論文の概要: Revising Bloom's Taxonomy for Dual-Mode Cognition in Human-AI Systems: The Augmented Cognition Framework
- arxiv url: http://arxiv.org/abs/2602.00697v1
- Date: Sat, 31 Jan 2026 12:45:43 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-02-03 14:19:08.944865
- Title: Revising Bloom's Taxonomy for Dual-Mode Cognition in Human-AI Systems: The Augmented Cognition Framework
- Title（参考訳）: ヒトAIシステムにおけるダイアルモーデ認知のためのブルームの分類基準の改訂:強化認知フレームワーク
- Authors: Kayode P. Ayodele, Enoruwa Obayiuwana, Aderonke R. Lawal, Ayorinde Bamimore, Funmilayo B. Offiong, Emmanuel A. Peter,
- Abstract要約: 認知行動は、個々に、生物学的リソースのみを使用して、または人間-AIシステムに分散する2つの異なるモードでますます発生します。
ブルームの分類学の既存の改訂では、AIは、この二重モード構造のドライバとしてではなく、人間の認知に対してマップされる外部能力として扱われている。
本稿では,3つの原則に基づいて構築された分類体系であるAugmented Cognition Framework (ACF)を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: As artificial intelligence (AI) models become routinely integrated into knowledge work, cognitive acts increasingly occur in two distinct modes: individually, using biological resources alone, or distributed across a human-AI system. Existing revisions to Bloom's Taxonomy treat AI as an external capability to be mapped against human cognition rather than as a driver of this dual-mode structure, and thus fail to specify distinct learning outcomes and assessment targets for each mode. This paper proposes the Augmented Cognition Framework (ACF), a restructured taxonomy built on three principles. First, each traditional Bloom level operates in two modes (Individual and Distributed) with mode-specific cognitive verbs. Second, an asymmetric dependency relationship holds wherein effective Distributed cognition typically requires Individual cognitive foundations, though structured scaffolding can in some cases reverse this sequence. Third, a seventh level, Orchestration, specifies a governance capacity for managing mode-switching, trust calibration, and partnership optimization. We systematically compare existing AI-revised taxonomies against explicit assessment-utility criteria and show, across the frameworks reviewed, that ACF uniquely generates assessable learning outcomes for individual cognition, distributed cognition, and mode-governance as distinct targets. The framework addresses fluent incompetence, the central pedagogical risk of the AI era, by making the dependency relationship structurally explicit while accommodating legitimate scaffolding approaches.
- Abstract（参考訳）: 人工知能(AI)モデルが知識労働に日常的に統合されるにつれて、認知行動は、個別に、生物学的リソースのみを使用して、あるいは人間-AIシステムに分散する2つの異なるモードでますます発生します。
ブルームの分類学の既存の改訂では、AIは、この二重モード構造のドライバとしてではなく、人間の認知に対してマッピングされる外部能力として扱うことができ、それによって各モードの異なる学習結果と評価目標を特定することができない。
本稿では,3つの原則に基づいて構築された分類体系であるAugmented Cognition Framework (ACF)を提案する。
まず、それぞれのブルームレベルは、モード固有の認知動詞を持つ2つのモード(個別と分散)で動作する。
第二に、非対称な依存関係関係は、効果的な分散認知は一般的に個人認知基盤を必要とするが、構造的足場はこのシーケンスを逆転させる場合もある。
第3のレベルであるOrchestrationは、モードスイッチング、信頼キャリブレーション、パートナーシップ最適化を管理するためのガバナンス能力を指定する。
既存のAI改訂分類を明示的な評価ユーティリティ基準と体系的に比較し、ACFが個別の認知、分散認知、モード支配を個別の目標として評価可能な学習結果を生成することを示す。
このフレームワークは、AI時代の中央教育的リスクである、流動的な非能力に対処する。
関連論文リスト
- From Educational Analytics to AI Governance: Transferable Lessons from Complex Systems Interventions [0.0]
我々は、CAPIRE内で開発された5つのコア原則が、AIシステム管理の課題に直接移行すると主張している。
どちらの領域も非線形性、出現、フィードバックループ、戦略的適応、経路依存を示す。
我々は、これらの原則を規制設計のために運用する統合フレームワークとして、複合システムAIガバナンス(CSAIG)を提案する。
論文 参考訳（メタデータ） (2025-12-15T12:16:57Z) - The Belief-Desire-Intention Ontology for modelling mental reality and agency [0.15115553092933548]
Belief-Desire-Intention(BDI)モデルは、人工知能と認知科学において合理的なエージェンシーを表現するための基盤となっている。
本稿では, エージェントの認知的構造を, 信念, 欲望, 意図, ダイナミックな相互関係を通じて捉える形式的BDIオントロジーを提案する。
論文 参考訳（メタデータ） (2025-11-21T11:30:17Z) - Uni-MMMU: A Massive Multi-discipline Multimodal Unified Benchmark [69.8473923357969]
統一マルチモーダルモデルは、視覚的理解と生成を共同で行うことを目的としているが、現在のベンチマークでは、その真の統合を検査することはめったにない。
提案するUni-MMMUは、8つの推論中心領域にまたがる生成と理解の双方向の相乗効果を拡大する総合的なベンチマークである。
論文 参考訳（メタデータ） (2025-10-15T17:10:35Z) - RealUnify: Do Unified Models Truly Benefit from Unification? A Comprehensive Benchmark [71.3555284685426]
本稿では,双方向機能相乗効果を評価するためのベンチマークであるRealUnifyを紹介する。
RealUnifyは、10のカテゴリと32のサブタスクにまたがる、細心の注意を払ってアノテートされた1000のインスタンスで構成されている。
現在の統一モデルは、効果的な相乗効果を達成するのに依然として苦労しており、アーキテクチャの統一だけでは不十分であることを示している。
論文 参考訳（メタデータ） (2025-09-29T15:07:28Z) - One Model, Two Minds: A Context-Gated Graph Learner that Recreates Human Biases [3.7958475517455947]
本稿では認知科学の二重過程理論に触発された新しい心の理論(ToM)フレームワークを紹介する。
我々のモデルは、学習された文脈ゲート機構を通して直観的で熟考的な推論のバランスをとる。
この研究は人工知能と認知理論を橋渡しし、曖昧で人間らしい社会的認知と適応的な意思決定能力を示すAIシステムへの道を開く。
論文 参考訳（メタデータ） (2025-09-10T15:55:14Z) - A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。
大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。
我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
論文 参考訳（メタデータ） (2025-04-12T01:27:49Z) - How Metacognitive Architectures Remember Their Own Thoughts: A Systematic Review [16.35521789216079]
メタ認知は、人工エージェントの自律性と適応性を高める可能性に大きな注目を集めている。
既存の概要は、基礎となるアルゴリズム、表現、そしてそれぞれの成功に気付かない概念レベルに留まっている。
論文 参考訳（メタデータ） (2025-02-28T08:48:41Z) - An active inference model of collective intelligence [0.0]
本稿では,局所的な個人レベルの相互作用と集団的知性の関係をシミュレートする最小エージェントモデルを提案する。
その結果, エージェントの局所的最適とグローバル的最適の整合性の相補的なメカニズムを提供することにより, 段階的認知遷移がシステム性能を向上させることが示された。
論文 参考訳（メタデータ） (2021-04-02T14:32:01Z) - Self-organizing Democratized Learning: Towards Large-scale Distributed
Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。
本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。
提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文 参考訳（メタデータ） (2020-07-07T08:34:48Z)
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。