本研究探讨了大型语言模型（LLM）如何解释其生成的模式，使用基于归因和基于提示的方法提取LLM原因，并发现基于提示的方法更好地对齐人工注释的原因。通过微调模型，无论是基于提示还是归因的方法都展现了更好的忠实度。该研究为更严格和公正地评估LLM原因提供了启示。

机器学习模型在贷款批准、预审保释、招聘等领域广泛应用，但大多数模型不透明。本文介绍了自动生成反事实解释的方法，使用了答案集规划和目标导向ASP系统。通过计算和证明反事实解释，导航解释间的关系。同时，还介绍了如何利用算法为无法满足查询的答案集程序找到插值。

本论文研究了演绎推理中的胜于推理论据，利用GPT-3.5-turbo自动化分析这些论据，并生成清晰连贯的解释和新颖的论据。外部信息整合提高了解释质量，突出了人工智能在复杂推理任务中的潜力。