Bài báo này đề xuất một khuôn khổ mới để giải thích các quyết định của hệ thống AI trong môi trường không chắc chắn, đặc trưng bởi thông tin không đầy đủ và các mô hình xác suất. Chúng tôi tập trung vào việc tạo ra hai loại giải thích: giải thích nguyên khối và giải thích điều hòa mô hình. Giải thích nguyên khối cung cấp các biện minh riêng cho giải thích, trong khi giải thích điều hòa mô hình xem xét kiến thức của người dùng về người nhận giải thích. Giải thích nguyên khối kết hợp sự không chắc chắn bằng cách tăng xác suất của giải thích bằng logic xác suất. Giải thích điều hòa mô hình mở rộng một biến thể dựa trên logic của bài toán điều hòa mô hình để xem xét các mô hình xác suất của con người, tìm kiếm một giải thích giúp giảm thiểu xung đột giữa giải thích và mô hình xác suất của con người, đồng thời tăng xác suất của giải thích. Để đánh giá chất lượng giải thích, chúng tôi trình bày các số liệu định lượng về mức tăng giải thích và sức mạnh giải thích. Chúng tôi cũng trình bày một thuật toán tính toán hiệu quả các giải thích bằng cách khai thác tính đối ngẫu giữa các tập hợp hiệu chỉnh tối thiểu và các tập hợp không thỏa mãn tối thiểu. Các đánh giá thử nghiệm mở rộng trên nhiều tiêu chuẩn khác nhau chứng minh tính hiệu quả và khả năng mở rộng của phương pháp tiếp cận của chúng tôi trong việc đưa ra lời giải thích trong điều kiện không chắc chắn.
