論文の概要: Think-Aloud Reshapes Automated Cognitive Model Discovery Beyond Behavior

• arxiv url: http://arxiv.org/abs/2605.05091v1
• Date: Wed, 06 May 2026 16:29:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.930812
• Title: Think-Aloud Reshapes Automated Cognitive Model Discovery Beyond Behavior
• Title（参考訳）: Think-Aloudは行動を超えた認知モデル発見を自動化する
• Abstract要約: 我々は、Think Aloudトレースを自動モデル発見におけるデータ制約の付加形式として利用する方法について検討する。 その結果,Think-aloudで発見されたモデルでは,保持データに対する予測性能が大幅に向上していることが判明した。
• 参考スコア（独自算出の注目度）: 2.354912793302542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational cognitive models discovered using large language models have so far relied solely on behavioral data. However, it is well-known that models produced from the behavioral trajectory alone are typically under-determined. In this work, we explore the use of Think Aloud traces as an additional form of data constraint during automated model discovery. When applied to the domain of risky decision-making, we find that the models discovered with think-aloud achieve significantly improved predictive performance on held-out data. Additionally, we find that the discovered models belong to different structural classes than those discovered from behavior alone for the majority of participants (69.4\%), specifically, it shifts from Explicit comparator towards Integrated utility. These results suggest that process-level language data not only improve model fit, but also systematically reshape the structure of the discovered cognitive models, enabling the identification of mechanisms that are not recoverable from behavior alone.
• Abstract（参考訳）: 大規模言語モデルを用いて発見された計算認知モデルは、これまでは行動データのみに依存してきた。 しかし、行動軌跡のみから生成されるモデルは、一般的には未決定であることが知られている。 本研究では,Think Aloudトレースを自動モデル発見におけるデータ制約の付加形式として利用する方法について検討する。 リスクのある意思決定の領域に適用すると、思考によって発見されたモデルは、保持データに対する予測性能を著しく改善することがわかった。 さらに、発見されたモデルは、ほとんどの参加者(69.4\%)の行動のみから発見されたモデルとは異なる構造クラスに属しており、具体的にはExplicitコンパレータから統合ユーティリティへ移行している。 これらの結果は、プロセスレベルの言語データがモデル適合性を改善するだけでなく、発見された認知モデルの構造を体系的に再構築し、行動のみから回復できないメカニズムの同定を可能にすることを示唆している。

関連論文リスト

• Aggregate Models, Not Explanations: Improving Feature Importance Estimation [29.82699646128964]
  モデルレベルでのアンサンブルにより、より正確な変数重要度推定が得られることを示す。 これらの知見を古典的ベンチマークおよび英国バイオバンクの大規模プロテオミクスで検証した。
  論文  参考訳（メタデータ） (2026-02-12T09:36:03Z)
• Modeling and Discovering Direct Causes for Predictive Models [0.0]
  本稿では,予測モデルの入出力挙動を捉える因果モデリングフレームワークを提案する。 そして、いくつかの仮定の下で(データから)直接原因を発見するための、健全で完全なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-12-03T22:25:42Z)
• Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators [7.7227297059345466]
  本稿では,ニューラルベイズ推定を拡張して,実験データと対象変数空間との直接マッピングを学習する手法を提案する。 我々の研究は、リカレントニューラルネットワークとシミュレーションベースの推論を組み合わせることで、潜在変数配列を特定することで、研究者がより広範な認知モデルにアクセスできるようになることを強調している。
  論文  参考訳（メタデータ） (2024-06-20T21:13:39Z)
• Causal Estimation of Memorisation Profiles [58.20086589761273]
  言語モデルにおける記憶の理解は、実践的および社会的意味を持つ。 覚書化(英: Memorisation)とは、モデルがそのインスタンスを予測できる能力に対して、あるインスタンスでトレーニングを行うことによる因果的影響である。 本稿では,計量学の差分差分設計に基づく,新しい,原理的,効率的な記憶推定法を提案する。
  論文  参考訳（メタデータ） (2024-06-06T17:59:09Z)
• Demystifying amortized causal discovery with transformers [21.058343547918053]
  観測データからの因果発見のための教師付き学習アプローチは、しばしば競争性能を達成する。 本研究では,CSIvAについて検討する。CSIvAは,合成データのトレーニングと実データへの転送を約束するトランスフォーマーモデルである。 既存の識別可能性理論とギャップを埋め、トレーニングデータ分布の制約がテスト観測の事前を暗黙的に定義していることを示します。
  論文  参考訳（メタデータ） (2024-05-27T08:17:49Z)
• On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
  決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。 我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。 本研究は,専門家の選択に重要な意味を持つ。
  論文  参考訳（メタデータ） (2024-02-05T12:31:18Z)
• Hypothesis Testing using Causal and Causal Variational Generative Models [0.0]
  Causal GenとCausal Variational Genは、非パラメトリックな構造因果知識とディープラーニング機能近似を併用することができる。 我々は、意図的な(非ランダムな)トレーニングとテストデータの分割を用いて、これらのモデルが、類似の、しかし分布外のデータポイントよりも一般化できることを示します。 本手法は, 人工振り子データセット, 外傷手術用地上レベル落下データセットを用いて検証した。
  論文  参考訳（メタデータ） (2022-10-20T13:46:15Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Amortized Inference for Causal Structure Learning [72.84105256353801]
  因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。 本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。 我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
  論文  参考訳（メタデータ） (2022-05-25T17:37:08Z)
• On the Efficacy of Adversarial Data Collection for Question Answering: Results from a Large-Scale Randomized Study [65.17429512679695]
  逆データ収集(ADC)では、人間の労働力がモデルとリアルタイムで対話し、誤った予測を誘発する例を作成しようとする。 ADCの直感的な魅力にも拘わらず、敵対的データセットのトレーニングがより堅牢なモデルを生成するかどうかは不明だ。
  論文  参考訳（メタデータ） (2021-06-02T00:48:33Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Learning Causal Models Online [103.87959747047158]
  予測モデルは、予測を行うためにデータの急激な相関に依存することができる。 強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。 本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-12T20:49:20Z)

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。