Fugu-MT 論文翻訳(概要): Epistemic Control and the Normativity of Machine Learning-Based Science

論文の概要: Epistemic Control and the Normativity of Machine Learning-Based Science

arxiv url: http://arxiv.org/abs/2601.11202v1
Date: Fri, 16 Jan 2026 11:24:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-19 20:21:50.471313
Title: Epistemic Control and the Normativity of Machine Learning-Based Science
Title（参考訳）: 機械学習に基づく科学の認識制御とノーマティビティ
Authors: Emanuele Ratti,
Abstract要約: 過去数年間、科学における機械学習(ML)システムの利用が増加しているのを目撃してきた。ポール・ハンフリーズ(Paul Humphreys)は、MLシステムの特性のため、人間の科学者は科学のループから追い出されていると主張した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The past few years have witnessed an increasing use of machine learning (ML) systems in science. Paul Humphreys has argued that, because of specific characteristics of ML systems, human scientists are pushed out of the loop of science. In this chapter, I investigate to what extent this is true. First, I express these concerns in terms of what I call epistemic control. I identify two conditions for epistemic control, called tracking and tracing, drawing on works in philosophy of technology. With this new understanding of the problem, I then argue against Humphreys pessimistic view. Finally, I construct a more nuanced view of epistemic control in ML-based science.
Abstract（参考訳）: 過去数年間、科学における機械学習(ML)システムの利用が増加しているのを目撃してきた。ポール・ハンフリーズ(Paul Humphreys)は、MLシステムの特性のため、人間の科学者は科学のループから追い出されていると主張した。この章では、これがどの程度真実であるかを調査します。まず、私はてんかんコントロールと呼ぶものに関して、これらの懸念を表現します。私は、トラッキングとトレースと呼ばれる、疫学的な制御のための2つの条件を特定します。この問題の新たな理解により、私はハンフリーズ悲観主義的見解に反対する。最後に、MLベースの科学において、より微妙なてんかん制御の視点を構築します。

関連論文リスト

Machine Bullshit: Characterizing the Emergent Disregard for Truth in Large Language Models [57.834711966432685]
哲学者ハリー・フランクフルト(Harry Frankfurt)によって概念化されたブルシット(Bullshit)は、その真理の価値を問わない言明を指す。本稿では,大言語モデルの真偽に対する無関心を定量化する新しい指標であるブルシット指数を紹介する。我々は、政治的文脈で一般的な機械いじめを観察し、軽快な言葉が支配的な戦略である。
論文参考訳（メタデータ） (2025-07-10T07:11:57Z)
A Perspective on Symbolic Machine Learning in Physical Sciences [10.091537548478655]
機械学習が非科学的分野に影響を与える速度は、物理科学のそれと相容れない。シンボリック機械学習は、物理学における科学的発見のスピードアップにおいて、数値機械学習と同等かつ補完的なパートナーである。
論文参考訳（メタデータ） (2025-02-25T09:02:02Z)
How Do LLMs Perform Two-Hop Reasoning in Context? [76.79936191530784]
2-ホップ推論(英: two-hop reasoning)とは、2つの論理的なステップで結論を導く過程を指す。近年の大規模言語モデル(LLM)の進歩にもかかわらず、単純な2つのホップ推論の問題を解くのに失敗することは驚くほどある。我々は、合成二脚推論タスクでスクラッチから3層トランスフォーマーを訓練し、内部情報の流れをリバースエンジニアリングする。
論文参考訳（メタデータ） (2025-02-19T17:46:30Z)
The Stochastic Parrot on LLM's Shoulder: A Summative Assessment of Physical Concept Understanding [65.28200190598082]
本稿では、慎重に設計された物理概念理解タスクであるPhysorCoについて要約評価を行う。我々のタスクは、物理的現象を抽象的に記述するグリッド形式入力の使用によって問題を緩和する。 1)GP-4oを含む最先端のLLM, 40%遅れの遅れ, 2) グリッドタスクで失敗するとオウム, o1 現象が LLM に存在するが, 自然言語で同じ概念を記述し, 認識することができる。
論文参考訳（メタデータ） (2025-02-13T04:00:03Z)
Is machine learning good or bad for the natural sciences? [7.41244589428771]
MLの導入によって、強い、望ましくない統計バイアスがもたらされる状況が示されている。例えば、MLモデルを用いて物理(または第一原理)シミュレーションをエミュレートすると、検証バイアスが増幅される。別の例として、データセットのラベル付けに表現的回帰を使用する場合、これらのラベルは下流のバイアスを取らなければ使用できない。
論文参考訳（メタデータ） (2024-05-28T12:01:52Z)
LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。法発見と分子設計における枠組みの有効性を実証するための実験を行った。
論文参考訳（メタデータ） (2024-05-16T03:04:10Z)
Decoding complexity: how machine learning is redefining scientific discovery [16.132517461279487]
機械学習(ML)は、複雑なデータセットの編成、分析、解釈に欠かせないツールとなっている。本稿では,さまざまな科学分野のブレークスルーを加速する上で,MLが果たす変革的役割について考察する。
論文参考訳（メタデータ） (2024-05-07T09:58:02Z)
How should the advent of large language models affect the practice of science? [51.62881233954798]
大規模言語モデルの出現は科学の実践にどのように影響を与えるべきか? 我々は4つの科学者グループを招待し、この質問を反映し、彼らの見解を共有し、議論をおこなった。
論文参考訳（メタデータ） (2023-12-05T10:45:12Z)
MoCa: Measuring Human-Language Model Alignment on Causal and Moral Judgment Tasks [49.60689355674541]
認知科学の豊富な文献は人々の因果関係と道徳的直観を研究してきた。この研究は、人々の判断に体系的に影響を及ぼす多くの要因を明らかにした。大規模言語モデル(LLM)が、人間の参加者と一致するテキストベースのシナリオについて因果的、道徳的な判断を下すかどうかを検証する。
論文参考訳（メタデータ） (2023-10-30T15:57:32Z)
Toward Building Science Discovery Machines [3.7565501074323224]
我々は、高いレベルの推論と顕著な問題解決能力を必要とする科学的発見プロセスに焦点を当てる。物理学、数学、生物学など、様々な分野におけるこれらの原則の使用例を示す。私たちは、科学発見マシンを構築し、科学発見プロセスをスピードアップするために、理論と計算のフレームワークを構築するべきだと主張する。
論文参考訳（メタデータ） (2021-03-24T14:04:03Z)

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。