Ελεγκτικές Επιχειρηματολογικές Εξηγήσεις για Αποφάσεις Credit Scoring

Σιταρόπουλος, Μάριος; Sitaropoulos, Marios

dc.contributor.author	Σιταρόπουλος, Μάριος	el
dc.contributor.author	Sitaropoulos, Marios	en
dc.date.accessioned	2026-07-24T09:51:15Z
dc.date.available	2026-07-24T09:51:15Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/65592
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.33286
dc.rights	Default License
dc.subject	Επεξηγήσιμη Τεχνητή Νοημοσύνη	el
dc.subject	Πιστοληπτική αξιολόγηση	el
dc.subject	Επιχειρηματολογία	el
dc.subject	Λογιστική παλινδρόμηση	el
dc.subject	Ελεγξιμότητα	el
dc.subject	Explainable Artificial Intelligence	en
dc.subject	Credit scoring	en
dc.subject	Argumentation	en
dc.subject	Logistic regression	en
dc.subject	Auditability	en
dc.title	Ελεγκτικές Επιχειρηματολογικές Εξηγήσεις για Αποφάσεις Credit Scoring	el
dc.title	Auditable Explainable Credit Scoring through Argumentation	en
dc.contributor.department	Τομέας Τεχνολογίας Πληροφορικής και Υπολογιστών – Εργαστήριο Υπολογισμού και Συλλογισμού (CoReLab)	el
heal.type	bachelorThesis
heal.classification	Mathematics	en
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2026-06-26
heal.abstract	Η παρούσα διπλωματική εργασία εξετάζει την ανάπτυξη ελεγκτικών και επεξηγήσιμων μηχανισμών για αποφάσεις πιστοληπτικής αξιολόγησης, με αξιοποίηση τεχνικών μηχανικής μάθησης και υπολογιστικής επιχειρηματολογίας. Αρχικά, κατασκευάζεται μοντέλο λογιστικής παλινδρόμησης, το οποίο εκτιμά την πιθανότητα αθέτησης ενός πελάτη με βάση οικονομικά και πιστωτικά χαρακτηριστικά. Η αριθμητική πρόβλεψη του μοντέλου μετατρέπεται στη συνέχεια σε επιχειρησιακή απόφαση έγκρισης, απόρριψης ή περαιτέρω εξέτασης, μέσω προκαθορισμένων ορίων. Πάνω από το μοντέλο πρόβλεψης αναπτύσσεται ένα επιχειρηματολογικό επίπεδο εξήγησης. Τα χαρακτηριστικά του πελάτη μετατρέπονται σε επιχειρήματα υπέρ ή κατά της έγκρισης, ενώ η ισχύς κάθε επιχειρήματος υπολογίζεται με βάση τους συντελεστές του μοντέλου και την απόσταση της τιμής του χαρακτηριστικού από το αντίστοιχο όριο πολιτικής. Μέσω ενός προσδιοριστικού κανόνα σύγκρουσης και υπερίσχυσης παράγονται εξηγήσεις τύπου «γιατί» και «γιατί όχι», οι οποίες παρουσιάζουν τόσο τους λόγους που υποστήριξαν την τελική απόφαση όσο και τους αντίθετους λόγους που ηττήθηκαν. Επιπλέον, υλοποιούνται αντιπαραθετικά σενάρια, τα οποία εντοπίζουν τις ελάχιστες αλλαγές στα χαρακτηριστικά του πελάτη που θα μπορούσαν να μεταβάλουν την απόφαση. Όλα τα ενδιάμεσα βήματα καταγράφονται σε αναλυτικό αρχείο ελέγχου, επιτρέποντας την αναπαραγωγή και επαλήθευση της διαδικασίας. Η προτεινόμενη προσέγγιση δεν αντικαθιστά το μοντέλο πιστοληπτικής αξιολόγησης, αλλά λειτουργεί ως ένα διαφανές και ελέγξιμο επίπεδο εξήγησης πάνω από αυτό.	el
heal.abstract	This thesis examines the development of auditable and explainable mechanisms for credit-scoring decisions through the combined use of machine learning and computational argumentation. First, a logistic regression model is developed to estimate a customer’s probability of default on the basis of financial and credit-related characteristics. The numerical output of the model is then converted into an operational decision of approval, rejection, or further review through predefined decision thresholds. An argumentation-based explanation layer is subsequently constructed on top of the predictive model. The customer’s characteristics are transformed into arguments supporting or opposing loan approval, while the strength of each argument is calculated on the basis of the model coefficients and the distance between the observed feature value and the corresponding policy threshold. Through a deterministic conflict-resolution and defeat mechanism, the system produces “why” and “why-not” explanations, presenting both the reasons that supported the final decision and the opposing reasons that were defeated. In addition, counterfactual scenarios are generated in order to identify the minimum changes in the customer’s characteristics that could lead to a different decision. All intermediate steps are recorded in a detailed audit trail, enabling the decision-making process to be reproduced and verified. The proposed approach does not replace the underlying credit-scoring model; instead, it operates as a transparent, structured, and auditable explanation layer on top of it.	en
heal.advisorName	Ποτίκας, Πέτρος
heal.committeeMemberName	Στεφανέας, Πέτρος
heal.committeeMemberName	Αρβανιτάκης, Αλέξανδρος
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	130
heal.fullTextAvailability	false
heal.fullTextAvailability	false