論文の概要: Cross-Centaur: Modeling Individual Decision-Making Across Psychological Tasks with Language Models

• arxiv url: http://arxiv.org/abs/2610.23157v1
• Date: Fri, 16 Oct 2026 08:55:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.836238
• Title: Cross-Centaur: Modeling Individual Decision-Making Across Psychological Tasks with Language Models
• Title（参考訳）: クロスセンタウア:言語モデルを用いた個人の意思決定過程のモデル化
• Abstract要約: 591人の参加者と12タスクにわたる261,551人の有効な意思決定のデータセットであるCross-Psych-101を紹介する。 我々は、被験者のターゲットタスク動作と、同じ参加者のソースタスク動作と組み合わせたソースタスク記述から、参加者のターゲットタスク動作を予測するためにクロスセンタウアを訓練する。
• 参考スコア（独自算出の注目度）: 4.258175645355976
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language models (LLMs) are increasingly used as computational models of human behavior. Recent models such as Centaur have advanced this goal by fine-tuning LLMs on trial-by-trial decisions from psychological experiments. However, existing large-scale behavioral datasets do not link the same participants across different tasks, so these models learn population-level regularities but are not trained to model individual-level regularities across tasks. We introduce Cross-Psych-101, a dataset of 591 participants and 261{,}551 valid decisions across 12 Bandit, Tradeoff, Structure, and Social tasks. We train Cross-Centaur to predict a participant's target-task actions from a target-task description and the source-task description paired with the same participant's source-task behavior. Cross-Centaur outperforms off-the-shelf LLMs and Centaur on held-out participants, both within and across tasks. Probing analyses suggest that its hidden states encode participant-level behavioral tendencies that transfer across tasks. These results highlight the potential of cross-task individual-level data for predicting human decision-making with language models. Cross-Pysch-101 is available at https://huggingface.co/datasets/HikaruAsano/cross-psych-101.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、人間の行動の計算モデルとしてますます使われてきている。 近年のCentaurのようなモデルでは、心理学実験によるトライアル・バイ・トライアルの決定について、LSMを微調整することで、この目標を推し進めている。 しかし、既存の大規模行動データセットは、異なるタスク間で同じ参加者をリンクしないため、これらのモデルは集団レベルの規則性を学ぶが、タスク間で個別レベルの規則性をモデル化する訓練を受けていない。 ここでは,Bandit,Tradeoff,Structure,Socialタスクを対象とした,561人の参加者と261{,}551人の有効な意思決定のデータセットであるCross-Psych-101を紹介する。 我々は、被験者のターゲットタスク動作と、同じ参加者のソースタスク動作と組み合わせたソースタスク記述から、参加者のターゲットタスク動作を予測するためにクロスセンタウアを訓練する。 Cross-Centaur は既成の LLM と Centaur を,タスク内とタスク内の両方で,ホールドアウトの参加者でパフォーマンスします。 調査分析は、その隠された状態が、タスク間で伝達される参加者レベルの行動傾向を符号化していることを示唆している。 これらの結果は、言語モデルによる人間の意思決定を予測するために、クロスタスクな個人レベルのデータの可能性を強調している。 Cross-Pysch-101はhttps://huggingface.co/datasets/HikaruAsano/cross-psych-101で利用可能である。

関連論文リスト

• Early Prediction of Future Behavioral Strategy from Process Traces [8.829405709590658]
  本研究では,部分的ソースタスクプロセストレースが,保持対象タスクにおける戦略を予測するトランスファー可能な人物レベルの構造を明らかにすることができるかどうかを考察する。 本稿では,タスク固有のトレースを符号化し,タスク間の予測を行うプロセスレベル潜在変数モデル(PLVM)を提案する。
  論文  参考訳（メタデータ） (2026-05-28T20:33:53Z)
• From Five Dimensions to Many: Large Language Models as Precise and Interpretable Psychological Profilers [14.983442449498739]
  本研究は,人間の心理特性の相関構造を,最小の量的入力からモデル化できるかどうかについて検討する。 我々は816人の個人から、他の9つの心理的尺度でのロールプレイを行うために、ビッグファイブ・パーソナリティ・スケールの反応を持つ様々なLSMを誘導した。 LLMは人間の心理的構造を捉えるのに顕著な精度を示した。
  論文  参考訳（メタデータ） (2025-11-05T06:51:13Z)
• Evaluating Multiview Object Consistency in Humans and Image Models [68.36073530804296]
  我々は、物体の形状に関するゼロショット視覚的推論を必要とする認知科学の実験的設計を活用する。 我々は500人以上の参加者から行動データの35万件の試行を収集した。 次に、一般的な視覚モデルの性能を評価する。
  論文  参考訳（メタデータ） (2024-09-09T17:59:13Z)
• Language Models Trained to do Arithmetic Predict Human Risky and Intertemporal Choice [4.029252551781513]
  本稿では,認知モデルとしての大規模言語モデルの有用性を高める新しい手法を提案する。 生態学的に有効な算術的データセットに基づいて事前訓練されたLLMは、従来の認知モデルよりも人間の行動を予測する。
  論文  参考訳（メタデータ） (2024-05-29T17:37:14Z)
• Modeling Boundedly Rational Agents with Latent Inference Budgets [56.24971011281947]
  エージェントの計算制約を明示的にモデル化する潜在推論予算モデル(L-IBM)を導入する。 L-IBMは、最適なアクターの多様な集団のデータを使ってエージェントモデルを学ぶことができる。 我々は,L-IBMが不確実性の下での意思決定のボルツマンモデルに適合しているか,あるいは上回っていることを示す。
  論文  参考訳（メタデータ） (2023-12-07T03:55:51Z)
• AlignDiff: Aligning Diverse Human Preferences via Behavior-Customisable Diffusion Model [69.12623428463573]
  AlignDiffは、人間の好みを定量化し、抽象性をカバーし、拡散計画をガイドする新しいフレームワークである。 ユーザがカスタマイズした動作と正確に一致し、効率的に切り替えることができます。 選好マッチング,スイッチング,カバーにおいて,他のベースラインに比べて優れた性能を示す。
  論文  参考訳（メタデータ） (2023-10-03T13:53:08Z)
• TRAK: Attributing Model Behavior at Scale [79.56020040993947]
  本稿では,大規模な微分モデルに対して有効かつ計算的に抽出可能なデータ属性法であるTRAK(Tracing with Randomly-trained After Kernel)を提案する。
  論文  参考訳（メタデータ） (2023-03-24T17:56:22Z)
• Model-agnostic Fits for Understanding Information Seeking Patterns in Humans [0.0]
  不確実な意思決定タスクでは、人間はそのタスクに関連する情報を探し、統合し、行動する際、特徴的なバイアスを示す。 ここでは,これらのバイアスを総合的に測定・分類した,大規模に収集した先行設計実験のデータを再検討した。 これらのバイアスを集約的に再現するディープラーニングモデルを設計し、個々の行動の変化を捉えます。
  論文  参考訳（メタデータ） (2020-12-09T04:34:58Z)

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。