信頼性の高いAIシステムに対する需要が高まる中、解釈可能な深層ニューラルネットワークの開発が急務となっている。概念ボトルネックモデル（Concept Bottleneck Models: CBMs）は、人間が理解可能な概念を活用することで解釈性を向上させる有効なアプローチとして注目を集めている。しかし、従来のCBMsは決定論的な概念エンコーディングと一貫性の欠如する概念に依存するため、精度の低下を招く課題を抱えている。本研究では、エネルギーに基づくモデル（Energy-Based Models: EBMs）を用いた確率的概念エンコーディングと、量子化された概念活性化ベクトル（quantized Concept Activation Vectors: qCAVs）を導入することで、CBMsを強化する新規フレームワークEQ-CBMを提案する。EQ-CBMは不確実性を効果的に捉えることで、予測の信頼性と精度を向上させる。また、qCAVsを用いることで、概念エンコーディング時に均質なベクトルを選択可能となり、タスク実行の明確性が高まり、人間の介入を促進する高レベルな協調が可能となる。ベンチマークデータセットを用いた実証実験の結果、本手法は概念精度およびタスク精度の両面で、既存の最先端技術を上回ることを示した。