1. 引言

人工智能 (AI) 正迅速滲透到我們生活的方方面面，并在各個領(lǐng)域展現(xiàn)出巨大的潛力。尤其是在信貸、住房和醫(yī)療等高風(fēng)險領(lǐng)域，AI驅(qū)動的自動化決策 (ADM) 系統(tǒng)正發(fā)揮著越來越重要的作用。這些系統(tǒng)能夠高效地處理海量數(shù)據(jù)，并根據(jù)預(yù)設(shè)算法做出決策，從而提高效率、降低成本。然而，ADM 系統(tǒng)的廣泛應(yīng)用也引發(fā)了人們對其透明度和問責(zé)制的擔(dān)憂。由于許多 ADM 系統(tǒng)基于復(fù)雜的機器學(xué)習(xí)模型，例如深度神經(jīng)網(wǎng)絡(luò)，其決策過程往往難以理解，甚至可能存在算法偏差和歧視等問題，這給個人權(quán)益帶來了潛在風(fēng)險。

為了解決 ADM 系統(tǒng)的"黑盒"問題，可解釋人工智能 (XAI) 應(yīng)運而生。XAI 旨在提供各種方法來解釋復(fù)雜模型的決策過程，使人們能夠理解 AI 如何做出決策，并評估其公平性和可靠性。XAI 不僅有助于提高用戶對 AI 系統(tǒng)的信任度，還有助于識別和糾正算法偏差，確保 AI 系統(tǒng)的負責(zé)任使用。

歐盟的《通用數(shù)據(jù)保護條例》(GDPR) 對數(shù)據(jù)隱私和個人權(quán)利進行了嚴格的規(guī)定，其中包括對自動化決策的解釋權(quán)的要求。GDPR 第 22 條及其相關(guān)條款規(guī)定，個人有權(quán)不被完全基于自動化處理（包括分析）的決策所約束，并且有權(quán)獲得關(guān)于這些決策的解釋。然而，GDPR 對解釋權(quán)的具體內(nèi)容和形式并沒有明確規(guī)定，這給 XAI 方法的合規(guī)性帶來了挑戰(zhàn)。

為了探究 XAI 方法如何滿足 GDPR 的要求，在論文《The explanation dialogues: an expert focus study to understand requirements towards explanations within the GDPR》中，比薩大學(xué)和南安普頓大學(xué)的研究者進行了一項專家焦點研究，旨在了解法律專家對 XAI 解釋的理解、期望和推理。這項研究的結(jié)果將為 XAI 方法的開發(fā)和應(yīng)用提供重要的指導(dǎo)，并有助于促進 AI 系統(tǒng)在 GDPR 框架下的合規(guī)性。

2. 背景與相關(guān)工作

2.1 GDPR 與自動化決策

GDPR 第 22 條規(guī)定，個人有權(quán)不被完全基于自動化處理的決策所約束，除非該決策: (1) 是訂立或履行合同所必需的；(2) 基于數(shù)據(jù)主體的明確同意；(3) 是由歐盟或成員國法律授權(quán)的。此外，GDPR 還對特殊類別的個人數(shù)據(jù)（例如種族、政治觀點、健康狀況等）的自動化處理進行了更嚴格的限制。

即使?jié)M足上述例外情況，GDPR 仍然要求數(shù)據(jù)控制者采取適當(dāng)?shù)谋Ｕ洗胧﹣肀Ｗo數(shù)據(jù)主體的權(quán)益。這些保障措施包括: (1) 數(shù)據(jù)主體有權(quán)獲得人工干預(yù)；(2) 數(shù)據(jù)主體有權(quán)表達自己的觀點；(3) 數(shù)據(jù)主體有權(quán)對決策提出異議。此外，GDPR 第 71 條款還提到了數(shù)據(jù)主體有權(quán)獲得對決策的解釋。

然而，GDPR 對解釋權(quán)的具體內(nèi)容和形式并沒有明確規(guī)定，這引發(fā)了關(guān)于其含義和范圍的廣泛討論。一些學(xué)者認為，解釋權(quán)是競爭權(quán)的前提，數(shù)據(jù)主體只有理解了決策的依據(jù)和邏輯，才能有效地行使競爭權(quán)。另一些學(xué)者則認為，解釋權(quán)的范圍應(yīng)受到 GDPR 透明度原則的限制，數(shù)據(jù)控制者只需提供必要的信息，而無需透露其商業(yè)秘密或知識產(chǎn)權(quán)。

不同國家對 GDPR 第 22 條的實施也存在差異。例如，法國和匈牙利在其國內(nèi)法中明確規(guī)定了對自動化決策的解釋權(quán)，而其他一些國家則沒有。這些差異反映了各國對 XAI 解釋的不同理解和期望。

