一句话定义：解释权（Right to Explanation）指当自动化决策实质影响到你的权益时，你有资格要求决策方给出一个普通人能听懂的理由；「模型就是这么输出的」不算理由。
打个比方。你面试被拒，如果拒你的是部门主管，你问他为什么，他会说「你项目经验不够，我们需要能独立带团队的人」。答案未必让你服气，但它具体、可反驳：你可以说「我带过两个项目，只是简历没写」。而如果拒你的是系统，回你一句「综合评分不足」，你就卡死了——你不知道分数怎么算的、哪一项拖了后腿、下次该改什么。解释权要解决的正是这个不对称：决定可以自动化，说理不能自动化掉。
为什么这不是小题大做。额度审批、简历初筛、保险核保、平台派单与账号降级，这类决策过去是有人签字的，现在常常是一行分数。分数本身不可怕，可怕的是它不可追问。没有理由，就没有申辩；没有申辩，纠错机制就整个断掉了——你连「他们搞错了」都证明不了。
在立法层面，欧盟《通用数据保护条例》（GDPR）中关于「仅基于自动化处理做出决定」的条款常被引为源头，其序言部分提到获取解释的说法；学界对条文是否明确规定了一项独立的「解释权」仍有争论。具体适用范围和表述，以官方法条与监管机构解释为准。
几个容易混的邻居：
| 概念 | 性质 | 回答的问题 |
|---|---|---|
| 可解释性（Explainability） | 技术属性 | 这个模型的行为能否被人理解 |
| 透明度（Transparency） | 信息披露义务 | 你用没用自动化决策、用了哪些数据 |
| 解释权（Right to Explanation） | 个人权利 | 我被影响了，你能不能给我一个理由 |
| 反事实解释（Counterfactual Explanation） | 一种解释方法 | 我改哪一点，结果就会不一样 |
关键区别：可解释性是模型好不好懂，解释权是你有没有资格问。一个黑箱模型也可能通过事后工具给出足够好的个案理由；反过来，一个技术上透明的模型，如果没人有义务向你说明，你的处境也没变好。
对从业者的实际意义：设计上留三样东西——决策日志（谁、什么时候、依据哪些特征）、特征级别的理由（不必暴露模型权重，但要能指出主要影响因素）、人工复核通道（有人能推翻它）。这三样往往比把模型调到多高精度更能挡住投诉。
对普通人的实际意义：被系统拒绝时，别停在「综合评分不足」。可以追问：主要依据了哪些信息？这些信息是否准确？有没有人工复核？这不是求情，是在要求一个可被检验的理由。