这篇研究论文讨论了如何将人工智能技术，如机器学习和深度学习，应用于企业业务流程管理，以提高效率和客户体验，并呼吁 BPM 社区构建能够向商业用户解释AI模型结果的解释性方法。

Jan, 2020

该研究综合了深度学习算法在流程挖掘中的应用，着重通过系统性文献综述的方式，分析不同数据处理方案、网络拓扑结构、以及目标预测等方面的优缺点。

Jan, 2021

本文探讨了预测业务流程监控（PPM）中不同设置对ML模型的影响，并研究了导致生成不同解释的原因。

Feb, 2022

本研究项目旨在通过将人工智能和商业流程管理领域的研究结合起来，自动从执行流程数据中导出流程模型，并进行自适应规划和执行实时预测的业务流程。

Aug, 2022

通过使用现代Transformer架构和传统机器学习技术，评估模拟过程规律的能力，并突出关键特征，提高模型预测能力。证明了应用机器学习模型预测关键业务流程的有效性以及XAI组件提供的新见解。

Dec, 2022

通过将LLMs的相关性和知识系统以及自动推理方法的分析精度和可靠性相结合，提出了大型过程模型（LPM），该模型将大大减少业务转型所需的时间和工作量，并能提供比以前更深入、更有影响力和更具操作性的见解。

Sep, 2023

该论文通过PRISMA框架对机器学习模型的可解释性和可解释性进行了系统的文献综述，重点研究了在预测性过程挖掘中使用复杂业务流程数据训练的机器学习模型的解释挑战，区分了内在可解释模型和需要事后解释技术的模型，并全面概述了当前方法在各应用领域的应用及其应用。通过严格的文献分析，该研究对预测性过程挖掘中的可解释性和可解释性状况进行了详细综合，识别了关键趋势、挑战和未来发展方向。研究结果旨在为研究人员和实践者提供更深入的了解，以开发和实施更可靠、透明和有效的智能预测性过程分析系统。

Dec, 2023

该研究通过将ChatGPT等Large Language Models（LLMs）集成到过程挖掘工具中，引入了一种新颖的方法，使过程分析对更广泛的受众更易于访问，以便将复杂数据转化为可行的见解。研究旨在调查ChatGPT如何增强分析能力，改进用户体验，提高可访问性以及优化过程挖掘工具的架构框架。该研究的关键创新在于为每个过程挖掘子模块开发了一个定制的提示工程策略，确保人工智能生成的输出准确且与上下文相关。

May, 2024

过程挖掘在提升组织运营效率和决策制定方面发挥着关键作用。本研究针对过程挖掘领域的重要性和不断发展的趋势，着重介绍了其内容、应用和在现代企业和过程管理中的发展，特别是在跨组织环境中。通过整合人工智能和先进的机器学习技术，我们可以提供复杂、多组织数据分析的先进解决方案，从而提高预测能力、优化流程和促进实时决策。未来的研究方向包括创新算法、数据整合策略和隐私保护方法，以充分利用过程挖掘在各种互相关联的商业环境中的潜力。

Jul, 2024

本研究解决了在业务流程发现阶段高耗时和高成本的问题，特别关注缺乏大型和高质量数据集的现状。通过提出推荐系统和可视化工具来辅助数据集创建，我们的实验结果表明，这些功能显著减轻了工作负担并提高了注释质量，具有促进业务流程管理的潜力。

Oct, 2024