本研究提出了一种概念相似性推理网络（CSR），旨在提升计算机辅助诊断中的模型决策解释与干预能力。CSR通过提供图像区域的概念原型，实现了补丁级别的解释和空间交互，在三个生物医学数据集上可解释性性能最高提高4.5%。

本研究探讨大型语言模型（LLMs）在检测冒犯性语言时的人类注释分歧问题。研究发现，LLMs对注释分歧样本的信心与人类一致性相关，这些分歧影响模型决策，为改进冒犯性语言检测提供了指导。

本研究探讨了深度神经网络可解释性的局限性，提出稀疏分布向量表征作为替代方案。实验结果表明，稀疏分布表征更易理解，且对模型决策的贡献更大，突显其在可解释性方面的优势。