Модели машинного обучения в системах поддержки принятия решений достигают высокой точности прогнозирования, однако их «черноящичный» характер затрудняет обоснование окончательных рекомендаций. В существующих подходах объяснимый искусственный интеллект (XAI) обычно остается модулем, выполняемым постфактум вне цикла оценки, в то время как весовые коэффициенты критериев считаются статическими. В данной статье предлагается математическая модель, которая итеративно адаптирует весовые коэффициенты критериев в зависимости от достоверности объяснений XAI. Начальные весовые коэффициенты, полученные путем сочетания метода энтропии и экспертных оценок, обновляются в соответствии с ранговой корреляцией между векторами атрибуции и нормализованной матрицей решений и стабилизируются путем проекции на единичный симплекс. Полученный алгоритм AXAI-MCDM со сложностью O(t·m·n), в отличие от классического TOPSIS и статических схем XAI–MCDM, одновременно учитывает стабильность ранга и согласованность объяснений. Модель обеспечивает прозрачную, готовую к аудиту поддержку принятия решений в областях с высокими ставками

Machine learning models in decision support systems achieve high predictive accuracy, yet their black-box nature hampers the justification of final recommendations. In existing approaches, explainable AI (XAI) typically remains a post-hoc module outside the evaluation cycle, while criterion weights are assumed static. This paper proposes a mathematical model that iteratively adapts criterion weights through the faithfulness of XAI explanations. Initial weights obtained from a combination of the entropy method and expert judgments are updated according to the rank correlation between attribution vectors and the normalized decision matrix and stabilized by projection onto the unit simplex. The resulting AXAI-MCDM algorithm of O(t·m·n) complexity, unlike classical TOPSIS and static XAI–MCDM schemes, jointly accounts for rank stability and explanation consistency. The model serves transparent, audit-ready decision support in high-stakes domains