論文の概要: From Consumption to Reflection: Designing Human-AI Relations for Stable Reasoning

• arxiv url: http://arxiv.org/abs/2606.11195v1
• Date: Fri, 17 Apr 2026 08:37:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 07:09:36.819546
• Title: From Consumption to Reflection: Designing Human-AI Relations for Stable Reasoning
• Title（参考訳）: 消費からリフレクションへ:安定推論のための人間-AI関係の設計
• Authors: Rikard Rosenbacke, Carl Rosenbacke, Victor Rosenbacke, Martin McKee,
• Abstract要約: 本稿では、聴覚的推論ループを通してリフレクションを運用する推論時ガバナンスであるリフレクティブ・インテリジェンス(RRI)を紹介する。 機械を人間のように考えさせるか、人間を機械のように推論させるのではなく、RRIは両者の制約を補う構造的な相互作用を作り出す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) have transformed how humans access information, but not how we reason with it. Their fluency accelerates consumption while bypassing the slow, reflective processes that underpin sound judgment. This paper introduces Relational Reflective Intelligence (RRI), an inference-time governance layer that operationalizes reflection through auditable reasoning loops. RRI operates not inside the model but around it, providing a practical structure for stable, auditable reasoning between humans and LLMs. The core premise is that LLMs inherit cognitive vulnerabilities similar to those that shape human thought: reliance on intuitive shortcuts, confusion between representation and reality, and a preference for coherence over falsification. When humans and models share these tendencies, their errors compound. We refer to this as relational drift, a failure that arises from interaction rather than from the model alone. Addressing this requires a shift from modeling relations between words to structuring relations between model outputs and human reasoning. RRI provides this missing layer through three components: the Rose-Frame, which identifies likely breakdowns in reasoning; the Architect's Pen, which introduces targeted reflection steps at critical moments; and an inference-time workflow that embeds these steps without retraining the model. Together, these elements transform human-AI interaction into a joint reasoning system with explicit checkpoints, conflict surfacing, and an auditable trail of assumptions. Rather than making machines think like humans or forcing humans to reason like machines, RRI creates a structured interaction in which both compensate for each other's limitations. It reframes AI safety as a cognitive architecture problem, where reliable decisions depend on embedding reflection directly into the interaction process.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、人間が情報にアクセスする方法を変えましたが、その理由にはなりませんでした。 周波数は、音の判断の基盤となるゆっくりとした反射過程をバイパスしながら消費を加速させる。 本稿では,リレーショナル・リフレクティブ・インテリジェンス(RRI)について紹介する。 RRIはモデルの内部ではなくその周辺で動作し、人間とLLM間の安定した監査可能な推論のための実用的な構造を提供する。 LLMは、直感的なショートカットへの依存、表現と現実の混同、ファルシフィケーションよりもコヒーレンスを好むという、人間の思考を形作るものに似た認知的脆弱性を継承する、というのが中核的な前提である。 人間とモデルがこれらの傾向を共有すると、エラーは複雑になる。 これをリレーショナルドリフト(relational drift、リレーショナルドリフト、リレーショナルドリフト、リレーショナルドリフト、リレーショナルドリフト)と呼びます。 これに対応するには、単語間の関係をモデル化することから、モデル出力と人間の推論の間の関係を構造化することに移行する必要がある。 RRIはこの欠落したレイヤを、3つのコンポーネントを通じて提供する: 推論のブレークスルーを識別するRose-Frame、重要な瞬間にターゲットのリフレクションステップを導入するArchitect's Pen、モデルを再トレーニングすることなくこれらのステップを組み込む推論時のワークフロー。 これらの要素は共に、人間とAIの相互作用を、明示的なチェックポイント、対立を表面化し、仮定の監査可能な軌跡を持つ共同推論システムに変換する。 機械を人間のように考えさせるか、人間を機械のように推論させるのではなく、RRIは両者の制約を補う構造的な相互作用を生み出す。 信頼性の高い決定は、インタラクションプロセスに直接リフレクションを埋め込むことに依存します。

