一項發表於CogSci 2026的研究提出了一個計算模型，旨在量化解釋如何幫助個體在不確定性下進行規劃。該模型利用大型語言模型（LLM）將自然語言解釋轉換為程式化的行動指導，包括策略先驗（policy prior）和價值圖（value map），並讓一個智慧體在部分可觀測的環境下執行規劃。研究者透過解釋的效率和可靠性來評分，並懲罰需要重新規劃的情況。
為了驗證模型，團隊進行了四個預註冊實驗，收集了涵蓋24張不同地圖的1200個解釋，並評估了這些解釋的有用性。實驗還測量了基線導航效能，並對比了不同質量解釋對導航行為的影響。結果顯示，得分較高的解釋被參與者認為更有幫助，並且顯著提高了導航效率：有解釋的參與者表現優於沒有解釋的參與者，而高分解釋比低分解釋帶來更大的提升。
這一研究揭示了程式性解釋的本質：它是一種效用導向的溝通方式，其效果取決於語言如何在不確定性下被轉化為實際行動。該模型為理解人類如何利用語言進行規劃提供了新的視角，並可能啟發更智慧的互動系統設計。