論文の概要: The role of System 1 and System 2 semantic memory structure in human and LLM biases

• arxiv url: http://arxiv.org/abs/2604.12816v1
• Date: Tue, 14 Apr 2026 14:43:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.50785
• Title: The role of System 1 and System 2 semantic memory structure in human and LLM biases
• Title（参考訳）: ヒトおよびLDMバイアスにおける System 1 と System 2 のセマンティックメモリ構造の役割
• Abstract要約: 人間と大言語モデル(LLM)の両方における帰属バイアスは、社会的な重大なリスクを生じさせる。 システム1とシステム2を、異なる構造を持つセマンティックメモリネットワークとしてモデル化する。 意味記憶構造は人間にのみ既知であり,LLMには人間のような概念的知識が欠如していることが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Implicit biases in both humans and large language models (LLMs) pose significant societal risks. Dual process theories propose that biases arise primarily from associative System 1 thinking, while deliberative System 2 thinking mitigates bias, but the cognitive mechanisms that give rise to this phenomenon remain poorly understood. To better understand what underlies this duality in humans, and possibly in LLMs, we model System 1 and System 2 thinking as semantic memory networks with distinct structures, built from comparable datasets generated by both humans and LLMs. We then investigate how these distinct semantic memory structures relate to implicit gender bias using network-based evaluation metrics. We find that semantic memory structures are irreducible only in humans, suggesting that LLMs lack certain types of human-like conceptual knowledge. Moreover, semantic memory structure relates consistently to implicit bias only in humans, with lower levels of bias in System~2 structures. These findings suggest that certain types of conceptual knowledge contribute to bias regulation in humans, but not in LLMs, highlighting fundamental differences between human and machine cognition.
• Abstract（参考訳）: 人間と大言語モデル(LLM)の両方における帰属バイアスは、社会的な重大なリスクを生じさせる。 二重過程理論は、バイアスは主に連想的システム1の思考から発生し、熟考的システム2の思考はバイアスを緩和するが、この現象を引き起こす認知メカニズムはいまだに理解されていないことを示唆している。 人間とLLMの両方によって生成された同等のデータセットから構築された、異なる構造を持つセマンティックメモリネットワークとして、システム1とシステム2をモデル化する。 次に、これらの異なるセマンティックメモリ構造が、ネットワークベースの評価指標を用いて、暗黙の性差とどのように関連しているかを検討する。 意味記憶構造は人間にのみ既知であり,LLMには人間のような概念的知識が欠如していることが示唆された。 さらに、セマンティックメモリ構造は、システム~2構造において低いレベルのバイアスを持つ人間のみにおいて、暗黙のバイアスと一貫して関連している。 これらの知見は、ある概念的知識が人間のバイアス制御に寄与するが、LLMではそうではないことを示唆し、人間と機械の認知の根本的な違いを強調している。

関連論文リスト

• Cognitive Convergence: Deep Similarities Between Large Language Models and Human Cognition [0.0]
  LLMは、認知操作が本質的に私たち自身のものと異なる、異質なインテリジェンスとして広く見なされている。 私たちはこのフレーミングが間違っていると論じる。 LLMは、物理的基質、学習履歴、相互作用する環境など、重要な点で人間と明らかに異なる。
  論文  参考訳（メタデータ） (2026-07-28T18:37:48Z)
• NeuroCogMap Reveals Cognitive Organization of Large Language Models [82.70079471723963]
  我々は,大きな言語モデルの内部的特徴を機能的パーセルに整理する認知神経科学に触発されたフレームワークであるNeuroCogMapを紹介する。 これらのパーセルは安定的でセマンティックに整合した組織を形成し、部分的にモデル間で保存される。 これらの知見は,人工システムの機能組織をマッピングするシステムレベルのフレームワークとしてNeuroCogMapを確立した。
  論文  参考訳（メタデータ） (2026-07-01T03:48:49Z)
• A Brain-like Synergistic Core in LLMs Drives Behaviour and Learning [50.68188138112555]
  大規模言語モデルが自然に相乗的コアを開発することを示す。 中層の領域は相乗的処理を示し, 初期層と後期層は冗長性に依存していることがわかった。 この収束は、シナジスティック情報処理が知性の基本的な性質であることを示している。
  論文  参考訳（メタデータ） (2026-01-11T10:48:35Z)
• The Universal Landscape of Human Reasoning [60.72403709545137]
  情報フロー追跡(IF-Track)を導入し,情報エントロピーの定量化と,各推論ステップにおけるゲインの定量化を行う。 IF-Trackは,本質的な推論特徴を捉え,系統的な誤りパターンを識別し,個人差を特徴付ける。 このアプローチは理論と測定の間の定量的な橋渡しを確立し、推論のアーキテクチャに関する機械的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:26:36Z)
• Culturally transmitted color categories in LLMs reflect a learning bias toward efficient compression [2.3204178451683264]
  我々は、分類の認知理論の鍵となるテストベッドとして色領域に焦点を当てる。 我々は英語のカラーネーム研究を行い、ジェミニは英語母語話者の命名パターンとよく一致していることを示した。 大言語モデルにおける擬似色命名システムの文化的進化をシミュレートする。
  論文  参考訳（メタデータ） (2025-09-09T19:00:10Z)
• From Tokens to Thoughts: How LLMs and Humans Trade Compression for Meaning [63.25540801694765]
  大きな言語モデル (LLMs) は言語能力を示すが、同じバランスをとれるかどうかは不明だ。 本稿では,LLMと人間を定量的に比較するために,Information Bottleneckの原理を適用した。
  論文  参考訳（メタデータ） (2025-05-21T16:29:00Z)
• Measurement of LLM's Philosophies of Human Nature [113.47929131143766]
  大規模言語モデル(LLM)を対象とする標準化された心理尺度を設計する。 現在のLSMは、人間に対する信頼の欠如を示す。 本稿では,LLMが継続的に価値体系を最適化できるメンタルループ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-03T06:22:19Z)
• Revealing emergent human-like conceptual representations from language prediction [90.73285317321312]
  大規模言語モデル(LLMs)は、人間らしい振る舞いを示すテキストの次のトーケン予測によってのみ訓練される。 これらのモデルでは、概念は人間のものと似ていますか? LLMは、他の概念に関する文脈的手がかりに関連して、言語記述から柔軟に概念を導出できることがわかった。
  論文  参考訳（メタデータ） (2025-01-21T23:54:17Z)
• Human-like object concept representations emerge naturally in multimodal large language models [24.003766123531545]
  大規模言語モデル(LLM)における対象概念表現と人間の認知との関係を考察するために,行動解析と神経画像解析を併用した。 我々の発見は、マシンインテリジェンスに対する理解を深め、より人間的な人工知能システムの開発に報いる。
  論文  参考訳（メタデータ） (2024-07-01T08:17:19Z)
• Prompting Techniques for Reducing Social Bias in LLMs through System 1 and System 2 Cognitive Processes [14.001286689210119]
  我々は, LLMにおけるバイアス, CoTプロンプト, 直接デバイアス, 二重プロセス理論モデリングの関係について検討する。 人間のペルソナ、嫌悪感、システム2、CoTは、LLMの社会的偏見を減らしがちである。
  論文  参考訳（メタデータ） (2024-04-26T07:46:29Z)
• Learning Physical Concepts in Cyber-Physical Systems: A Case Study [72.74318982275052]
  本稿では,時系列データにおける物理概念の学習方法に関する研究の現状について概説する。 また,3タンクシステムの例を用いて,最先端技術から最も重要な手法を分析した。
  論文  参考訳（メタデータ） (2021-11-28T14:24:52Z)

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。