Notice bibliographique
Résumé
Machine learning models have the potential to transform healthcare by enabling the construction of decision support systems.However, a major challenge is the lack of transparency and accountability, as many models do not provide understandable explanations for their recommendations.Explainable Artificial Intelligence (XAI) methods aim to address this challenge by constructing and communicating explanations of how a model works and why it produces a particular output.This can help users evaluate the system and build trust in it, where appropriate.In this paper, we propose a method for explaining the relative rankings of predictions made by an XGBoost model, which involves understanding and comparing multiple predictions together.Our method uses counterfactual examples to show how changing the feature values of an entity can affect its position within the ranking defined by the model.Unlike traditional counterfactual explanations, which aim to find feature value changes that would result in a different predicted class label by meeting a fixed threshold, the proposed approach is unique in that it aims to identify changes that would bring the predictions in line with a dynamic threshold determined by other data items.We demonstrate the effectiveness of our approach in a healthcare triage problem.Our framework for counterfactual explanation provides a powerful tool for understanding the relationships between feature values and model rankings and can help promote transparency and accountability in healthcare decision-making and decision support.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,023 | 0,133 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».