这一研究计划强调了合乎道德和可解释的人工智能在劳动力分析和医疗诊断中的重要性。
“当人工智能为劳动力和医疗决策提供信息时，透明度至关重要。” —— Mahfuz Islam Khan Jabed
弗吉尼亚州伍德布里奇，美国，2026年3月2日 —— 华盛顿科学技术大学的人工智能与机器学习研究员、研究生Mahfuz Islam Khan Jabed正在推进一项专注于劳动力分析和医疗应用中的伦理与可解释人工智能的研究。这项研究强调透明的模型设计，以帮助利益相关者理解预测是如何产生的，当人工智能输出可能影响招聘和留任规划以及临床筛查支持决策时，这种方法被广泛视为非常重要。
Jabed的研究履历包括金融建模的时间序列预测、员工流失的可解释预测分析，以及糖尿病视网膜病变检测的可解释深度学习方法。在这些领域中，他的重点是平衡预测性能与可解释性，以支持人工智能系统的负责任采用。
在金融导向的研究中，Jabed于2024年2月发表了《利用机器学习技术进行股票市场价格预测》，描述了应用包括LSTM和Prophet在内的机器学习方法，利用市场数据进行预测。该出版物在出版商页面列出了DOI及引用/使用指标。
在劳动力智能和人力资源分析方面，Jabed开发了一个堆叠集成框架，用于预测员工流失，并利用SHAP实现模型输出的可解释性。他的履历指出，该工作已被2025年IEEE第二届计算、应用与系统国际会议（COMPAS 2025）接收。COMPAS会议网站表示，录用的论文将提交至IEEE Xplore，前提是符合IEEE Xplore的质量标准（根据会议指南，收录可能取决于演示和出版要求）。
在医疗人工智能领域，Jabed的履历包括一个用于糖尿病视网膜病变检测的可解释混合CNN-Vision Transformer框架，该框架已被ICCIAA 2026接收。ICCIAA会议专注于计算智能方法与应用，2026届会议计划在约旦安曼的佩特拉大学举办。
“负责任的人工智能不仅仅依赖于准确性，更依赖于清晰度，” Mahfuz Islam Khan Jabed表示，“当模型可解释时，决策者更容易在将输出用于实际场景之前评估其可靠性、公平性考量以及局限性。”
通过实习和培训角色（包括监督建模、性能评估和可解释性技术），Jabed除了进行研究之外，还获得了实际机器学习流程方面的专业知识。Python及流行的机器学习框架和工具（包括TensorFlow、PyTorch、scikit-learn以及基于SHAP的可解释性方法）是他的技术技能之一。
Jabed对可解释人工智能、劳动力智能和人力资源分析、面向公共卫生诊断的医疗人工智能应用，以及金融和风险预测的预测建模更感兴趣。他目前正在攻读信息技术理学硕士学位（预计2027年4月毕业），此前于2024年1月获得计算机科学与工程理学学士学位。
随着人工智能系统越来越深入地融入经济、医疗和劳动力基础设施，对透明度和伦理部署的重视也在不断增长。通过持续的研究生阶段研究和跨学科合作，Jabed致力于为开发在技术性能与问责性之间取得平衡的AI模型做出贡献，确保其在现实环境中的实用适用性。
他的研究与实践工作强调负责任的人工智能发展，以促进经济韧性、劳动力优化和医疗创新。他的研究试图通过将可解释性方法融入预测算法，推动公共和私营部门更开放、负责任且数据驱动的决策制定。
关于Jabed Mahfuz Islam Khan
Mahfuz Islam Khan Jabed是一位位于弗吉尼亚州伍德布里奇的研究员，专注于人工智能和机器学习。他的研究重点包括劳动力智能和人力资源分析、面向公共卫生诊断的医疗人工智能应用、可解释人工智能，以及金融和风险预测的预测建模。他在预测、可解释性和可解释深度学习方法领域撰写并展示了研究成果。他目前是华盛顿科学技术大学信息技术理学硕士学生。
Mahfuz Islam Khan Jabed
LeadersUniverse
mahfuzislamkhanjabed@gmail.com
【全文结束】