بينما تصبح نماذج التعلم الآلي أكثر تنبؤاً، فإن افتقارها للشفافية يهدد الثقة في المجالات عالية المخاطر مثل الرعاية الصحية والتمويل والبنية التحتية المدنية. لذلك، تتعامل أبحاث الذكاء الاصطناعي القابل للتفسير بشكل رئيسي مع التحديات المرتبطة بجعل سلوكيات النماذج وعمليات اتخاذ القرار قابلة للتفسير. تستعرض هذه المراجعة المنهجية، التي أجريت باستخدام بيان PRISMA 2020، 89 مقالة مراجعة لأقران من مجلات Q1 وQ2 نشرت من عام 2018 إلى 2025 وتحدد أربعة عشر تقنية مختلفة للذكاء الاصطناعي القابل للتفسير. الطرق الرائدة في الأدبيات هي القابلية للتفسير بعد الحدث (82٪)، في حين أن SHAP وLIME هما أكثر تقنيتي XAI شيوعاً، خاصة في تطبيقات الرعاية الصحية بنسبة 28٪. تشمل التقنيات الخاصة بالنماذج الأخرى طريقة Grad-CAM وآليات الانتباه، التي تجد تطبيقات واسعة في مهام معالجة الصور والرؤية الطبيعية. تتجاوز هذه المراجعة التجميعات الوصفية وتقترح إطاراً هجيناً متكاملاً للقابلية للتفسير يستفيد من SHAP مع تفسيرات مضادة للحقائق، مما يعزز الثقة القابلة للتفسير والعملية والمستخدمة. كما تطور المراجعة الفجوات الرئيسية في الاستفسارات البحثية الحالية: (1) غياب آليات التفكير السببي، (2) نقص المعايير الموحدة للتقييم، و(3) التحقق المحدود المتمركز حول الإنسان. تتم مناقشة اتجاهات الأبحاث المستقبلية وينبغي توجيهها نحو فهم XAI السببية، والقابلية للتفسير المحفوظة الخصوصية والموحدة، والنماذج الهجينة العصبية الرمزية.
درس لافانيا وزملاؤه (الخميس) هذا السؤال.