这项研究计划强调了伦理和可解释人工智能在劳动力分析与医疗诊断中的重要性。
透明度对于AI影响劳动力与医疗决策至关重要。——马夫兹·伊斯兰姆·汗·贾贝德
弗吉尼亚州伍德布里奇，美国，2026年3月2日 /EINPresswire.com/ —— 马夫兹·伊斯兰姆·汗·贾贝德，华盛顿科技大学的人工智能与机器学习研究员及研究生，正在推进以伦理和可解释人工智能（XAI）在劳动力分析和医疗应用为核心的研究。该研究强调透明模型设计，帮助相关方理解预测结果是如何产生的，这一方法在AI输出可能影响招聘与留任规划决策以及临床筛查支持时被认为至关重要。
贾贝德的研究领域包括金融建模的时间序列预测、员工流失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，他的重点是在预测性能与可解释性之间取得平衡，以支持AI系统的负责任应用。
在金融导向的研究中，贾贝德于2024年2月发表了题为《利用机器学习技术进行股票市场价格预测》的论文，描述了采用LSTM和Prophet等机器学习方法，利用市场数据进行预测的应用。该出版物在出版商页面上列出了DOI及引用/使用指标。
在劳动力智能与人力资源分析方面，贾贝德开发了一个用于预测员工流失的堆叠集成框架，并利用SHAP提供可解释性功能，支持模型输出的可解释性。据其简介显示，该工作已被2025年IEEE第二届计算、应用与系统国际会议（COMPAS 2025）录用。COMPAS会议网站指出，录用的论文将提交至IEEE Xplore收录，具体取决于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AI方面，贾贝德的简介包含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录用。ICCIAA会议专注于计算智能方法与应用，2026届会议定于约旦安曼的佩特拉大学举办。
“负责任的AI不仅仅依赖于准确性，更依赖于清晰度，”马夫兹·伊斯兰姆·汗·贾贝德表示，“当模型具备可解释性时，决策者更容易评估其可靠性、公平性考量以及局限性，然后再将输出应用于实际场景。”
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），贾贝德除了从事研究外，还积累了实际机器学习流程的专业知识。Python以及包括TensorFlow、PyTorch、scikit-learn和基于SHAP的可解释性方法在内的流行机器学习框架和工具均属于他的技术技能范畴。
贾贝德对可解释AI、劳动力智能与人力资源分析、用于公共卫生诊断的医疗AI应用，以及金融与风险预测的预测建模更感兴趣。他于2024年1月获得计算机科学与工程学士学位后，目前正在攻读信息技术理学硕士学位（预计2027年4月毕业）。
随着AI系统日益融入经济、医疗和劳动力基础设施，对透明度和伦理部署的重视程度持续增长。通过正在进行的研究生研究和跨学科合作，贾贝德致力于开发能够在技术性能与问责制之间取得平衡的AI模型，确保其在现实环境中的实际适用性。
他的研究和实践工作强调负责任的AI开发，以促进经济韧性、劳动力优化和医疗创新。通过将可解释性方法融入预测算法，他的研究旨在推动公共和私营部门中更加开放、负责任且数据驱动的决策制定。
关于贾贝德·马夫兹·伊斯兰姆·汗
马夫兹·伊斯兰姆·汗·贾贝德是一位常驻弗吉尼亚州伍德布里奇的研究员，专注于人工智能与机器学习。他的研究重点是劳动力智能与人力资源分析、用于公共卫生诊断的医疗AI应用、可解释AI，以及金融与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技术领域撰写并发表了研究成果。他目前是华盛顿科技大学信息技术理学硕士学生。
马夫兹·伊斯兰姆·汗·贾贝德
领导者宇宙
mahfuzislamkhanjabed@gmail.com
法律免责声明：
EIN Presswire按“原样”提供此新闻内容，不作任何形式的保证。我们不对本文所含信息的准确性、内容、图像、视频、许可、完整性、合法性或可靠性承担任何责任或义务。如果您对此文章有任何投诉或版权问题，请与上述作者联系。
本页所包含的信息由独立第三方内容提供商提供。XPRMedia和本网站对此不作任何保证或陈述。如果您与此页面有关联并希望将其删除，请联系pressreleases@xpr.media
【全文结束】