認知的クラウディング下での大規模言語モデルにおける多次元認知状態のモデリング

arXiv cs.CL / 2026/4/21

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本研究は、既存の大規模言語モデル（LLM）の評価が主に単一の認知次元（例：感情分析やスタンス検出）に偏っており、感情・思考スタイル・スタンス・意図といった心理学的次元間の相互作用を捉えられていないと指摘しています。
4つの認知次元に対する統一アノテーションを備えた新しいベンチマーク「CognitiveBench」を提案し、LLMが単一次元では良好でも、複数次元を同時に扱うと精度が大きく低下することを示しています。
Gromov δ-ハイパーボリシティ解析により、CognitiveBenchが強い階層構造を持つことを見出し、この性能ボトルネックを「Cognitive Crowding（認知的クラウディング）」として説明しています。
この不一致に対処するため、認知状態を双曲空間で表現する「HyCoLLM」と、Hyperbolic Guided Alignment Tuningによる表現の整合を導入し、多次元の認知理解が大きく改善することを、8BモデルでGPT-4oを含む強力なベースラインより良い結果として示しています。