論文の概要: Evaluating Inquiry Learning in LLM-Based Agents: Hypothesizing, Reasoning, and Exploration

• arxiv url: http://arxiv.org/abs/2610.21604v1
• Date: Thu, 15 Oct 2026 09:52:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.310068
• Title: Evaluating Inquiry Learning in LLM-Based Agents: Hypothesizing, Reasoning, and Exploration
• Title（参考訳）: LLMエージェントにおける探究学習の評価:仮説化,推論,探索
• Abstract要約: 本稿では,大規模言語モデルの問合せ機能を統一的かつインタラクティブな環境で評価するためのフレームワークを提案する。 本実験は, 基礎となる表現の発見において, 限定的な調査能力と低い成功率を示すものである。 本研究は,LLMの戦略的探索および反復的仮説修正における現状の限界を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 17.092635986908718
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scientific inquiry involves iterative cycles of exploration, hypothesis generation, and reasoning over observations to uncover relationships in complex systems. Large language models (LLMs) have demonstrated strong capabilities in several components of this process, including inductive reasoning, hypothesis generation, and data analysis. However, prior work typically evaluates these abilities in isolation, leaving open how models integrate them across a full inquiry cycle. In this work, we introduce a framework for evaluating LLMs' inquiry capabilities in a unified, interactive setting. We extend the Countdown task to a mathematical environment where an agent probes the system by manipulating variables, collecting observations, and inferring relationships between them. This setup enables analysis of exploration strategies, causal discovery, and hypothesis refinement during inquiry. Across seven LLMs and multiple prompting strategies, our experiments reveal limited inherent inquiry capabilities and low success rates in discovering the underlying expressions. However, structured guidance inspired by educational scaffolding significantly improves performance. Our findings highlight current limitations of LLMs in strategic exploration and iterative hypothesis refinement, and show how simple guidance strategies developed for human learners in inquiry learning can support more effective inquiry behavior.
• Abstract（参考訳）: 科学的調査には、複雑なシステムにおける関係を明らかにするために、探索、仮説生成、観察に関する推論の反復サイクルが含まれる。 大規模言語モデル(LLM)は、帰納的推論、仮説生成、データ解析など、このプロセスのいくつかのコンポーネントで強力な機能を示している。 しかしながら、事前の作業は通常、これらの能力を独立した形で評価し、モデルが完全な調査サイクル全体にわたって統合する方法をオープンにしておく。 本研究では,LLMの探索能力を統一的かつインタラクティブな環境で評価するためのフレームワークを提案する。 エージェントが変数の操作、観測の収集、それらの関係の推測によってシステムを探索する数学的環境にカウントダウンタスクを拡張します。 この設定は、調査中に探索戦略、因果発見、仮説修正の分析を可能にする。 7つのLSMと複数のプロンプト戦略により,本実験は,基礎となる表現の発見において,限られた固有探索能力と低い成功率を示した。 しかし、教育的な足場にインスパイアされた構造化指導は、性能を著しく向上させる。 本研究は,LLMの戦略的探索と反復的仮説修正における現在の限界を浮き彫りにし,質問学習における人間の学習者に対する簡単な指導戦略が,より効果的な調査行動にどう役立つかを示した。

関連論文リスト

• Deep Research: A Systematic Survey [118.82795024422722]
  Deep Research (DR)は、大規模言語モデルの推論能力と検索エンジンなどの外部ツールを組み合わせることを目的としている。 本調査は,深層研究システムの包括的かつ体系的な概要を提示する。
  論文  参考訳（メタデータ） (2025-11-24T15:28:28Z)
• RE-Searcher: Robust Agentic Search with Goal-oriented Planning and Self-reflection [55.125987985864896]
  環境の複雑さが脆弱な探索行動をいかに引き起こすかを定量的に分析する。 本稿では,検索エージェントRE-Searcherのインスタンス化をシンプルかつ効果的に行う手法を提案する。 この目標指向計画と自己回帰の組み合わせにより、RE-Searcherは複雑な検索環境における急激な手がかりに抵抗することができる。
  論文  参考訳（メタデータ） (2025-09-30T10:25:27Z)
• Rethinking the Unsolvable: When In-Context Search Meets Test-Time Scaling [1.219841051166348]
  本稿では,テキスト内検索とテスト時間スケーリングの併用の可能性について検討する。 内部スケーリングを付加したLLMに高度なコンテキスト内探索プロンプトを付加することにより、変換性能のブレークスルーを実現することができる。
  論文  参考訳（メタデータ） (2025-05-28T12:28:18Z)
• Satori: Reinforcement Learning with Chain-of-Action-Thought Enhances LLM Reasoning via Autoregressive Search [57.28671084993782]
  大規模言語モデル(LLM)は、様々な領域にまたがる顕著な推論能力を示している。 近年の研究では、テスト時間計算の増加はLLMの推論能力を高めることが示されている。 そこで我々は,1)COAT推論形式を内部化するための小規模な形式調整段階,2)強化学習を活用した大規模自己改善段階を提案する。
  論文  参考訳（メタデータ） (2025-02-04T17:26:58Z)
• Probing Ranking LLMs: A Mechanistic Analysis for Information Retrieval [20.353393773305672]
  我々は、LLMのランク付けにおけるニューロンの活性化を調べるために、探索に基づく分析を用いる。 本研究は,語彙信号,文書構造,問合せ文書間相互作用,複雑な意味表現など,幅広い機能カテゴリにまたがる。 我々の発見は、より透明で信頼性の高い検索システムを開発するための重要な洞察を提供する。
  論文  参考訳（メタデータ） (2024-10-24T08:20:10Z)
• Explaining Large Language Models Decisions Using Shapley Values [1.223779595809275]
  大規模言語モデル(LLM)は、人間の行動や認知過程をシミュレートするエキサイティングな可能性を開いた。 しかし, LLMを人体用スタンドインとして活用する妥当性は, いまだに不明である。 本稿では,モデルの出力に対する各プロンプト成分の相対的寄与を定量化するために,シェープリー値に基づく新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-03-29T22:49:43Z)

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。