Explicabilidade baseada em conhecimento temporal: um estudo de casos em mHealth

Autores

  • Isabela Nascimento Federal University of Paraiba
  • Clauirton Siebra Federal University of Paraiba

DOI:

https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1272

Palavras-chave:

Representação do Conhecimento, Explicabilidade, mHealth

Resumo

Objetivo: Investigar a geração de explicações para sistemas indutivos utilizando uma ontologia unificada que representa o estado de saúde de usuários móveis. Esta ontologia serve como conhecimento a priori, facilitando a geração de explicações. Método: Examinamos 24 aplicativos móveis de saúde (mHealth) para desenvolvimento da ontologia, enfatizando extensões que consideram aspectos temporais. Tais aspectos costumam ser negligenciados nas representações de saúde, dada a limitação das ontologias em modelar relações temporais ternárias. Em seguida, aplicamos diferentes configurações de um algoritmo indutivo que recebe esta ontologia como entrada, gerando explicações para seus resultados indutivos. Resultados: Experimentos mostram que a estrutura do modelo temporal afeta a legibilidade das explicações. Além disso, os experimentos enfatizam o tradeoff entre precisão e poder de generalização. Conclusão: As extensões temporais melhoram a expressividade das explicações, uma vez que as relações e conceitos temporais são explorados para melhor contextualizar fatos temporais associados a resultados indutivos.

Biografia do Autor

Isabela Nascimento, Federal University of Paraiba

Informatics Center, Federal University of Paraiba, Joao Pessoa (PB), Brazil.

Clauirton Siebra, Federal University of Paraiba

LIAA, Federal University of Paraiba, Joao Pessoa (PB), Brazil.

Referências

Fong RC, Vedaldi A. Interpretable Explanations of Black Boxes by Meaningful Perturbation. Proceedings of the IEEE International Conference on Computer Vision, 2017, 3429-3437. DOI: https://doi.org/10.1109/ICCV.2017.371

Garcez ADA, et al. Neural-symbolic learning and reasoning: A survey and interpretation. Neuro-Symbolic Artificial Intelligence: The State of the Art, 2022, 342, 1-51.

Mastropietro A, et al. Multi-domain Model of Healthy Ageing: The Experience of the H2020 NESTORE Project. Italian Forum of Ambient Assisted Living, 2018, 13-21 DOI: https://doi.org/10.1007/978-3-030-05921-7_2

Baader F, Calvanese D, McGuinness D, Nardi D, Patel-Schneider PF. The Description Logic Handbook: Theory, Implementation, and Applications. 2010, Cambridge University Press.

Batsakis S, Petrakis E, Tachmazidis I, Antoniou G. Temporal representation and reasoning in OWL 2. Semantic Web, 2017, 8(6): 981–1000. DOI: https://doi.org/10.3233/SW-160248

Siebra C, Wac K. Engineering uncertain time for its practical integration in ontologies. Knowledge-based Systems. 2022, 251, 109152. DOI: https://doi.org/10.1016/j.knosys.2022.109152

Fallaize R, et al. Popular Nutrition-Related Mobile Apps: An Agreement Assessment Against a UK Reference Method. JMIR mHealth and uHealth. 2019, 7(2): e9838. DOI: https://doi.org/10.2196/mhealth.9838

Lewis M, Sutton A. Understanding Exercise Behaviour: Examining the Interaction of Exercise Motivation and Personality in Predicting Exercise Frequency. J. Sport Beh. 2011, 34(1): 82-97.

Procko T, Elvira T, Ochoa O, Del Rio N. An Exploration of Explainable Machine Learning Using Semantic Web Technology. IEEE 16th Int. Conf. on Semantic Computing, 2022, 143-146. DOI: https://doi.org/10.1109/ICSC52841.2022.00029

Giunti M, Sergioli G, Vivanet G, Pinna S. Representing n-ary relations in the Semantic Web. Logic Journal of the IGPL, 2019. DOI: https://doi.org/10.1093/jigpal/jzz047

Manea V, Hansen MS, Elbeyi SE, Wac K. Towards Personalizing Participation in Health Studies. Fourth Int. Workshop on Multimedia for Personal Health & Health Care, 2019, 32-39. DOI: https://doi.org/10.1145/3347444.3356241

Manea V, Wac K. MQOL: Mobile quality of life lab: From behavior change to QOL. Proceedings of the 2018 ACM International Joint Conference and 2018 International Symposium on Pervasive and Ubiquitous Computing and Wearable Computers, 2018, 642-647. DOI: https://doi.org/10.1145/3267305.3267549

Detrano R. et al. International application of a new probability algorithm for the diagnosis of coronary artery disease. American Journal of Cardiology. 1989. 64, 304-310. DOI: https://doi.org/10.1016/0002-9149(89)90524-9

Figueiredo EB et al.. Semântica em prontuários eletrônicos para oncologia pediátrica: uma revisão integrativa. Journal of Health Informatics. 2023, 15(2):61-9. DOI: https://doi.org/10.59681/2175-4411.v15.i2.2023.993

van der Veer SN, et al. Trading off accuracy and explainability in AI decision-making: findings from 2 citizens’ juries. J. American Medical Informatics Association. 2021, 28(10), 2128-2138. DOI: https://doi.org/10.1093/jamia/ocab127

Downloads

Publicado

19-11-2024

Como Citar

Nascimento, I., & Siebra, C. (2024). Explicabilidade baseada em conhecimento temporal: um estudo de casos em mHealth. Journal of Health Informatics, 16(Especial). https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1272

Artigos Semelhantes

1 2 3 4 5 6 7 > >> 

Você também pode iniciar uma pesquisa avançada por similaridade para este artigo.