为了使机器学习获得广泛的公众接受，模型必须能够为其决策提供可解释且稳健的说明，并且能够在训练时从人类提供的解释中学习。在本研究中，我们在斯坦福自然语言推理数据集（Stanford Natural Language Inference dataset）的基础上，增加了一层由人类标注的自然语言解释，以描述蕴含关系。我们进一步实现了将这些解释纳入训练过程并在测试时输出的模型。我们展示了如何利用这一解释语料库（称为e-SNLI），实现多种目标，例如获取模型决策的完整句子说明、改进通用句子表示以及迁移到域外的自然语言推理数据集。因此，我们的数据集为利用自然语言解释开展研究开辟了多个方向，既可用于提升模型性能，也可用于增强其可信度。