論文の概要: What Counts as Strategic Reasoning? A Systematic Mapping of Chess Research on Humans, Engines, and Language Models

• arxiv url: http://arxiv.org/abs/2609.18286v1
• Date: Wed, 16 Sep 2026 08:06:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.707542
• Title: What Counts as Strategic Reasoning? A Systematic Mapping of Chess Research on Humans, Engines, and Language Models
• Title（参考訳）: 戦略的推論とは何か? : 人間・エンジン・言語モデルにおけるチェス研究の体系的マッピング
• Abstract要約: 大規模言語モデル (LLM) は、戦略的推論を研究するための制御環境としてチェスの関連性を更新した。 本稿では,人間プレイヤー,古典的チェスエンジン,ニューラルおよび強化学習システム,ハイブリッドアプローチにまたがる最近の研究の体系的マッピングについて述べる。
• 参考スコア（独自算出の注目度）: 0.3609538870261841
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chess has long served as a model domain for studying search, expertise, decision-making, and artificial intelligence. The emergence of large language models (LLMs) has renewed the relevance of chess as a controlled environment for investigating strategic reasoning and comparing human and artificial decision-making. We present a systematic mapping study of recent research spanning human players, classical chess engines, neural and reinforcement-learning systems, LLMs, and hybrid approaches. The final map comprises 84 core study families, classified according to agent type, strategic-reasoning stages, and evaluation dimensions. The map reveals a literature strongly concentrated on situation assessment, evaluation, and action selection, while explicit planning, explanation, metacognition, and human--AI collaboration remain less explored. LLM research places particular emphasis on state representation and generalization, whereas grounded explanation appears more frequently in hybrid approaches combining language models with engines, expert knowledge, or other external structures. Two distinctions emerge that the map aggregates rather than resolves: hybrid systems differ in where and when heterogeneous capabilities combine, and evaluations that show improved human performance do not thereby establish human--AI synergy. We propose both as extensions of the mapping framework. We argue that chess provides a useful bridge between cognitive and computational perspectives on strategic reasoning, and identify explicit planning, grounded and faithful explanation, metacognitive calibration, and human--AI complementarity as directions for future research.
• Abstract（参考訳）: チェスは長い間、検索、専門知識、意思決定、人工知能を研究するためのモデルドメインとして機能してきた。 大規模言語モデル (LLMs) の出現は, 戦略的推論と人的・人工的な意思決定の比較を行うための制御環境として, チェスの関連性を再燃させた。 本稿では,人間プレイヤー,古典的チェスエンジン,ニューラルおよび強化学習システム,LLM,ハイブリッドアプローチを対象とする最近の研究の体系的マッピングについて述べる。 最終地図は, エージェントタイプ, 戦略推論段階, 評価次元に応じて分類された84のコアスタディファミリーからなる。 地図は、状況評価、評価、行動選択に強く焦点を合わせながら、明示的な計画、説明、メタ認知、人間-AI協調は検討されていない。LLM研究は、国家表現と一般化に特に重点を置いているのに対し、基礎的な説明は、言語モデルとエンジン、専門家の知識、その他の外部構造を組み合わせたハイブリッドアプローチにおいて、より頻繁に現れる。二つの区別は、地図が解決よりも集約されることである。ハイブリッドシステムは、どこで、どこで、いつ、異質な機能が組み合わされたか、そして人間-AIのシナジーが向上したことを示す評価は、人間-AIのシナジーを確立しない。 どちらもマッピングフレームワークの拡張として提案する。 我々は,チェスが戦略的推論における認知的視点と計算的視点の間に有用な橋渡しを提供し,明確な計画,基礎的かつ忠実な説明,メタ認知的キャリブレーション,そして将来の研究の方向性としてのAI補完性を識別する。

関連論文リスト

• Human-Centric Intelligence in the Era of Foundation Models: A Survey [159.29291047252138]
  人間中心の知性は、基盤モデル時代において進化し、スケール、転送可能性、汎用モデリングに重点を置いている。 この広い景観における最近の進歩は、タスク、モダリティ、研究コミュニティにまたがって断片化され続けており、その固有の概念的および方法論的関係ははっきりしないままである。 これらの分割を橋渡しし、基礎モデル時代における人間中心の知性を再考するために、フルスペクトルの人間文脈分類を導入する。
  論文  参考訳（メタデータ） (2026-08-18T08:12:40Z)
• 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)
• Cognitive Foundations for Reasoning and Their Manifestation in LLMs [63.12951576410617]
  大規模言語モデル(LLM)は複雑な問題を解くが、単純な変種では失敗し、人間の推論と根本的に異なるメカニズムによって正しい出力を達成することを示唆している。 我々は認知科学研究を、推論不変量、メタ認知制御、推論と知識の組織化のための表現、変換操作にまたがる28の認知要素の分類学に合成する。 複雑な問題に対して66.7%の性能向上を図り、成功構造を自動的に把握するテストタイム推論ガイダンスを開発した。
  論文  参考訳（メタデータ） (2025-11-20T18:59:00Z)
• How Far are VLMs from Visual Spatial Intelligence? A Benchmark-Driven Perspective [103.44502230776352]
  視覚言語モデル(VLM)における視覚空間推論(VSR)の系統的研究について述べる。 空間インテリジェンスを3つのレベル,すなわち基本的な知覚,空間理解,空間計画,および空間インテリジェンスベンチマークSIBenchに分類した。
  論文  参考訳（メタデータ） (2025-09-23T12:00:14Z)
• 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)
• Unleashing Artificial Cognition: Integrating Multiple AI Systems [2.402818676870194]
  本稿では,人工知能の認知を解き明かすために,言語モデルとクエリ解析技術の革新的な融合を提案する。 導入されたオープンソースのAIシステムは、Chessエンジンを言語モデルとシームレスに統合し、動きを予測し、戦略的説明を提供する。 本システムは,医療診断から財務予測に至るまで,多様な応用を約束する。
  論文  参考訳（メタデータ） (2024-08-09T07:36:30Z)
• A Survey on Compositional Learning of AI Models: Theoretical and Experimental Practices [15.92779896185647]
  構成学習は人間の認知、特に人間の言語理解と視覚知覚において重要である。 インテリジェンスにおいて重要な役割を担っているにもかかわらず、体系的な理論的、実験的研究方法論が欠如している。 本稿では,AIモデルの構成学習に関する文献と,認知研究との関わりについて考察する。
  論文  参考訳（メタデータ） (2024-06-13T03:46:21Z)
• ALYMPICS: LLM Agents Meet Game Theory -- Exploring Strategic Decision-Making with AI Agents [77.34720446306419]
  Alympicsは、ゲーム理論の研究にLarge Language Model (LLM)エージェントを利用する、体系的なシミュレーションフレームワークである。 Alympicsは、複雑なゲーム理論の問題を研究するための汎用的なプラットフォームを作成する。
  論文  参考訳（メタデータ） (2023-11-06T16:03:46Z)

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。