論文の概要: LLM and Human Modes of Representation

• arxiv url: http://arxiv.org/abs/2606.21616v1
• Date: Fri, 19 Jun 2026 17:20:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 04:34:13.08402
• Title: LLM and Human Modes of Representation
• Title（参考訳）: LLMと人間表現
• Authors: Shalom Lappin,
• Abstract要約: 大きな言語モデル(LLM)と人間が情報を処理し、それを表現します。 2つの情報領域における両問題に対処した最近の研究について考察する。 LLMは、ほとんどの場合、推論タスクの学習や一般化において、人間よりも効率が低い。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Much work on the cognitive foundations of AI has focussed on comparisons between the ways in which Large Language Models (LLMs) and humans process information and represent it. One aspect of this comparison involves determining the extent to which LLMs can achieve or surpass human performance on a variety of cognitively interesting tasks. A second explores points of convergence and divergence between LLM and human systems for processing information. Here, I consider some recent research that has addressed both issues in two informational domains. The first is the representation of linguistic knowledge. The second is real world reasoning and planning. While LLMs frequently achieve impressive levels of performance and fluency on linguistic applications, they tend to handle linguistic content in ways that are distinct from human processing. They are also, for the most part, less efficient than humans in learning and generalisation for reasoning tasks.
• Abstract（参考訳）: AIの認知基盤に関する多くの研究は、大規模言語モデル(LLM)と人間が情報を処理し、それを表現する方法の比較に焦点を当ててきた。 この比較の1つの側面は、認知的に興味深い様々なタスクにおいて、LLMが人間のパフォーマンスを達成または超える程度を決定することである。 第2に、情報処理のためのLLMと人間システム間の収束点と分岐点について検討する。 本稿では,2つの情報領域における両問題に対処した最近の研究について考察する。 1つ目は言語知識の表現である。 2つ目は、現実世界の推論と計画です。 LLMは言語的応用における顕著な性能と流布度をしばしば達成するが、人間の処理と異なる方法で言語的内容を扱う傾向がある。 また、ほとんどの場合、推論タスクの学習や一般化において、人間よりも効率が低い。

関連論文リスト

• How Deep is Love in LLMs' Hearts? Exploring Semantic Size in Human-like Cognition [75.11808682808065]
  本研究では,大言語モデル (LLM) が意味的サイズを理解する上で類似した傾向を示すかどうかを検討する。 以上の結果から,マルチモーダルトレーニングはLLMにとって人間的な理解を深める上で不可欠であることが示唆された。 最後に,LLMが実世界のWebショッピングシナリオにおいて,より大きなセマンティックサイズを持つ注目の見出しに影響されているかを検討する。
  論文  参考訳（メタデータ） (2025-03-01T03:35:56Z)
• Non-literal Understanding of Number Words by Language Models [33.24263583093367]
  人間は自然に、文脈、世界知識、話者意図を組み合わせた、意味のない数字を解釈する。 大規模言語モデル (LLM) も同様に数字を解釈し, ハイパボラ効果と実効ハロ効果に着目した。
  論文  参考訳（メタデータ） (2025-02-10T07:03:00Z)
• No Such Thing as a General Learner: Language models and their dual optimization [3.2228025627337864]
  我々は、人間もLLMも、様々な意味で一般の学習者ではないと論じている。 言語に対する人間の認知バイアスの重要性について,LLMのパフォーマンスが人間と類似しているか異同であるかは,重要な議論を軽視するものではないと論じる。
  論文  参考訳（メタデータ） (2024-08-18T17:01:42Z)
• FAC$^2$E: Better Understanding Large Language Model Capabilities by Dissociating Language and Cognition [56.76951887823882]
  大規模言語モデル(LLM)は、主に様々なテキスト理解および生成タスクにおける全体的なパフォーマンスによって評価される。 FAC$2$E, FAC$2$Eについて述べる。
  論文  参考訳（メタデータ） (2024-02-29T21:05:37Z)
• Do Large Language Models Mirror Cognitive Language Processing? [43.68923267228057]
  大規模言語モデル(LLM)は、テキスト理解と論理的推論において顕著な能力を示した。 脳認知処理信号は、典型的には人間の言語処理を研究するために使用される。
  論文  参考訳（メタデータ） (2024-02-28T03:38:20Z)
• Divergences between Language Models and Human Brains [59.100552839650774]
  我々は,人間と機械語処理の相違点を体系的に探求する。 我々は、LMがうまく捉えられない2つの領域、社会的/感情的知性と身体的常識を識別する。 以上の結果から,これらの領域における微調整LMは,ヒト脳反応との整合性を向上させることが示唆された。
  論文  参考訳（メタデータ） (2023-11-15T19:02:40Z)
• Spoken Language Intelligence of Large Language Models for Language Learning [3.1964044595140217]
  教育分野における大規模言語モデル(LLM)の有効性を評価することに注力する。 上記のシナリオにおけるLLMの有効性を評価するために,新しい複数選択質問データセットを提案する。 また,ゼロショット法や少数ショット法など,様々なプロンプト技術の影響についても検討する。 異なる大きさのモデルは、音韻学、音韻学、第二言語習得の概念をよく理解しているが、実世界の問題に対する推論には限界がある。
  論文  参考訳（メタデータ） (2023-08-28T12:47:41Z)

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。