本研究提出了一种新方法，利用知识图谱和角色扮演代理的特性，自动评估角色关系的忠实度。实验结果表明，该方法有效且可靠，解决了现有评估中的适应性差和判断不准确的问题。

本文综述对话摘要忠实度研究，利用自然语言推理模型检测事实不一致，提出SummaCConv、FFLM、T0-Score等评估方法，并构建FFCI细粒度评估框架和LongEval人工评估指南，在DialogSum、SAMSum等数据集上验证有效性。

该文综述神经网络可解释性研究，重点探讨用自然语言解释深度模型神经元，涵盖可解释自然语言理解框架、多模态神经元、特征文本化、自动化神经元解释及忠实度评估，并指出神经元未必对应清晰语言单元，自然语言解释的可靠性仍存疑。

该文综述多种深度学习可解释性方法：热力图定位妨碍目标识别的区域；预测移动UI可点击元素并用XRAI解释；Shap-CAM利用Shapley值改进类激活映射；基于Shapley值的变量重要性度量；最大激活群提取与多尺度可视化；在医学多标签数据集上比较四种解释方法；基于归类的特征提取；卷积层梯度权重归因；系统评估解释方法的忠实度等指标，发现Grad-CAM和RISE表现较好；提出XC评分用于3D目标检测，并发现复杂方法未必优于简单方法。