过去十年，全球对可解释人工智能 (XAI) 的研究不断增加，这导致了许多领域特定方法的开发，用于解释机器学习 (ML) 模型并生成人类可理解的解释 (Abusitta 等人，2024 年；Aria 等人，2021 年)。这种增长在很大程度上是由 ML（尤其是深度学习）在电子商务、医疗保健和金融等各个领域的广泛采用推动的，在这些领域，人工智能系统的透明度至关重要 (Adadi 和 Berrada，2018 年)。XAI 在医疗保健等关键领域尤为重要，它有助于解释 ML 模型以进行疾病预测和诊断，在金融领域，它有助于解释信用评分模型和欺诈检测系统，确保法规遵从性和客户信任 (Whig 等人，2023 年；Bussmann 等人，2021 年)。先前的研究强调了整理跨各个子领域的 AI 可解释性文献的必要性（Burkart 和 Huber，2021 年；Molnar 等人，2020 年；Guidotti 等人，2018 年）。大多数 XAI 方法侧重于解释整个 ML 过程，解释采用规则、数值数据或视觉效果等形式，使用通常从人机交互 (HCI) 中得出的指标进行评估（Aria 等人，2024 年）。在先前努力的基础上，本文对全球 XAI 研究进行了系统、透明且可重复的文献计量综述（Donthu 等人，2021 年）。通过对 Web of Science 数据库中 6,148 篇文献进行系统文献综述 (SLR)，本研究使用 Bibliometrix R 软件包 (Aria 和 Cuccurullo，2017)，对 XAI 研究的现状、历史演变和未来方向进行了深入分析，包括科学活动趋势、主要出版物、作者贡献和国际合作。