Abstract

يُعد الذكاء الاصطناعي القابل للتفسير (XAI) مهماً لتحسين قابلية تفسير النماذج الاحتمالية في تطبيقات دعم اتخاذ القرار. وعلى الرغم من أن الشبكات البايزية (BNs) توفر استدلالاً احتمالياً من خلال الرسوم البيانية الموجهة الخالية من الحلقات (DAGs) وجداول الاحتمالات الشرطية (CPTs)، فإن مخرجاتها الرقمية قد تكون صعبة التفسير بالنسبة لمتخذي القرار غير المختصين. وقد توفر أساليب التفسير التقليدية مقاييس لأهمية الخصائص أو مساهمتها، لكنها لا تقدم بالضرورة تفسيرات سياقية باللغة الطبيعية للمخرجات الاحتمالية. ولردم هذه الفجوة، تقدم هذه الورقة إطاراً معمارياً يجمع بين الشبكات البايزية ونماذج اللغة الكبيرة (LLMs) لتوليد تفسيرات سياقية وتفاعلية. يستخرج الإطار الأدلة الاحتمالية والعلاقات ذات الصلة من الشبكة البايزية ويمررها إلى نموذج اللغة من خلال قوالب أوامر منظمة ومقيدة، مما يتيح توليد تفسيرات باللغة الطبيعية تستند إلى نتائج الاستدلال البايزي. وعند تقييم الإطار ضمن حالة دراسية لتقييم الجدارة الائتمانية تشمل 300 حالة اختبار، حققت الشبكة البايزية دقة تصنيف بلغت 82.67% (بمقياس F1 بلغ 89.34%)، وبلغ متوسط مقياس ROUGE-1 مقدار 0.4499، إضافة إلى درجة جودة كلية بلغت 3.11 / 5.00 من خلال التقييم باستخدام نموذج لغوي كحَكَم (Qwen 2.5) (LLM-as-a-Judge) وبمتوسط زمن استجابة بلغ 15.75 ثانية لكل حالة. وتوضح هذه النتائج إمكانية الجمع بين الاستدلال الاحتمالي وتوليد اللغة الطبيعية المقيد لتحسين سهولة الوصول إلى تفسيرات قرارات الشبكات البايزية وقابليتها للفهم.