От технических чисел к историям: что влияет на качество объяснений от LLM

Парадокс: Технические объяснения SHAP/LIME, chain-of-thought рассуждения и прозрачные статистические модели не улучшают качество объяснений от LLM — а иногда ухудшают. Факторный эксперимент (660 объяснений прогнозов энергопотребления через 3 LLM × 8 стратегий промптинга × 4 ML-модели) показывает иерархию влияния: выбор модели объясняет до 50% разницы в качестве, способ промптинга — 14%, наличие XAI-данных — всего 2%. Фишка: DeepSeek-R1 обогнал GPT-4o по трём из четырёх критериев, простой zero-shot почти догнал дорогую self-consistency (0.09 балла разницы при семикратной экономии токенов), а классическая SARIMAX с прозрачными коэффициентами дала худшие объяснения чем чёрные ящики XGBoost и Random Forest.