The Universal Landscape of Human Reasoning

📄 arXiv: 2510.21623v1 📥 PDF

作者: Qiguang Chen, Jinhao Liu, Libo Qin, Yimeng Zhang, Yihao Liang, Shangxu Ren, Chengyu Luan, Dengyun Peng, Hanjing Li, Jiannan Guan, Zheng Yan, Jiaqi Wang, Mengkang Hu, Yantao Du, Zhi Chen, Xie Chen, Wanxiang Che

分类: cs.CL, cs.AI

发布日期: 2025-10-24

备注: Preprint

💡 一句话要点

提出IF-Track，利用大语言模型量化人类推理过程中的信息流动，统一建模推理行为。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 人类推理 信息流追踪 大型语言模型 认知建模 概率编码

📋 核心要点

  1. 现有推理模型缺乏对人类推理动态过程的统一量化描述，难以捕捉推理过程中的信息流动。
  2. IF-Track利用大型语言模型作为概率编码器，量化推理步骤中的信息熵和增益，追踪信息流动。
  3. 实验表明IF-Track能捕捉推理特征，识别错误模式，刻画个体差异，并调和单/双进程理论。

📝 摘要（中文）

理解人类推理过程中信息的动态积累和转换一直是认知心理学、哲学和人工智能领域的挑战。现有的理论，从经典逻辑到概率模型，虽然阐明了输出或个体建模的某些方面，但未能提供对一般人类推理动态的统一、定量的描述。为了解决这个问题，我们引入了信息流追踪（IF-Track），它使用大型语言模型（LLM）作为概率编码器来量化每个推理步骤中的信息熵和增益。通过对各种任务的细粒度分析，我们的方法首次成功地在单一度量空间内建模了人类推理行为的通用图景。我们表明，IF-Track能够捕捉到基本的推理特征，识别出系统的错误模式，并描述个体差异。应用于高级心理学理论的讨论，我们首先在IF-Track中调和了单进程与双进程理论，并发现了人工智能与人类认知的一致性，以及LLM如何重塑人类推理过程。这种方法在理论和测量之间建立了一个定量的桥梁，为推理的架构提供了机制性的见解。

🔬 方法详解

问题定义：论文旨在解决认知心理学、哲学和人工智能领域长期存在的难题，即如何对人类推理过程进行统一、定量的描述。现有方法，如经典逻辑和概率模型，虽然在特定方面有所贡献，但未能全面捕捉推理过程中信息的动态积累和转换，缺乏对推理过程的细粒度理解。现有方法难以捕捉推理过程中的信息流动，无法有效识别错误模式和个体差异。

核心思路：论文的核心思路是利用大型语言模型（LLM）作为概率编码器，量化推理过程中的信息熵和增益。通过追踪信息在推理步骤中的流动，IF-Track能够捕捉推理过程中的关键特征，识别错误模式，并刻画个体差异。这种方法将推理过程视为一个动态的信息处理过程，从而能够更全面地理解人类推理的本质。

技术框架：IF-Track的技术框架主要包括以下几个步骤：1) 将推理任务分解为一系列步骤；2) 使用大型语言模型（LLM）对每个步骤进行编码，生成概率分布；3) 计算每个步骤的信息熵和信息增益，量化信息流动；4) 基于信息流动数据，构建推理过程的通用图景；5) 分析信息流动模式，识别错误模式和个体差异。

关键创新：该论文的关键创新在于提出了信息流追踪（IF-Track）方法，首次成功地在单一度量空间内建模了人类推理行为的通用图景。与现有方法相比，IF-Track能够更细粒度地分析推理过程，捕捉推理过程中的信息流动，从而更全面地理解人类推理的本质。此外，该方法还能够识别系统的错误模式，并描述个体差异，为个性化推理模型的设计提供了新的思路。

关键设计：IF-Track的关键设计包括：1) 选择合适的大型语言模型作为概率编码器；2) 设计有效的信息熵和信息增益计算方法；3) 构建能够反映推理过程通用特征的度量空间；4) 设计能够有效识别错误模式和个体差异的分析方法。具体参数设置、损失函数和网络结构的选择取决于具体的大型语言模型和推理任务。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

IF-Track成功地在单一度量空间内建模了人类推理行为的通用图景，能够捕捉基本的推理特征，识别出系统的错误模式，并描述个体差异。通过与心理学理论的结合，IF-Track调和了单进程与双进程理论，并发现了人工智能与人类认知的一致性。该研究为理解人类推理的本质提供了新的视角和工具。

🎯 应用场景

该研究成果可应用于认知科学、人工智能和教育等领域。在认知科学中，IF-Track可以帮助研究人员更深入地理解人类推理的机制。在人工智能领域，IF-Track可以用于设计更智能、更人性化的推理系统。在教育领域，IF-Track可以用于个性化教学，帮助学生更好地掌握推理技能。此外，该研究还可以用于评估和改进大型语言模型的推理能力。

📄 摘要（原文）

Understanding how information is dynamically accumulated and transformed in human reasoning has long challenged cognitive psychology, philosophy, and artificial intelligence. Existing accounts, from classical logic to probabilistic models, illuminate aspects of output or individual modelling, but do not offer a unified, quantitative description of general human reasoning dynamics. To solve this, we introduce Information Flow Tracking (IF-Track), that uses large language models (LLMs) as probabilistic encoder to quantify information entropy and gain at each reasoning step. Through fine-grained analyses across diverse tasks, our method is the first successfully models the universal landscape of human reasoning behaviors within a single metric space. We show that IF-Track captures essential reasoning features, identifies systematic error patterns, and characterizes individual differences. Applied to discussion of advanced psychological theory, we first reconcile single- versus dual-process theories in IF-Track and discover the alignment of artificial and human cognition and how LLMs reshaping human reasoning process. This approach establishes a quantitative bridge between theory and measurement, offering mechanistic insights into the architecture of reasoning.