論文の概要: Do Diagrams Help Large Language Models Reason? Evidence from Syllogistic Reasoning

• arxiv url: http://arxiv.org/abs/2607.23513v1
• Date: Sun, 26 Jul 2026 07:29:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.137638
• Title: Do Diagrams Help Large Language Models Reason? Evidence from Syllogistic Reasoning
• Title（参考訳）: ダイアグラムは大規模言語モデルの推論に役立つか?
• Authors: Risako Ando, Koji Mineshima,
• Abstract要約: 我々は、自然言語、論理記法、線形図形、オイラー図形という、シロジカル推論の4つの表現条件を比較する。 結果から,図式表現が常に性能を向上しないことが示された。
• 参考スコア（独自算出の注目度）: 3.996275177789894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Diagrams are widely used to support logical reasoning, and prior studies suggest that representations such as Euler diagrams can improve human reasoning performance. Recent work has also explored their effects on large language models (LLMs). In this paper, we compare four representational conditions for syllogistic reasoning: natural language, logical notation, linear diagrams, and Euler diagrams. Using 285 problems from Ando et al. (2024), we evaluate two contemporary LLMs, Claude 3.5~Sonnet and GPT-4o-mini. Our results show that diagrammatic representations do not consistently improve performance. Although the models perform well on entailment and contradiction problems, they struggle with neutral problems and often make systematic conversion errors. Overall, the results suggest that the tested models gain limited benefit from diagrams in logical reasoning tasks.
• Abstract（参考訳）: ダイアグラムは論理的推論をサポートするために広く使われており、先行研究は、オイラー図のような表現が人間の推論性能を向上させることを示唆している。 最近の研究は、その大きな言語モデル(LLM)への影響についても検討している。 本稿では、自然言語、論理表記、線形図形、オイラー図形という、ソロジカル推論の4つの表現条件を比較する。 Ando et al (2024) の 285 問題を用いて、Claude 3.5~Sonnet と GPT-4o-mini の2つの現代 LLM を評価する。 この結果から,図式表現が常に性能を向上するわけではないことが示唆された。 モデルではエンテーメントと矛盾の問題でうまく機能するが、中立的な問題に悩まされ、しばしば体系的な変換エラーを発生させる。 全体としては、テストモデルが論理的推論タスクのダイアグラムから限られた利益を得ることを示す。

関連論文リスト

• To Think or Not To Think, That is The Question for Large Reasoning Models in Theory of Mind Tasks [56.11584171938381]
  心の理論 (ToM) は、モデルが信念、欲望、意図などの隠された精神状態を推測できるかどうかを評価する。 近年のLRM(Large Reasoning Models)の進歩により、数学やコーディングにおけるステップバイステップ推論が向上している。 本研究では,9つの大規模言語モデル(LLM)の体系的研究を行い,推論モデルと非推論モデルを比較した。
  論文  参考訳（メタデータ） (2026-02-11T08:16:13Z)
• From Chains to Graphs: Self-Structured Reasoning for General-Domain LLMs [52.0811904328273]
  現実の推論には、複数の前提を統合し、サブプロブレムを並列に解決する必要がある。 最近のアプローチでは、外部に提供されたグラフに依存しており、LCMが独自のグラフ構造化推論を構築し、利用する方法については検討していない。 我々は,LLMが最終回答を生成する前に,その推論プロセスを構造化グラフとして明示的に表現できるフレームワークであるSelf-Graph Reasoning (SGR)を提案する。
  論文  参考訳（メタデータ） (2026-01-07T05:27:41Z)
• Evaluating the Logical Reasoning Abilities of Large Reasoning Models [15.009205651973666]
  大規模な推論モデルにおける論理的推論を評価するためのベンチマークであるLogiEvalを紹介する。 LogiEvalは様々な推論タイプ(帰納的、帰納的、類推的、帰納的)とタスク形式(論理的シーケンス、引数解析など)にまたがる。 実験により,現代の推論モデルでは,4選択の議論解析問題や類似推論において,人間の性能を上回っていることがわかった。 解析の結果,人為的性能はモデル故障分布を反映しないことがわかった。
  論文  参考訳（メタデータ） (2025-05-17T05:36:14Z)
• LogicAsker: Evaluating and Improving the Logical Reasoning Ability of Large Language Models [63.14196038655506]
  大規模言語モデル(LLM)の論理的推論能力を評価・拡張するための新しいアプローチであるLogicAskerを紹介する。 提案手法は, LLMが論理規則を学習する際の大きなギャップを明らかにし, 異なるモデル間で29%から90%の推論失敗を識別する。 GPT-4oのようなモデルにおける論理的推論を最大5%向上させることで、これらの知見を活用して、ターゲットとなる実演例と微調整データを構築した。
  論文  参考訳（メタデータ） (2024-01-01T13:53:53Z)
• Language Models can be Logical Solvers [99.40649402395725]
  論理解法の推論過程を直接エミュレートする新しい言語モデルであるLoGiPTを導入する。 LoGiPTは、導出的ソルバの見えない推論過程を明らかにして精錬することから導かれる、新しく構築された命令チューニングデータセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2023-11-10T16:23:50Z)
• Diagrammatic Modelling of Causality and Causal Relations [0.0]
  本稿では、因果関係の図式モデル(図形)について述べる。 我々は,この文脈において,物作り機械の概念言語(TM)をツールとして使用することを試みた。 その結果, TMによる因果関係の描写はより完全であり, 因果グラフの基礎となることが示唆された。
  論文  参考訳（メタデータ） (2023-10-17T07:17:51Z)
• Enhancing Zero-Shot Chain-of-Thought Reasoning in Large Language Models through Logic [19.476840373850653]
  大規模言語モデルは、その推論手順が論理原理に制約されないため、幻覚を示す。 記号論理に根ざした原理を活用する自己改善促進フレームワークであるLoT(Logical Thoughts)を提案する。 算術,コモンセンス,記号,因果推論,社会問題など多種多様な領域における言語課題に対する実験的評価は,論理学による推論の強化の有効性を実証する。
  論文  参考訳（メタデータ） (2023-09-23T11:21:12Z)
• A Causal Framework to Quantify the Robustness of Mathematical Reasoning with Language Models [81.15974174627785]
  入力空間における直接的介入に対する頑健さと感度の観点から言語モデルの振舞いについて検討する。 しかし, GPT-3 Davinciモデル(175B)は, 他のGPTモデルと比較して, 頑健さと感度の両面で劇的な改善を実現している。
  論文  参考訳（メタデータ） (2022-10-21T15:12:37Z)

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。