通过使用双向长短期记忆网络和环境信息，可以检测需要引用的句子。构建了一个比以前数据集大数个数量级的新数据集，在标准数据集和新数据集上表现出很高的性能。使用可解释的模型揭示了促进和抑制引用的特定语言的运用。检查了模型的错误预测，并发现了人类引用行为和来源数据中的系统性错误。提供了新数据集、代码和基于网络的工具给社区。

人工智能在医疗保健领域应用较慢，主要因监管、隐私和数据异质性。骨科领域缺乏可解释的人工智能模型。需要开发透明和可解释的模型，让临床医生和患者理解预测模型的贡献因素。研究强调了骨科实践中解释性人工智能的挑战和机会，需要跨学科合作建立采用标准和指南。

本文介绍了视觉蕴含（VE）任务及其解决方案，包括新的数据集SNLI-VE和可解释的视觉蕴含模型（EVE）。通过在SNLI-VE数据集上评估EVE和其他视觉问答模型，促进了基于语境的语言理解，并提供了关于现代VQA模型性能的见解。