論文の概要: Artificial entrepreneurial cognition: Locating and causally steering an opportunity recognition dial inside large language models (LLMs)

• arxiv url: http://arxiv.org/abs/2609.15277v1
• Date: Mon, 14 Sep 2026 09:36:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.210273
• Title: Artificial entrepreneurial cognition: Locating and causally steering an opportunity recognition dial inside large language models (LLMs)
• Title（参考訳）: 人工的起業家認知:大規模言語モデル(LLM)内の機会認識ダイアルの位置と因果的ステアリング
• Abstract要約: 人工知能(AI)システム内での起業関連表現の機能的組織である,人工起業認知を導入する。 アウトプットから構造を推測する代わりに、私たちは直接この方向に介入し、機会認識ダイアルと呼ばれるものに沿ってモデルを上下に操縦します。 私たちの知る限り、これはAIシステム内の起業家シップ構造の内部表現に対する最初の因果介入です。
• 参考スコア（独自算出の注目度）: 5.324302960371571
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Entrepreneurial cognition is a foundation of entrepreneurship research. Yet the growing involvement of large language models (LLMs) in entrepreneurial work extends the cognition question beyond human actors to systems whose internal representations remain largely unexplored. We introduce artificial entrepreneurial cognition, the functional organisation of entrepreneurship-relevant representations and computations inside artificial intelligence (AI) systems. We bring mechanistic interpretability into entrepreneurship research through representation engineering. Focusing on opportunity recognition (OR), we construct 636 matched OR-present and OR-absent scenario pairs and recover an OR direction in Llama 3.1 8B-Instruct. Rather than infer the construct from outputs, we intervene directly on this direction, steering the model up and down along what we call the opportunity recognition dial, and its opportunity judgments shift with it. To our knowledge, this is the first causal intervention on an internal representation of an entrepreneurship construct inside an LLM. Held-out tests, lexical and topical controls, behavioural ablation, and geometric comparisons show that the direction is recoverable, consequential, and distinct from the opportunity evaluation and exploitation directions, although steering it also shifts judgments about these neighbouring stages. Recovery, signed steering, and geometric separation hold across four additional LLMs spanning different scales and families. These results give the contested distinction between opportunity recognition and evaluation a concrete representational form inside AI systems. More broadly, they establish internal representations as a new object of entrepreneurship inquiry and show how entrepreneurship theory can guide their identification, causal manipulation, and interpretation.
• Abstract（参考訳）: 起業家認知は起業家精神研究の基礎である。 しかし、起業家活動における大規模言語モデル(LLM)の関与の高まりは、人間のアクターを超えて、内部表現がほとんど探索されていないシステムにまで認知の問題を広げている。 我々は,人工知能(AI)システム内での,起業関連表現と計算の機能的組織である,人工起業認知を導入する。 我々は、表現工学を通して、起業家精神研究に機械的解釈可能性をもたらす。 Llama 3.1 8B-Instruct において、機会認識(OR)に着目し、636 の一致した OR-present と OR-absent のシナリオペアを構築し、OR の方向を復元する。 アウトプットから構築物を推測するよりも、私たちは直接この方向に介入し、機会認識ダイアルと呼ばれるものに沿ってモデルを上下に操り、機会判断はそれに合わせてシフトします。 我々の知る限り、LLM内の起業家シップ構造の内部表現に対する最初の因果介入である。 ヘルドアウトテスト、語彙的およびトピック的制御、行動的アブレーション、幾何学的比較は、その方向が、これらの近隣のステージに関する判断もシフトするが、その方向は、機会評価と搾取方向と区別され、回復可能であることを示している。 復元、署名されたステアリング、幾何学的分離は、異なるスケールと家族にまたがる4つのLLMにまたがる。 これらの結果は、機会認識と評価をAIシステム内の具体的な表現形式として区別する。 より広範に、彼らは起業家シップ探究の新しい対象として内部表現を確立し、起業家シップ理論が彼らの識別、因果操作、解釈をどのように導くかを示す。

