Para abordar el desafío de los métodos de IA explicable (XAI), que tienen dificultades para producir resultados claros e interpretables para usuarios sin experiencia en el dominio, este artículo propone la Selección de Vecinos Guiada por Características (FGNS), un método post hoc que selecciona ejemplos representativos de clases utilizando la importancia de las características tanto locales como globales. En un estudio de usuarios (N=98) que evaluó la clasificación de la escritura kanji, FGNS mejoró significativamente la capacidad de los no expertos para identificar errores del modelo, manteniendo al mismo tiempo una concordancia razonable con las predicciones precisas. Los participantes tomaron decisiones más rápidas y precisas que aquellos que recibieron explicaciones k-NN tradicionales. El análisis cuantitativo demuestra que FGNS selecciona vecinos que reflejan mejor las características de la clase, en lugar de simplemente minimizar la distancia del espacio de características, lo que lleva a una selección más consistente y una agrupación más densa alrededor de los prototipos de clase. Estos resultados sugieren que FGNS podría ser un paso hacia una evaluación de modelos más centrada en el ser humano, pero se necesita más investigación para cerrar la brecha entre la calidad de la explicación y la confianza percibida.
