เปรียบเทียบวิธี

	การตอบคำถามที่อธิบายได้	การจำแนกประเภทโดยใช้ BERT ที่อธิบายได้
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2016–2020	2019–2020
ผู้ริเริ่ม	Community (DeYoung et al.; Rajpurkar et al.)	Devlin et al. (BERT); explainability methods by Lundberg & Lee (SHAP), Ribeiro et al. (LIME), Sundararajan et al. (Integrated Gradients)
ประเภท	Interpretable NLP pipeline	Pre-trained transformer classifier with post-hoc or intrinsic explainability
แหล่งต้นตำรับ	DeYoung, J., Jain, S., Rajani, N. F., Lehman, E., Xiong, C., Socher, R., & Wallace, B. C. (2020). ERASER: A Benchmark to Evaluate Rationalized NLP Models. In Proceedings of ACL 2020, pp. 4443–4458.	Devlin, J., Chang, M.-W., Lee, K., & Toutanova, K. (2019). BERT: Pre-training of deep bidirectional transformers for language understanding. Proceedings of NAACL-HLT 2019, pp. 4171–4186.
ชื่อเรียกอื่น	XQA, interpretable QA, transparent question answering, rationale-based QA	XAI-BERT, interpretable BERT classifier, BERT with post-hoc explanation, transparent BERT classification
ที่เกี่ยวข้อง	5	6
สรุป	Explainable Question Answering (XQA) combines neural reading-comprehension models — typically BERT-family transformers — with interpretability methods such as rationale extraction, attention visualization, LIME, or SHAP to reveal why the model selected a particular answer span. The goal is not just accuracy but trustworthy, auditable reasoning that users and domain experts can inspect and verify.	Explainable BERT-based Classification combines the predictive power of fine-tuned BERT transformers for text classification with post-hoc or intrinsic explainability techniques — such as SHAP, LIME, attention analysis, or integrated gradients — to reveal which words or tokens drove each prediction. The result is a classifier that is both accurate and interpretable enough for high-stakes or auditable NLP applications.