本论文介绍了一种搜索系统 EXS，利用解释模型 LIME，针对神经排序器等复杂模型进行解释，以提供搜索查询意图、文档排名和相关性的解释和改进建议。

Sep, 2018

在高风险领域（如医疗保健）中，为了有效实现人工智能（AI）系统与领域专家之间的合作，我们引入了一种解释模型引导系统，允许领域专家利用其领域知识来引导预测模型。通过结合基于数据和模型的不同类型解释和手动、自动数据配置方法，该系统提供了一个解释仪表盘，用于引导预测模型。通过三项广泛的用户研究，我们对以医疗保健为重点场景的模型引导系统进行了评估，研究结果强调了在模型引导过程中涉及领域专家的重要性，从而最终实现了人工智能与人类的改进合作。

May, 2024

本文系统审查了建议系统中的解释问题，探究了其目的、生成方式、呈现方式和评估方式，并提出了一个全面的分类法，其中包括解释目标、响应性、内容和呈现等方面，同时还识别了许多未解决的挑战。

Jun, 2020

本文对可解释人工智能系统进行了历史概述，重点介绍了知识驱动的系统，在专家系统、认知助手、语义应用和机器学习领域的应用，提出了新的解释和可解释知识驱动系统的定义，以填补现有方法的不足并使解释更加用户和上下文关注。

Mar, 2020

为满足招聘中不同利益相关者类型对解释的不同偏好，我们创建并验证了一种半结构化访谈指南，并使用基于实证的理论对访谈结果进行了结构化分析，发现候选人、招聘人员和公司确实具有强烈不同的解释偏好。基于这些发现，我们提出了如何设计满足三种利益相关者需求的解释界面的指南，并提供了验证过的访谈指南，可用于协助未来研究确定不同利益相关者类型的解释偏好。

Sep, 2023

本研究通过两个实验研究了应用可解释人工智能技术对于提高团队情境感知、共享心智模型等关键特征的人 - 机团队的效果。结果发现，人 - 机团队的构成对可解释人工智能技术的效果产生了显著影响，初学者受益于通过可解释人工智能技术提高的情境感知，而专家则会由于注意力过度分散导致表现下降。因此，在人 - 机团队的设计和应用过程中，应谨慎考虑团队构成对于可解释人工智能技术效果的影响。

Sep, 2022

本研究使用 SML 和可解释 AI 方法对联合行动中的人类决策进行建模、预测和理解。结果表明，模型能够准确地预测专家和新手在任务中的目标选择决策，并能够在演员意识到决策意图之前做出预测。通过可解释 AI 方法发现，专家更受同伴状态的影响，而新手则更受其他信息的影响。

Jun, 2022

该研究提出了一个新的问题 ——' 实体关系解释 '，通过整合两种互补方法（知识库和查询日志），提出了一种名为 'REX' 的系统来解决这个具有挑战性的问题，REX 能够有效地鉴定出在特定知识库中给定的实体关联的排序的关系解释列表。

Nov, 2011

本文提出了一种使用基于矩阵分解的协同过滤方法解决 LinkedIn 上基于技能的个性化专家搜索问题的方法，并在实际测试中取得了较好的成果。

Feb, 2016

这篇研究论文介绍了一个名为 SUE 的实验平台，它能集成符号 AI/ML 和子符号 AI/ML 方法进行事件处理，以及支持跨领域作战，强调资产互操作性和人机团队协同，尤其适用于密集城市地形的联合态势理解任务。

Oct, 2020