論文の概要: Closing the Loop to Discover Psychological Theories with an Automated Cognitive Scientist
- arxiv url: http://arxiv.org/abs/2606.26448v1
- Date: Wed, 24 Jun 2026 23:20:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 18:46:32.098826
- Title: Closing the Loop to Discover Psychological Theories with an Automated Cognitive Scientist
- Title（参考訳）: 心理学的理論を自動認知科学者が発見するためのループを閉じる
- Abstract要約: 本稿では,完全自律型エージェントAIシステムであるAutomated Cognitive Scientist(AutoCog)を紹介する。
認知理論の構築を明示的で実行可能で累積的な科学に変えるためにどのように使用できるかを示す。
- 参考スコア（独自算出の注目度）: 26.846270187624636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Across the sciences, autonomous systems are increasingly being used in closed-loop discovery, proposing new theories and designing and running experiments to test them. This approach is yet to be applied in the field of cognitive science, where the central bottleneck is theory-building: the creative step of turning the accumulated failures of existing models into better ones. Theory generation has remained manual even as data collection, modeling, and experiment design have been automated. We present the Automated Cognitive Scientist (AutoCog), a fully autonomous agentic-AI system that closes this loop. Large-language-model agents advocate competing theories, each expressed as an executable cognitive model, design experiments that best discriminate them, collect behavioral data from participants recruited online, score theories against collected data based on their generative performance, diagnose why they fail, and synthesize a better successor. Repeating this cycle allows them to search the space of theories, models, and experiments. In the domain of decision-making, AutoCog recovered known decision-making strategies from simulated behavior, including unconventional ones, showing that its discoveries are ultimately driven by the data rather than strictly bound by the priors of the underlying language models. When run with human participants, it produced theories that outperformed the established theories it was seeded with and generalized to held-out studies in two different experimental settings. It also surfaced a novel theory of multi-cue decision-making in which choices show diminishing sensitivity to feature values. The distinctive predictions of this theory were confirmed in a preregistered study with new participants. AutoCog demonstrates how an automated discovery system can be used to turn cognitive theory-building into an explicit, executable, and cumulative science.
- Abstract（参考訳）: 科学全般において、自律システムはクローズドループ発見にますます使われ、新しい理論を提案し、それらをテストするための実験を設計し実行している。
このアプローチは認知科学の分野ではまだ適用されていないが、中心となるボトルネックは理論構築であり、既存のモデルの蓄積した失敗をより良いモデルに変える創造的なステップである。
データ収集、モデリング、実験設計が自動化されたとしても、理論生成は手作業のままである。
本稿では、このループを閉じる完全自律型エージェントAIシステムであるAutomated Cognitive Scientist(AutoCog)を紹介する。
大言語モデルエージェントは、それぞれが実行可能な認知モデルとして表現され、それらを最もよく識別する設計実験、オンラインで採用した参加者の行動データ収集、生成性能に基づいて収集したデータに対する理論のスコア付け、なぜ失敗するのかの診断、より良い後継者の合成など、競合する理論を提唱する。
このサイクルを繰り返すことで、理論、モデル、実験の空間を探索することができる。
意思決定の領域では、AutoCogは、従来とは異なる行動を含むシミュレーションされた行動から既知の意思決定戦略を回復し、その発見は、基礎となる言語モデルの先行に厳密に縛られるのではなく、最終的にデータによって駆動されることを示した。
人間の参加者と共同で実行すると、確立された理論よりも優れており、2つの異なる実験環境での実証研究に一般化されたという理論が生み出された。
また、選択が特徴値に対する感度を低下させるというマルチキュー決定の新たな理論が浮上した。
この理論の独特な予測は、新しい参加者と事前登録された研究で確認された。
