Looking up...
一种以可解释性为核心的机器学习或AI模型设计范式，强调模型决策过程的透明度和可理解性。
解释性范式要求AI系统能够输出决策依据，而不仅仅是结果。
该范式要求AI系统不仅给出结果，还需解释其决策逻辑。
传统的黑盒模型正被解释性范式所取代，以满足监管和伦理需求。
为满足监管和伦理要求，传统不透明的AI模型正逐步被可解释的框架替代。
该术语常见于AI伦理、机器学习解释性（XAI）和可信AI等领域，强调模型的可解释性而非仅追求预测精度。
解释性范式强调模型的透明度，而传统范式（如深度学习）更注重预测精度。在选择范式时，需权衡可解释性与性能之间的平衡。
1. 决策过程可追溯；2. 输出可解释的依据；3. 符合伦理与监管要求。
由"解释性"（explanatory）与"范式"（paradigm）组合而成，源于2010年代AI伦理与机器学习领域对模型透明度的重视。"范式"一词借鉴自托马斯·库恩的科学哲学理论，指代一种主导性的研究方法或思维模式。
常用于技术文档、学术论文或AI伦理论述中，强调模型设计应以人类可理解的方式呈现决策过程。在实践中，可能通过SHAP值、LIME等方法实现。