核心发现：通过提供基于认知结构的推理指导，可以显著提升LLMs在复杂问题上的表现，性能提升最高可达60%
本研究深入探讨了大型语言模型（LLMs）的推理机制，通过借鉴认知科学理论，构建了一个包含28个认知元素的分类法，用于系统性地评估和比较人类与LLMs的推理过程4。通过对超过17万条模型和人类的推理轨迹进行大规模分析，该研究揭示了两者在推理结构上的系统性差异。
研究发现，人类的推理结构更具层次性和元认知监控能力，而LLMs则倾向于依赖浅层的前向链式推理。这种差异在处理非结构化问题时尤为显著。此外，研究还揭示了LLM研究界在评估模型时，过度关注易于量化的行为（如顺序组织），而忽视了与推理成功高度相关的元认知控制（如自我评估）。
引言与概述
研究意义与价值
该分类法将认知科学中关于人类推理的理论与LLMs的实际行为表现联系起来，为理解LLMs的推理机制提供一个精细化的分析框架4。
B --> B1["逻辑一致性"]
B --> B2["组合性"]
B --> B3["生产力"]
B --> B4["概念处理"] C --> C1["自我意识"]
C --> C2["情境意识"]
C --> C3["策略选择"]
C --> C4["目标管理"]
C --> C5["评估"] D --> D1["顺序组织"]
D --> D2["层次组织"]
D --> D3["网络组织"]
D --> D4["概念组织"]
D --> D5["因果组织"] E --> E1["表示"]
E --> E2["选择"]
E --> E3["验证"]
E --> E4["修改"]
E --> E5["模式识别"]
E --> E6["抽象"]
E --> E7["导航"] style A fill:#dbeafe,stroke:#1e40af,stroke-width:3px
style B fill:#fef3c7,stroke:#d97706,stroke-width:2px
style C fill:#d1fae5,stroke:#059669,stroke-width:2px
style D fill:#e0e7ff,stroke:#4f46e5,stroke-width:2px
style E fill:#f3e8ff,stroke:#7c3aed,stroke-width:2px
推理过程中必须遵守的基本规则和约束
对认知过程的监控、评估和调节能力
知识和步骤的组织模式
构建和导航推理表示的具体动作28个认知元素分类法
认知元素分类体系结构
Reasoning Invariants"]
A --> C["元认知控制
Meta-Cognitive Controls"]
A --> D["推理表示
Reasoning Representations"]
A --> E["推理操作
Reasoning Operations"]推理不变量
元认知控制
推理表示
推理操作
突破性发现：通过提供基于认知结构的推理指导，可以显著提升LLMs在复杂问题上的表现，性能提升最高可达60%
在模型输入中加入构建好的提示，引导其采用更有效的推理模式。
通过实验验证指导方法的有效性，观察模型在复杂问题上的表现提升。
表1：部分模型在应用认知结构指导后的性能变化（以百分比变化表示）2
基于认知结构的推理指导
核心方法论：测试时推理指导
3
模型引导
4
效果验证
实验结果：显著提升模型表现
模型
困境问题
案例分析
诊断推理
平均提升
Qwen3-14B
+60.0%
+44.0%
+56.0%
+32.0%
R1-Distill-Qwen-32B
+60.0%
+48.0%
+36.0%
+40.0%
Qwen3-32B
+48.0%
+41.9%
+24.0%
+32.0%
R1-Distill-Llama-70B
+54.1%
+48.0%
+36.0%
+36.0%
本研究通过认知科学的视角，为理解大型语言模型的推理机制提供了新的理论基础和实践方法。
未来AI系统将更注重认知结构与人机协作的深度融合
结论与展望
关键发现
未来方向
