論文の概要: The Prompting Brain: Neurocognitive Markers of Expertise in Guiding Large Language Models

• arxiv url: http://arxiv.org/abs/2508.14869v1
• Date: Wed, 20 Aug 2025 17:31:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-21 16:52:41.539062
• Title: The Prompting Brain: Neurocognitive Markers of Expertise in Guiding Large Language Models
• Title（参考訳）: プロンプティング脳:大規模言語モデルの指導における専門知識の認知マーカー
• Authors: Hend Al-Khalifa, Raneem Almansour, Layan Abdulrahman Alhuasini, Alanood Alsaleh, Mohamad-Hani Temsah, Mohamad-Hani_Temsah, Ashwag Rafea S Alruwaili,
• Abstract要約: 本稿では,脳の機能的接続とネットワーク活動の差異を専門家と中間的プロンプトエンジニアの間で調査した横断的fMRIによる研究結果について述べる。 以上の結果より,左中側頭回や左前頭極などの脳領域における機能的接続性の向上など,より迅速な工学的リテラシーに関連する神経症状が明らかとなった。 自然言語処理(NLP)におけるこれらの神経認知マーカーの意義について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Prompt engineering has rapidly emerged as a critical skill for effective interaction with large language models (LLMs). However, the cognitive and neural underpinnings of this expertise remain largely unexplored. This paper presents findings from a cross-sectional pilot fMRI study investigating differences in brain functional connectivity and network activity between experts and intermediate prompt engineers. Our results reveal distinct neural signatures associated with higher prompt engineering literacy, including increased functional connectivity in brain regions such as the left middle temporal gyrus and the left frontal pole, as well as altered power-frequency dynamics in key cognitive networks. These findings offer initial insights into the neurobiological basis of prompt engineering proficiency. We discuss the implications of these neurocognitive markers in Natural Language Processing (NLP). Understanding the neural basis of human expertise in interacting with LLMs can inform the design of more intuitive human-AI interfaces, contribute to cognitive models of LLM interaction, and potentially guide the development of AI systems that better align with human cognitive workflows. This interdisciplinary approach aims to bridge the gap between human cognition and machine intelligence, fostering a deeper understanding of how humans learn and adapt to complex AI systems.
• Abstract（参考訳）: プロンプトエンジニアリングは、大規模言語モデル(LLM)との効果的な相互作用のための重要なスキルとして急速に現れてきた。 しかし、この専門知識の認知的・神経的な基盤はほとんど解明されていない。 本稿では,脳の機能的接続とネットワーク活動の差異を専門家と中間的プロンプトエンジニアの間で調査した横断的fMRIによる研究結果について述べる。 以上の結果から,左中側頭回や左前頭極などの脳機能領域における機能的接続の増大,およびキー認知ネットワークにおけるパワー周波数ダイナミクスの変化など,より迅速な工学的リテラシーに関連する神経信号が明らかとなった。 これらの発見は、素早い工学的熟練度の神経生物学的基礎に関する最初の洞察を与える。 自然言語処理(NLP)におけるこれらの神経認知マーカーの意義について論じる。 LLMとのインタラクションにおける人間の専門知識の神経基盤を理解することは、より直感的な人間-AIインターフェースの設計を通知し、LLMインタラクションの認知モデルに貢献し、人間の認知ワークフローとよりよく整合したAIシステムの開発を導く可能性がある。 この学際的アプローチは、人間の認知とマシンインテリジェンスの間のギャップを埋めることを目的としており、人間が複雑なAIシステムをどのように学習し、適応するかをより深く理解することを促進する。

関連論文リスト

• The Memory Paradox: Why Our Brains Need Knowledge in an Age of AI [4.508868068781058]
  本稿では、神経科学と認知心理学に基づいて、AIシステムへの重度依存が、宣言的記憶と手続き的記憶の融合を損なう可能性について検討する。 我々は、"グロキング"のような深層学習現象と過度学習と直観の神経科学との顕著な類似点を強調した。 本稿は、大規模言語モデルの時代における教育と労働訓練の政策的意味を結論付けている。
  論文  参考訳（メタデータ） (2025-05-03T03:41:33Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• Enhancing learning in spiking neural networks through neuronal heterogeneity and neuromodulatory signaling [52.06722364186432]
  人工ニューラルネットワーク(ANN)の強化のための生物学的インフォームドフレームワークを提案する。 提案したデュアルフレームアプローチは、多様なスパイキング動作をエミュレートするためのスパイキングニューラルネットワーク(SNN)の可能性を強調している。 提案手法は脳にインスパイアされたコンパートメントモデルとタスク駆動型SNN, バイオインスピレーション, 複雑性を統合している。
  論文  参考訳（メタデータ） (2024-07-05T14:11:28Z)
• Brain-Inspired Machine Intelligence: A Survey of Neurobiologically-Plausible Credit Assignment [65.268245109828]
  本稿では,神経生物学にインスパイアされた,あるいは動機付けられた人工ニューラルネットワークにおける信用割当を行うアルゴリズムについて検討する。 我々は、脳にインスパイアされた学習スキームを6つの一般的なファミリーにまとめ、これらを誤りのバックプロパゲーションの文脈で検討する。 本研究の成果は,神経ミメティックシステムとその構成的学習プロセスの今後の発展を促進することを目的としている。
  論文  参考訳（メタデータ） (2023-12-01T05:20:57Z)
• A brain basis of dynamical intelligence for AI and computational neuroscience [0.0]
  より多くの脳のような能力は、新しい理論、モデル、および人工学習システムを設計する方法を要求するかもしれない。 本稿は,第6回US/NIH BRAIN Initiative Investigators Meetingにおける動的神経科学と機械学習に関するシンポジウムに触発されたものです。
  論文  参考訳（メタデータ） (2021-05-15T19:49:32Z)

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。