یک چارچوب یکپارچه هوش مصنوعی توضیح پذیر برای افزایش اعتماد مصرف کننده در تشخیص تقلب و شخصی سازی تجربه خرید آنلاین

زمینه و هدف: رشد تجارت الکترونیکی به طور همزمان دو نیاز حیاتی را برجسته کرده است تشخیص دقیق تراکنش های متقلبانه و ارائه تجربه های خرید شخصی سازی شده. با این حال ماهیت جعبه سیاه بسیاری از مدل های هوش مصنوعی می تواند اعتماد مصرف کننده را تضعیف کند. هدف این پژوهش طراحی و ارزیابی یک چارچوب سه لایه بود که تشخیص تقلب، شخصی سازی و توضیح پذیری را یکپارچه می کند. روش ها در لایه نخست از جنگل تصادفی بهینه شده، در لایه دوم از پالایش مشارکتی مبتنی بر ضریب همبستگی پیرسون و در لایه سوم از LIME استفاده شد. ارزیابی فنی بر روی ۵۰۰۰ تراکنش شبیه سازی شده با ۲۴ ویژگی انجام گرفت که ۲۶۰ تراکنش متقلبانه (۵.۲%) را شامل می شد. علاوه بر روش مبتنی بر قواعد و جنگل تصادفی پایه، پنج روش رگرسیون لجستیک، درخت تصمیم، ماشین بردار پشتیبان، XGBoost و LightGBM در پنج تقسیم بندی طبقه بندی شده تکرارشونده مقایسه شدند. نتایج آزمون فریدمن وجود تفاوت کلی معنادار میان روش ها را نشان داد. Boost... (بالاترین دقت متوازن ۹۶.۱ ± ۱.۲) را به دست آورد، در حالی که LightGBM بالاترین امتیاز F۱ (۸۹.۷ ± ۳.۶) را ثبت کرد. چارچوب پیشنهادی به دقت متوازن ۹۵.۶ ± ۱.۷، بازخوانی ۹۳.۳ ± ۳.۹، نرخ مثبت کاذب ۲.۱ ± ۱.۱ و AUC برابر با ۹۷.۱ ± ۱.۴ دست یافت. در ارزیابی کاربر محور امتیاز اعتماد از ۱۴.۹ به ۲۳.۲ افزایش یافت، رضایت از توصیه ها از ۱۴.۵ به ۰.۲۳۸ رسید و زمان پاسخ از ۵۲۵ ± ۱۰ میلی ثانیه افزایش پیدا کرد. نتیجه گیری: هرچند چارچوب پیشنهادی در همه شاخص ها بهترین طبقه بند نبود، بهترین توازن کلی را میان عملکرد فنی، توضیح پذیری، شخصی سازی و اعتماد مصرف کننده فراهم کرد. برای پشتیبانی از تعمیم گسترده تر اعتبارسنجی با داده های دنیای واقعی و نمونه های دارای تنوع فرهنگی ضروری است.

کلیدواژه ها:

هوش مصنوعی توضیح پذیر (XAI) ، اعتماد مصرف کننده ، تشخیص تقلب ، شخصی سازی تجارت الکترونیکی ، جنگل تصادفی ، LIME ، LightGBM ، XGBoost