関連論文リスト

• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• Governing Reflective Human-AI Collaboration: A Framework for Epistemic Scaffolding and Traceable Reasoning [0.0]
  本稿では,人間とモデルの間に分散した関係過程として推論を扱うための補完的アプローチを提案する。 エンジニアリング推論をモデル内でのみ行うのではなく、既存のシステムを使って構造化、測定、管理できる認知プロトコルとして捉えています。
  論文  参考訳（メタデータ） (2026-04-16T11:42:36Z)
• CausalFlip: A Benchmark for LLM Causal Judgment Beyond Semantic Matching [50.65932158912512]
  そこで我々は,新しい大言語モデルの開発を促進するために,因果推論ベンチマークCausalFlipを提案する。 CaulFlipは、イベントトリプル上に構築された因果判断の質問で構成されており、共同創設者、チェーン、コライダーの関係が異なっている。 回答のみのトレーニング,明示的なチェーン・オブ・ソート監視,そして内在型因果推論アプローチなどを含む,複数の訓練パラダイムによるLCMの評価を行った。
  論文  参考訳（メタデータ） (2026-02-23T18:06:15Z)
• Consistency Is Not Always Correct: Towards Understanding the Role of Exploration in Post-Training Reasoning [75.79451512757844]
  基礎モデルは幅広い知識を示すが、タスク固有の推論は限定的である。 RLVRと推論スケーリングは、RLVRや推論スケーリングのようなトレーニング後の戦略を動機付けます。 RLVRはスキューズ効果を誘発し,推論エントロピーを減少させ,正しい経路を忘れることを示した。
  論文  参考訳（メタデータ） (2025-11-10T18:25:26Z)
• Beyond Hallucinations: The Illusion of Understanding in Large Language Models [0.0]
  大規模言語モデル(LLM)は、人間のコミュニケーションや意思決定に深く浸透している。 彼らはあいまいさ、偏見、言語自体に固有の真理への直接アクセスの欠如を継承する。 本稿は,LLMがシステム1認知を大規模に運用する,高速,連想的,説得的だが,反射やファルシフィケーションは行わない,と論じる。
  論文  参考訳（メタデータ） (2025-10-16T13:19:44Z)
• Active Confusion Expression in Large Language Models: Leveraging World Models toward Better Social Reasoning [31.08532996770416]
  大規模言語モデル(LLM)は、認知的混乱、論理的矛盾、および客観的世界状態と主観的信念状態の衝突を示す。 本研究では,動的テキスト世界モデルを構築し,実体状態と時間的シーケンスを追跡する適応的世界モデル拡張推論機構を提案する。
  論文  参考訳（メタデータ） (2025-10-09T09:07:31Z)
• Failure Modes of LLMs for Causal Reasoning on Narratives [51.19592551510628]
  世界の知識と論理的推論の相互作用について検討する。 最先端の大規模言語モデル(LLM)は、しばしば表面的な一般化に依存している。 タスクの単純な再構成により、より堅牢な推論行動が引き起こされることを示す。
  論文  参考訳（メタデータ） (2024-10-31T12:48:58Z)
• Position: Stop Making Unscientific AGI Performance Claims [6.343515088115924]
  人工知能(AI)分野の発展は、人工知能(AGI)の「スパーク」を観察するための「完璧な嵐」を生み出した。 我々は、モデルの潜在空間における有意義なパターンの発見は、AGIを支持する証拠とは見なされないことを議論し、実証的に実証した。 我々は、モデル表現と興味のある変数の間の相関が、モデルが根底にある「真実」の関係について理解していることから「原因」であるとの誤解に対して、AIの方法論的設定と一般的な公開イメージの両方が理想的であると結論付けている。
  論文  参考訳（メタデータ） (2024-02-06T12:42:21Z)
• Sim-to-Real Causal Transfer: A Metric Learning Approach to Causally-Aware Interaction Representations [58.96953392466609]
  エージェント相互作用の現代的表現の因果認識を詳細に検討する。 近年の表現は、非因果剤の摂動に対して部分的に耐性があることが示されている。 本稿では,因果アノテーションを用いて潜在表現を規則化するメトリクス学習手法を提案する。
  論文  参考訳（メタデータ） (2023-12-07T18:57:03Z)

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。