Fugu-MT 論文翻訳(概要): Causal Strengths and Leaky Beliefs: Interpreting LLM Reasoning via Noisy-OR Causal Bayes Nets

論文の概要: Causal Strengths and Leaky Beliefs: Interpreting LLM Reasoning via Noisy-OR Causal Bayes Nets

arxiv url: http://arxiv.org/abs/2512.11909v1
Date: Wed, 10 Dec 2025 21:58:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-16 17:54:56.017129
Title: Causal Strengths and Leaky Beliefs: Interpreting LLM Reasoning via Noisy-OR Causal Bayes Nets
Title（参考訳）: 因果強度と漏洩信念:ノイズまたは因果ベイズネットによるLLM推論の解釈
Authors: Hanna Dettki,
Abstract要約: LLMとヒトの同一のタスクにおける因果推論を評価することにより、それぞれの強みと弱さをより包括的に理解することができる。研究は、 (Q1) LLMは人間と協調しているか? (Q2) LLMと人間は、タスクレベルで一貫して推論するのか? (Q3) 明確な推論シグネチャを持っているか?
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The nature of intelligence in both humans and machines is a longstanding question. While there is no universally accepted definition, the ability to reason causally is often regarded as a pivotal aspect of intelligence (Lake et al., 2017). Evaluating causal reasoning in LLMs and humans on the same tasks provides hence a more comprehensive understanding of their respective strengths and weaknesses. Our study asks: (Q1) Are LLMs aligned with humans given the \emph{same} reasoning tasks? (Q2) Do LLMs and humans reason consistently at the task level? (Q3) Do they have distinct reasoning signatures? We answer these by evaluating 20+ LLMs on eleven semantically meaningful causal tasks formalized by a collider graph ($C_1\!\to\!E\!\leftarrow\!C_2$ ) under \emph{Direct} (one-shot number as response = probability judgment of query node being one and \emph{Chain of Thought} (CoT; think first, then provide answer). Judgments are modeled with a leaky noisy-OR causal Bayes net (CBN) whose parameters $θ=(b,m_1,m_2,p(C)) \in [0,1]$ include a shared prior $p(C)$; we select the winning model via AIC between a 3-parameter symmetric causal strength ($m_1{=}m_2$) and 4-parameter asymmetric ($m_1{\neq}m_2$) variant.
Abstract（参考訳）: 人間と機械の両方における知性の性質は、長年の疑問である。普遍的に受け入れられる定義はないが、因果的推論能力はしばしば知性の重要な側面と見なされる(Lake et al , 2017)。 LLMと人間による同じタスクにおける因果推論の評価は、それぞれの強みと弱さをより包括的に理解する。 Q1) LLMは人間と一致しているか? (Q2) LLMと人間はタスクレベルで一貫して理屈を定めますか? (Q3) 彼らには明確な推論のサインがありますか? 我々は、コライダーグラフ(C_1\! やれ! E! \leftarrow\! C_2$ ) under \emph{Direct} (one-shot number as response = probability judgment of query node is one and \emph{Chain of Thought} (CoT; think first, then provide answer)。パラメータ $θ=(b,m_1,m_2,p(C)) \in [0,1]$ は、共有前の$p(C)$ を含み、我々は、3パラメータ対称因果強度$m_1{=}m_2$) と 4パラメータ非対称$m_1{\neq}m_2$ の変種の間で AIC を介して勝利モデルを選択する。

論文の概要: Causal Strengths and Leaky Beliefs: Interpreting LLM Reasoning via Noisy-OR Causal Bayes Nets

関連論文リスト