dc.rights.license | CC-BY-NC-ND | |
dc.contributor.advisor | Kaya, Heysem | |
dc.contributor.author | Haas, Casper de | |
dc.date.accessioned | 2021-11-16T10:00:17Z | |
dc.date.available | 2021-11-16T10:00:17Z | |
dc.date.issued | 2021 | |
dc.identifier.uri | https://studenttheses.uu.nl/handle/20.500.12932/211 | |
dc.description.abstract | Uitlegbare artificiële intelligentie kan ingezet worden om voorspellende modellen te ontwikkelen die makkelijk te interpreteren zijn voor eindgebruikers (bijv. inspecteurs) om zo de brug slaan tussen dataproduct en toepassing in de inspectiepraktijk. Dit onderzoek gaat in op de effectiviteit van uitlegbaarheid op vertrouwen en gebruiksvriendelijkheid voor de inspecteurs: welke informatie moet je aanbieden in welke vorm, zodat inspecteurs goed uit de voeten kunnen met het voorspellende model? | |
dc.description.sponsorship | Utrecht University | |
dc.language.iso | EN | |
dc.subject | Onderzoek naar de gebruiksvriendelijkheid van de bestaande SHAP techniek om machine learning resultaten uitlegbaar en interpretabel te maken. Hoe kunnen resultaten uit een voorspelmodel intuïtief weergeven worden aan gebruikers? Zowel visuele als textuele representaties van de uitleg van de model resultaten worden getest samen met experts op gebruiksvriendelijkheid en interpreteerbaarheid. | |
dc.title | Usability Study of an Explainable Machine Learning Risk Model for Predicting Illegal Shipbreaking | |
dc.type.content | Master Thesis | |
dc.rights.accessrights | Open Access | |
dc.subject.keywords | Machine learning, explainable artificial intelligence, SHAP, usability, user testing | |
dc.subject.courseuu | Human-Computer Interaction | |
dc.thesis.id | 904 | |