AutoCogは、認知理論の構築を明示的で実行可能で累積的な科学に変えるために、自動発見システムをどのように利用できるかをデモしている。
関連論文リスト
- Sparks of In Silico Cognitive Science: Theories from Simulated Data Can Generalize to Humans [27.855847876496238]
行動基礎モデルは、設定を越えて人間の参加者のためのスタンドインとして提案されている。
それらから発見された理論が人間に一般化するか、単にシミュレータを特徴付けるだけなのかは定かではない。
我々は、エージェントが実験を設計し、応答を収集し、競合する理論を仲裁し、後継者を合成するクローズドループ発見システムを実行する。
論文 参考訳（メタデータ） (2026-09-07T21:35:50Z) - Mechanist: AI as a Scientific Instrument for Discovering the Mechanisms of Intelligence [114.82582862454052]
メカニスト(Mechanist)は、AIを科学機器として利用し、AIインテリジェンスの基礎となるメカニズムを自律的に発見するエージェントシステムである。
Claude Codeや既存のAI科学者システムと比較すると、Mechanistはより価値のあるメカニズムを生み出し、実験をより確実に実行する。
論文 参考訳（メタデータ） (2026-08-12T13:19:42Z) - auto-psych: Automating the science of mind using agent-driven theory discovery and experimentation [30.489563356452255]
計算認知科学における理論生成プロジェクトに対して,自動発見技術を適用した。
認知心理学の古典的なケーススタディを用いて、コインフリップのどのシーケンスが、主観的にランダムに思えるかを判断する。
我々のシステムでは、ネストされたエージェントベースの発見ループを用いて人間の行動の説明理論を生成する。
論文 参考訳（メタデータ） (2026-06-24T23:43:01Z) - Externalizing Research Synthesis and Validation in AI Scientists through a Research Harness [22.631467433443362]
Xcientistは、研究合成と実験的検証を検査可能な契約統治プロセスに外部化する研究ハーネスである。
Xcientistの文献は、証拠、アイデアステート、実装計画、アブレーション記録、修復痕跡を永続的な研究成果として整理している。
論文 参考訳（メタデータ） (2026-06-17T09:52:14Z) - Automated Adversarial Collaboration for Advancing Theory Building in the Cognitive Sciences [9.858210301644549]
本稿では,競合する理論間の共役を行うための自動対向協調フレームワークを提案する。
このシステムは、LCMに基づく理論エージェント、プログラム合成、閉ループにおける情報理論の実験設計を組み合わせる。
論文 参考訳（メタデータ） (2026-04-28T11:41:08Z) - Can we automatize scientific discovery in the cognitive sciences? [20.166894780789725]
心のシリコ科学における完全自動化に向けてのパラダイムシフトを提案する。
このフレームワークは、Large Language Models (LLM)を使用して、発見サイクルのすべてのステージを実装する。
論文 参考訳（メタデータ） (2026-03-22T00:15:58Z) - Embodied Science: Closing the Discovery Loop with Agentic Embodied AI [73.54118756665221]
我々は、科学的発見をクローズドループとして再編成し、エージェント推論と物理的実行を密結合するパラダイムであるエンボディド・サイエンスを論じる。
本研究では,実験環境の知覚,科学的知識の推論,身体的介入の実行,その後の探索を促進するための成果の内在化といった,統合された知覚・言語・行動発見(PLAD)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-20T09:20:12Z) - Accelerating Scientific Research with Gemini: Case Studies and Common Techniques [105.15622072347811]
大規模言語モデル(LLM)は、科学研究を加速するための新たな道を開いた。
先進的なAIモデルとどのように協力したかを示すケーススタディのコレクションを提示する。
論文 参考訳（メタデータ） (2026-02-03T18:56:17Z) - Open-ended Scientific Discovery via Bayesian Surprise [63.26412847240136]
AutoDSは、ベイジアン・サプライズを用いた科学探査を駆動する、オープンエンドの科学的発見の方法である。
我々はAutoDSを、生物学、経済学、金融学、行動科学といった21の領域にまたがる実世界のデータセットにまたがるデータ駆動ディスカバリの設定で評価する。
論文 参考訳（メタデータ） (2025-06-30T22:53:59Z) - Active Inference AI Systems for Scientific Discovery [1.450405446885067]
この観点では、進歩は抽象論、推論、経験的根拠の3つのギャップを互いに強化する。
デザイン原則は、想像空間を推論し、世界から学ぶシステムのために提案されている。
論文 参考訳（メタデータ） (2025-06-26T14:43:04Z) - A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian
Learning and Free Energy Minimization [55.11642177631929]
大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。
我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
論文 参考訳（メタデータ） (2023-10-14T23:28:48Z) - Online simulator-based experimental design for cognitive model selection [74.76661199843284]
本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。
シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
論文 参考訳（メタデータ） (2023-03-03T21:41:01Z)
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。