論文の概要: AI Models Can Predict and Collaboratively Modulate Human Memory Search

• arxiv url: http://arxiv.org/abs/2608.26152v2
• Date: Fri, 28 Aug 2026 09:42:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.366146
• Title: AI Models Can Predict and Collaboratively Modulate Human Memory Search
• Title（参考訳）: AIモデルは人間のメモリ検索を予測し、協調的に変更できる
• Abstract要約: 意味記憶探索において,人間の心的軌跡を追従し,拡張する大規模言語モデルの能力を評価する。 本研究では,この課題における人間の記憶軌跡の追跡・予測能力が,他者より優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.9622573122762927
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large language models (LLMs) exhibit unprecedented natural language generation and many text-based problem-solving capabilities. Indeed, in many language-based tasks, for example routine coding, these artificial intelligence models have reduced, or even eliminated, the need for human input. But rather than replacing human cognitive effort, LLMs may instead serve as cognitive tools to extend human abilities, particularly when they are engaged in a task requiring open-ended conceptual exploration and creative ideation. However, we are yet to understand how these models may enhance such generative human cognitive abilities in human--AI interactions. In this study, we explore and evaluate the ability of LLMs to follow and enhance human mental trajectories during semantic memory search. To test this, we use the semantic fluency task (SFT), a classic cognitive paradigm requiring generative semantic memory retrieval that has long served to characterize convergent and divergent thinking in humans. We demonstrate that an LLM's abilities to track and predict human memory trajectories in this task exceed those of other humans.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、前例のない自然言語生成と多くのテキストベースの問題解決能力を示す。 実際、日常的なコーディングなど多くの言語ベースのタスクでは、これらの人工知能モデルは人間の入力の必要性を減らしたり、排除したりしている。 しかし、人間の認知的努力を置き換える代わりに、LLMは人間の能力を拡張するための認知ツールとして機能するかもしれない。 しかし、これらのモデルが人間とAIの相互作用において、このような生成的人間の認知能力をいかに向上させるかは、まだ分かっていない。 本研究では, セマンティックメモリ探索において, 人間の心的軌跡を追従し, 拡張するLLMの能力について検討し, 評価を行った。 これをテストするために,従来の認知パラダイムであるセマンティック・フラエンシ・タスク(SFT)を用いる。 本研究では,この課題における人間の記憶軌跡の追跡・予測能力が,他者より優れていることを示す。

関連論文リスト

• Can Large Language Models Simulate Human Cognition Beyond Behavioral Imitation? [45.36751031924419]
  人工知能における重要な問題は、LLMが人間の認識をシミュレートするか、単に表面レベルの振る舞いを模倣するかである。 本稿では,人工知能の分野にまたがる217人の研究者の縦断的研究軌跡をベースとしたベンチマークを紹介する。 個人レベルの認知整合性を評価するために,多次元の認知アライメント指標を提案する。
  論文  参考訳（メタデータ） (2026-03-29T13:44:55Z)
• Emerging Human-like Strategies for Semantic Memory Foraging in Large Language Models [0.8749675983608171]
  人間とLarge Language Models (LLM) はどちらも、意味記憶の巨大なリポジトリを格納している。 人間では、このメモリストアへの効率的で戦略的アクセスは、様々な認知機能にとって重要な基盤である。
  論文  参考訳（メタデータ） (2026-03-02T12:55:51Z)
• HumanLLM: Towards Personalized Understanding and Simulation of Human Nature [72.55730315685837]
  HumanLLMは個人のパーソナライズされた理解とシミュレーションのために設計された基礎モデルである。 私たちはまず、Reddit、Twitter、Blogger、Amazonといったプラットフォーム上で、現実世界のユーザデータをキュレートした大規模なコーパスであるCognitive Genomeを構築しました。 次に、多様な学習タスクを定式化し、教師付き微調整を行い、モデルの幅広い個人化された人間の行動、思考、経験を予測する。
  論文  参考訳（メタデータ） (2026-01-22T09:27:27Z)
• Mind the Gap: The Divergence Between Human and LLM-Generated Tasks [12.96670500625407]
  大規模言語モデル(LLM)を用いたエージェントとヒューマンタスク生成の比較を行った。 人間のタスク生成は、個人的価値観や認知スタイルを含む心理的ドライバの影響を一貫して受けている。 我々は,人間の認知の価値観,具体的性質とLLMの統計的パターンとの間には,中核的なギャップが存在すると結論付けた。
  論文  参考訳（メタデータ） (2025-08-01T03:00:41Z)
• Measurement of LLM's Philosophies of Human Nature [113.47929131143766]
  大規模言語モデル(LLM)を対象とする標準化された心理尺度を設計する。 現在のLSMは、人間に対する信頼の欠如を示す。 本稿では,LLMが継続的に価値体系を最適化できるメンタルループ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-03T06:22:19Z)
• 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)
• Revealing emergent human-like conceptual representations from language prediction [90.73285317321312]
  大規模言語モデル(LLMs)は、人間らしい振る舞いを示すテキストの次のトーケン予測によってのみ訓練される。 これらのモデルでは、概念は人間のものと似ていますか? LLMは、他の概念に関する文脈的手がかりに関連して、言語記述から柔軟に概念を導出できることがわかった。
  論文  参考訳（メタデータ） (2025-01-21T23:54:17Z)
• Humanlike Cognitive Patterns as Emergent Phenomena in Large Language Models [2.9312156642007294]
  我々は、意思決定バイアス、推論、創造性の3つの重要な認知領域にわたって、大規模言語モデルの能力を体系的にレビューする。 意思決定では、LSMはいくつかの人間のようなバイアスを示すが、人間の観察するバイアスは欠落している。 GPT-4のような先進的なLCMは、人間のシステム2思考に似た熟考的推論を示し、小さなモデルは人間レベルの性能に欠ける。 LLMはストーリーテリングのような言語ベースの創造的なタスクに優れているが、現実の文脈を必要とする散発的な思考タスクに苦労する。
  論文  参考訳（メタデータ） (2024-12-20T02:26:56Z)
• Can Language Models Learn to Skip Steps? [59.84848399905409]
  我々は推論においてステップをスキップする能力について研究する。 効率を高めたり認知負荷を減らすためのステップをスキップする人間とは異なり、モデルはそのようなモチベーションを持っていない。 私たちの研究は、人間のようなステップスキッピング能力に関する最初の調査である。
  論文  参考訳（メタデータ） (2024-11-04T07:10:24Z)
• Cognitive Modeling of Semantic Fluency Using Transformers [6.445605125467574]
  本研究では,認知科学におけるよく研究された課題であるセマンティック・フラエンシ・タスク(SFT)において,人間のパフォーマンスを予測することで第一歩を踏み出す。 実装上の違いが明らかであるにもかかわらず,人間の流布作業行動の個人差を識別するためにTLMを使用することが可能であることを示す予備的証拠を報告する。 本稿では,知識表現の認知的モデリングにおける本研究の意義について論じる。
  論文  参考訳（メタデータ） (2022-08-20T16:48:04Z)

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。