論文の概要: Can we automatize scientific discovery in the cognitive sciences?

• arxiv url: http://arxiv.org/abs/2603.20988v1
• Date: Sun, 22 Mar 2026 00:15:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.183895
• Title: Can we automatize scientific discovery in the cognitive sciences?
• Title（参考訳）: 認知科学における科学的発見の自動化は可能か?
• Authors: Akshay K. Jagadish, Milena Rmus, Kristin Witte, Marvin Mathony, Marcel Binz, Eric Schulz,
• Abstract要約: 心のシリコ科学における完全自動化に向けてのパラダイムシフトを提案する。 このフレームワークは、Large Language Models (LLM)を使用して、発見サイクルのすべてのステージを実装する。
• 参考スコア（独自算出の注目度）: 20.166894780789725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The cognitive sciences aim to understand intelligence by formalizing underlying operations as computational models. Traditionally, this follows a cycle of discovery where researchers develop paradigms, collect data, and test predefined model classes. However, this manual pipeline is fundamentally constrained by the slow pace of human intervention and a search space limited by researchers' background and intuition. Here, we propose a paradigm shift toward a fully automated, in silico science of the mind that implements every stage of the discovery cycle using Large Language Models (LLMs). In this framework, experimental paradigms exploring conceptually meaningful task structures are directly sampled from an LLM. High-fidelity behavioral data are then simulated using foundation models of cognition. The tedious step of handcrafting cognitive models is replaced by LLM-based program synthesis, which performs a high-throughput search over a vast landscape of algorithmic hypotheses. Finally, the discovery loop is closed by optimizing for ''interestingness'', a metric of conceptual yield evaluated by an LLM-critic. By enabling a fast and scalable approach to theory development, this automated loop functions as a high-throughput in-silico discovery engine, surfacing informative experiments and mechanisms for subsequent validation in real human populations.
• Abstract（参考訳）: 認知科学は、基礎となる操作を計算モデルとして形式化し、知性を理解することを目的としている。 伝統的に、これは研究者がパラダイムを開発し、データを収集し、事前に定義されたモデルクラスをテストする、発見のサイクルに続く。 しかしながら、この手動パイプラインは、人間の介入の遅いペースと、研究者の背景や直観によって制限された検索空間によって、基本的に制限されている。 本稿では,Large Language Models (LLM) を用いた発見サイクルのすべての段階を実装した,完全に自動化されたサイリコ科学へのパラダイムシフトを提案する。 本フレームワークでは,概念的に意味のあるタスク構造を探索する実験パラダイムをLLMから直接サンプリングする。 高忠実度行動データは、認知の基礎モデルを用いてシミュレートされる。 手作り認知モデルの退屈なステップは、アルゴリズム仮説の広大な風景を高速に探索するLLMベースのプログラム合成に置き換えられる。 最後に、LLM-criticにより評価された概念的収率の計量である'関心'を最適化することにより、発見ループを閉じる。 理論開発への高速でスケーラブルなアプローチを実現することで、この自動ループは高スループットのシリカ発見エンジンとして機能し、実際の人間の個体群に対する情報的実験とその後の検証のメカニズムを提示する。

関連論文リスト

• Seismology modeling agent: A smart assistant for geophysical researchers [14.28965530601497]
  本稿では,Large Language Models (LLM) を利用したインテリジェントな対話型ワークフローを提案する。 SPECFEMのための最初のモデルコンテキストプロトコル(MCP)サーバスイートを紹介する。 このフレームワークは、完全な自動実行とHuman-in-the-loopコラボレーションの両方をサポートする。
  論文  参考訳（メタデータ） (2025-12-16T14:18:26Z)
• Operationalizing Serendipity: Multi-Agent AI Workflows for Enhanced Materials Characterization with Theory-in-the-Loop [0.0]
  SciLinkは、材料研究におけるセレンディピティーを運用するために設計された、オープンソースのマルチエージェント人工知能フレームワークである。 実験観察、新規性評価、理論シミュレーションの直接的な自動リンクを生成する。 本稿では,原子分解能およびハイパースペクトルデータへの応用,リアルタイムな人間専門家指導の統合能力,研究ループを閉じる能力について述べる。
  論文  参考訳（メタデータ） (2025-08-07T04:59:17Z)
• From Automation to Autonomy: A Survey on Large Language Models in Scientific Discovery [67.07598263346591]
  大規模言語モデル(LLM)は科学的発見のパラダイムシフトを触媒している。 この調査は、この急成長する分野を体系的に分析し、科学におけるLLMの役割の変化とエスカレーション能力に重点を置いている。
  論文  参考訳（メタデータ） (2025-05-19T15:41:32Z)
• AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research [58.944125758758936]
  科学科学(Science of Science, SoS)は、科学的発見の基礎となるメカニズムを探求する。 人工知能(AI)の出現は、次世代のSoSに変革の機会をもたらす。 我々は、従来の手法よりもAIの利点を概説し、潜在的な制限について議論し、それらを克服するための経路を提案する。
  論文  参考訳（メタデータ） (2025-05-17T15:01:33Z)
• Generalising from Self-Produced Data: Model Training Beyond Human Constraints [0.0]
  本稿では,AIモデルが新たな知識を自律的に生成し,検証する新しい枠組みを提案する。 このアプローチの中心は、人間のベンチマークを必要とせずに学習をガイドする、無制限で使い捨ての数値報酬である。
  論文  参考訳（メタデータ） (2025-04-07T03:48:02Z)
• Auto-Bench: An Automated Benchmark for Scientific Discovery in LLMs [23.608962459019278]
  自然科学と社会科学の両方において科学的発見のための大規模言語モデル(LLM)を評価するための新しいベンチマークを導入する。 我々のベンチマークは因果グラフ発見の原理に基づいており、隠れ構造を発見し、有効な正当性を生成することを含む最適な決定を行うためのモデルに挑戦する。 我々は,GPT-4,Gemini,Qwen,Claude,Llamaを含む最先端のLCMを評価し,問題を複雑化するにつれて性能低下を観測した。
  論文  参考訳（メタデータ） (2025-02-21T05:35:20Z)
• Autonomous LLM-driven research from data to human-verifiable research papers [0.0]
  完全なステップワイズプロセスを通じてインタラクションをガイドする自動化プラットフォームを構築しています。 注釈付きデータのみを提供するモードでは、データペーパーは仮説を立て、計画を立て、分析コードを書き、解釈し、結果を生成し、解釈した。 我々は、トレーサビリティ、透明性、妥当性を高めながら、AIによる科学的発見の加速の可能性を示す。
  論文  参考訳（メタデータ） (2024-04-24T23:15:49Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Machine Psychology [54.287802134327485]
  我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。 本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。 これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
  論文  参考訳（メタデータ） (2023-03-24T13:24:41Z)
• Efficient Model-Based Reinforcement Learning through Optimistic Policy Search and Planning [93.1435980666675]
  最先端の強化学習アルゴリズムと楽観的な探索を容易に組み合わせることができることを示す。 我々の実験は、楽観的な探索が行動に罰則がある場合、学習を著しくスピードアップすることを示した。
  論文  参考訳（メタデータ） (2020-06-15T18:37:38Z)

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。