Fugu-MT 論文翻訳(概要): Response Variability and Stability in Human Reasoning

論文の概要: Response Variability and Stability in Human Reasoning

arxiv url: http://arxiv.org/abs/2610.03008v1
Date: Fri, 02 Oct 2026 08:38:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-07 04:43:28.539278
Title: Response Variability and Stability in Human Reasoning
Title（参考訳）: 人間推論における応答変数と安定性
Abstract要約: 本稿では,個々の推論パターンと内部変数間の距離を定量化するための形式的幾何学的手法を提案する。その結果,提案手法は精度と相互作用し,性能向上を予測できることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Understanding how humans reason -- and how reasoning responses vary across tasks and individuals -- remains a core challenge for modeling and explanation in cognitive science. We investigate the stability of response patterns within reasoners and whether variation in these patterns can be used to predict learning effects. We introduce a formal, geometry-based method to quantify distances between individual reasoning patterns and their internal variability, grounded in heuristic theories. The proposed framework is tested against experimental data via generalized linear mixed-effects models and clustering, where we find that our proposed variation measure interacts with correctness to predict performance gains. Moreover, we find that reasoning patterns are stable over time within the same reasoner. The method is general enough to be applied to other reasoning domains.
Abstract（参考訳）: 人間の理性、そして理性的な反応がタスクや個人によってどのように異なるかを理解することは、認知科学におけるモデリングと説明にとって重要な課題である。本研究では, 推論器内の応答パターンの安定性と, これらのパターンの変動が学習効果の予測に有効かどうかを検討する。ヒューリスティック理論を基礎として,個々の推論パターンと内部変数間の距離を定量化する形式的幾何学的手法を提案する。提案手法は, 一般化線形混合効果モデルとクラスタリングを用いて実験データに対して検証し, 提案手法が精度と相互作用し, 性能向上を予測する。さらに、推論パターンが時間とともに同じ推論パターン内で安定していることが判明した。この方法は、他の推論領域に適用できるほど一般的である。

関連論文リスト

A Causal Argumentation Method for Explainability of Machine Learning Models [0.0]
本稿では,モデルがなぜ予測を行うのかを説明するために,因果関係と議論に基づく推論を統合する新しい手法を提案する。提案手法はまず,因果発見手法を用いて変数間の因果関係を同定する。特定の結果が選択された理由を説明する機能の拡張を見つけます。
論文参考訳（メタデータ） (2026-05-20T21:40:44Z)
InjectRBP: Steering Large Language Model Reasoning Behavior via Pattern Injection [12.65760977924031]
推論は大規模言語モデルの性能を大幅に向上させることができる。モデルの推論行動は,行動パターンの観点から,どのように推論を形成するかを検討する。 InjectCorrect と InjectRLOpt の2つのパラメータ更新を必要としない最適化手法を提案する。
論文参考訳（メタデータ） (2026-02-12T14:44:40Z)
Reasoning aligns language models to human cognition [12.07126784684808]
我々は、サンプリング(積極的な証拠取得)と推論(意思決定への証拠の統合)をきれいに分離する活発な確率論的推論タスクを導入する。人間と、近最適参照ポリシーに対する幅広い現代の大規模言語モデルをベンチマークすると、一貫したパターンが明らかになる。このモデルは、人間とモデルを共有された低次元認知空間に配置し、エージェント間での行動シグネチャを再現し、チェーン・オブ・シントが言語モデルを人間のようなエビデンス・アソシエーション・ツー・チョイス・マッピングにどのようにシフトするかを示す。
論文参考訳（メタデータ） (2026-02-09T14:13:39Z)
Schoenfeld's Anatomy of Mathematical Reasoning by Language Models [56.656180566692946]
我々は、Schoenfeldのエピソード理論を誘導型中間スケールレンズとして採用し、ThinkARM(モデルにおける推論の解剖学)を紹介する。 ThinkARMは、推論トレースを分析、探索、実装、検証などの機能的推論ステップに明示的に抽象化する。エピソードレベルの表現は推論ステップを明確にし、現代の言語モデルにおける推論がどのように構造化され、安定化され、変更されるかの体系的な分析を可能にする。
論文参考訳（メタデータ） (2025-12-23T02:44:25Z)
Temporal Latent Variable Structural Causal Model for Causal Discovery under External Interferences [53.308122815325326]
観測データに影響を与える非観測因子を表現するために潜伏変数を導入する。具体的には、因果強度と隣接情報を捉えるために、時間変動型因果モデルを提案する。専門家の知識が特定のシナリオにおける未知の干渉に関する情報を提供することができることを考慮し,パラメータ学習への事前知識の導入を容易にする手法を開発した。
論文参考訳（メタデータ） (2025-11-13T07:10:10Z)
How often are errors in natural language reasoning due to paraphrastic variability? [29.079188032623605]
本稿では,自然言語推論モデルのパラフラスティック一貫性を評価するための指標を提案する。我々は、この計量をパラフレーズ化に起因するモデルの正しさの分散の比率に数学的に結合する。そこで我々は,7,782人の人間による記述・検証された推論問題のデータセットであるParaNLUを収集した。
論文参考訳（メタデータ） (2024-04-17T20:11:32Z)
Identifiable Latent Polynomial Causal Models Through the Lens of Change [82.14087963690561]
因果表現学習は、観測された低レベルデータから潜在的な高レベル因果表現を明らかにすることを目的としている。主な課題の1つは、識別可能性(identifiability)として知られるこれらの潜伏因果モデルを特定する信頼性の高い保証を提供することである。
論文参考訳（メタデータ） (2023-10-24T07:46:10Z)
Nonlinearity, Feedback and Uniform Consistency in Causal Structural Learning [0.8158530638728501]
Causal Discoveryは、観測データから因果構造を学習するための自動探索手法を見つけることを目的としている。この論文は因果発見における2つの疑問に焦点をあてる: (i) k-三角形の忠実性の代替定義を提供すること (i) (i) はガウス分布の族に適用されるとき強い忠実性よりも弱いこと (ii) 修正版の強忠実性が成り立つという仮定のもとに。
論文参考訳（メタデータ） (2023-08-15T01:23:42Z)
Empirical Estimates on Hand Manipulation are Recoverable: A Step Towards Individualized and Explainable Robotic Support in Everyday Activities [80.37857025201036]
ロボットシステムの鍵となる課題は、他のエージェントの振る舞いを理解することである。正しい推論の処理は、(衝突)因子が実験的に制御されない場合、特に困難である。人に関する観察研究を行うために必要なツールをロボットに装備することを提案する。
論文参考訳（メタデータ） (2022-01-27T22:15:56Z)
Learning Causal Semantic Representation for Out-of-Distribution Prediction [125.38836464226092]
因果推論に基づく因果意味生成モデル(CSG)を提案し,その2つの要因を別々にモデル化する。 CSGはトレーニングデータに適合させることで意味的因子を識別できることを示し、この意味的識別はOOD一般化誤差の有界性を保証する。
論文参考訳（メタデータ） (2020-11-03T13:16:05Z)

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。