เปรียบเทียบวิธี

	การเรียนรู้แบบเสริมกำลังที่อธิบายได้	การจำแนกประเภทโดยใช้ BERT ที่อธิบายได้
สาขาวิชา	การเรียนรู้เชิงลึก	การเรียนรู้เชิงลึก
ตระกูล	Machine learning	Machine learning
ปีกำเนิด	2018–2020	2019–2020
ผู้ริเริ่ม	Puiutta, E. & Veith, E. M. S. P. (survey); broader XAI community	Devlin et al. (BERT); explainability methods by Lundberg & Lee (SHAP), Ribeiro et al. (LIME), Sundararajan et al. (Integrated Gradients)
ประเภท	Hybrid approach (RL + explainability methods)	Pre-trained transformer classifier with post-hoc or intrinsic explainability
แหล่งต้นตำรับ	Puiutta, E., & Veith, E. M. S. P. (2020). Explainable Reinforcement Learning: A Survey. In Machine Learning and Knowledge Extraction (CD-MAKE 2020), Lecture Notes in Computer Science, vol. 12279, pp. 77–95. Springer.	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	XRL, interpretable reinforcement learning, transparent RL, explainable RL	XAI-BERT, interpretable BERT classifier, BERT with post-hoc explanation, transparent BERT classification
ที่เกี่ยวข้อง	3	6
สรุป	Explainable Reinforcement Learning (XRL) augments standard reinforcement learning agents with methods that make their policies, decisions, and learned behaviors interpretable to humans. Rather than treating the policy as a black box, XRL produces post-hoc explanations or builds inherently transparent policies, enabling trust verification, debugging, and accountability in high-stakes automated decision-making.	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.