본 논문은 도메인 전문 지식이 없는 사용자에게 명확하고 해석 가능한 결과를 생성하는 데 어려움을 겪는 설명 가능한 AI (XAI) 방법의 문제점을 해결하기 위해, 지역적 및 전역적 특징 중요도를 모두 사용하여 클래스 대표 예시를 선택하는 사후적 방법인 Feature-Guided Neighbor Selection (FGNS)을 제안합니다. 카나다어 스크립트 분류를 평가한 사용자 연구(N=98)에서 FGNS는 비전문가의 모델 오류 식별 능력을 크게 향상시키는 동시에 정확한 예측과의 적절한 일치를 유지했습니다. 참가자들은 기존 k-NN 설명을 받은 참가자들보다 더 빠르고 정확한 결정을 내렸습니다. 정량적 분석 결과, FGNS는 단순히 특징 공간 거리를 최소화하는 것이 아니라 클래스 특성을 더 잘 반영하는 이웃을 선택하여 더 일관된 선택과 클래스 프로토타입 주변의 더 밀집된 클러스터링을 이끌어 낸다는 것을 보여줍니다. 이러한 결과는 FGNS가 더욱 인간 중심적인 모델 평가를 위한 한 걸음이 될 수 있음을 시사하지만, 설명 품질과 인지된 신뢰 사이의 격차를 해소하기 위한 추가 연구가 필요함을 보여줍니다.
