摘 要
随着人工智能技术在审计领域的广泛应用，其“黑箱”特性带来的可解释性问题日益凸显，成为制约其进一步发展的关键瓶颈。本研究旨在探讨人工智能审计中的“黑箱”问题，并提出一种基于多层次可解释性框架的解决方案，以提升模型决策的透明度和可信度。研究采用理论分析与实证研究相结合的方法，首先从技术、法律和伦理三个维度剖析了“黑箱”问题的本质及其对审计实践的影响；其次，设计了一种融合局部与全局解释方法的新型算法，用于生成更具针对性和普适性的解释结果；最后通过实验验证了该框架在实际审计场景中的有效性。研究表明，所提出的多层次可解释性框架能够显著改善人工智能模型的透明性，同时兼顾效率与准确性。本研究的主要创新点在于首次系统性地将可解释性引入审计领域，并提出了兼具理论指导意义与实践操作价值的解决方案，为推动人工智能审计的规范化发展提供了重要参考。关键词：人工智能审计 可解释性框架 黑箱问题 多层次透明度 审计规范化
目 录
摘 要 I
第一章 绪论 1
1.1 人工智能审计的背景与意义 1
1.2 黑箱”问题的研究现状分析 1
第二章 人工智能审计中的“黑箱”问题剖析 2
2.1 “黑箱”问题的定义与特征 2
2.2 “黑箱”问题对审计的影响 2
第三章 可解释性在人工智能审计中的作用 4
3.1 可解释性的概念与重要性 4
3.2 可解释性技术在审计中的应用 4
3.3 提高可解释性的潜在路径 5
第四章 人工智能审计中“黑箱”问题的应对策略 6
4.1 数据驱动的解决方案设计 6
4.2 模型透明化的实现路径 6
4.3 审计框架的优化与改进 7
结 论 8
致 谢 9
参考文献 10
原创性声明 11
版权使用授权书 11
