論文の概要: Understanding Human Limits in Pattern Recognition: A Computational Model of Sequential Reasoning in Rock, Paper, Scissors

• arxiv url: http://arxiv.org/abs/2508.06503v1
• Date: Fri, 25 Jul 2025 15:56:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 22:58:06.138504
• Title: Understanding Human Limits in Pattern Recognition: A Computational Model of Sequential Reasoning in Rock, Paper, Scissors
• Title（参考訳）: パターン認識における人間の限界を理解する:岩盤,紙,シザーにおける逐次推論の計算モデル
• Authors: Logan Cross, Erik Brockbank, Tobias Gerstenberg, Judith E. Fan, Daniel L. K. Yamins, Nick Haber,
• Abstract要約: 仮説的マインドス(英: hypothetical Minds)は、対立する戦略に関する仮説を生成し、検証する、大きな言語モデルに基づくエージェントである。 同じ実験条件に適用した場合、HMは人間のパフォーマンスパターンを忠実に反映し、成功し、同様の方法で失敗することを示す。 教育的な介入を通じてモデル仮説を体系的に操作することにより、モデルが相手の行動に対する因果的理解を著しく更新することを発見した。
• 参考スコア（独自算出の注目度）: 7.7997684022104234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How do we predict others from patterns in their behavior and what are the computational constraints that limit this ability? We investigate these questions by modeling human behavior over repeated games of rock, paper, scissors from Brockbank & Vul (2024). Against algorithmic opponents that varied in strategic sophistication, people readily exploit simple transition patterns (e.g., consistently playing rock after paper) but struggle to detect more complex sequential dependencies. To understand the cognitive mechanisms underlying these abilities and their limitations, we deploy Hypothetical Minds (HM), a large language model-based agent that generates and tests hypotheses about opponent strategies, as a cognitive model of this behavior (Cross et al., 2024). We show that when applied to the same experimental conditions, HM closely mirrors human performance patterns, succeeding and failing in similar ways. To better understand the source of HM's failures and whether people might face similar cognitive bottlenecks in this context, we performed a series of ablations and augmentations targeting different components of the system. When provided with natural language descriptions of the opponents' strategies, HM successfully exploited 6/7 bot opponents with win rates >80% suggesting that accurate hypothesis generation is the primary cognitive bottleneck in this task. Further, by systematically manipulating the model's hypotheses through pedagogically-inspired interventions, we find that the model substantially updates its causal understanding of opponent behavior, revealing how model-based analyses can produce testable hypotheses about human cognition.
• Abstract（参考訳）: 振る舞いのパターンから他の人をどう予測するか、この能力を制限する計算上の制約は何か? 岩盤, 紙, はさみ (Blockbank & Vul) (2024) の繰り返しゲーム上での人間の振る舞いをモデル化し, これらの課題を考察した。 戦略的洗練の異なるアルゴリズム的反対者に対して、人々は簡単に単純な遷移パターン(例えば、紙の後に一貫して岩を再生するなど)を利用するが、より複雑なシーケンシャルな依存関係を検出するのに苦労する。 これらの能力とその限界の認知メカニズムを理解するため、これらの行動の認知モデルとして、対立する戦略に関する仮説を生成・テストする大規模言語モデルベースエージェントである仮説的マインド(HM)を配置する(Cross et al , 2024)。 同じ実験条件に適用した場合、HMは人間のパフォーマンスパターンを忠実に反映し、成功し、同様の方法で失敗することを示す。 HMの失敗の原因と、この文脈で人々が同様の認知的ボトルネックに直面しているかどうかをよりよく理解するために、システムの異なるコンポーネントをターゲットにした一連の改善と拡張を実施しました。 相手の戦略を自然言語で記述すると、HMは6/7のボット相手を80%の勝利率でうまく利用し、正確な仮説生成がこのタスクの主要な認知的ボトルネックであることを示唆した。 さらに,教育的な介入を通じてモデル仮説を体系的に操作することにより,モデルが相手の行動に対する因果的理解を著しく更新し,モデルに基づく分析が人間の認知に関する検証可能な仮説をいかに生み出すかを明らかにする。

