本论文以自动驾驶汽车为研究对象，研究了四种常见的可解释人工智能方法，即决策树、文本、程序和图示。研究表明，参与者倾向于使用语言解释，但通过决策树解释更能客观地理解汽车的决策过程，并且结果显示，计算机科学经验和观察汽车成功或失败的情况可以影响解释的感知和有用性，因此本研究提出，设计 XAI 系统必须考虑用户的特定需求和情境因素。

Jan, 2023

该研究演示了可解释人工智能的多种方法，并与信用违约预测等任务进行了比较，提出了定量解释性的有意义见解，为开发负责任或以人为中心的 AI 系统提供方向和未来研究方向，有助于在高风险应用中采用 AI。

Jan, 2021

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

有关解释人工智能的最佳实践和挑战的调查表明，现有的解释方法尤其是对于深度神经网络而言不足以提供算法的公正性、数据偏见和性能。

May, 2018

本文介绍了开放式学习者建模的重要性，以及在智能教学系统和人工智能在教育中的应用方面所取得的研究成果，强调为了更好地支持人类学习和教学，对于 AI 模型的可解释性和可解释性的考虑，提供了有价值的起点。

Jun, 2018

通过采用机器学习与可解释的人工智能技术，我们创建了五个个性化反馈的可视化方案，以帮助用户准确识别电力消耗数据的特定模式，并显示在具有已知可视化模式的界面上。我们的实验表明，这样的 XAI 可视化方案能够被用户准确理解和应用。

Aug, 2022

该研究是对人工智能模型解释的广泛调查，发现解释决策和原因的不同方法和原因的异质性导致了个体解释框架。

Oct, 2022

研究了如何设计一个可以帮助人类玩家改善棋类游戏表现的算法，该算法利用机器学习及透明度技术生成 AI 的内部任务模型解释，提供了自动判定和指导用户的决策方法。

Feb, 2020

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

最近的实证研究调查了可解释人工智能对人工智能决策的影响，识别了挑战并提出未来的研究方向。

Dec, 2023