本文分析了解释性人工智能（XAI）领域中用户研究的质性调查，提出通过社会科学语料库的方式，改进 XAI 研究者使用观察、访谈、焦点小组和 / 或问卷捕捉质性数据的研究索求。文章根据质性研究文献中所描述的相关要素上下文化呈现 XAI 论文的研究成果：1）基础理论或框架，2）方法论方法，3）数据收集方法和 4）数据分析过程。分析结果支持 XAI 社区中其他研究者的呼吁，倡导与社会学科领域的专家合作以加强用户研究的严谨性和有效性。

Nov, 2020

研究探讨了提高深度神经网络在自然语言处理（NLP）任务中的可解释性的各种方法，包括机器翻译和情感分析，并对术语 “可解释性” 及其各个方面进行了全面讨论。这项工作列举了与局部解释相关的各种方法，并将其分为三类：1）通过相关的输入特征解释模型的预测；2）通过自然语言解释进行解释；3）探查模型和单词表示的隐藏状态。

Mar, 2021

量化分析了 NLP 和其他 23 个学科领域（相互）之间的影响程度，结果显示 NLP 的学科交叉合作程度下降，自 1980 年的 0.58 降至 2022 年的 0.31（历史最低），同时 NLP 的学术引用越来越内向，主要引用计算机科学领域的论文，而对语言学、数学和心理学等领域的引用较少，这些研究结果凸显了 NLP 需要紧急反思与其他学科领域的合作交流。

Oct, 2023

深度学习在医疗保健研究中通过解决各种自然语言处理（NLP）任务得到了极大的增强。本文对可解释和可解释的医疗 NLP 中的深度学习进行了彻底的综述。发现注意力机制是最主要的新兴 IAI，同时也提出了重要的机会，如利用注意力提升个性化医学的多模态 XIAI 并将 DL 与因果推理相结合。

Mar, 2024

通过使用 SemanticScholar API 和手动整理方法，本文收集了 5199 篇与 XAI 相关的论文并进行了可视化分析，发现 XAI 领域正在变得越来越多学科交叉和引用交叉，本文提出的收集方法还可用于检索具有特定影响力的 XAI 文献。

Jan, 2023

该报告旨在通过识别与 NLP 和 ML 相关的最受欢迎的论文，为研究者和从业者提供一个快速指南，着重应对信息过载问题和了解当前趋势。最受引用的论文主要涉及 LLM 效率、评估技术、伦理考虑、有身体的机器人和 LLM 的问题解决，其中 NLP 相关论文最为具有影响力。

Jul, 2023

人工智能（AI）领域中，自然语言处理（NLP）、机器学习（ML）和计算机视觉（CV）是主要的研究方向和研究领域，此篇研究报告通过对 arXiv 上最引用的论文的分析，对数据集特征、关键词的流行程度和全球机构的分布进行了研究，发现 NLP 在研究中占主导地位，并且美国在相关论文中占据主导地位，而欧洲在最引用的论文中表现较差。

Dec, 2023

通过对教育文本的深度洞察，本文探讨了计算机辅助文本分析在提高教学质量方面的转变潜力，结合 Richard Elmore 的教学核心框架，研究了人工智能和机器学习方法特别是自然语言处理在分析教育内容、教师论述和学生反馈方面的作用，从教师指导、学生支持和内容开发等关键领域发现了 AI/ML 集成的重要优势，并揭示了 AI/ML 的模式，不仅可以简化行政任务，还可以为个性化学习引入新的途径，为教育工作者提供可操作的反馈，为教学动态提供更深入的理解。本文强调将 AI/ML 技术与教学目标相一致，实现其在教育环境中的充分潜力，提倡平衡的方法，包括考虑道德考虑、数据质量和融合人类专业知识。

Mar, 2024

通过对 NLP 模型中的观察段或语义相关的词群进行分析，将解释性摘要方法更加灵活化，并通过分析不同段落的虚假或肯定例子，引入了 NLP 模型的根本原因分析方法。最后，通过对 Yelp 评论数据集的实验证明，利用单词和 / 或信息中的组 / 集群结构可以帮助解释 NLP 模型的决策，并可用于评估模型对性别，语法和单词含义的敏感性或偏差。

Mar, 2023

本篇论文探讨了在自然语言处理和推荐任务中推断高质量执行操作和使解释具有可操作性的两个基本挑战，并通过证明解释性不以在两个应用中展示的卓越表现为代价的框架将人工智能应用实践的承诺变为现实。

May, 2022