言語説明・自動運転2026/2/1arXiv:2602.13248

X-Blocks：自動運転車の自然言語説明における言語的構成要素

X-Blocks: Linguistic Building Blocks of Natural Language Explanations for Automated Vehicles

自動運転車の説明文を文脈・統語・語彙の3階層で分析する枠組みX-Blocksを提案し、LLMアンサンブルで説明を32カテゴリに分類するRACEを開発した。

詳しい要約

1. どんなもの？

- 自動運転車(AV)の自然言語説明を分析する階層的枠組み X-Blocks を提案 - 3レベル: context, syntax, lexicon - context レベルでは RACE (Reasoning-Aligned Classification of Explanations) を提案 - RACE は multi-LLM ensemble で Chain-of-Thought と self-consistency を組み合わせ、説明を 32 の scenario-aware カテゴリに分類 - Berkeley DeepDrive-X データセットの人間作成説明に適用 - 語彙レベルでは log-odds 分析と informative Dirichlet priors を使用 - 統語レベルでは dependency parsing と template extraction を実施 - データセット非依存・タスク非依存の枠組みを目指す

2. 先行研究と比べてどこがすごい？

- 既存研究は多様なシナリオでの運転根拠の言語的構成を体系的に分析する枠組みを欠く - X-Blocks は context, syntax, lexicon の3レベルで言語的ビルディングブロックを同定 - RACE は 32 の scenario-aware カテゴリへの分類を実現 - 人間のアノテータ一致事例に対し 91.45% の accuracy と Cohen's kappa 0.91 を達成し、context 分類で near-human reliability を示す - データセット非依存・タスク非依存で他データセットや安全臨界領域に適用可能

3. 技術・手法の肝は？

- context レベル: RACE (Reasoning-Aligned Classification of Explanations) - multi-LLM ensemble - Chain-of-Thought reasoning - self-consistency mechanisms - 32 の scenario-aware カテゴリに分類 - lexical レベル: log-odds 分析 with informative Dirichlet priors - 文脈特異的な語彙パターンを抽出 - syntactic レベル: dependency parsing と template extraction - 再利用可能な grammar families の限られたレパートリを同定 - predicate types と causal constructions の体系的な変異を分析

4. どうやって有効だと検証した？

- Berkeley DeepDrive-X データセットの人間作成説明を使用 - RACE を適用し、人間のアノテータ一致事例に対して 91.45% の accuracy と Cohen's kappa 0.91 を達成 - これにより context 分類の near-human reliability を示す - lexical レベルでは log-odds 分析で文脈特異的な語彙パターンを確認 - syntactic レベルでは dependency parsing と template extraction で grammar families の限られたレパートリと体系的な変異を確認

5. 議論はある？

- X-Blocks はデータセット非依存・タスク非依存で、他の自動運転データセットや安全臨界領域に広く適用可能 - 知見は scenario-aware 説明の生成のための証拠に基づく言語設計原則を提供 - 自動運転システムの透明性、ユーザ信頼、認知アクセシビリティを支援 - 限界や課題については要旨からは不明

6. 次に読むべき論文は？

- Berkeley DeepDrive-X データセット - Chain-of-Thought reasoning - self-consistency mechanisms - multi-LLM ensemble - log-odds analysis with informative Dirichlet priors - dependency parsing - template extraction

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ashkan Y. Zadeh, Xiaomeng Li, Andry Rakotonirainy, Ronald Schroeter, Sebastien Glaser, Zishuo Zhu

分類: cs.AI, cs.CL, cs.RO

原文アブストラクト

Natural language explanations play a critical role in establishing trust and acceptance of automated vehicles (AVs), yet existing approaches lack systematic frameworks for analysing how humans linguistically construct driving rationales across diverse scenarios. This paper introduces X-Blocks (eXplanation Blocks), a hierarchical analytical framework that identifies the linguistic building blocks of natural language explanations for AVs at three levels: context, syntax, and lexicon. At the context level, we propose RACE (Reasoning-Aligned Classification of Explanations), a multi-LLM ensemble framework that combines Chain-of-Thought reasoning with self-consistency mechanisms to robustly classify explanations into 32 scenario-aware categories. Applied to human-authored explanations from the Berkeley DeepDrive-X dataset, RACE achieves 91.45 percent accuracy and a Cohens kappa of 0.91 against cases with human annotator agreement, indicating near-human reliability for context classification. At the lexical level, log-odds analysis with informative Dirichlet priors reveals context-specific vocabulary patterns that distinguish driving scenarios. At the syntactic level, dependency parsing and template extraction show that explanations draw from a limited repertoire of reusable grammar families, with systematic variation in predicate types and causal constructions across contexts. The X-Blocks framework is dataset-agnostic and task-independent, offering broad applicability to other automated driving datasets and safety-critical domains. Overall, our findings provide evidence-based linguistic design principles for generating scenario-aware explanations that support transparency, user trust, and cognitive accessibility in automated driving systems.

arXivで原文を読む →arXiv概要ページ

← 論文一覧