Explicaciones temporales basadas en el conocimiento para el razonamiento inductivo: un ejemplo de caso de mHealth
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1272Palabras clave:
Representación del Conocimiento, Explicabilidad, mHealthResumen
Objetivo: Investigar la generación de explicaciones para sistemas inductivos utilizando una ontología unificada que represente el estado de salud de los usuarios móviles. Esta ontología sirve como conocimiento a priori, facilitando la generación de explicaciones. Método: Examinamos 24 aplicaciones de salud móvil (mHealth) para desarrollar esta ontología, enfatizando extensiones que consideran aspectos temporales, dada la limitación de las ontologías a la hora de modelar relaciones temporales ternarias. Posteriormente, aplicamos diferentes configuraciones de un algoritmo inductivo que recibe esta ontología como entrada, generando explicaciones para sus resultados inductivos. Resultados: Los experimentos muestran que la estructura del modelo temporal afecta la legibilidad de las explicaciones. Además, los experimentos enfatizan el tradeoff entre precisión y poder de generalización. Conclusión: Las extensiones temporales mejoran la expresividad de las explicaciones, ya que se exploran las relaciones y conceptos temporales para contextualizar mejor los hechos de base temporal asociados con resultados inductivos.
Citas
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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
