교통 당국은 이제 안전 및 혼잡도 연구를 위해 대량의 비디오 기반 데이터를 확보하게 되었습니다. 이들 데이터 대부분은 관찰적이며 개입 없이 수집되었기 때문에, '비가 교통 밀도를 어떻게 변화시킬까?'와 같은 인과 질문에 답하기 어렵습니다. 우리는 도시 주행 데이터셋의 탐색적 인과 분석을 위한 시스템인 teLLMe를 소개합니다. 이 시스템은 대시캠 어노테이션으로 구축된 구조화된 이벤트 테이블에서 시작하여, 인과 구조 학습(causal structure learning)과 PC 알고리즘, 부트스트랩 기반 안정성 검사(bootstrap-based stability checks), 그리고 선형 회귀 및 DoWhy를 사용한 쿼리별 효과 추정(query-specific effect estimation)을 결합합니다. 자연어 질문은 스키마 인식 LLM을 통해 구조화된 인과 쿼리로 매핑되어, 사용자가 처리(treatments), 결과(outcomes), 그리고 하위 모집단(subpopulations)을 지정할 수 있게 합니다. teLLMe는 효과 추정치, 조정 세트(adjustment sets), DAG 지원 여부, 그리고 가정을 요약하는 '인과 카드(Causal Card)'를 반환하고, 이어서 짧은 자연어 설명이 제공됩니다. BDD에서 파생된 교통 이벤트에 대한 사례 연구를 통해, 이 시스템이 날씨, 피크 시간대, 그리고 교통 밀도와 관련된 그럴듯한 관계들을 밝혀낼 수 있으며, 동시에 불확실성과 모델링 선택을 명시적으로 제시함을 보여줍니다. 이 시스템은 확정적인 인과적 주장(definitive causal claims)의 출처라기보다는 가설 생성 및 전문가 추론을 위한 도구로 설계되었습니다.