시각 언어 모델은 의도 추론에서는 뛰어난 성능을 보이지만 관점 취하기에서는 낮은 성능을 보인다.
사건 이해 이론과 계산 모델은 계층적 구조, 예측 메커니즘, 표상 학습 등의 핵심 주제를 다룬다.
대규모 언어 모델은 인간과 유사하게 적절한 수준의 스트레스에서 최적의 성능을 보이며, 낮거나 높은 스트레스 수준에서는 성능이 저하된다.
제품 이미지는 언어를 통해 표현되는 다양한 소비자 특성을 유발할 수 있으며, 이는 인지적 복잡성을 반영한다. 이 연구는 제품 이미지에 의해 유발된 언어의 인지적 복잡성을 측정하고 검증하는 접근법을 제공한다.
대규모 언어 모델(LLM)의 인지 동역학을 탐구하고 이를 평가하기 위한 새로운 벤치마크 CogBench를 개발하였다. 또한 LLM의 고유한 정적 특성을 극복하기 위해 반복적 인지 메커니즘을 갖춘 CogGPT를 소개하였다.
다중 모달 AI 시스템은 인간과 동물의 공간 인지에 사용되는 아날로그 표현과 다른 명제적 표현에 기반한 공간 정보 이해를 보여, 관점 이해 능력에 한계가 있다.
언어는 개인 간 내적 표상의 정렬을 통해 출현하며, 이러한 내적 표상의 정렬은 보다 구조화된 언어를 가능하게 한다.
우리가 경험하는 현실은 개인의 지각에 따라 상대적이며, 절대적인 진실은 존재하지 않는다.
대형 언어 모델의 의사 결정 과정에서 인지 편향을 적절히 활용하면 효율성을 높일 수 있다. 추상화 옵션과 편향 완화 기법을 통해 오류율을 줄이고 의사 결정 정확도를 높일 수 있다.
기억력 향상에 대한 믿음은 실제로 뇌의 기능을 향상시킬 수 있다.