論文の概要: Large Language Models Align with the Human Brain during Creative Thinking

• arxiv url: http://arxiv.org/abs/2604.03480v1
• Date: Fri, 03 Apr 2026 22:02:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:18.601599
• Title: Large Language Models Align with the Human Brain during Creative Thinking
• Title（参考訳）: 創造的思考における人間の脳に相応しい大言語モデル
• Authors: Mete Ismayilzada, Simone A. Luchini, Abdulkadir Gokce, Badr AlKhamissi, Antoine Bosselut, Antonio Laverghetta, Lonneke van der Plas, Roger E. Beaty,
• Abstract要約: AUT(Alternate Uses Task)を行う170人の参加者のfMRIデータを用いた創造的思考における脳のアライメントの研究 脳-LLMアライメントはモデルサイズ(デフォルトモードネットワークのみ)とアイデアの独創性(両方のネットワーク)でスケールする。 さらに,ポストトレーニング対象が機能的に選択的に形状アライメントされることを示す。
• 参考スコア（独自算出の注目度）: 19.08997828415446
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Creative thinking is a fundamental aspect of human cognition, and divergent thinking-the capacity to generate novel and varied ideas-is widely regarded as its core generative engine. Large language models (LLMs) have recently demonstrated impressive performance on divergent thinking tests and prior work has shown that models with higher task performance tend to be more aligned to human brain activity. However, existing brain-LLM alignment studies have focused on passive, non-creative tasks. Here, we explore brain alignment during creative thinking using fMRI data from 170 participants performing the Alternate Uses Task (AUT). We extract representations from LLMs varying in size (270M-72B) and measure alignment to brain responses via Representational Similarity Analysis (RSA), targeting the creativity-related default mode and frontoparietal networks. We find that brain-LLM alignment scales with model size (default mode network only) and idea originality (both networks), with effects strongest early in the creative process. We further show that post-training objectives shape alignment in functionally selective ways: a creativity-optimized \texttt{Llama-3.1-8B-Instruct} preserves alignment with high-creativity neural responses while reducing alignment with low-creativity ones; a human behavior fine-tuned model elevates alignment with both; and a reasoning-trained variant shows the opposite pattern, suggesting chain-of-thought training steers representations away from creative neural geometry toward analytical processing. These results demonstrate that post-training objectives selectively reshape LLM representations relative to the neural geometry of human creative thought.
• Abstract（参考訳）: 創造的思考は人間の認知の基本的側面であり、新奇で多様なアイデアを生み出す能力は、その中心となる生成エンジンとして広く見なされている。 大規模言語モデル(LLM)は、最近、散発的思考テストにおいて印象的なパフォーマンスを示しており、以前の研究では、より高いタスクパフォーマンスを持つモデルは、人間の脳活動とより整合する傾向があることが示されている。 しかし、既存の脳-LLMアライメント研究は受動的で非創造的なタスクに焦点を当てている。 本稿では,AUT(Alternate Uses Task)を実行する170人の参加者のfMRIデータを用いて,創造的思考における脳のアライメントについて検討する。 270M-72BのLLMから表現を抽出し、Representational similarity Analysis (RSA)を通して脳の反応のアライメントを測定する。 脳-LLMアライメントはモデルサイズ(デフォルトモードネットワークのみ)とアイデアの独創性(両方のネットワーク)でスケールし、創造プロセスの初期には効果が最強であることが分かりました。 創造性に最適化された \texttt{Llama-3.1-8B-Instruct} は、高創造性神経応答との整合性を保ちながら、低創造性神経応答の整合性を維持する。 これらの結果は、学習後の目的が人間の創造的思考の神経幾何学に対して選択的にLLM表現を再構成することを示しています。

