論文の概要: Across the Levels of Analysis: Explaining Predictive Processing in Humans Requires More Than Machine-Estimated Probabilities

• arxiv url: http://arxiv.org/abs/2604.09466v1
• Date: Fri, 10 Apr 2026 16:24:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-13 17:57:53.959247
• Title: Across the Levels of Analysis: Explaining Predictive Processing in Humans Requires More Than Machine-Estimated Probabilities
• Title（参考訳）: 分析のレベルを超えて:人間における予測処理の説明は、機械推定確率以上のものを必要とする
• Authors: Sathvik Nair, Colin Phillips,
• Abstract要約: 我々は、大きな言語モデル(LLM)がなければ、多くの心理言語学の進歩は不可能であると主張している。 LLMの強みと心理言語モデルを組み合わせた今後の方向性を概説する。
• 参考スコア（独自算出の注目度）: 0.31511847280063693
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Under the lens of Marr's levels of analysis, we critique and extend two claims about language models (LMs) and language processing: first, that predicting upcoming linguistic information based on context is central to language processing, and second, that many advances in psycholinguistics would be impossible without large language models (LLMs). We further outline future directions that combine the strengths of LLMs with psycholinguistic models.
• Abstract（参考訳）: まず、文脈に基づく今後の言語情報を予測することは、言語処理の中心であり、次に、大きな言語モデル(LLM)なしでは、多くの心理言語学の進歩は不可能である。 さらに、LLMの強みと心理言語モデルを組み合わせた今後の方向性について概説する。

関連論文リスト

• mSCoRe: a $M$ultilingual and Scalable Benchmark for $S$kill-based $Co$mmonsense $Re$asoning [74.97363626515236]
  textbfSkill ベースの textbfCommonsense textbfReasoning (textbfmSCoRe) のための textbfMultilingual と Scalable Benchmark を提案する。 本ベンチマークでは,LLMの推論能力を体系的に評価するための3つの重要な要素を取り入れた。 本研究は,多言語多言語一般と文化的共通点に直面する場合,そのような推論強化モデルの限界を明らかにするものである。
  論文  参考訳（メタデータ） (2025-08-13T18:59:02Z)
• Improving Multilingual Social Media Insights: Aspect-based Comment Analysis [15.356045127389436]
  本稿では、個々のコメントからアスペクト項を識別し、生成し、モデル注意を導くための粒度のレベルを提案する。 我々は、コメントアスペクト項生成(CAT-G)のための教師付き微調整による多言語大言語モデルを活用する。 本稿では,英語,中国語,マレー語,インドネシア語を対象とした多言語CAT-Gテストセットについて紹介する。
  論文  参考訳（メタデータ） (2025-05-29T03:24:39Z)
• Large Language Models as Neurolinguistic Subjects: Discrepancy between Performance and Competence [49.60849499134362]
  本研究では,大言語モデル(LLM)の記号化(形式)および記号化(意味)に関する言語的理解について検討する。 ミニマルペアと診断プローブを組み合わせてモデル層間のアクティベーションパターンを解析する新しい手法を用いて,ニューロ言語学的アプローチを提案する。 その結果,(1)心理言語学的・神経言語学的手法では,言語能力と能力が異なっていること,(2)直接確率測定では言語能力が正確に評価されないこと,(3)指導のチューニングでは能力が大きく変化しないが,性能は向上しないことがわかった。
  論文  参考訳（メタデータ） (2024-11-12T04:16:44Z)
• Exploring Human-Like Translation Strategy with Large Language Models [93.49333173279508]
  大規模言語モデル(LLM)は、一般的なシナリオにおいて印象的な機能を示している。 本研究は,マルチアスペクト・プロンプトと選択のためのMAPSフレームワークを提案する。 品質推定に基づく選択機構を用いて,ノイズや不ヘッピーな知識を抽出する。
  論文  参考訳（メタデータ） (2023-05-06T19:03:12Z)
• Large Linguistic Models: Investigating LLMs' metalinguistic abilities [1.0923877073891446]
  我々は,大規模言語モデルが言語データの有効なメタ言語学的分析を生成できることを初めて示す。 我々は,OpenAI (2024) o1が,構文木の作成や音韻的一般化に関わるタスクにおいて,他のモデルよりも大幅に優れていることを示す。
  論文  参考訳（メタデータ） (2023-05-01T17:09:33Z)
• A Survey of Large Language Models [81.06947636926638]
  言語モデリングは、過去20年間、言語理解と生成のために広く研究されてきた。 近年,大規模コーパス上でのトランスフォーマーモデルの事前学習により,事前学習言語モデル (PLM) が提案されている。 パラメータスケールの違いを識別するために、研究コミュニティは大規模言語モデル (LLM) という用語を提唱した。
  論文  参考訳（メタデータ） (2023-03-31T17:28:46Z)
• A Survey of Knowledge Enhanced Pre-trained Models [28.160826399552462]
  知識注入を伴う事前学習言語モデルを知識強化事前学習言語モデル(KEPLM)と呼ぶ。 これらのモデルは深い理解と論理的推論を示し、解釈可能性を導入する。
  論文  参考訳（メタデータ） (2021-10-01T08:51:58Z)

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。