論文の概要: Automatic Adaptation to Concept Complexity and Subjective Natural Concepts: A Cognitive Model based on Chunking

• arxiv url: http://arxiv.org/abs/2512.18665v1
• Date: Sun, 21 Dec 2025 09:43:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.444427
• Title: Automatic Adaptation to Concept Complexity and Subjective Natural Concepts: A Cognitive Model based on Chunking
• Title（参考訳）: 概念複雑度と主観的自然概念への自動適応:チャンキングに基づく認知モデル
• Authors: Dmitry Bennett, Fernand Gobet,
• Abstract要約: 我々は,CogAct計算モデルが認知過程や構造における概念学習の基盤となる方法を示す。 我々は、概念学習実験とシミュレーションのための人間のベンチマークを設計する新しい方法を提供する。 私たちのアプローチは、平均的な参加者のモデリングから遠ざかる心理学的応用にも使われるかもしれません。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key issue in cognitive science concerns the fundamental psychological processes that underlie the formation and retrieval of multiple types of concepts in short-term and long-term memory (STM and LTM, respectively). We propose that chunking mechanisms play an essential role and show how the CogAct computational model grounds concept learning in fundamental cognitive processes and structures (such as chunking, attention, STM and LTM). First are the in-principle demonstrations, with CogAct automatically adapting to learn a range of categories from simple logical functions, to artificial categories, to natural raw (as opposed to natural pre-processed) concepts in the dissimilar domains of literature, chess and music. This kind of adaptive learning is difficult for most other psychological models, e.g., with cognitive models stopping at modelling artificial categories and (non-GPT) models based on deep learning requiring task-specific changes to the architecture. Secondly, we offer novel ways of designing human benchmarks for concept learning experiments and simulations accounting for subjectivity, ways to control for individual human experiences, all while keeping to real-life complex categories. We ground CogAct in simulations of subjective conceptual spaces of individual human participants, capturing humans subjective judgements in music, with the models learning from raw music score data without bootstrapping to pre-built knowledge structures. The CogAct simulations are compared to those obtained by a deep-learning model. These findings integrate concept learning and adaptation to complexity into the broader theories of cognitive psychology. Our approach may also be used in psychological applications that move away from modelling the average participant and towards capturing subjective concept space.
• Abstract（参考訳）: 認知科学における重要な問題は、短期記憶(STM)と長期記憶(LTM)における複数の概念の形成と検索の基盤となる基本的な心理的プロセスに関するものである。 本稿では,チャンキング機構が重要な役割を担い,CagAct計算モデルが基本的な認知過程や構造(チャンキング,注意,STM,LTMなど)における概念学習の基盤となっていることを示す。 CogActは、単純な論理関数から人工的カテゴリ、そして文学、チェス、音楽の異なる領域における(自然に前処理された)概念まで、様々なカテゴリを学習するために自動的に適応する。 このような適応学習は、認知モデルが人工カテゴリーのモデリングに停止するなど、他のほとんどの心理学モデルでは困難である。 第2に、概念学習実験のための人体ベンチマークを設計し、主観性を考慮したシミュレーションを行い、実生活の複雑なカテゴリを維持しながら、個々の人体体験を制御する方法を提示する。 そこで我々は,CagActを,音楽における人間の主観的判断を,ブートストラップを伴わずに生の楽譜データから学習したモデルを用いて,個人参加者の主観的概念空間のシミュレーションに利用した。 CogActシミュレーションはディープラーニングモデルで得られたシミュレーションと比較される。 これらの知見は、概念学習と複雑性への適応を認知心理学のより広範な理論に統合する。 我々のアプローチは、平均的な参加者のモデリングから主観的な概念空間の獲得へと移行する心理学的応用にも使われるかもしれない。

関連論文リスト

• A Multi-Agent Psychological Simulation System for Human Behavior Modeling [4.254136484646083]
  人間中心の分野における訓練と教育は、真の実践を必要とするが、人間の行動の現実的なシミュレーションは、いまだに限られている。 本稿では,認知影響過程をモデル化し,人間の行動を生成するマルチエージェント心理学シミュレーションシステムを提案する。
  論文  参考訳（メタデータ） (2025-11-04T14:28:03Z)
• The Universal Landscape of Human Reasoning [60.72403709545137]
  情報フロー追跡(IF-Track)を導入し,情報エントロピーの定量化と,各推論ステップにおけるゲインの定量化を行う。 IF-Trackは,本質的な推論特徴を捉え,系統的な誤りパターンを識別し,個人差を特徴付ける。 このアプローチは理論と測定の間の定量的な橋渡しを確立し、推論のアーキテクチャに関する機械的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:26:36Z)
• From Actions to Kinesics: Extracting Human Psychological States through Bodily Movements [1.2676356746752893]
  本稿では3次元骨格関節データから人間の活動のコミュニケーション機能を推定するキネシクス認識フレームワークを提案する。 Dyadic User EngagemenT データセットで得られた結果は、この手法により、スケーラブルで、正確で、人間中心の行動モデリングが可能になることを実証している。
  論文  参考訳（メタデータ） (2025-10-06T14:31:53Z)
• Meta-learning ecological priors from large language models explains human learning and decision making [24.65158566183862]
  生態学的基盤と合理的解析の規範的基礎を統一する計算フレームワークである生態学的合理的解析を導入する。 我々は、生態学的に合理的なメタ学習推論(ERMI)という新しい学習アルゴリズムを開発する。 ERMIは自然主義問題空間の統計正則性を内包し、新しい状況に柔軟に適用する。 その結果、人間の認知の多くは、日常生活で遭遇する問題の生態構造に適応的適応性を反映している可能性が示唆された。
  論文  参考訳（メタデータ） (2025-08-28T16:07:40Z)
• Large Language Models as Psychological Simulators: A Methodological Guide [0.0]
  本稿では,2つの主要なアプリケーションを対象とした心理シミュレータとして,大規模言語モデルを使用するためのフレームワークを提供する。 シミュレーションでは,集団的カテゴリーを超えて心理的基盤を持つペルソナを開発する手法を提案する。 我々は、素早い感度、トレーニングデータカットオフからの時間的制限、従来の人的対象のレビューを超えて広がる倫理的考慮など、包括的な課題に対処する。
  論文  参考訳（メタデータ） (2025-06-20T02:45:23Z)
• Revealing emergent human-like conceptual representations from language prediction [90.73285317321312]
  大規模言語モデル(LLMs)は、人間らしい振る舞いを示すテキストの次のトーケン予測によってのみ訓練される。 これらのモデルでは、概念は人間のものと似ていますか? LLMは、他の概念に関する文脈的手がかりに関連して、言語記述から柔軟に概念を導出できることがわかった。
  論文  参考訳（メタデータ） (2025-01-21T23:54:17Z)
• Modeling Human Behavior Part I -- Learning and Belief Approaches [0.0]
  探索とフィードバックを通じて行動のモデルや方針を学ぶ手法に焦点を当てる。 次世代の自律的適応システムは、主にAIエージェントと人間がチームとして一緒に働く。
  論文  参考訳（メタデータ） (2022-05-13T07:33:49Z)
• Towards a Predictive Processing Implementation of the Common Model of Cognition [79.63867412771461]
  本稿では,ニューラル生成符号化とホログラフィック連想記憶に基づく認知モデルの実装について述べる。 提案システムは,多様なタスクから継続的に学習し,大規模に人的パフォーマンスをモデル化するエージェントを開発するための基盤となる。
  論文  参考訳（メタデータ） (2021-05-15T22:55:23Z)

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。