2.2 可解釋人工智能 (XAI)

XAI 方法可以根據(jù)其解釋范圍和模型依賴性進行分類。局部解釋方法旨在解釋單個決策，而全局解釋方法則旨在解釋整個模型的行為。模型特定方法只能用于特定類型的模型，而模型無關(guān)方法則可以應(yīng)用于任何類型的模型。

研究中使用了三種模型無關(guān)的局部解釋方法：

• SHAP (SHapley Additive exPlanations):SHAP 是一種基于博弈論的特征相關(guān)性方法，它可以計算每個特征對最終決策的貢獻值。SHAP 值可以是正的也可以是負的，表示該特征對決策結(jié)果的正面或負面影響。
• DICE (DIverse Counterfactual Explanations):DICE 是一種對比解釋方法，它可以生成與待解釋實例相似但具有不同預(yù)測結(jié)果的實例。這些對比實例可以幫助用戶理解如何改變輸入特征以獲得不同的決策結(jié)果。
• LORE (LOcal Rule-based Explanations):LORE 是一種基于規(guī)則的對比解釋方法，它可以生成描述決策邏輯的規(guī)則。LORE 可以提供事實規(guī)則和對比規(guī)則，分別解釋當(dāng)前決策的依據(jù)和如何改變輸入以獲得不同決策。

2.3 定性研究

XAI 中的用戶研究旨在了解不同用戶對 XAI 解釋的理解、接受程度和使用方式。用戶研究通常采用定性研究方法，例如調(diào)查、訪談和觀察，以收集用戶的反饋和意見。扎根理論是一種從定性數(shù)據(jù)中生成理論的分析方法。它通過對數(shù)據(jù)進行編碼和分類，逐步提煉出核心概念和理論框架。

3. 解釋對話

3.1 研究問題

研究旨在回答以下兩個研究問題：

1. 法律專家如何理解 ADM 系統(tǒng)的解釋，以及他們?nèi)绾闻袛喱F(xiàn)有方法的法律合規(guī)性？
2. 法律專家是否理解并信任 ADM 系統(tǒng)的解釋，以及他們認為應(yīng)該如何改進？

3.2 研究設(shè)計

研究設(shè)計了一個貸款申請場景，其中銀行使用隨機森林模型來評估客戶的信用風(fēng)險，并使用 XAI 方法向客戶解釋貸款申請的結(jié)果。隨機森林模型在訓(xùn)練集和測試集上的準確率分別為 0.815 和 0.8，表明模型具有良好的預(yù)測性能。

研究選擇了 SHAP、DICE 和 LORE 三種 XAI 方法，并以不同的形式 (例如圖表、表格、規(guī)則) 向參與者呈現(xiàn)。選擇這些方法的原因包括：它們能夠提供不同類型的解釋信息 (例如全局解釋、局部解釋、對比解釋)；它們是 XAI 領(lǐng)域的最新方法，并具有一定的法律支持。

研究招募了 9 位法律專家參與在線問卷調(diào)查，并對其中 6 位進行了后續(xù)訪談。選擇法律專家的目的是了解他們對 XAI 解釋的法律合規(guī)性和可理解性的看法。

3.3 技術(shù)細節(jié)

研究使用了 South German Credit Dataset 作為貸款申請場景的數(shù)據(jù)集。該數(shù)據(jù)集包含 1000 個數(shù)據(jù)樣本，每個樣本有 20 個特征和一個二元響應(yīng)變量 ("good vs. bad" credit)。

XAI 解釋方法的計算使用了 Python 的 sklearn、SHAP 和 DICE (dice-ml) 包，以及 LORE 的開源代碼。在線問卷調(diào)查使用了 Qualtrics 軟件，訪談則通過 Microsoft Teams 進行，并進行了錄音和轉(zhuǎn)錄。所有數(shù)據(jù)都進行了匿名化處理，以保護參與者的隱私。

3.4 評估細節(jié)

問卷數(shù)據(jù)經(jīng)過清洗后，對參與者的自由文本回答進行了扎根理論分析。兩位研究人員獨立地對文本進行開放編碼、軸心編碼和選擇性編碼，最終生成了一套包含六個核心現(xiàn)象的編碼表。訪談數(shù)據(jù)也進行了類似的扎根理論分析，最終生成了一套包含三個核心現(xiàn)象的編碼表。

4. 結(jié)果

4.1 問卷調(diào)查結(jié)果

問卷結(jié)果分析主要圍繞以下六個核心現(xiàn)象展開: 解釋的相關(guān)性、對普通用戶的可理解性、交付方式和格式的適當(dāng)性、行使權(quán)利的適用性、決策結(jié)果對信息需求的意義以及信息的完整性。

