستوى مستخرجة من بيانات السلاسل الزمنية. هذا يعني أن قادة الصناعة والباحثين في الرعاية الصحية يمكنهم الآن التفكير في نماذجهم ليس فقط من حيث النتائج، ولكن من خلال فهم كيف تعمل المفاهيم الأساسية على تشكيل تلك النتائج. كما يستخدم C-SHAP طريقة SHAP لتحديد تأثير هذه المفاهيم على التوقعات.

تستعرض الدراسة الفعالية الكبيرة لهذه الإطار من خلال تطبيقاته في مجال تعرف نشاط الإنسان (Human Activity Recognition) وصيانة المعدات التنبؤية، مما يُظهر كيف يمكن للقرارات المدعومة بالذكاء الاصطناعي أن تُفهم بشكل أفضل وتُتخذ بمزيد من الثقة.