Pojasnjevalni priporočilni sistem za aktivnosti starejših uporabnikovTREBOVAC, ANJA (Avtor) Košir, Andrej (Mentor) priporočilni sistemirazložljiva umetna inteligenca (XAI)SHAPzdravo staranjestarejši odraslientropija pojasnilkontekstno odvisni sistemiaktivno staranjeV magistrskem delu obravnavamo razvoj razložljivega priporočilnega sistema. Izhodišče je demografsko staranje prebivalstva in potreba po tehnoloških rešitvah, ki podpirajo zdravo in aktivno staranje ter so hkrati prilagojene posebnostim starejših uporabnikov. Obstoječi priporočilni sistemi pogosto delujejo kot "črne skrinje", kar v občutljivih domenah, kot je skrb za starejše, predstavlja oviro zaradi pomanjkanja transparentnosti in zaupanja. Namesto klasičnih črnih skrinj, problem priporočanja formuliramo kot nalogo napovedovanja ocen na tabelaričnih podatkih. Raziskujemo, kako različni sklopi kontekstualnih, demografskih in vedenjskih spremenljivk vplivajo na natančnost napovedi in berljivost pojasnil modela. Za reševanje problema smo uporabili podatke nacionalne raziskave Inštituta Antona Trstenjaka na vzorcu 1.047 oseb, starejših od 50 let ter vključuje validirane vprašalnike o zdravju,aktivnostih, odnosih in stališčih. Na osnovi konstruktov konstruiramo ocenjevalno matriko uporabnik–aktivnost in šest konfiguracij značilk: osnovni model (samo userID, itemID), model s trenutnim kontekstom aktivnosti, model z razredi konteksta, demografski model, model z vedenjsko-nagnitvenimi dejavniki ter model z uporabniškimi skupinami. Za vse konfiguracije treniramo regresijski model XGBoost z uporabniško razdelitvijo na učni in testni del, uspešnost pa merimo z MAE in RMSE. Za razlago napovedi uporabimo ogrodje SHAP, ki omogoča globalne in lokalne razlage prispevkov posameznih značilk. Na podlagi SHAP vrednosti uvedemo tudi mero entropije pojasnil, ki kvantitativno oceni, kako koncentrirana ali razpršena je razlaga. Rezultati eksperimentov so pokazali, da vključitev kontekstualnih informacij bistveno izboljša napovedno točnost modela v primerjavi z osnovnim modelom. Najboljši rezultat je dosegel model z vključenim trenutnim kontekstom aktivnosti, ki je zmanjšal srednjo absolutno napako (MAE) z 1,1393 na 0,6031, kar potrjuje, da so preference starejših uporabnikov močno odvisne od situacije. Analiza entropije razlage je razkrila, da vključitev vedenjskih in stališčnih dejavnikov vodi do najbolj osredotočenih in s tem človeku najbolj razumljivih razlag Demografske značilnosti in grobe uporabniške skupine prispevajo k stabilnosti razlag, čeprav je bil njihov vpliv na točnost manjši. Zaključujemo, da je mogoče s kombinacijo gradientnega povečevanja dreves (XGBoost), SHAP-pojasnil in entropije pojasnil zgraditi učinkovit sistem priporočanja, ki hkrati dosega dobro napovedno natančnost in generira kratka, razumljiva pojasnila. Takšen sistem je primeren za podporo zdravemu staranju, saj omogoča, da strokovnjaki, skrbniki in sami starejši uporabniki razumejo, zakaj je bila predlagana določena aktivnost, ter lažje presodijo primernost priporočila.20252025-12-11 11:45:02Magistrsko delo/naloga176823sl