ECCoT：通过大语言模型中的链式思维增强有效认知的框架
计算与语言
2025-06-25 v1 人工智能
摘要
在大规模人工智能时代，大语言模型 (LLM) 在自然语言处理方面取得了显著进展。然而，它们常常缺乏透明度并生成不可靠的输出，这引发了对其可解释性的广泛关注。为了解决这一问题，链式思维 (CoT) 提示方法将推理结构化为逐步推演。然而，并非所有推理链都是有效的，错误可能导致不可靠的结论。我们提出了 ECCoT，即 End-to-End Cognitive Chain of Thought Validation Framework，用于评估和细化 LLM 中的推理链。ECCoT 集成了 Markov Random Field-嵌入主题模型 (MRF-ETM) 用于主题驱动的 CoT 生成，以及因果 Sentence-BERT (CSBert) 用于因果推理对齐。通过使用结构化排序统计信息过滤无效链，ECCoT 改进了可解释性，减少偏见，并增强了基于 LLM 的决策可信度。关键贡献包括 ECCoT 的引入，MRF-ETM 用于主题驱动的 CoT 生成，以及 CSBert 用于因果推理增强。代码已在 https://github.com/erwinmsmith/ECCoT.git 发布。
引用
@article{arxiv.2506.19599,
title = {ECCoT: A Framework for Enhancing Effective Cognition via Chain of Thought in Large Language Model},
author = {Zhenke Duan and Jiqun Pan and Jiani Tu and Xiaoyi Wang and Yanqing Wang},
journal= {arXiv preprint arXiv:2506.19599},
year = {2025}
}