Explainable Multidisciplinary Artificial Intelligence for Sustainable Innovation and Intelligent Decision-Making Across Emerging Research Domains

人工智能（AI）正在变革科学研究、环境可持续性、医疗健康与智能基础设施。然而，传统人工智能方法往往缺乏可解释性、跨域适应性和透明决策能力。本研究提出一个可解释的多学科人工智能框架，融合预测分析、可解释人工智能（XAI）与多准则决策分析，以支持跨不同研究领域的可持续创新。该框架将随机森林、XGBoost与可解释提升机同基于SHAP的特征归因及多准则决策分析相结合。比较性评估设计将环境可持续性、医疗健康和智能基础设施作为代表性应用领域。模型评估采用准确率、精确率、召回率、F1分数、受试者工作特征曲线下面积（AUROC）、解释保真度、计算延迟和决策一致性等指标。基线比较包括无解释的传统机器学习、无决策优化的可解释模型以及集成框架。可持续性指标、可解释性、计算效率和决策鲁棒性被纳入统一的评估协议。性能比较采用一致的数据划分程序、领域特定指标和敏感性分析。所提框架建立了一种可测量的评估策略，用以判定集成可解释性与决策优化是否能提升预测可靠性和实际决策支持。定量结果将包括不同模型和领域在预测性能、解释保真度、延迟和决策一致性方面的差异。定性分析将考察利益相关方可解释性、跨域适应性、透明度以及所生成建议的相关性。数值改进仅在实证实验后报告。本研究通过将预测智能与透明的、面向可持续性的决策制定相连接，推进了可解释多学科人工智能的统一方法。其比较性设计支持对准确率、可解释性、效率和鲁棒性进行可重复评估。该框架为在新兴研究领域中负责任地部署人工智能奠定了基础，同时强调了领域特定验证和代表性数据的必要性。