大型语言模型在生成文本方面表现优异，但在知识密集型任务中的解释能力仍需提升。研究表明，众包工作者更倾向于基于知识的解释，认为其更实用和全面。为提高解释的可信度，提出了审查预测的两阶段流程。此外，基于提示的方法在提取原因方面优于传统方法，更好地与人类理解对齐。

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。