説明可能なAI（XAI）の人間中心な進歩に向けた学際的専門知識

科学分野:

• 医療情報学
• 人工知能
• バイアス検出

背景:

• 人工知能（AI）は医療に大きな影響を与えますが、持続的なバイアスとサブグループのパフォーマンスの問題がその可能性を十分に引き出すことを妨げています。
• 既存の研究では、バイアスを軽減し、集団の健康を促進するために、データの代表性とモデルのパフォーマンスが強調されています。
• 社会疫学、行動科学、医療サービス研究は、特に説明可能なAI（XAI）において、AIの所見を解釈するための貴重なフレームワークを提供します。

研究 の 目的:

• 生成的なXAIと学際的な専門家パネルレビュープロセスを統合した、新しい人間参加型のモデルを導入すること。
• バイアスを特定し、将来の研究を導くために、複数の視点からAIモデルの説明を批判的に評価すること。
• AIの厳密性を向上させ、チームサイエンスを促進するために、学際的な専門知識を活用すること。

主な方法:

• 生成的な説明可能なAI（XAI）と、ラップアラウンド学際的専門家パネルレビュープロセスを組み合わせること。
• AIモデルの説明を批判的に評価するための人間中心のアプローチ。
• 専門家の解釈を通じて、歴史的および文脈的な情報を取り込むこと。

主要な成果:

• 学際的な専門家パネルは、AIモデルにおけるバイアスの領域を効果的に特定しました。
• 専門家の解釈は、歴史的および文脈的に情報に基づいた洞察を提供しました。
• 潜在的な交絡因子が特定され、バイアスを軽減するために以前の研究からの科学的証拠が統合されました。

結論:

• 人間中心のフレームワークは、医療におけるAIモデルの改善と実装のための方法論的厳密性を高めます。
• このアプローチは、チームサイエンスと共同研究の機会を積極的に促進します。
• このモデルは、医療アプリケーションにおけるバイアスを軽減し、AIのパフォーマンスを向上させるための有望な経路を提供します。