In diesem Artikel stellen wir ein neuronales Modell namens EPT-X (Expression-Pointer Transformer mit Erklärungen) vor, das natürliche Spracherklärungen nutzt, um algebraische Textaufgaben zu lösen. Um die Erklärbarkeit des Kodierungsprozesses eines neuronalen Modells zu verbessern, greift EPT-X Konzepte der Plausibilität und Treue auf, die aus menschlichen Lösungsstrategien für mathematische Textaufgaben abgeleitet sind. Eine plausibel Erklärung enthält kontextuelle Informationen zu den Zahlen und Variablen, die in einer gegebenen mathematischen Textaufgabe auftreten. Eine treue Erklärung stellt den Gedankengang hinter der Lösungsgleichung des Modells genau dar. Das EPT-X-Modell erreicht eine durchschnittliche Baseline-Leistung von 69,59 % auf unserem PEN-Datensatz und erzeugt Erklärungen von einer Qualität, die mit menschlichen Ausgaben vergleichbar ist. Der Beitrag dieser Arbeit ist zweifach. (1) EPT-X-Modell: Ein erklärbares neuronales Modell, das eine Baseline für die Lösung algebraischer Textaufgaben hinsichtlich Korrektheit, Plausibilität und Treue setzt. (2) Neues Datenset: Wir veröffentlichen ein neuartiges Datenset namens PEN (Probleme mit Erklärungen zu Zahlen), das bestehende Datensätze erweitert, indem jeder Zahl bzw. Variablen eine Erklärung zugeordnet wird.