Nadat AI-modellen zijn getraind en ingezet, is het vaak moeilijk om hun resultaten te begrijpen. Het bloeiende veld van Explainable AI (XAI) probeert AI-modellen begrijpelijk te maken door verschillende statistische, wiskundige en computationele technieken te gebruiken. Deze technieken leiden tot verklaringen van de output van het model. Filosofische analyses van XAI hebben zich tot nu toe gericht op andere problemen dan verklaring, ondanks dat het een centraal concept is in de wetenschapsfilosofie en in XAI. Dit project onderzoekt de notie van verklaring in de praktijk van XAI vanuit wetenschapsfilosofisch oogpunt. De eerste stap in het onderzoek is beschrijvend. Het doel van deze stap is om een theorie ontwikkelen van hoe verklaring werkt in verschillende XAI-technieken. De tweede stap is prescriptief, gericht op het bieden van kwaliteitscriteria voor door XAI geproduceerde verklaring. Een creatieve combinatie van tools uit de wetenschapsfilosofie en XAI zal worden gebruikt. Beide disciplines hebben er baat bij. Filosofen leren hoe verklaring werkt in een tot nu toe weinig bestudeerd en interessant domein (XAI), en XAI-ingenieurs profiteren van de conceptuele duidelijkheid die filosofische analyse biedt. Deze voordelen variëren van nauwkeurigere benchmarks tot betere handvatten voor uitdagingen die worden veroorzaakt door de ondoorzichtigheid van AI-modellen, zoals discriminatiekwesties of het epistemisch statuut van door AI aangestuurde wetenschappelijke ontdekkingen.