関連論文リスト

• A constraints-based approach to fully interpretable neural networks for detecting learner behaviors [0.6138671548064356]
  本稿では,ニューラルネットワークに基づく行動検出モデルを構築するための新しいアプローチについて述べる。 我々のモデルは、完全に解釈可能であり、つまり、説明のために抽出するパラメータは明確な解釈を持つ。 このモデルを用いて,ゲーム・ザ・システム動作の検出,タスクの性能評価を行い,学習パターンを人間の専門家が特定したパターンと比較する。
  論文  参考訳（メタデータ） (2025-04-10T16:58:11Z)
• Causality can systematically address the monsters under the bench(marks) [64.36592889550431]
  ベンチマークはさまざまなバイアス、アーティファクト、リークに悩まされている。 モデルは、調査の不十分な障害モードのため、信頼できない振る舞いをする可能性がある。 因果関係はこれらの課題を体系的に解決するための 理想的な枠組みを提供します
  論文  参考訳（メタデータ） (2025-02-07T17:01:37Z)
• The Double-Edged Sword of Behavioral Responses in Strategic Classification: Theory and User Studies [7.695481260089599]
  本稿では,アルゴリズムに対する人間の反応の行動バイアスを考慮した戦略的分類モデルを提案する。 分類器の誤認が、偏りのあるエージェントと合理的なエージェントの反応の異なるタイプの相違をもたらすことを示す。 行動バイアスのある戦略的エージェントは、完全に合理的な戦略エージェントと比較して、会社に利益をもたらすか、または(予想外の)害を与える可能性があることを示す。
  論文  参考訳（メタデータ） (2024-10-23T17:42:54Z)
• Neural Causal Models for Counterfactual Identification and Estimation [62.30444687707919]
  本稿では,ニューラルモデルによる反事実文の評価について検討する。 まず、神経因果モデル(NCM)が十分に表現可能であることを示す。 第2に,反事実分布の同時同定と推定を行うアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-09-30T18:29:09Z)
• Learning Theory of Mind via Dynamic Traits Attribution [59.9781556714202]
  本稿では,過去のトラジェクトリからアクターの潜在特性ベクトルを生成するニューラルToMアーキテクチャを提案する。 この特性ベクトルは、予測ニューラルネットワークの高速重み付けスキームを介して予測機構を乗法的に変調する。 実験により,高速重量はエージェントの特性をモデル化し,マインドリーディング能力を向上させるために優れた誘導バイアスを与えることが示された。
  論文  参考訳（メタデータ） (2022-04-17T11:21:18Z)
• Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
  ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。 正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。 人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
  論文  参考訳（メタデータ） (2022-01-27T22:15:56Z)
• When and How to Fool Explainable Models (and Humans) with Adversarial Examples [1.439518478021091]
  説明可能な機械学習モデルに対する敵攻撃の可能性と限界について検討する。 まず、逆例の概念を拡張して、説明可能な機械学習シナリオに適合する。 次に、説明可能なモデルに対して、逆例を生成できるかどうかを総合的に検討する枠組みを提案する。
  論文  参考訳（メタデータ） (2021-07-05T11:20:55Z)
• Machine Common Sense [77.34726150561087]
  機械の常識は、人工知能(AI)において広範で潜在的に無拘束な問題のままである 本稿では、対人インタラクションのようなドメインに焦点を当てたコモンセンス推論のモデル化の側面について論じる。
  論文  参考訳（メタデータ） (2020-06-15T13:59:47Z)
• Plausible Counterfactuals: Auditing Deep Learning Classifiers with Realistic Adversarial Examples [84.8370546614042]
  ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。 GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。 その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
  論文  参考訳（メタデータ） (2020-03-25T11:08:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。