論文の概要: Before Agents Decide: Epistemic Action in LLM-Based Systems

• arxiv url: http://arxiv.org/abs/2610.00511v1
• Date: Wed, 30 Sep 2026 18:07:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.68402
• Title: Before Agents Decide: Epistemic Action in LLM-Based Systems
• Title（参考訳）: エージェントが決定する前: LLMシステムにおける疫学的行動
• Abstract要約: 難しい決断をする前に、人々は多くの場合、状況をよりよく理解するために行動します。 本稿では,エージェント設計は意思決定可能な証拠の生成方法に対処する必要があると主張している。
• 参考スコア（独自算出の注目度）: 3.964305334218188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Before a difficult decision, people often act simply to understand the situation better. We turn an object to see another side, place alternatives next to each other, or change one condition and observe what happens. These actions may not complete the task, but they improve the evidence needed for the next choice. LLM-based agents can search and explore, yet agent design gives less attention to an earlier question: is the available evidence ready for the decision? Sometimes necessary evidence is missing. In other cases, the evidence is present but its form hides what matters, or the comparison needed to judge it does not yet exist. Cognitive science calls actions that improve the basis for a later choice epistemic actions. We bring this idea to LLM-based agents and distinguish three modes: acquiring missing evidence, transforming available evidence, and probing a system to create a revealing response. We use the term epistemic scaffolding for the interfaces, tools, and environments that make these actions possible and auditable. This paper argues that agent design must address how decision-ready evidence is produced.
• Abstract（参考訳）: 難しい決断をする前に、人々は多くの場合、状況をよりよく理解するために行動します。 オブジェクトを別の側面に向けたり、代替品を隣り合って配置したり、条件を変更して何が起こるか観察したりします。 これらの行動はタスクを完了しないかもしれないが、次の選択に必要な証拠を改善する。 LLMベースのエージェントは探索と探索ができるが、エージェント設計は以前の質問に注意を向けない。 必要な証拠が欠落することもある。 他のケースでは、証拠は存在するが、その形は重要なものを隠すか、それを決定するのに必要な比較がまだ存在しない。 認知科学は、後に選択されたてんかんの行動の基礎を改善する行動と呼ばれる。 我々は、このアイデアをLLMベースのエージェントに持ち込み、欠落した証拠を入手し、利用可能な証拠を変換し、明らかな応答を生成するシステムを探索する3つのモードを区別する。 私たちは、これらのアクションを可能かつ監査可能にするインターフェース、ツール、環境に、疫学的な足場という用語を使用します。 本稿では,エージェント設計は意思決定可能な証拠の生成方法に対処する必要があると主張している。

関連論文リスト

• Don't Let Me Ask for It: LLMs Show Deficiencies in Active Multi-Turn Information Acquisition for Abductive Inference [15.768100289136392]
  帰納的推論は、観察された証拠を説明し、新しい証拠が利用可能になるにつれてそれらを修正する仮説を形成する必要がある。 本稿では、異なる相互作用モード下でこれらの振る舞いを研究するための対話型プローブであるAlien Abductionを紹介する。
  論文  参考訳（メタデータ） (2026-08-04T09:39:24Z)
• The Facade of Truth: Uncovering and Mitigating LLM Susceptibility to Deceptive Evidence [49.94160400740222]
  MisBeliefは、協調的な多ラウンドの相互作用によって誤解を招く証拠を生成するフレームワークである。 MisBeliefを用いて、3つの難易度で4,800のインスタンスを生成し、7つの代表的なLCMを評価する。 結果は、モデルは直接的な誤報に対して堅牢であるが、この洗練された証拠に非常に敏感であることを示している。 本稿では,疑似意図を証拠裏で推測することにより早期警告信号を提供するガバナンス機構である,認知的意図遮蔽(DIS)を提案する。
  論文  参考訳（メタデータ） (2026-01-09T02:28:00Z)
• Can an Individual Manipulate the Collective Decisions of Multi-Agents? [53.01767232004823]
  M-Spoilerは、マルチエージェントシステム内のエージェントインタラクションをシミュレートして、対向サンプルを生成するフレームワークである。 M-スポイラーは、敵対的サンプルの最適化を積極的に支援するスタブボーン剤を導入した。 本研究は,マルチエージェントシステムにおける個々のエージェントの知識によって引き起こされるリスクを検証した。
  論文  参考訳（メタデータ） (2025-09-20T01:54:20Z)
• Do Large Language Models Exhibit Spontaneous Rational Deception? [0.913127392774573]
  大規模言語モデル (LLM) は、そのように促されるときの判断に有効である。 しかし、どんな条件で自然に騙されるのか? 本研究は, LLMが生み出す自発誤を, 予め登録した実験プロトコルで評価する。
  論文  参考訳（メタデータ） (2025-03-31T23:10:56Z)
• Deceptive Semantic Shortcuts on Reasoning Chains: How Far Can Models Go without Hallucination? [73.454943870226]
  本研究はセマンティックアソシエーションによって誘発される特定の種類の幻覚の研究である。 この現象を定量化するために,EureQAと呼ばれる新しい探索手法とベンチマークを提案する。
  論文  参考訳（メタデータ） (2023-11-16T09:27:36Z)

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。