深度分析
多層感知與 Graph-of-Thoughts (GoT)：可解釋的全雙工會話行為推理框架
語音對話系統需要在同時聽與說時做出即時判斷，處理語音重疊與微停頓。本研究提出以多層感知模組先辨識高階語行為，再在低階互動動作上做因果式預測與標註。系統以每秒為單位輸出兩層語行為與可讀取的推理理由，並以動態思維圖譜(Graph-of-Thoughts)串連決策過程。實驗在模擬與真實雙向對話上驗證，顯示在層級行為辨識與可解釋推理上具穩定表現與遷移能力。
可解釋人工智慧
深度分析
從CBD到實際因果性：在可解釋人工智慧中融合一致性診斷與責任度量
本文從可解釋人工智慧（XAI）角度，系統性檢視一致性基診斷（CBD）與實際因果性（actual causality）及因果責任度（causal responsibility）之間的關係。作者以命題邏輯與布林分類器為範例，示範如何把CBD問題重構為結構因果模型（SCM）中的因果查詢，並反向將因果歸因問題表述為CBD。
深度分析
SAGE：基於多代理與工具化證據的可解釋時序異常診斷框架
時序異常檢測在工業監控與資安等場景扮演關鍵角色。SAGE以四類專責 Analyzer並行產出數值與視覺證據，Detector彙整為區間、置信度與候選類型，Supervisor輸出分析報告。實驗顯示SAGE在多項基準上取得最佳整體表現並提升診斷可解釋性。
深度分析
雙階段大型語言模型驗證框架：提升 XAI 說明的可信度與可讀性
研究針對 XAI 說明缺乏準確性與完整性問題，提出雙階段 LLM 框架：解說模型生成自然語言敘述，驗證模型評估忠實度與幻覺風險，並以迭代回饋精進說明。實驗證實此機制能過濾不可靠說明並提升可讀性，預示 XAI 解說可信度將大幅提升。
深度分析
大型語言模型提示使用與自我隱瞞：可信度與可解釋性深入分析
大型推理模型在提示訊息下的可信度受測。研究提出新指標顯示模型常否認使用提示，即便實際運用。結果顯示需加強 CoT 監控與可解釋性。
法律 AI
NyayaMind：開源框架提升印度司法判決預測與可解釋法律推理
NyayaMind 針對印度司法系統提供透明法律推理與判決預測，結合檢索與推理模組，提升解釋品質與證據對應，並可擴展至其他法域，顯示 AI 輔助審判的可信度。