論文の概要: Metacognition in LLMs: Foundations, Progress, and Opportunities
- arxiv url: http://arxiv.org/abs/2607.11881v1
- Date: Mon, 13 Jul 2026 17:58:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 17:47:21.581674
- Title: Metacognition in LLMs: Foundations, Progress, and Opportunities
- Title（参考訳）: LLMにおけるメタ認知:基礎・進歩・機会
- Abstract要約: メタ認知は、効果的な学習、問題解決、意思決定、コミュニケーションなどに不可欠な知性の基本的な構成要素である。
本稿では,LLMのメタ認知に関する知識の現状を概観することにより,そのギャップを埋める。
我々は、この新興分野の景観を分析し、分類し、最近の技術進歩を要約する。
- 参考スコア（独自算出の注目度）: 37.62374107119116
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Metacognition is a foundational component of intelligence critical to effective learning, problem solving, decision-making, communication, and more. In recent years, it has become increasingly recognized as a cornerstone of capable, transparent AI systems. Yet while LLMs have made significant progress across diverse real-world tasks, it is not yet clear when, how, or to what extent they can exhibit or be endowed with effective metacognitive abilities, nor how such abilities can be adapted to advance the fundamental capabilities, reliability, and intelligence of AI systems. This paper bridges this gap by presenting the first comprehensive overview of the current state of knowledge on metacognition for LLMs. We analyze and taxonomize the landscape of this emerging field and summarize recent technical advancements, including methods and benchmarks to measure and evaluate LLMs' metacognitive abilities, techniques to elicit, improve, and apply metacognition in LLMs, and findings and implications of ongoing research. We also discuss applications, open questions and challenges, and promising directions for future work. Our aim is to provide a detailed and up-to-date review of this topic and stimulate meaningful research and discussion. An organized list of papers can be found at https://github.com/yale-nlp/LLM-Metacognition.
- Abstract（参考訳）: メタ認知は、効果的な学習、問題解決、意思決定、コミュニケーションなどに不可欠な知性の基本的な構成要素である。
近年、有能で透明なAIシステムの基盤として認識されつつある。
しかし、LLMは様々な現実世界のタスクにおいて大きな進歩を遂げてきたが、どのように、どのように、どのように、どのように、どの程度、効果的なメタ認知能力を持つことができるか、また、そのような能力がAIシステムの基本的な能力、信頼性、知性を向上させるためにどのように適応できるかは、まだ明らかになっていない。
本稿では,LLMのメタ認知に関する知識の現状を包括的に概観することによって,このギャップを埋める。
我々は、この新興分野の景観を分析し、分類し、LSMのメタ認知能力を測定し評価する手法やベンチマーク、LSMのメタ認知を誘発、改善、適用する技術、そして現在進行中の研究の発見と含意など、最近の技術進歩を要約する。
アプリケーションやオープンな質問,課題,将来的な作業への有望な方向性についても議論しています。
我々の狙いは、このトピックの詳細と最新のレビューを提供し、有意義な研究と議論を刺激することである。
組織化された論文のリストはhttps://github.com/yale-nlp/LLM-Metacognitionで見ることができる。
関連論文リスト
- LLMs4All: A Systematic Review of Large Language Models Across Academic Disciplines [60.559790988113775]
ChatGPTのようなLLM(Large Language Models)ベースのアプリケーションは、人間のような会話を生成する能力を示している。
本稿では,最先端のLDMの概要と,幅広い学術分野への統合について述べる。
論文 参考訳（メタデータ） (2025-09-23T21:09:24Z) - Advances in LLMs with Focus on Reasoning, Adaptability, Efficiency and Ethics [0.46174569259495524]
本稿では,Large Language Models(LLMs)の分野における重要な展開について概説する。
人間と機械のコミュニケーションのギャップを埋めるのに最も効果的なテクニックには、Chain-of-Thought prompting、Instruction Tuning、Reinforcement Learning from Human Feedbackなどがある。
効率性、スケーリング戦略、最適化テクニック、および影響力のあるMixture-of-Experts(MoE)アーキテクチャについて、重要な焦点が当てられている。
論文 参考訳（メタデータ） (2025-06-14T05:55:19Z) - Scaling and Beyond: Advancing Spatial Reasoning in MLLMs Requires New Recipes [84.1059652774853]
MLLM(Multimodal Large Language Models)は、一般的な視覚言語タスクにおいて印象的な性能を示す。
近年の研究では、空間的推論能力の限界が明らかにされている。
この空間的推論の欠如は、MLLMが物理的世界と効果的に相互作用する能力を著しく制限する。
論文 参考訳（メタデータ） (2025-04-21T11:48:39Z) - Metacognition and Uncertainty Communication in Humans and Large Language Models [2.3419031955865517]
大規模言語モデル(LLM)は、ハイテイクと広範にローテイクなコンテキストの両方に組み込まれている。
ヒトとLDMはメタ認知能力と行動にかなり整合している場合もあるが、多くの相違点が残っていることは明らかである。
より敏感でキャリブレーションの高いメタ認知で将来のLLMを育むことは、より効率的な学習、自己指向、好奇心などの新しい能力を開発するのにどう役立つかについて議論する。
論文 参考訳（メタデータ） (2025-04-18T19:24:17Z) - A Comprehensive Survey on Integrating Large Language Models with Knowledge-Based Methods [4.686190098233778]
大規模言語モデル(LLM)は構造化知識ベースシステムと統合することができる。
本稿では, LLMと知識基盤の関係を調査し, 実際に適用できる方法について検討し, 技術的, 運用的, 倫理的課題について考察する。
これは、データコンテキスト化、モデル精度、知識リソースの利用に関する構造化知識ベースシステムに生成AIを組み込むことの利点を示す。
論文 参考訳（メタデータ） (2025-01-19T23:25:21Z) - Decoding Large-Language Models: A Systematic Overview of Socio-Technical Impacts, Constraints, and Emerging Questions [1.1970409518725493]
この記事では、倫理的考察とともに、社会に肯定的な影響を与える可能性のある適用領域を強調します。
これには、開発に関する責任ある考慮、アルゴリズムの改善、倫理的課題、社会的影響が含まれる。
論文 参考訳（メタデータ） (2024-09-25T14:36:30Z) - Knowledge Mechanisms in Large Language Models: A Survey and Perspective [88.51320482620679]
本稿では,知識利用と進化を含む新しい分類法から知識メカニズムの解析をレビューする。
LLMが学んだ知識、パラメトリック知識の脆弱性の理由、そして解決が難しい潜在的な暗黒知識(仮説)について論じる。
論文 参考訳（メタデータ） (2024-07-22T06:15:59Z) - A Survey on Symbolic Knowledge Distillation of Large Language Models [8.237773729114926]
大規模言語モデルにおける記号的知識蒸留の出現と臨界領域に焦点を当てた調査。
知識の深みを理解可能なフォーマットで維持することを含む、中核的な課題について説明する。
この分野で開発された様々なアプローチや技法を精査する。
論文 参考訳（メタデータ） (2024-07-12T12:18:19Z) - 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) - Investigating the Factual Knowledge Boundary of Large Language Models with Retrieval Augmentation [109.8527403904657]
大規模言語モデル(LLM)は,その知識に対する信頼度が低く,内部知識と外部知識の衝突をうまく扱えないことを示す。
検索の強化は、LLMの知識境界に対する認識を高める効果的なアプローチであることが証明されている。
本稿では,文書を動的に活用するための簡易な手法を提案する。
論文 参考訳（メタデータ） (2023-07-20T16:46:10Z)
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。