Die Nachfrage nach zuverlässigen KI-Systemen hat die Notwendigkeit interpretierbarer tiefer neuronaler Netze verstärkt. Konzept-Bottleneck-Modelle (CBMs) haben aufgrund ihrer Fähigkeit, menschlich verständliche Konzepte zu nutzen, um die Interpretierbarkeit zu verbessern, erhebliche Aufmerksamkeit erfahren. Allerdings leiden bestehende CBMs aufgrund deterministischer Konzeptkodierung und der Abhängigkeit von inkonsistenten Konzepten unter Genauigkeitsproblemen. Wir stellen EQ-CBM vor, einen neuartigen Ansatz, der CBMs durch eine probabilistische Konzeptkodierung mittels energiebasierter Modelle (EBMs) mit quantisierten Konzept-Aktivierungsvektoren (qCAVs) verbessert. EQ-CBM erfasst Unsicherheiten effektiv, wodurch die Zuverlässigkeit und Genauigkeit der Vorhersagen gesteigert werden. Durch die Verwendung von qCAVs wählt unsere Methode homogene Vektoren während der Konzeptkodierung aus, was eine präzisere Aufgabenerfüllung ermöglicht und eine höhere Ebene menschlicher Intervention erleichtert. Empirische Ergebnisse auf Basis von Benchmark-Datensätzen zeigen, dass unser Ansatz sowohl in Bezug auf Konzept- als auch auf Aufgaben-Genauigkeit die derzeitigen State-of-the-Art-Methoden übertrifft.