- 用于基于理由支持的法律判决预测的日本侵权案例数据集
该研究提出了用于日本法律判决预测的首个数据集，即日本侵权案例数据集（JTD），其中包含二个任务：侵权预测和相关性抽取。JTD 基于 41 名法律专家对 3477 个日本民法判决进行了标注，共获得 7978 个实例和 59697 个涉案方的主 - 公正与可解释性之间的相互作用
建立可靠且值得信赖的自然语言处理应用程序，模型需要在不同人群之间既公平又可解释。本研究通过两个文本分类数据集进行实验证明，公平和可解释性并不总是相互影响的，因此需要同时考虑这两个目标，以获得更好的结果。
- REFER: 解释规范化的端到端关键抽取框架
我们提出了一种名为 REFER 的框架，利用可微分的 rationale extractor 来通过在训练过程中使用人工标注的重点提取训练任务模型和 rationale extractor，从而在忠实度、可信度和下游任务准确率方面显著提升性 - 跨领域有害文本片段检测
本文探讨了检测有害文本段落时跨领域条件下的分布偏移现象，并评估了基于词汇库、原理提取和微调语言模型三种方法的效果，结果表明在跨领域条件下，采用通用的词汇库进行检测的方法效果最好。此外，该研究发现，(1) 基于原理提取的方法容易产生假阴性，( - SIGIR关系抽取的连续理由提取：合理思考所见
本文提出了一种新的关系抽取框架 RE2，通过运用连续性和稀疏性因素来获取有关联且连贯的理由，从而解决了保留相关内容和移除噪声段落的难题。
- 通过对抗信息校准理性化预测
在这项工作中，我们提出了一种通过信息校准和流畅关联提取语义信息的方法，成功地提取了辩解原因，并在情感分析、仇恨言论识别和法律方面的任务中证明了其有效性。
- AAAI基于关注度感知的图学习探究多跳事实验证的可信理由
利用图卷积网络和注意力因素，将可解释的多跳事实验证问题转化为子图提取，实现证据的拓扑交互，构建多任务模型区分警示性因素，对通过 FEVEROUS 基准测试得到的实验结果验证上述方法优于先前最先进算法的功效。
- AAAI基于文本联合分类和原理提取的模型可解释性与鲁棒性统一
通过设计基于混合对抗训练和边界匹配约束的联合分类和根据原理提取模型 AT-BMC，本文证明了稳健性和更好解释之间的联系，并在基准数据集上获得了显著改进的分类和根据原理提取效果。
- ICMLUNIREX: 一种用于语言模型理由提取的统一学习框架
本文提出了 UNIREX 灵活的学习框架，旨在优化解释提取，它可以替换现有启发式算法设计，并针对准确性、可信度和 PLAUSIBILITY 这三个需求进行优化，同时可以使用标准化相关增益（NRG）指标评估模型性能。在五个文本分类数据集上的实 - ACL通过正则化进行段落级别的理由提取：以欧洲人权法院案例为例
该篇研究探讨了关于 NLP 中的可解释性或解释性是如何应用在法律文本中的，为了更好的满足用户的需求，我们提出了一种基于段落的理由提取的方法，并引入了一个新的数据集，对已有的规则进行了研究和探究。结果表明，该任务非常具有挑战性并需要深入研究。
- 借鉴最优秀的方法：通过敌对信息校准实现预测准确性
本文介绍了一种基于信息校准的抽取原理提取方法，该方法首先使用神经模型解决特定任务，然后使用选择器 - 预测器模型提取来自神经模型的信息并产生对于预测的理由，通过基于对抗的技术来校准提取出的信息以提高效果。
- EMNLP通过句子编辑探究语言模型可解释性
本文旨在将一个句子编辑数据集复用成为解释性测试场，系统研究预训练语言模型的可解释性及在该场景下的解释效果，发现注意力权重相关性较高，并且比基于梯度的显著性提取方法更有效。
- 可解释的神经预测与可微分的二元变量
通过两个神经网络模型（一个潜在模型选择基本元素和一个分类器学习基本元素），使文本分类器更易解释并提供解释。通过混合离散和连续的交互方式，在不使用 REINFORCE 的情况下，实现了提取基本元素。
- ACL统一语料库中的立场检测和事实核查整合
该研究提供了一种基于数据集的方法，支持事实检查、文献检索、来源可靠度、立场检测和论据提取这些任务之间的相互关系，从而帮助构建一个阿拉伯语事实检查语料库。