論文の概要: Beyond Large Language Models: A Mental World Model Framework for Mental Modeling, Simulation, Evolution, and Interpretability

• arxiv url: http://arxiv.org/abs/2610.23722v2
• Date: Mon, 19 Oct 2026 16:42:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.227182
• Title: Beyond Large Language Models: A Mental World Model Framework for Mental Modeling, Simulation, Evolution, and Interpretability
• Title（参考訳）: 大規模言語モデルを超えて:メンタルモデリング、シミュレーション、進化、解釈可能性のためのメンタルワールドモデルフレームワーク
• Abstract要約: 既存の言語モデル(LLM)と心の理論(ToM)は、言語情報から精神状態を予測する。 本稿では、メンタルワールドモデル(MWM)とその実装であるマルチブランチメンタル進化アーキテクチャ(MMEA)を紹介する。 MMEAは主観的世界を構築し、認知と精神状態の間の相互作用をモデル化し、歴史的経験によって形成された継続的な精神進化をシミュレートする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding and simulating how subjective cognition and mental states emerge, evolve, and shape behavior is essential for advancing artificial intelligence toward deeper social cognition and general intelligence. Existing large language models (LLMs) and Theory of Mind (ToM) methods primarily infer mental states from linguistic information, lacking unified mechanisms for subjective world construction, cognitive-psychological interactions, dynamic evolution, and historical dependencies. This paper introduces the Mental World Model (MWM) and its implementation, the Multi-Branch Mental Evolution Architecture (MMEA), which explicitly constructs subjective worlds, models interactions between cognition and mental states, and simulates continuous mental evolution shaped by historical experiences. On DynToM and RecToM, MMEA achieves 96.48% and 94.00% accuracy, respectively, outperforming leading LLMs and specialized ToM methods. Additional experiments demonstrate improvements of 28.7, 39.3, and 16.6 percentage points in mental state and behavior prediction, long-sequence prediction, and implicit mental state inference, respectively. The results demonstrate that MMEA provides an interpretable framework for continuous mental modeling, enabling AI to move beyond surface-level semantic representations to infer individuals' underlying mental states from linguistic information and dynamically simulate their internal cognitive processes and evolution over time. MWM also provides a promising foundation for causal reasoning, personalized AI, sustained human-AI interaction, and future advances toward artificial general intelligence (AGI).
• Abstract（参考訳）: 主観的認知と精神状態がどのように出現し、進化し、そして形づくるかを理解し、シミュレートすることは、人工知能をより深い社会的認知と一般的な知性へと進めるために不可欠である。 既存の大規模言語モデル(LLM)と心の理論(ToM)の手法は、主に言語情報からメンタルな状態を推定し、主観的世界構築、認知心理学的相互作用、動的進化、歴史的依存関係の統一メカニズムを欠いている。 本稿では、主観的世界を構築し、認知と精神状態の相互作用をモデル化し、歴史的体験によって形成された継続的な精神進化をシミュレートする、メンタルワールドモデル(MWM)とその実装であるマルチブランチメンタル進化アーキテクチャ(MMEA)を紹介する。 DynToM と RecToM では、MMEA は96.48% と 94.00% の精度を達成している。 追加の実験では、精神状態と行動予測における28.7点、39.3点、16.6点の改善、長期予測、暗黙の精神状態推論が示されている。 結果は、MMEAが継続的なメンタルモデリングのための解釈可能なフレームワークを提供しており、AIは表面レベルの意味表現を超えて、言語情報から個人の精神状態を推測し、時間とともに内部の認知過程と進化を動的にシミュレートすることができることを示した。 MWMはまた、因果推論、パーソナライズされたAI、人間とAIの相互作用の持続、人工知能(AGI)への将来の進歩のための有望な基盤を提供する。