関連論文リスト

• The LLM Fallacy: Misattribution in AI-Assisted Cognitive Workflows [3.354543153949287]
  大規模言語モデル(LLM)は、人間と機械のコントリビューションの境界を曖昧にし、ユーザーはそれらを生成するプロセスではなく、出力からコンピテンスを推測する。 本稿では,その基盤となるメカニズムの概念的枠組みと,計算,言語,分析,創造的な領域にまたがる表現の類型化を提案する。
  論文  参考訳（メタデータ） (2026-04-16T09:30:28Z)
• A Survey of Reasoning in Autonomous Driving Systems: Open Challenges and Emerging Paradigms [49.66022971508878]
  私たちは、推論はモジュラーコンポーネントからシステムの認知コアに高めるべきだと論じています。 応答性推論のトレードオフやソーシャルゲーム推論など,7つの中核的推論課題を導出し,体系化する。 我々は,LLMに基づく推論と,ミリ秒スケールで安全クリティカルな車両制御の要求との間の,高レイテンシ,熟考的特性の根本的かつ未解決な緊張関係を同定する。
  論文  参考訳（メタデータ） (2026-03-11T07:40:53Z)
• Agentic Reasoning for Large Language Models [122.81018455095999]
  推論は推論、問題解決、意思決定の基礎となる基本的な認知プロセスである。 大規模言語モデル(LLM)は、クローズドワールド設定では強力な推論能力を示すが、オープンエンドおよび動的環境では苦労する。 エージェント推論は、連続的な相互作用を計画し、行動し、学習する自律的なエージェントとしてLLMを解釈することでパラダイムシフトを示す。
  論文  参考訳（メタデータ） (2026-01-18T18:58:23Z)
• Fundamentals of Building Autonomous LLM Agents [64.39018305018904]
  本稿では,大規模言語モデル(LLM)を用いたエージェントのアーキテクチャと実装手法について概説する。 この研究は、複雑なタスクを自動化し、人間の能力でパフォーマンスのギャップを埋めることのできる「アジェンティック」なLLMを開発するためのパターンを探求することを目的としている。
  論文  参考訳（メタデータ） (2025-10-10T10:32:39Z)
• LUCIFER: Language Understanding and Context-Infused Framework for Exploration and Behavior Refinement [5.522800137785975]
  動的環境において、既存の環境知識の急速な陳腐化は、エージェントの内部モデルと運用コンテキストの間にギャップを生じさせる。 本稿では、階層的な意思決定アーキテクチャと強化学習を統合したドメインに依存しないフレームワークLUCIFERを提案する。 LUCIFERは探索効率と意思決定品質を向上し、平坦で目標条件の政策よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-06-09T16:30:05Z)
• A Survey of Frontiers in LLM Reasoning: Inference Scaling, Learning to Reason, and Agentic Systems [93.8285345915925]
  推論(Reasoning)は、論理的推論、問題解決、意思決定を可能にする基本的な認知プロセスである。 大規模言語モデル(LLM)の急速な進歩により、推論は高度なAIシステムを区別する重要な能力として浮上した。 我々は,(1)推論が達成される段階を定義するレジーム,(2)推論プロセスに関与するコンポーネントを決定するアーキテクチャの2つの側面に沿って既存の手法を分類する。
  論文  参考訳（メタデータ） (2025-04-12T01:27:49Z)
• Autotelic Reinforcement Learning: Exploring Intrinsic Motivations for Skill Acquisition in Open-Ended Environments [1.104960878651584]
  本稿では, 自己強化学習(RL)の概要を概観し, スキルレパートリーのオープンエンド形成における本質的モチベーションの役割を強調した。 知識ベースと能力ベースの本質的なモチベーションの区別を明確にし、これらの概念が自己定義目標を生成・追求できる自律エージェントの開発にどのように役立つかを説明する。
  論文  参考訳（メタデータ） (2025-02-06T14:37:46Z)
• Cognitive LLMs: Towards Integrating Cognitive Architectures and Large Language Models for Manufacturing Decision-making [51.737762570776006]
  LLM-ACTRは、ヒトに適応し、多目的な意思決定を提供する新しいニューロシンボリックアーキテクチャである。 我々のフレームワークは、ACT-Rの内部決定過程の知識を潜在神経表現として抽出し、組み込む。 デザイン・フォー・マニュファクチャリング・タスクに関する我々の実験は、タスク性能の向上と基礎的意思決定能力の向上を両立させたものである。
  論文  参考訳（メタデータ） (2024-08-17T11:49:53Z)
• Designing explainable artificial intelligence with active inference: A framework for transparent introspection and decision-making [0.0]
  我々は、アクティブ推論がどのようにして説明可能なAIシステムの設計に活用できるかについて議論する。 能動推論を用いた説明可能なAIシステムのためのアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-06T21:38:09Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)

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。