本論文では、ビデオTransformer表現の概念説明問題に取り組みます。具体的には、自動的に発見された高度な時空間概念に基づいて、ビデオTransformerの意思決定過程を説明することを目指します。従来の概念に基づいた説明可能性に関する研究は、画像レベルのタスクのみに焦点を当ててきました。これに対し、ビデオモデルは追加の時間次元を処理するため、複雑さが増し、時間とともに変化する動的概念の識別において課題が生じます。本研究では、最初のビデオTransformer概念発見（VTCD）アルゴリズムを導入することで、これらの課題を体系的に解決します。そのため、効果的な教師なしビデオTransformer表現ユニット（概念）の識別手法を提案し、モデル出力におけるそれらの重要度をランク付けします。得られた概念は高い説明可能性を備え、非構造化ビデオモデルにおける時空間推論メカニズムとオブジェクト中心表現を明らかにします。多様な教師ありおよび教師なし表現においてこの分析を共同で行うことで、これらのメカニズムの一部がビデオTransformerにおいて普遍的であることを発見しました。最後に、VTCDが細かいタスクのモデル性能向上に役立つことを示します。