論文の概要: Comparing Semantic Navigation in Humans and Large Language Models using Natural Language Processing

• arxiv url: http://arxiv.org/abs/2607.12195v1
• Date: Mon, 13 Jul 2026 22:38:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.976933
• Title: Comparing Semantic Navigation in Humans and Large Language Models using Natural Language Processing
• Title（参考訳）: 自然言語処理を用いた人間の意味的ナビゲーションと大規模言語モデルの比較
• Abstract要約: 我々は人間と3つの大言語モデル(GPT-4o, Gemini-2.5-Pro, Claude-Sonnet-4.5)のセマンティックサーチダイナミクスを比較した。 エントロピー(ステップサイズ予測可能性)、次から次への距離(意味ステップ)、セントロイド間距離(グローバル分散)の3つの相補的次元を定量化した。 ヒトはすべてのLSMよりも高いエントロピー、より大きな意味ステップ、広範な分散を示し、より可変で探索的な探索を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic memory retrieval can be conceptualized as navigation through conceptual space. We compared semantic search dynamics between humans and three large language models (GPT-4o, Gemini-2.5-Pro, Claude-Sonnet-4.5) using verbal fluency data. By applying trajectory-based NLP metrics to the items generated by 82 human participants and LLM output across eight temperature settings, we quantified three complementary dimensions: entropy (step size predictability), distance to next (successive semantic steps), and distance to centroid (global dispersion). Humans exhibited higher entropy, larger semantic steps and broader dispersion than all LLMs, indicating more variable and exploratory search. Temperature tuning produced only partial alignments, as individual metrics matched between humans and LLMs at specific settings, but no configuration reproduced the complete human profile (in all dimensions). These findings suggest that human semantic search implements a distinctive balance between local exploitation and global exploration that current model architectures fail to reproduce.
• Abstract（参考訳）: セマンティックメモリ検索は、概念空間を通してナビゲーションとして概念化することができる。 ヒトと3つの大言語モデル(GPT-4o, Gemini-2.5-Pro, Claude-Sonnet-4.5)の意味探索動態を言語流布データを用いて比較した。 82人の被験者が生成した項目と8つの温度設定におけるLCM出力に軌跡に基づくNLP測定を適用して,エントロピー(ステップサイズ予測可能性),次から次への距離(意味ステップ),セントロイド間距離(グローバル分散)の3つの相補的次元を定量化した。 ヒトはすべてのLSMよりも高いエントロピー、より大きな意味ステップ、広範な分散を示し、より可変で探索的な探索を示した。 温度調整は、特定の設定で人間とLLMのメトリクスが一致したように、部分的なアライメントしか生成しなかったが、完全な人間のプロファイルを再現する構成は(すべての次元において)なかった。 これらの結果は、人間の意味探索が、現在のモデルアーキテクチャが再現できないという、局所的な利用とグローバルな探索の明確なバランスを担っていることを示唆している。