関連論文リスト

• Training Emergent Joint Associations: A Reinforcement Learning Approach to Creative Thinking in Language Models [9.943285575387849]
  連想的思考は人間の創造性と問題解決の基礎的な要素である。 本稿では、連想的思考原理によって導かれる強化学習が、多種多様な生成タスクにおけるモデルの性能を高めることができるかどうかを考察する。
  論文  参考訳（メタデータ） (2025-11-22T02:10:27Z)
• Concept-Guided Interpretability via Neural Chunking [64.6429903327095]
  ニューラルネットワークは、トレーニングデータの規則性を反映した生の集団活動のパターンを示す。 神経集団レベルで繰り返しチャンクを抽出する3つの方法を提案する。 私たちの研究は、認知原則と自然主義的データの構造の両方を活用する、解釈可能性の新しい方向性を指し示しています。
  論文  参考訳（メタデータ） (2025-05-16T13:49:43Z)
• Embodied-R: Collaborative Framework for Activating Embodied Spatial Reasoning in Foundation Models via Reinforcement Learning [58.86928947970342]
  Embodied-Rは、知覚のための大規模視覚言語モデルと推論のための小規模言語モデルを組み合わせたフレームワークである。 わずか5kのエボダイドビデオサンプルのトレーニングの後、Embodied-Rと3B LMは最先端のマルチモーダル推論モデルと一致した。 Embodied-Rは、体系的分析や文脈統合のような創発的な思考パターンも示している。
  論文  参考訳（メタデータ） (2025-04-17T06:16:11Z)
• Talking to the brain: Using Large Language Models as Proxies to Model Brain Semantic Representation [6.870138108382051]
  本稿では,マルチモーダル大言語モデル(LLM)をプロキシとして活用して,自然画像から意味情報を抽出する手法を提案する。 LLMから派生した表現は、fMRIによって測定された確立された神経活動パターンをうまく予測する。 LLM由来の表現から構築された脳意味ネットワークは、機能的および文脈的関連を反映する意味あるクラスタを識別する。
  論文  参考訳（メタデータ） (2025-02-26T00:40:28Z)
• Humanlike Cognitive Patterns as Emergent Phenomena in Large Language Models [2.9312156642007294]
  我々は、意思決定バイアス、推論、創造性の3つの重要な認知領域にわたって、大規模言語モデルの能力を体系的にレビューする。 意思決定では、LSMはいくつかの人間のようなバイアスを示すが、人間の観察するバイアスは欠落している。 GPT-4のような先進的なLCMは、人間のシステム2思考に似た熟考的推論を示し、小さなモデルは人間レベルの性能に欠ける。 LLMはストーリーテリングのような言語ベースの創造的なタスクに優れているが、現実の文脈を必要とする散発的な思考タスクに苦労する。
  論文  参考訳（メタデータ） (2024-12-20T02:26:56Z)
• Brain-like Functional Organization within Large Language Models [58.93629121400745]
  人間の脳は長い間人工知能(AI)の追求にインスピレーションを与えてきた 最近のニューロイメージング研究は、人工ニューラルネットワーク(ANN)の計算的表現と、人間の脳の刺激に対する神経反応との整合性の説得力のある証拠を提供する。 本研究では、人工ニューロンのサブグループと機能的脳ネットワーク(FBN)を直接結合することで、このギャップを埋める。 このフレームワークはANサブグループをFBNにリンクし、大きな言語モデル(LLM)内で脳に似た機能的組織を記述できる。
  論文  参考訳（メタデータ） (2024-10-25T13:15:17Z)
• MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
  脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。 現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。 我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
  論文  参考訳（メタデータ） (2024-04-11T15:46:42Z)
• What if...?: Thinking Counterfactual Keywords Helps to Mitigate Hallucination in Large Multi-modal Models [50.97705264224828]
  大規模マルチモーダルモデルに反現実的思考を組み込む新しい手法である反現実的インセプションを提案する。 我々は、より広い文脈のシーン理解にまたがる応答をモデルが関与し、生成することを目指している。 オープンソースモデルとプロプライエタリモデルの両方を含む様々なLMMの包括的分析は、反事実的思考が幻覚を著しく減少させることを裏付ける。
  論文  参考訳（メタデータ） (2024-03-20T11:27:20Z)
• Backprop-Free Reinforcement Learning with Active Neural Generative Coding [84.11376568625353]
  動的環境におけるエラー(バックプロップ)のバックプロパゲーションを伴わない行動駆動型生成モデルの学習のための計算フレームワークを提案する。 我々は、まばらな報酬でも機能するインテリジェントエージェントを開発し、推論として計画の認知理論からインスピレーションを得ている。 我々のエージェントの堅牢な性能は、神経推論と学習のためのバックプロップフリーアプローチがゴール指向の行動を促進するという有望な証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-10T19:02:27Z)

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。