<?xml version='1.0' encoding='UTF-8'?>
<ArticleSet>
  <Article>
    <Journal>
      <PublisherName>موسسه آموزش عالی آپادانا</PublisherName>
      <JournalTitle>نشریه مطالعات مهندسی کامپیوتر آپادانا</JournalTitle>
      <Issn>-</Issn>
      <Volume></Volume>
      <Issue></Issue>
      <PubDate PubStatus="epublish">
        <Year></Year>
        <Month></Month>
        <Day></Day>
      </PubDate>
    </Journal>

    <ArticleTitle>Explainable AI-based decision support systems: A recent review.</ArticleTitle>
    <VernacularTitle>پشتیبانی تصمیم گیری مبتنی بر هوش مصنوعی قابل توضیح سیستم ها: بررسی اخیر</VernacularTitle>
    <FirstPage></FirstPage>
    <LastPage></LastPage>
    <ELocationID EIdType="doi">10.22051/jera.2021.31891.2698</ELocationID>
    <Language>FA</Language>

    <AuthorList>
      <Author>
        <FirstName>علی</FirstName>
                <Affiliation>دانشجوی ارشد رشته کامپیوتر، نرم افزار، موسسه آموزش عالی آپادانا، شیراز، ایران</Affiliation>
      </Author>
      <Author>
        <FirstName>کیمیا</FirstName>
                <Affiliation>استادیار، موسسه آموزش عالی آپادانا، شیراز، ایران</Affiliation>
      </Author>
      <Author>
        <FirstName>زهرا</FirstName>
                <Affiliation>مربی، گروه کامپیوتر، موسسه آموزش عالی آپادانا، شیراز، ایران</Affiliation>
      </Author>
    </AuthorList>

    <PublicationType></PublicationType>

    <History>
      <PubDate PubStatus="received">
        <Year></Year>
        <Month></Month>
        <Day></Day>
      </PubDate>
    </History>

    <Abstract>This survey paper provides an overview of the evolving landscape of explainable artificial intelligence (XAI) in decision support systems (DSS). As artificial intelligence (AI) continues to play a significant role in decision-making processes across multiple domains, the need for transparency, interpretability, and trust becomes increasingly important. This survey examines the methods, applications, challenges, and future research directions in integrating explainability into AI-based decision support systems. The paper aims to guide researchers, practitioners, and decision makers in navigating the complex landscape of XAI-based DSSs through an in-depth analysis of current research and practical implementations. These systems assist end-users in decision-making, provide a complete picture of how decisions are made, and enhance trust. In addition, a methodological taxonomy of current methods is proposed, and representative works are presented and discussed. Analysis of recent studies shows that there is a growing interest in using XDSSs in fields such as medical diagnostics, manufacturing, and education, as they smooth the balance between accuracy and explanation, increasing confidence as well as confirmation of decisions.</Abstract>
    <OtherAbstract Language="FA">این مقاله نظرسنجی یک نمای کلی از چشم انداز در حال تکامل هوش مصنوعی قابل توضیح (XAI) در سیستم های پشتیبانی تصمیم (DSS) ارائه می دهد. از آنجایی که هوش مصنوعی (AI) همچنان نقش مهمی در فرآیندهای تصمیم‌گیری در حوزه‌های مختلف بازی می‌کند، نیاز به شفافیت، تفسیرپذیری و اعتماد بسیار مهم می‌شود. این نظرسنجی روش‌ها، کاربردها، چالش‌ها و جهت‌گیری‌های تحقیقاتی آینده را در ادغام قابلیت توضیح در سیستم‌های پشتیبانی تصمیم مبتنی بر هوش مصنوعی بررسی می‌کند. هدف این مقاله از طریق تجزیه و تحلیل عمیق تحقیقات فعلی و پیاده سازی های عملی، هدایت محققان، متخصصان و تصمیم گیرندگان در جهت یابی در چشم انداز پیچیده DSS های مبتنی بر XAI است. این سیستم ها به کاربران نهایی در تصمیم گیری کمک می کنند و تصویر کاملی از نحوه تصمیم گیری ارائه می دهند و اعتماد را افزایش می دهند. علاوه بر این، یک طبقه‌بندی روشی از روش‌های فعلی پیشنهاد شده است و آثار نماینده ارائه و مورد بحث قرار می‌گیرند. تجزیه و تحلیل مطالعات اخیر نشان می دهد که علاقه فزاینده ای به استفاده از XDSS ها در زمینه هایی مانند تشخیص پزشکی، ساخت و آموزش وجود دارد، زیرا آنها تعادل بین دقت و توضیح را هموار می کنند، اعتماد به نفس و همچنین تایید تصمیمات را افزایش می دهند.</OtherAbstract>

    <ObjectList>
      <Object Type="keyword">
        <Param Name="value">Artificial Intelligence</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Machine Learning</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Black Box Models</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Explainability</Param>
      </Object>
      <Object Type="keyword">
        <Param Name="value">Decision Support Systems</Param>
      </Object>
    </ObjectList>

    <ArchiveCopySource DocType="pdf">/downloadfilepdf/305048</ArchiveCopySource>
  </Article>
</ArticleSet>
