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。

本文利用深度学习分类器解决本科招生委员会决策验证问题，并通过引入解释性模块LIME对模型进行进一步解释与分析。使用多变量和信息丰富的申请者数据集进行训练和测试，模型在准确性上相比传统机器学习方法提升了3.03%。利用LIME技术展示了招生决策中不同特征的敏感性和相对影响。