本研究提出MIB基准，以评估新机械解释性方法的有效性。通过比较不同方法在神经语言模型中的因果路径和变量识别，揭示了归因和掩蔽优化在电路定位中的优势，为该领域的进展提供了信心。

本研究提出了一种名为CoGS的方法，用于生成可实现的反事实解释，能够从负面结果生成积极结果的解决方案，并明确因果路径，确保解释的现实可信性。初步结果显示其在建模因果依赖关系方面具有潜在影响。

Causal Walk是一种新方法，通过引入因果路径和前门调整来消除多跳事实验证偏差。它使用随机游走的思想估计处理和中介变量之间的因果效应，并利用归一化加权几何平均逼近估计中介变量和结果变量之间的因果效应。