參與者對不同 XAI 方法的評價如下：

• 全局 SHAP：參與者普遍認為全局 SHAP 解釋難以理解，缺乏與個案相關(guān)的具體信息，并且對行使權(quán)利沒有幫助。
• 局部 SHAP：參與者對局部 SHAP 解釋的評價褒貶不一，一些人認為它有助于理解決策，另一些人則認為它過于復(fù)雜和難以理解。
• DICE：參與者對 DICE 解釋的評價較為正面，認為它提供了更具體的對比信息，但同時也指出其可操作性有限。
• LORE：參與者對 LORE 解釋的評價差異較大，一些人認為它清晰易懂，另一些人則認為它缺乏信息和指導(dǎo)意義。

4.2 訪談結(jié)果

訪談結(jié)果主要圍繞三個核心現(xiàn)象展開：解釋的呈現(xiàn)、有效性以及高級主題。訪談結(jié)果顯示，參與者對 XAI 解釋的理解程度仍然有限，并且對解釋權(quán)的范圍和內(nèi)容存在不同看法。一些參與者強調(diào)了解釋的可理解性，認為解釋應(yīng)該清晰易懂，以便數(shù)據(jù)主體能夠理解決策的依據(jù)。另一些參與者則更關(guān)注解釋的法律合規(guī)性，認為解釋應(yīng)該提供足夠的信息，以便數(shù)據(jù)主體能夠評估決策的合法性和公平性。

4.3  相互聯(lián)系與總結(jié)

研究發(fā)現(xiàn)，解釋的有效性與其上下文密切相關(guān)，例如應(yīng)用領(lǐng)域、決策的重要性以及適用的法律法規(guī)。此外，數(shù)據(jù)控制者和數(shù)據(jù)主體之間的利益權(quán)衡也是一個重要的考慮因素。XAI 解釋需要在保護數(shù)據(jù)主體權(quán)益的同時，兼顧數(shù)據(jù)控制者的商業(yè)利益和知識產(chǎn)權(quán)。

總的來說，問卷和訪談的結(jié)果都表明，現(xiàn)有的 XAI 方法在可理解性、信息完整性和法律合規(guī)性方面仍有改進空間。

5. 討論的關(guān)鍵問題

5.1 回答研究問題

在第四部分詳細分析了問卷和訪談的結(jié)果之后，現(xiàn)在我們來解讀一下研究提出的兩個核心問題：

• 問題 1：法律專家如何理解 ADM 系統(tǒng)的解釋，以及他們?nèi)绾闻袛喱F(xiàn)有方法的法律合規(guī)性？
  研究結(jié)果顯示，法律專家對 XAI 解釋的理解存在一定難度，尤其是在面對 SHAP 生成的圖形解釋時，他們普遍感到困惑。這表明 XAI 方法的可理解性仍有待提高，開發(fā)者需要更加注重解釋的清晰性和直觀性。此外，法律專家對現(xiàn)有 XAI 方法的 GDPR 合規(guī)性也表示擔(dān)憂。他們認為，許多解釋缺乏關(guān)鍵信息，例如決策的具體依據(jù)、特征的重要性以及與個案相關(guān)的細節(jié)。這突顯了 XAI 方法在信息完整性方面需要改進，以滿足 GDPR 的要求。
• 問題 2：法律專家是否理解并信任 ADM 系統(tǒng)的解釋，以及他們認為應(yīng)該如何改進？
  研究發(fā)現(xiàn)，法律專家對 XAI 解釋的信任程度并不高。他們認為，現(xiàn)有的解釋方法難以幫助數(shù)據(jù)主體充分理解決策過程，并評估其合法性和公平性。為了改進 XAI 解釋，法律專家提出了一些建議，例如：

• 結(jié)合全局解釋和局部解釋，以提供更全面的信息。
• 使用清晰易懂的語言和圖表，避免使用過于專業(yè)的術(shù)語和復(fù)雜的圖形。
• 提供更多與個案相關(guān)的細節(jié)，例如特征的具體取值和對決策的影響。
• 增加解釋的交互性，允許數(shù)據(jù)主體探索不同的假設(shè)情景。

