論文の概要: Leveraging Speech to Identify Signatures of Insight and Transfer in Problem Solving

• arxiv url: http://arxiv.org/abs/2605.12970v1
• Date: Wed, 13 May 2026 04:04:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 23:30:27.802174
• Title: Leveraging Speech to Identify Signatures of Insight and Transfer in Problem Solving
• Title（参考訳）: 問題解決におけるインテリジェンスと伝達のシグネチャを識別する音声の活用
• Authors: Linas Nasvytis, Judith E. Fan,
• Abstract要約: 我々は参加者に5つの「マッチスティック・アジュメティクス」問題を解くよう依頼した。 問題は、同じ種類の非可観測解 (Same group) か、毎回別の種 (Different group) に依存していた。 その結果、同じ参加者が、異なる参加者よりも急速に改善していることがわかりました。
• 参考スコア（独自算出の注目度）: 4.242871385276241
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Many problems seem to require a flash of insight to solve. What form do these sudden insights take, and what impact do they have on how people approach similar problems in the future? In this work, we prompted participants (N = 189) to talk aloud as they attempted to solve a sequence of five "matchstick-arithmetic" problems. These problems either all relied on the same kind of non-obvious solution (Same group) or a different kind each time (Different group). We found that Same participants improved more rapidly than Different participants, and as they improved, they talked more and talked about different things when solving later problems. Specifically, they were more likely to spontaneously categorize the problem they were working on. Taken together, these findings suggest that a hallmark of transferable insights is their accessibility for verbal report, even if the underlying precursors of insight remain difficult to articulate.
• Abstract（参考訳）: 多くの問題は、解決すべき洞察のフラッシュを必要としているようだ。 これらの突然の洞察はどのような形で、また、人々が将来同様の問題にどのようにアプローチするかにどんな影響を与えますか? 本研究では,参加者(N=189)に対して,5つの「マッチスティック・アジュメティクス」問題の連続を解こうとしたとき,声を出して話すように促した。 これらの問題はいずれも同じ種類の非可観測解 (Same group) か、毎回別の種 (Different group) に依存していた。 その結果、同じ参加者が、異なる参加者よりも急速に改善していることがわかりました。 具体的には、自分たちが取り組んでいる問題を自然に分類する傾向が強かった。 これらの知見を総合すると, 伝達可能な洞察の目印は, たとえ基礎となる洞察の先駆的存在が理解しづらいままであっても, 言語レポートのアクセシビリティであることがわかる。

関連論文リスト

• Exploring Human Behavior During Abstract Rule Inference and Problem Solving with the Cognitive Abstraction and Reasoning Corpus [0.32834818175343855]
  人間は抽象的推論において顕著な柔軟性を示し、緩やかな例から素早く学習し、規則を適用することができる。 抽象・推論コーパス(ARC)の多種多様な人間適応サブセットである認知抽象・推論コーパス(CogARC)を紹介する。 CogARCは、75の抽象的な視覚的推論問題に対する解を自由に生成する260人の参加者に投与された。
  論文  参考訳（メタデータ） (2026-02-25T21:01:47Z)
• Stay Focused: Problem Drift in Multi-Agent Debate [7.156386767951493]
  複数のターンに対するマルチエージェントの議論が、初期問題から脱却し、タスク性能を損なうかを分析する。 この漂流に関する最も一般的な問題は、進歩の欠如、低品質のフィードバック、明確さの欠如である。 DRIFTPolicyは,問題ドリフトケースを軽減し,タスク性能を向上させる手法である。
  論文  参考訳（メタデータ） (2025-02-26T20:54:51Z)
• A Knapsack by Any Other Name: Presentation impacts LLM performance on NP-hard problems [64.05451567422342]
  自然言語で表現されたNPハード問題の集合であるEveryday Hard Optimization Problems (EHOP) のデータセットを紹介する。 EHOPには、コンピュータサイエンスの教科書(例えば、グラフカラー化)で見られる問題の定式化が含まれている。 複数のプロンプト戦略にまたがる最先端のLCMは、実生活や逆転よりも正確な教科書問題を解くことができる。
  論文  参考訳（メタデータ） (2025-02-19T14:39:59Z)
• Can Model Uncertainty Function as a Proxy for Multiple-Choice Question Item Difficulty? [12.638577140117702]
  我々は、質問に答える際の弱点と見なされるような、生成的な大規模モデルの側面を活用する。 本研究では、不確実性の2つの異なる指標と実際の学生の反応分布の相関について検討する。
  論文  参考訳（メタデータ） (2024-07-07T10:48:04Z)
• Can Large Language Models Always Solve Easy Problems if They Can Solve Harder Ones? [65.43882564649721]
  大きな言語モデル(LLM)は印象的な機能を示しているが、それでも矛盾する問題に悩まされている。 我々はConsisEvalベンチマークを開発し、各エントリは厳密な難易度で2つの質問から構成される。 相対的整合性スコアによる整合性向上の可能性を分析する。
  論文  参考訳（メタデータ） (2024-06-18T17:25:47Z)
• Do Language Models Exhibit the Same Cognitive Biases in Problem Solving as Human Learners? [140.9751389452011]
  本研究では,大言語モデル(LLM)の偏りを,算術語問題を解く際に,子どもに知られているものと関連づけて検討する。 我々は,これらの各テストに対して,問題特徴のきめ細かい制御を可能にするニューロシンボリックアプローチを用いて,新しい単語問題を生成する。
  論文  参考訳（メタデータ） (2024-01-31T18:48:20Z)
• MacGyver: Are Large Language Models Creative Problem Solvers? [87.70522322728581]
  本稿では, 現代LLMの創造的問題解決能力について, 制約付き環境下で検討する。 我々は1,600以上の実世界の問題からなる自動生成データセットであるMACGYVERを作成する。 我々はLLMと人間の両方にコレクションを提示し、それらの問題解決能力を比較して比較する。
  論文  参考訳（メタデータ） (2023-11-16T08:52:27Z)
• Measuring and Narrowing the Compositionality Gap in Language Models [116.5228850227024]
  モデルがすべてのサブプロブレムに正しく答えられる頻度を計測するが、全体の解は生成しない。 我々は,思考の連鎖をさらに改善する新たな手法である自己認識法を提案する。
  論文  参考訳（メタデータ） (2022-10-07T06:50:23Z)

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。