論文の概要: Cognitive Trajectory Modeling: Quantifying Human-AI Co-Creation through Cognitively Grounded Interaction Trajectories
- arxiv url: http://arxiv.org/abs/2606.15358v1
- Date: Sat, 13 Jun 2026 15:39:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:33.452909
- Title: Cognitive Trajectory Modeling: Quantifying Human-AI Co-Creation through Cognitively Grounded Interaction Trajectories
- Title（参考訳）: 認知的軌跡モデリング:認知的接地的相互作用軌跡による人間とAIのコクレーションの定量化
- Authors: Nicholas Davis,
- Abstract要約: 本稿では,相互作用力学の認知理論として認知軌道モデリング(CTM)を紹介する。
CTMは認知、相互作用、創造的なプロセスを、認知的に意味のある魅力のある風景に広がる時間的に組織された軌道として概念化している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Co-creative AI research increasingly seeks methods capable of representing how interaction dynamics evolve through time. While many existing approaches focus on observable interaction characteristics, interaction metrics, behavioral coding schemes, or activity traces, these methods often struggle to capture higher-order interaction dynamics, including how collaborative processes reorganize, stabilize, regulate, and evolve through time. This paper introduces Cognitive Trajectory Modeling (CTM) as a cognitive theory of interaction dynamics that conceptualizes cognition, interaction, and creative processes as temporally organized trajectories unfolding across cognitively meaningful attractor landscapes. CTM builds upon the theoretical foundations of the Enactive Model of Creativity and Creative Sense-Making (CSM), revisiting the role of sense-making curves and cognitive trajectories in representing co-creative interaction dynamics. We formalize this perspective through the Cognitive Trajectory Principle, which states that temporal representations are only theoretically interpretable as cognitive trajectories when their underlying states possess directional cognitive meaning. Building on this principle, CTM generalizes the notion of cognitive trajectories beyond any particular coding scheme and provides a broader framework for modeling interaction dynamics through trajectories unfolding across meaningful attractor landscapes. We further distinguish cognitive trajectories from interaction traces and situate CTM within a broader hierarchy of cognitive, interaction, and domain dynamics. More broadly, we argue that understanding co-creative systems requires methods capable of modeling how cognition and interaction dynamics unfold through time. CTM provides a foundation for studying interaction dynamics across co-creative AI and human-AI interaction.
- Abstract（参考訳）: 共同創造型AI研究は、時間の経過とともに相互作用のダイナミクスがどのように進化するかを表現する方法を模索している。
既存の多くのアプローチは、観測可能な相互作用特性、相互作用メトリクス、行動コーディングスキーム、あるいはアクティビティトレースに焦点を当てているが、これらの手法は、協調プロセスが時間を通してどのように再編成し、安定化し、規制し、進化するかを含む、高次の相互作用のダイナミクスを捉えるのに苦労することが多い。
本稿では,認識,相互作用,創造的過程を認知的に意味のある魅力ある風景に展開する時間的に組織された軌跡として概念化する相互作用力学の認知的理論として認知軌道モデリング(CTM)を紹介した。
CTMは、創造性と創造のセンス・メイキング(CSM: Enactive Model of Creativity and Creative Sense-Making)の理論的基礎の上に構築され、共創造的相互作用のダイナミクスを表現する上での感覚形成曲線と認知的軌跡の役割を再考する。
我々は、この視点を認知的軌道原理(Cognitive Trajectory Principle)で定式化し、これは、時間的表現は、その基礎にある状態が指向的な認知的意味を持つ場合にのみ、認知的軌道として理論的に解釈可能であることを述べる。
この原理に基づいて、CTMは特定のコーディングスキームを超えて認知的軌跡の概念を一般化し、意味のあるアトラクタの風景に広がる軌跡を通じて相互作用のダイナミクスをモデル化するためのより広範なフレームワークを提供する。
