一项发表于CogSci 2026的研究提出了一个计算模型，旨在量化解释如何帮助个体在不确定性下进行规划。该模型利用大型语言模型（LLM）将自然语言解释转换为程序化的行动指导，包括策略先验（policy prior）和价值图（value map），并让一个智能体在部分可观测的环境下执行规划。研究者通过解释的效率和可靠性来评分，并惩罚需要重新规划的情况。
为了验证模型，团队进行了四个预注册实验，收集了涵盖24张不同地图的1200个解释，并评估了这些解释的有用性。实验还测量了基线导航性能，并对比了不同质量解释对导航行为的影响。结果显示，得分较高的解释被参与者认为更有帮助，并且显著提高了导航效率：有解释的参与者表现优于没有解释的参与者，而高分解释比低分解释带来更大的提升。
这一研究揭示了程序性解释的本质：它是一种效用导向的沟通方式，其效果取决于语言如何在不确定性下被转化为实际行动。该模型为理解人类如何利用语言进行规划提供了新的视角，并可能启发更智能的交互系统设计。