論文の概要: How Psychological Learning Paradigms Shaped and Constrained Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2603.18203v1
• Date: Wed, 18 Mar 2026 18:54:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.814714
• Title: How Psychological Learning Paradigms Shaped and Constrained Artificial Intelligence
• Title（参考訳）: 心理学的学習パラダイムが人工知能をどのように形作るか
• Authors: Alex Anvi Eponon, Ildar Batyrshin, Christian E. Maldonado-Sifuentes, Grigori Sidorov,
• Abstract要約: 人工知能の主流のパラダイムは、心理学から理論を学ぶことによって形成された。 本稿では、それぞれのAIパラダイムが、強みだけでなく、それを引き起こした心理的理論の構造的制約を継承したことを論じる。
• 参考スコア（独自算出の注目度）: 5.576793481209459
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The dominant paradigms of artificial intelligence were shaped by learning theories from psychology: behaviorism inspired reinforcement learning, cognitivism gave rise to deep learning and memory-augmented architectures, and constructivism influenced curriculum learning and compositional approaches. This paper argues that each AI paradigm inherited not only the strengths but the structural limitations of the psychological theory that inspired it. Reinforcement learning cannot account for the internal structure of knowledge, deep learning compresses representations into opaque parameter spaces resistant to principled update, and current integrative approaches lack a formal account of how new understanding is constructed from existing components. The paper further examines a cross-cultural divergence in the interpretation of rote learning, arguing that the Eastern conception of memorization as a structured, multi-phase precursor to understanding offers an underexploited bridge between psychological theory and AI methodology. Drawing on the systematicity debate and critique of Aizawa of both classicism and connectionism, this paper introduces ReSynth, a trimodular framework that separates reasoning (Intellect), purpose (Identity), and knowledge (Memory) as architecturally independent components. The paper traces the genealogy from psychological paradigm to AI method, diagnoses the inherited limitations at each stage, and argues that adaptability, the central challenge of artificial general intelligence requires a representational architecture in which systematic behavior is a necessary consequence rather than an accidental property.
• Abstract（参考訳）: 行動主義は強化学習にインスパイアされ、認知主義は深層学習とメモリ拡張アーキテクチャを生み出し、構成主義はカリキュラム学習と構成的アプローチに影響を与えた。 本稿では、それぞれのAIパラダイムが、強みだけでなく、それを引き起こした心理的理論の構造的制約を継承したことを論じる。 強化学習は知識の内部構造を説明できないし、深層学習は不透明なパラメータ空間に表現を圧縮する。 本稿は, 論理学習の解釈における異文化間の相違について考察し, 記憶の東方概念を構造化された多相前駆体として, 心理学理論とAI方法論の橋渡しとして論じる。 本稿では,古典主義とコネクショナリズムの両面から,愛沢の体系性に関する議論と批判に基づいて,理性(知性),目的(知性),知識(記憶)をアーキテクチャ的に独立な構成要素として分離する三次的枠組みであるReSynthを紹介する。 この論文は、系譜を心理学的パラダイムからAI手法にトレースし、それぞれの段階において継承された制限を診断し、適応性、人工知能の課題は、体系的な振る舞いが偶発的な性質よりも必然的な結果であるような表現的アーキテクチャを必要とする、と論じている。

