Chúc mừng nhóm sinh viên TMĐT2022.1 có bài báo được chấp nhận tại Hội nghị Khoa học Quốc tế IMCOM 2026
The 20th International Conference on Ubiquitous Information Management and Communication (IMCOM 2026) là hội nghị quốc tế thường niên uy tín trong lĩnh vực quản lý thông tin và truyền thông toàn thể (ubiquitous information and communication). Hội nghị là diễn đàn học thuật chất lượng cao nhằm giải quyết các thách thức trong xử lý thông tin thông minh, hệ thống mạng xã hội, truyền thông không dây và có dây, và các ứng dụng điện toán toàn thể.
IMCOM đóng vai trò là nền tảng quốc tế để các nhà nghiên cứu, giảng viên, và học viên chia sẻ ý tưởng, mở rộng hợp tác nghiên cứu và thúc đẩy trao đổi học thuật trong khu vực châu Á – Thái Bình Dương.
Các bài báo được chấp nhận tại hội nghị sẽ được chỉ mục bởi Scopus và EI, đồng thời nộp xem xét đưa vào IEEE Xplore (nếu đạt yêu cầu về phạm vi và chất lượng). Một số bài tiêu biểu sẽ được mời mở rộng và xuất bản trên các tạp chí uy tín như IEEE Access, WCMC, Oxford The Computer Journal, IEEE Transactions on Emerging Topics in Computing, IET Intelligent Transport Systems, cùng nhiều tạp chí SCI/SCIE khác.
IMCOM 2026 sẽ được tổ chức từ ngày 4–6 tháng 1 năm 2026 tại Hà Nội, Việt Nam (hình thức trực tiếp và trực tuyến).
Link hội nghị: https://imcom.org/
Tên bài báo: “A Multi-tier Framework for Ranking Determinants in Quantitative Modeling using xAI and LLM-Orchestrated Argumentation”
Nhóm sinh viên:
- Trần Tuấn Kiệt – 22520726 – TMĐT2022.1
- Trần Hoàng Khánh – 22520652 – TMĐT2022.1
Giảng viên hướng dẫn: ThS. Văn Đức Sơn Hà
Abstract: In the era of e-commerce, understanding consumer behavior is critical, but traditional linear models often fail to capture the complex, nonlinear relationships that drive real-world decisions. While nonlinear AI models offer superior predictive power, their “black-box” nature creates a critical gap in interpretability, hindering managerial trust and actionable insights. Existing explainable AI (XAI) techniques often reveal why a model makes a prediction but fall short in providing practical, minimal-effort recommendations on how to achieve a desired outcome.
To bridge this gap, we propose a novel, multi-tier XAI framework. The core of our framework is SHAP-guided DiCE, a new method that intelligently integrates global model insights from SHAP into the counterfactual generation process. Applying this to a consumer privacy dataset, we demonstrate that our variant significantly outperforms the baseline, generating valid counterfactuals requiring minimal changes—often only a single feature modification compared to 4-5—while producing a more diverse set of actionable recommendations (diversity score of 2.24 vs. 0). The framework culminates in a human-centered, LLM-orchestrated argumentation layer, which synthesizes these quantitative outputs into structured, contestable narratives, transforming static interpretations into a dynamic, data-driven dialogue tailored for decision-makers. This work moves beyond simple explanation towards explainable action, providing a transparent framework to identify the most efficient levers for influencing behavioral outcomes.