さらに、認知的軌跡と相互作用トレースを区別し、認知、相互作用、ドメインダイナミクスのより広い階層にCTMを配置する。
より広義には、共同創造システムを理解するには、認知と相互作用のダイナミクスが時間を通してどのように展開するかをモデル化できる方法が必要である、と論じる。
CTMは、共同創造型AIと人間-AIインタラクションにわたるインタラクションダイナミクスを研究するための基盤を提供する。
関連論文リスト
- Memory-guided Prototypical Co-occurrence Learning for Mixed Emotion Recognition [56.00118641432005]
本稿では,感情共起パターンを明示的にモデル化するメモリ誘導型プロトタイプ共起学習フレームワークを提案する。
人間の認知記憶システムに触発されて,意味レベルの共起関係を抽出するメモリ検索戦略を導入する。
本モデルは感情分布予測のための感情情報表現を学習する。
論文 参考訳（メタデータ） (2026-02-24T04:11:25Z) - Agentic Reasoning for Large Language Models [122.81018455095999]
推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。
大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。
エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
論文 参考訳（メタデータ） (2026-01-18T18:58:23Z) - From Actions to Kinesics: Extracting Human Psychological States through Bodily Movements [1.2676356746752893]
本稿では3次元骨格関節データから人間の活動のコミュニケーション機能を推定するキネシクス認識フレームワークを提案する。
Dyadic User EngagemenT データセットで得られた結果は、この手法により、スケーラブルで、正確で、人間中心の行動モデリングが可能になることを実証している。
論文 参考訳（メタデータ） (2025-10-06T14:31:53Z) - Dynamic Programming Techniques for Enhancing Cognitive Representation in Knowledge Tracing [125.75923987618977]
認知表現動的プログラミングに基づく知識追跡(CRDP-KT)モデルを提案する。
質問の難易度とそれらの間の性能間隔に基づいて認知表現を最適化する動的プログラミングアルゴリズムである。
これは、その後のモデルトレーニングのためにより正確で体系的な入力機能を提供し、それによって認知状態のシミュレーションにおける歪みを最小限にする。
論文 参考訳（メタデータ） (2025-06-03T14:44:48Z) - Embodied World Models Emerge from Navigational Task in Open-Ended Environments [5.785697934050656]
プロシージャ的に生成された平面迷路を解決するために,スパース報酬のみで訓練された反復エージェントが,方向,距離,障害物レイアウトなどの計量概念を自律的に内部化できるかどうかを問う。
トレーニングの後、エージェントは、下層の空間モデルにヒントを与える行動である、見えない迷路において、常に準最適経路を生成する。
論文 参考訳（メタデータ） (2025-04-15T17:35:13Z) - An Introduction to Cognidynamics [11.337163242503166]
textitCognidynamicsは、時間とともに課される最適な目的によって駆動される認知システムのダイナミクスである。
我々は,エネルギー散逸の重要な役割とその注意機構と意識行動の焦点との関係を示す。
論文 参考訳（メタデータ） (2024-08-18T05:40:07Z) - Multi-Agent Dynamic Relational Reasoning for Social Robot Navigation [50.01551945190676]
社会ロボットナビゲーションは、日常生活の様々な状況において有用であるが、安全な人間とロボットの相互作用と効率的な軌道計画が必要である。
本稿では, 動的に進化する関係構造を明示的に推論した系統的関係推論手法を提案する。
マルチエージェント軌道予測とソーシャルロボットナビゲーションの有効性を実証する。
論文 参考訳（メタデータ） (2024-01-22T18:58:22Z) - CogGPT: Unleashing the Power of Cognitive Dynamics on Large Language Models [24.079412787914993]
本稿では,大規模言語モデル(LLM)の認知力学の概念を提案し,縦断的研究のインスピレーションを得て,それに対応する課題を提案する。
この課題に向けて,LLMの認知力学を評価し,参加者による調査を通じて検証する新しいベンチマークであるCogBenchを開発した。
本稿では,生涯の認知力学の強化を目的とした,革新的な反復的認知機構を特徴とするタスク用CogGPTを紹介する。
論文 参考訳（メタデータ） (2024-01-06T03:59:59Z) - Discrete, compositional, and symbolic representations through attractor dynamics [51.20712945239422]
我々は,思考の確率的言語(PLoT)に似た認知過程をモデル化するために,アトラクタダイナミクスを記号表現と統合した新しいニューラルシステムモデルを導入する。
我々のモデルは、連続表現空間を、事前定義されたプリミティブに頼るのではなく、教師なし学習を通じて、記号系の意味性と構成性の特徴を反映する、記号列に対応する引き付け状態を持つ離散盆地に分割する。
このアプローチは、認知操作の複雑な双対性を反映したより包括的なモデルを提供する、AIにおける表現力の証明された神経弁別可能な基質であるニューラルダイナミクスを通じて、シンボル処理とサブシンボル処理の両方を統合する統一的なフレームワークを確立する。
論文 参考訳（メタデータ） (2023-10-03T05:40:56Z) - Behavior Priors for Efficient Reinforcement Learning [97.81587970962232]
本稿では,情報とアーキテクチャの制約を,確率論的モデリング文献のアイデアと組み合わせて行動の事前学習を行う方法について考察する。
このような潜伏変数の定式化が階層的強化学習(HRL)と相互情報と好奇心に基づく目的との関係について論じる。
シミュレーションされた連続制御領域に適用することで,フレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2020-10-27T13:17:18Z)
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。