関連論文リスト

• A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms [49.66022971508878]
  私たちは、推論はモジュラーコンポーネントからシステムの認知コアに高めるべきだと論じています。 応答性推論のトレードオフやソーシャルゲーム推論など,7つの中核的推論課題を導出し,体系化する。 我々は,LLMに基づく推論と,ミリ秒スケールで安全クリティカルな車両制御の要求との間の,高レイテンシ,熟考的特性の根本的かつ未解決な緊張関係を同定する。
  論文  参考訳（メタデータ） (2026-03-11T07:40:53Z)
• Evolving Cognitive Architectures [51.56484100374058]
  本稿では,次世代のインテリジェントな技術システムの構築につながる研究と開発の方向性を提案する。 これらのシステムの特徴的な特徴は、進化的変化を起こす能力である。
  論文  参考訳（メタデータ） (2025-12-29T10:09:20Z)
• Automatic Adaptation to Concept Complexity and Subjective Natural Concepts: A Cognitive Model based on Chunking [45.88028371034407]
  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。
  論文  参考訳（メタデータ） (2025-12-21T09:43:20Z)
• Visual Categorization Across Minds and Models: Cognitive Analysis of Human Labeling and Neuro-Symbolic Integration [0.0]
  本稿では,ヒトと深部ニューラルネットワーク間の画像ラベリング性能について検討する。 我々は、類似推論、形状に基づく認識、信頼度変調といった人間の戦略とAIの機能ベースの処理とを対比する。 本研究は, 生体・人工システムの表現, 推論, 信頼性校正における重要な並列性と相違点を明らかにする。
  論文  参考訳（メタデータ） (2025-12-10T05:58:12Z)
• Cognitive Foundations for Reasoning and Their Manifestation in LLMs [63.12951576410617]
  大規模言語モデル(LLM)は複雑な問題を解くが、単純な変種では失敗し、人間の推論と根本的に異なるメカニズムによって正しい出力を達成することを示唆している。 我々は認知科学研究を、推論不変量、メタ認知制御、推論と知識の組織化のための表現、変換操作にまたがる28の認知要素の分類学に合成する。 複雑な問題に対して66.7%の性能向上を図り、成功構造を自動的に把握するテストタイム推論ガイダンスを開発した。
  論文  参考訳（メタデータ） (2025-11-20T18:59:00Z)
• PISA: A Pragmatic Psych-Inspired Unified Memory System for Enhanced AI Agency [50.712873697511206]
  既存の作業は、多種多様なタスクへの適応性に欠けることが多く、AIエージェントメモリの構成的およびタスク指向の役割を見落としている。 PISAは,メモリを構築的かつ適応的なプロセスとして扱う,実践的でサイコにインスパイアされた統合メモリシステムである。 既存のLOCOMOベンチマークと新たに提案したデータ解析タスクのAggQAベンチマークに基づいて,PISAが適応性と長期的知識保持を大幅に向上させることで,新たな最先端技術を設定することを確認した。
  論文  参考訳（メタデータ） (2025-10-12T10:34:35Z)
• Thinking Beyond Tokens: From Brain-Inspired Intelligence to Cognitive Foundations for Artificial General Intelligence and its Societal Impact [27.722167796617114]
  本稿では,人工知能,認知神経科学,心理学,生成モデル,エージェントベースシステムの学際的合成について述べる。 我々は汎用知能のアーキテクチャと認知の基礎を分析し、モジュラー推論、永続記憶、マルチエージェント協調の役割を強調した。 我々は、人工知能への道の鍵となる科学的、技術的、倫理的課題を特定します。
  論文  参考訳（メタデータ） (2025-07-01T16:52:25Z)
• Intelligent problem-solving as integrated hierarchical reinforcement learning [11.284287026711125]
  生物学的エージェントにおける複雑な問題解決行動の開発は階層的認知機構に依存している。 本稿では,生物にインスパイアされた階層的なメカニズムを組み込むことにより,人工エージェントの高度な問題解決能力を実現する方法を提案する。 われわれの結果は、より洗練された認知にインスパイアされた階層型機械学習アーキテクチャの開発を導くことを期待している。
  論文  参考訳（メタデータ） (2022-08-18T09:28:03Z)
• Kernel Based Cognitive Architecture for Autonomous Agents [91.3755431537592]
  本稿では,認知機能構築への進化的アプローチについて考察する。 本稿では,シンボル創発問題に基づくエージェントの進化を保証する認知アーキテクチャについて考察する。
  論文  参考訳（メタデータ） (2022-07-02T12:41:32Z)

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。