内省的カップリング：固定された監督にもかかわらず行動変化を追跡する自己説明トレーニング

この研究では、言語モデルが予測の説明を生成するように訓練された際に、単なる表面的な模倣ではなく、忠実な内省を達成できるかを調査します。固定された対立説明による教師あり学習で、モデルの振る舞いの変化を追跡する手法を提案しています。

• 教師あり学習で、言語モデルが予測の説明を生成する際の忠実な内省を調査。
• 固定された対立説明（counterfactual explanations）を用いて訓練。
• モデルの振る舞いの変化を追跡し、内省の質を評価する。
• 単なる表面的な模倣に留まらない、真の理解に基づく説明生成を目指す。