当前，可解释人工智能（XAI）方法的评估正面临严峻挑战，核心问题在于缺乏标准化。现有评估指标的定义往往不一致，报告内容不完整，且很少能与通用基线进行有效验证。这种混乱局面严重阻碍了XAI研究的进展和可靠性。
为解决这一痛点，研究人员指出，评估报告的透明度不足是一个长期被忽视的中心问题。为此，他们提出了一种创新解决方案——“XAI评估卡”。该卡片是一个文档模板，其设计理念类似于AI领域的“模型卡”，旨在作为任何引入XAI评估指标研究的配套文件。
“XAI评估卡”要求详细声明一系列关键信息，包括：目标属性（即指标旨在衡量什么）、基础级别（指标所依赖的底层概念）、指标假设、验证证据（如何证明指标的有效性）、潜在的“作弊”风险（即指标可能被恶意利用或误导的方式），以及已知的失效案例。研究者认为，如果将这一模板推广为社区规范，将有效减少评估碎片化，支持对XAI研究的元分析，并显著提升该领域的问责制和可信度。
