本研究提出了一种新颖的联合训练方法，解决了选择性预测中模型输出信任度不足的问题。结果表明，该方法在预测结果和模块性能上均优于两个强基线。

本文提出了一种基于Shapley值的可解释框架，旨在提高机器学习模型的透明度和可信度。通过GRAPHSHAP和EmSHAP等方法，研究了有效解释黑盒模型预测结果的方式。实验结果表明，这些方法在准确性和效率上优于传统技术，能够为医学和工业应用提供更高的估计精度。

该研究探讨了GPT系列语言模型的情感推理能力，发现其在预测情感强度和应对反应方面存在困难，但在没有使用提示工程的情况下，其预测结果与人提供的评估和情感标签相一致。研究结果引发了如何有效利用这些模型的优点和解决其弱点的问题。