arXiv cs.CL は2026年10月8日(現地時間)、シェーン・スタイナート＝スレルケルド (Shane Steinert-Threlkeld) 氏とヤクブ・シマニク (Jakub Szymanik) 氏による論文「Cognitive Thermometers: Machine Learning and Logical Complexity」を発表した。同論文は、人間の心が意味的カテゴリをどのように表現するかという問いに対し、機械学習が意味的複雑性を測定する新たなアプローチを提供すると提唱している。
先行研究では、自然言語が特定の意味を好む理由について、論理的定義可能性と複雑性に依存した説明がなされてきた。しかし、これらの説明は論理言語の選択に大きく左右され、設計上の選択が必ずしも動機づけられていないという課題があった。
同論文は、機械学習が意味的複雑性を測定するためのより不可知論的 (agnostic)な手法を提供すると提案する。また、論理と機械学習が、相対的な複雑性とその意味類型における結果的な影響に関して、しばしば収束する結果をもたらすという新たな証拠をレビューしている。
両者の結果が分岐する場合、学習が論理的複雑性よりも優れた説明となると論じられている。スタイナート＝スレルケルド氏とシマニク氏は、機械学習モデルを認知温度計 (cognitive thermometers)として扱うことで、記号論理 (symbolic logic) とコネクショニストAI (connectionist AI) を橋渡しする統一的な複雑性アプローチが可能になると主張している。
参考: arXiv cs.CL (アーカイブ) — 2026年10月9日 13:00 (JST)
原文ハイライト"treating machine learning models as ``cognitive thermometers'' enables a unified approach to complexity"