Resumen: A nivel de contexto, proponemos RACE (Clasificación de explicaciones alineadas por razonamiento), un marco de conjunto de múltiples LLM que combina el razonamiento en cadena de pensamiento con mecanismos de autoconsistencia para clasificar de manera sólida las explicaciones en 32 categorías conscientes de escenarios. Aplicado a explicaciones escritas por humanos del conjunto de datos Berkeley DeepDrive-X, RACE logra una precisión del 91,45 por ciento y un kappa de Cohen de 0,91 en casos con acuerdo del anotador humano, lo que indica una confiabilidad casi humana para la clasificación del contexto.
A nivel léxico, el análisis de probabilidades logarítmicas con antecedentes informativos de Dirichlet revela patrones de vocabulario específicos del contexto que distinguen los escenarios de conducción. A nivel sintáctico, el análisis de dependencias y la extracción de plantillas muestran que las explicaciones se basan en un repertorio limitado de familias gramaticales reutilizables, con variaciones sistemáticas en los tipos de predicados y construcciones causales entre contextos.
El marco X-Blocks es independiente del conjunto de datos y de las tareas, y ofrece una amplia aplicabilidad a otros conjuntos de datos de conducción automatizada y dominios críticos para la seguridad. En general, nuestros hallazgos proporcionan principios de diseño lingüístico basados en evidencia para generar explicaciones conscientes de escenarios que respaldan la transparencia, la confianza del usuario y la accesibilidad cognitiva en los sistemas de conducción automatizados.
Publicado originalmente en export.arxiv.org el 16 de febrero de 2026.
Ver fuente original
