本研究评估了注意力图在决策解释中的有效性，分析了eSNLI语料库中RNN编码器的交叉注意力权重，发现原始注意力权重与可行解释的相关性较弱。

研究发现，无人驾驶汽车提供错误的决策解释会降低乘客的信任和满意度，准确和适应性的解释对提升信任和依赖很重要，为设计可信的AV解释系统提供了指导。

该研究提出了一种名为ShieldLM的安全检测器，基于大型语言模型，支持定制检测规则，并提供决策解释。研究表明，ShieldLM在测试中表现出色，具有可定制性和可解释性。

通过分析NLP模型中的观察段和语义相关的词群，提出了解释性摘要方法的灵活化，并引入了NLP模型的根本原因分析方法。实验证明，利用单词和信息中的组/集群结构可以帮助解释NLP模型的决策，并评估模型对性别、语法和单词含义的敏感性或偏差。