関連論文リスト

• Speaking the Language of Science: Toward a General-Purpose Generative Foundation Model for the Natural Sciences [89.71422932447423]
  LOGOSは、自然科学における異種タスクを統一する科学生成言語モデルである。 空間的接触パターンと制約パターンを離散トークンとして表現することにより、モデルは純粋にシーケンシャルな方法で複雑な構造的相互作用をキャプチャする。 多様なタスクにわたって、LOGOSは一貫してドメイン固有のベースラインにマッチまたは性能を向上する。
  論文  参考訳（メタデータ） (2026-06-15T16:14:53Z)
• Communicating about Space: Language-Mediated Spatial Integration Across Partial Views [15.130383134277166]
  マルチモーダル大言語モデル(MLLM)は,対話を通して異なる自我中心の視点を一致させて,共有環境のコヒーレントな精神モデルを形成することができるかを検討する。 この設定では、2つの静的MLLMエージェントが異なる視点から3次元屋内環境を観察し、空間的クエリを解決するために自然言語メッセージを交換する。 MLLMはビューをまたいで共有アンカーオブジェクトを識別し、リレーショナル推論をより良くし、グローバルに一貫したマップを構築するのにほとんど失敗する。
  論文  参考訳（メタデータ） (2026-03-28T08:01:50Z)
• MazeEval: A Benchmark for Testing Sequential Decision-Making in Language Models [0.0679877553227375]
  本稿では,大規模言語モデルにおける純粋空間推論の分離と評価を目的としたベンチマークであるMazeEvalを紹介する。 我々は,英語とアイスランド語で同一の迷路にまたがる8つの最先端LLMを評価し,空間能力の言語間移動を評価する。
  論文  参考訳（メタデータ） (2025-07-27T19:33:45Z)
• Prismatic Synthesis: Gradient-based Data Diversification Boosts Generalization in LLM Reasoning [77.120955854093]
  我々は,データ多様性が言語モデルにおける一般化の強力な予測因子であることを示す。 モデル誘起勾配のエントロピーを通して多様性を定量化する計量であるG-Vendiを導入する。 多様な合成データを生成するためのフレームワークであるPrismatic Synthesisを提案する。
  論文  参考訳（メタデータ） (2025-05-26T16:05:10Z)
• Can LLMs Simulate Human Behavioral Variability? A Case Study in the Phonemic Fluency Task [0.0]
  大きな言語モデル(LLM)は、認知タスクにおける人間の参加者の代用として、ますます研究されている。 本研究では,LLMが音素流速タスクの個人差を近似できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-05-22T03:08:27Z)
• From Tokens to Thoughts: How LLMs and Humans Trade Compression for Meaning [63.25540801694765]
  大きな言語モデル (LLMs) は言語能力を示すが、同じバランスをとれるかどうかは不明だ。 本稿では,LLMと人間を定量的に比較するために,Information Bottleneckの原理を適用した。
  論文  参考訳（メタデータ） (2025-05-21T16:29:00Z)
• StackFLOW: Monocular Human-Object Reconstruction by Stacked Normalizing Flow with Offset [56.71580976007712]
  本研究では,人間のメッシュと物体メッシュの表面から密にサンプリングされたアンカー間の人物体オフセットを用いて,人物体空間関係を表現することを提案する。 この表現に基づいて、画像から人・物間の空間関係の後方分布を推定するスタック正規化フロー(StackFLOW)を提案する。 最適化段階では、サンプルの可能性を最大化することにより、人体ポーズと物体6Dポーズを微調整する。
  論文  参考訳（メタデータ） (2024-07-30T04:57:21Z)
• Virtual Personas for Language Models via an Anthology of Backstories [5.2112564466740245]
  アンソロジー(アンソロジー、Anthology)は、オープン・エンド・ライフ・ナラティブを利用して、大きな言語モデルを特定のバーチャル・ペルソナに調和させる手法である。 本手法は,実験結果の一貫性と信頼性を高めつつ,多様なサブ集団のより良い表現を確実にすることを示す。
  論文  参考訳（メタデータ） (2024-07-09T06:11:18Z)
• High-Dimension Human Value Representation in Large Language Models [60.33033114185092]
  我々は,LLMにおける記号的人間の値分布の高次元神経表現であるUniVaRを提案する。 これは連続的かつスケーラブルな表現であり、8LLMの値関連出力から自己教師される。 LLMが25の言語や文化で異なる価値を優先し、人間の価値観と言語モデリングの間の複雑な相互作用に光を当てる方法について検討する。
  論文  参考訳（メタデータ） (2024-04-11T16:39:00Z)
• Differentiable Multi-Granularity Human Representation Learning for Instance-Aware Human Semantic Parsing [131.97475877877608]
  カテゴリーレベルの人間のセマンティックセグメンテーションとマルチパーソンポーズ推定を共同およびエンドツーエンドで学習するために,新たなボトムアップ方式を提案する。 さまざまな人間の粒度にわたって構造情報を利用する、コンパクトで効率的で強力なフレームワークです。 3つのインスタンス認識型ヒューマンデータセットの実験は、我々のモデルがより効率的な推論で他のボトムアップの代替案よりも優れていることを示している。
  論文  参考訳（メタデータ） (2021-03-08T06:55:00Z)
• HMOR: Hierarchical Multi-Person Ordinal Relations for Monocular Multi-Person 3D Pose Estimation [54.23770284299979]
  本稿では, 階層型多人数常連関係(HMOR)を新たに導入する。 HMORは相互作用情報を階層的に深さと角度の順序関係として符号化する。 統合トップダウンモデルは、学習プロセスにおけるこれらの順序関係を活用するように設計されている。 提案手法は, 公開されている多人数の3Dポーズデータセットにおいて, 最先端の手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-08-01T07:53:27Z)

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。