• AI
• Artificial Intelligence
• Bayes
• Bayesian Information Gain
• Explainable AI
• Intelligenza artificiale
• XAI

Negli ultimi anni, la crescente complessità dei modelli di intelligenza artificiale ha aumentato l’esigenza di strumenti in grado di renderne il funzionamento più trasparente e comprensibile agli utenti. Questa tesi si inserisce nel campo della Explainable Artificial Intelligence (XAI), con l’obiettivo di indagare come le spiegazioni possano ridurre l’incertezza percepita dagli utenti e migliorarne la comprensione del modello. Sono state analizzate tre tipologie di spiegazioni — globale, locale e controfattuale — utilizzando rispettivamente SHAP, LIME e DiCE su un modello predittivo applicato a un dataset realistico. L’efficacia comunicativa di ciascun metodo è stata valutata attraverso un esperimento basato su questionari, per osservare l’impatto delle spiegazioni sulle risposte e sulla fiducia degli utenti.


In recent years, the growing complexity of artificial intelligence models has increased the need for tools that can make their functioning more transparent and understandable to users. This thesis is situated within the field of Explainable Artificial Intelligence (XAI), with the aim of investigating how explanations can reduce the uncertainty perceived by users and improve their understanding of the model. Three types of explanations — global, local and counterfactual — were analysed using SHAP, LIME and DiCE, respectively, on a predictive model applied to a realistic dataset. The communicative effectiveness of each method was evaluated through a questionnaire-based experiment to observe the impact of explanations on users' responses and trust.