Θα μελετηθεί η παραγωγή εξηγήσεων (Explanations) για το πώς λαμβάνουν τις αποφάσεις τους μεγάλα πολυτροπικά μοντέλα (Multimodal Large Language Models) τα οποία χρησιμοποιούνται για την απάντηση ερωτήσεων σε βίντεο (VideoQA). Η εργασία θα εστιάσει σε μοντέλα συλλογιστικής (reasoning), και οι εξηγήσεις θα εστιάζουν στο ποια σημεία του βίντεο εισόδου βάρυναν περισσότερο στη δημιουργία της απάντησης.