本研究提出了正确性学习（CL），旨在解决安全关键领域决策输出的正确性验证问题。通过结合演绎验证与历史方案，建立反馈机制，增强人机协作。实验证明该框架在决策和资源优化方面表现优异。

该文综述强化学习中的反事实解释研究，涵盖TraCE评分框架、基于偏好的奖励建模、经验解释、奖励解释信息模态、人类轨迹预测因果分析、机器人奖励学习及生成式反事实状态解释等方法，应用于医疗、气候、自动驾驶等领域，旨在提升代理决策的可解释性与验证效果。