5.2  改進建議

基于研究結(jié)果， XAI 方法的開發(fā)者可以考慮以下改進建議：

• 呈現(xiàn)方式：為了提高可理解性，XAI 解釋應(yīng)該結(jié)合全局解釋和局部解釋。全局解釋可以幫助用戶了解模型的整體行為，而局部解釋可以幫助用戶理解個體決策的具體原因。此外，開發(fā)者應(yīng)該使用清晰易懂的語言和圖表來呈現(xiàn)解釋，避免使用過于專業(yè)的術(shù)語和復(fù)雜的圖形。例如，可以使用自然語言、決策樹或簡單的圖表來解釋模型的決策邏輯。
• 格式選擇：XAI 解釋的格式應(yīng)該根據(jù)用戶的需求和理解能力進行選擇。對于非專業(yè)用戶，可以使用文本、簡單的圖表或決策規(guī)則來解釋模型的決策過程。對于專業(yè)用戶，可以使用更復(fù)雜的圖形或數(shù)學(xué)公式來解釋模型的內(nèi)部機制。
• 內(nèi)容設(shè)計：XAI 解釋應(yīng)該提供足夠的信息，以幫助用戶理解決策過程。這些信息應(yīng)該包括決策的依據(jù)、特征的重要性以及對比信息等。例如，可以使用 SHAP 方法來解釋每個特征對決策的貢獻，使用 LIME 方法來解釋模型在局部區(qū)域的行為，使用 DICE 方法來生成對比解釋。
• 用戶需求：在開發(fā) XAI 方法時，應(yīng)該充分考慮用戶的需求。可以通過用戶研究來了解用戶的認知水平、信息需求和解釋偏好。此外，可以根據(jù)用戶的反饋來改進 XAI 方法的設(shè)計和實現(xiàn)。

5.3  法律問題*

在設(shè)計和應(yīng)用 XAI 方法時，還需要注意以下法律問題：

• 可理解性和可解釋性：GDPR 要求 XAI 解釋必須清晰易懂，以便數(shù)據(jù)主體能夠理解自動化決策的過程，并評估其合法性和公平性。開發(fā)者需要確保 XAI 解釋的語言、格式和內(nèi)容都易于被目標(biāo)用戶理解。
• 透明度閾值：GDPR 鼓勵透明度，但也承認保護商業(yè)秘密和知識產(chǎn)權(quán)的重要性。在設(shè)計 XAI 解釋時，需要平衡數(shù)據(jù)主體的信息權(quán)和數(shù)據(jù)控制者的商業(yè)利益。
• 利益沖突：XAI 解釋需要平衡數(shù)據(jù)主體和數(shù)據(jù)控制者之間的利益。開發(fā)者應(yīng)該避免設(shè)計可能導(dǎo)致利益沖突的解釋方法，例如，避免過度強調(diào)有利于數(shù)據(jù)控制者的信息，而忽略不利于數(shù)據(jù)控制者的信息。

5.4 未來趨勢

未來，參照之前的論文觀點，XAI 的發(fā)展趨勢可能有以下幾個：

• 與其他技術(shù)的結(jié)合：XAI 可以與聯(lián)邦學(xué)習(xí)、差分隱私等技術(shù)結(jié)合，以更好地保護數(shù)據(jù)主體的隱私和權(quán)益。例如，可以將 XAI 方法應(yīng)用于聯(lián)邦學(xué)習(xí)模型，以解釋模型如何在不訪問原始數(shù)據(jù)的情況下進行訓(xùn)練和決策。
• 個性化解釋：XAI 可以根據(jù)用戶的需求和理解能力提供個性化的解釋。例如，可以根據(jù)用戶的專業(yè)背景、認知水平和信息需求，調(diào)整解釋的語言、格式和內(nèi)容。
• 動態(tài)解釋：XAI 可以隨著模型的更新和數(shù)據(jù)的變化提供動態(tài)的解釋。例如，可以將 XAI 方法與模型監(jiān)控技術(shù)相結(jié)合，以便在模型的行為發(fā)生變化時及時更新解釋。

6. 結(jié)論

XAI 方法在 GDPR 合規(guī)性中發(fā)揮著重要的作用。它能夠幫助數(shù)據(jù)主體理解自動化決策的過程，并評估其合法性和公平性，從而保障數(shù)據(jù)主體的權(quán)益。研究通過對法律專家的調(diào)查和訪談，深入了解了他們對 XAI 解釋的理解、期望和顧慮。研究結(jié)果為 XAI 方法的開發(fā)和應(yīng)用提供了重要的指導(dǎo)。

未來，XAI 方法需要在可理解性、信息完整性和法律合規(guī)性方面不斷改進，以更好地滿足 GDPR 的要求，并促進 AI 系統(tǒng)的負責(zé)任使用。

參考論文： arXiv:2501.05325v1 [cs.CY] 9 Jan 2025

本文轉(zhuǎn)載自 ??上堵吟??，作者： 一路到底孟子敬