関連論文リスト

• Who We Are, Where We Are: Mental Health at the Intersection of Person, Situation, and Large Language Models [11.875040920985919]
  相互作用論と建設論の心理学理論に基づいて、我々は幸福を予測するための解釈可能なモデルを開発する。 本手法は,個人レベルの心理的特徴と言語推論された状況特徴を統合する。 結果から,我々の原理的,理論駆動的特徴は,高い解釈性を提供しながら,競争性能を提供することが示された。
  論文  参考訳（メタデータ） (2026-03-06T06:37:39Z)
• Visual Generation Unlocks Human-Like Reasoning through Multimodal World Models [60.543714835980325]
  人間は、これらのモデル内の概念を操作することによって、内的世界モデルと理性を構築する。 近年のAIの進歩は、世界モデルが大きな言語モデルに埋め込まれていると信じられている人間の認知能力に近似している。 本稿では,視覚生成が推論にどのような効果をもたらすかについて,最初の原理的考察を行った。
  論文  参考訳（メタデータ） (2026-01-27T17:40:07Z)
• HumanLLM: Towards Personalized Understanding and Simulation of Human Nature [72.55730315685837]
  HumanLLMは個人のパーソナライズされた理解とシミュレーションのために設計された基礎モデルである。 私たちはまず、Reddit、Twitter、Blogger、Amazonといったプラットフォーム上で、現実世界のユーザデータをキュレートした大規模なコーパスであるCognitive Genomeを構築しました。 次に、多様な学習タスクを定式化し、教師付き微調整を行い、モデルの幅広い個人化された人間の行動、思考、経験を予測する。
  論文  参考訳（メタデータ） (2026-01-22T09:27:27Z)
• HUMANLLM: Benchmarking and Reinforcing LLM Anthropomorphism via Human Cognitive Patterns [59.17423586203706]
  本稿では,心理的パターンを因果力の相互作用として扱うフレームワークであるHUMANLLMを提案する。 12,000の学術論文から244のパターンを構築し、2-5のパターンが相互に強化、衝突、変調されるシナリオ11,359を合成する。 我々の二重レベルチェックリストは、個々のパターンの忠実度と創発的なマルチパターンのダイナミクスを評価し、強い人間のアライメントを達成する。
  論文  参考訳（メタデータ） (2026-01-15T08:56:53Z)
• Evaluating AI Alignment in Eleven LLMs through Output-Based Analysis and Human Benchmarking [0.0]
  大規模言語モデル(LLM)は、心理学的な研究や実践にますます使われているが、従来のベンチマークでは、実際の相互作用で表現される価値についてはほとんど明らかにされていない。 LLMが表現する値の出力に基づく評価であるPAPERSを導入する。
  論文  参考訳（メタデータ） (2025-06-14T20:14:02Z)
• Towards Dynamic Theory of Mind: Evaluating LLM Adaptation to Temporal Evolution of Human States [34.30614600300616]
  我々は、大規模言語モデルが精神状態の時間的進行を理解し、追跡する能力を評価するために設計された新しいベンチマークであるtextscDynToMを提案する。 私たちは5500のシナリオと78,100の質問を含む1,100の社会的コンテキストを生成します。 我々の総合評価では、心的状態の変化の追跡と推論において、平均的なパフォーマンスは人間を44.7%下回る結果となった。
  論文  参考訳（メタデータ） (2025-05-23T09:27:40Z)
• Machine Psychology [54.287802134327485]
  我々は、心理学にインスパイアされた行動実験において、研究のための実りある方向が、大きな言語モデルに係わっていると論じる。 本稿では,本手法が表に示す理論的視点,実験パラダイム,計算解析技術について述べる。 これは、パフォーマンスベンチマークを超えた、生成人工知能(AI)のための「機械心理学」の道を開くものだ。
  論文  参考訳（メタデータ） (2023-03-24T13:24:41Z)
• Neural Theory-of-Mind? On the Limits of Social Intelligence in Large LMs [77.88043871260466]
  私たちは、今日の最大の言語モデルのひとつに、このようなソーシャルインテリジェンスを最初から欠いていることを示しています。 我々は、人中心のNLPアプローチは、マインドの神経理論に対してより効果的であるかもしれないと結論づける。
  論文  参考訳（メタデータ） (2022-10-24T14:58:58Z)

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。