通过使用自定义的大型语言模型，本研究提出了一个名为 “x-[plAIn]” 的新方法，旨在将可解释人工智能（XAI）更容易地应用于更广泛的受众群体中。该模型能够根据不同受众群体的知识水平和兴趣，生成清晰、简洁的 XAI 方法概述，为商业专业人士和学术界人士提供定制化的易于理解的解释，通过提供适应性解释，促进最终用户的决策过程，从而加强了 XAI 的可访问性，弥合了复杂的 AI 技术和实际应用之间的鸿沟。本研究表明了大型语言模型在使先进的 AI 概念对各种用户更易于理解方面的前景。

Jan, 2024

人工智能在药物研发领域发挥着重要作用，但复杂的模型需要透明和解释性，因此可解释的人工智能是处理该问题的一种新方法。本文综述了可解释人工智能在药物研发中的最新进展，包括各种方法、应用以及挑战和局限，还探讨了其在目标识别、化合物设计和毒性预测等方面的应用，以及未来的研究方向。该综述旨在全面了解可解释人工智能在药物研发中的现状及其对该领域的潜在影响。

Sep, 2023

本文介绍了深度学习中可解释人工智能技术（XAI），提出了技术分类法并介绍了方法学、范畴和应用层次等主要原则，旨在建立可信、可解释和自说明的深度学习模型。此外，通过八种不同的可解释人工智能算法对图像数据进行了评估，讨论了这种方法的局限性，并提出了未来改进的潜在方向。

Jun, 2020

该文介绍了可解释人工智能（XAI）在大型语言模型（LLMs）领域的应用，探讨了 XAI 对 LLMs 的影响及 LLMs 对 XAI 的贡献，并提出了十种策略以及相关挑战和案例分析。

Mar, 2024

利用大型语言模型将机器学习解释转化为自然的人类可读叙述，以增强解释性和可用性。

May, 2024

我们介绍了一个使用可解释的人工智能（XAI）的智能系统（CL-XAI）用于认知学习的研究，其两个主要目标是探索人类学习者如何理解使用 XAI 工具的人工智能模型的内部机制，并通过人类反馈评估这些工具的有效性。使用 CL-XAI 在一个基于游戏的虚拟案例中说明了其应用，学习者通过解决组合问题来增强解决问题的能力和加深对复杂概念的理解，突出了认知学习和协同学习中潜在的转变性进展。

Dec, 2023

这篇论文讨论了符合科学历史的可解释人工智能 (XAI) 的框架问题，其原因追溯至现代机器学习（尤其是深度和强化学习）和对创造值得信赖的 AI 系统的关注，它的五个级别框架是 XAI 的关键组成部分。

May, 2020

人工智能特别是机器学习和深度学习模型对生物信息学研究产生了重大影响，但这些模型的可解释性和透明度不足在深入的生物学见解和生成可检验的假设方面存在挑战。可解释人工智能 (XAI) 已经成为增强生物信息学中人工智能模型的透明性和可解释性的有希望的解决方案。本综述详细分析了各种 XAI 技术及其在 DNA、RNA 和蛋白质序列分析、结构分析、基因表达和基因组分析以及生物成像分析等各种生物信息学领域中的应用。我们介绍了最相关的机器学习和 XAI 方法，然后讨论了它们的多样应用并解决了现有 XAI 工具的当前限制。通过提供对 XAI 的潜力和挑战的见解，本综述旨在促进其在生物信息学研究中的实际应用，并帮助研究人员探索 XAI 工具的领域。

Dec, 2023

这篇论文从四个主要聚类方向：综述文章、理论和概念、方法及其评估，总结了可解释人工智能领域的最新技术水平并提出了未来研究方向。

May, 2020

提出了一个以用户为中心的框架，旨在为非专业用户提供交互式可解释人工智能解决方案。

Sep, 2021