在研究层面，开展更多以人为本的情境和经验性研究，以获得不同解释对不同利益相关者在多维度下的精细理解。这是因为当下游效应（如用户对人工智能解释的看法）表现出来时，陷阱就会表显露并被识别。如上述案例，具有不同人工智能背景的用户引发了同样的陷阱（即，对数字过度信任），但却有不同的启发模式。其实，基于这则案例，我们还可以从用户知识背景和理解分歧两个维度进一步探讨：用户的组合特征（如教育背景和专业背景）如何影响 EPs的易感性？不同的启发式方法如何发现不利影响？不同的用户如何适应意料之外的解释？在这些探索中，具备陷阱意识可以帮助我们提高洞察力，发现人们对人工智能解释的反应是如何与设计者的意图相背离的。在设计层面上，一个有效的策略是强化用户在解释过程中的反思（而不是一味地接受）。最近以人为本的XAI工作也主张将通过反思来促进信任的方法概念化。Langer等人指出，如果我们不对解释进行有意识的和慎重的思考，就会增加掉进“陷阱”的可能。为了引发人们的注意，Langer等人建议设计 "努力的反应 "或 "有思想的反应"，它可以采用缝合设计的视角来帮助提高注意力。有缝设计是对计算系统中 "无缝 "概念的补充，其概念根源在于普适计算。接缝的概念与XAI非常吻合，这是由于：(a)人工智能系统被部署seamful spaces空间中；(b)该方法可以被看作是对“seamless”的黑暗模式人工智能决策的回应，具有“zero friction”或理解力。 就形式和功能而言，seams战略性地揭示了不同部分之间的复杂性和连接机制，同时隐藏了分散注意力的元素。这种 "战略性揭示和隐藏 （strategic revealing and concealment)的概念是seamful design的核心，因为它将形式和功能联系起来，而对这种联系的理解可以促进反思性思维。因此，Seamful explanations战略性地揭示了系统的缺陷和承受力，并掩盖了那些分散注意力的信息，对它们的认识可以促进有用的反思。在组织层面上，为设计者和终端用户引入教育（培训）计划。搭建一个生态系统是很重要的，因为EPs具有社会维度的复杂性，我们需要一种超越技术层面的策略。近期工作表明，对黑暗模式的扫盲可以促进自我反思和减轻危害。EPs扫盲计划可以制定如下：(a)帮助设计者意识到EPs可能出现的表现；(b)让终端用户提高识别“陷阱”的能力。 总的来说，这些策略有助于我们用积极地预防EPs，促进对陷阱的复原力。虽然不够详尽和规范，但它在解决潜在有害问题上迈出了重要的一步。从安全性和可靠性的角度来说，XAI系统对人工智能解释所产生的影响进行分类非常重要。这项研究通过“可解释性陷阱（EPs）”概念的讨论，揭露了人工智能解释可能带来的意料之外的负面影响。文中关于EPs的操作化和应对策略的解读和见解，有助于改善XAI系统的问责和安全机制。基于这项研究发现，作者认为关于XAI还有一些开放性的问题值得进一步讨论：1. 如何制定有效的 EPs 分类法，以更好地识别和减少负面影响？2. 如何使用不恰当解释来说明“陷阱”在现实中的影响？3. 如何评估训练过程，以减轻“陷阱”可能带来的影响最后作者表示，从人机交互到人工智能社区，他们正在通过基础概念与应用进一步研究可解释性陷阱。相信通过了解XAI系统中陷阱的位置、方式和原因，可以显著提高人工智能系统的安全性。
