Pour relever le défi des méthodes d'IA explicable (XAI), qui peinent à produire des résultats clairs et interprétables pour les utilisateurs sans expertise du domaine, cet article propose la sélection de voisins guidée par les caractéristiques (FGNS), une méthode post-hoc qui sélectionne des exemples représentatifs de classes en utilisant l'importance des caractéristiques locales et globales. Dans une étude utilisateur (N = 98) évaluant la classification des écritures Kanji, la FGNS a significativement amélioré la capacité des non-experts à identifier les erreurs de modèle tout en maintenant une concordance raisonnable avec des prédictions précises. Les participants ont pris des décisions plus rapides et plus précises que ceux qui recevaient des explications k-NN traditionnelles. Une analyse quantitative démontre que la FGNS sélectionne les voisins qui reflètent mieux les caractéristiques de la classe, plutôt que de simplement minimiser la distance spatiale des caractéristiques, ce qui conduit à une sélection plus cohérente et à un regroupement plus dense autour des prototypes de classe. Ces résultats suggèrent que la FGNS pourrait constituer une étape vers une évaluation de modèle plus centrée sur l'humain, mais des recherches supplémentaires sont nécessaires pour combler l'écart entre la qualité de l'explication et la confiance perçue.
