تزايد الطلب على أنظمة الذكاء الاصطناعي الموثوقة قد عزز الحاجة إلى شبكات عصبية عميقة قابلة للتفسير. وقد اكتسبت نماذج الحواجز المفاهيمية (CBMs) اهتمامًا كنهج فعّال من خلال الاستفادة من المفاهيم القابلة للفهم البشري لتعزيز قابلية التفسير. ومع ذلك، تواجه النماذج الحالية لـ CBMs تحديات ناتجة عن ترميز المفاهيم الثابتة والاعتماد على مفاهيم غير متسقة، مما يؤدي إلى أخطاء في التنبؤ. نقترح إطارًا جديدًا يُسمى EQ-CBM، يُحسّن من أداء نماذج الحواجز المفاهيمية من خلال ترميز مفاهيم احتمالي باستخدام نماذج تعتمد على الطاقة (EBMs) مع متجهات نشاط مفاهيم مُكمّلة (qCAVs). يُمكّن EQ-CBM من التقاط عدم اليقين بشكل فعّال، مما يُحسّن من موثوقية التنبؤ ودقّته. وباستخدام متجهات qCAVs، يُمكن لطريقتنا اختيار متجهات متجانسة أثناء ترميز المفاهيم، مما يُعزز أداء المهام بوضوح أكبر ويُسهّل التدخل البشري على مستويات أعلى. وقد أظهرت النتائج التجريبية باستخدام مجموعات بيانات معيارية أن نهجنا يتفوق على أحدث التقنيات في كلاً من دقة المفاهيم ودقة المهام.