本文介绍了关于大型语言模型与人类类比推理的一些发现和研究，并提出了一种基于认知心理学的类比结构推断任务以及用于评估类比推理能力的 SCAR 基准测试集，实验结果表明，结合背景知识和解释的 CoT 方法可以显著提高 LLMs 在该任务上的表现。

May, 2023

通过测试几种学习基本类比推理的方法，研究人员发现模型在少量数据情况下也能学习类比推理，并与人类基准数据集进行比较发现，经过训练后，模型接近人类表现。

Oct, 2023

用于评估语言模型中类比推理能力的基准模型 ANALOBENCH 可以从大量信息中回忆相关经验，并将类比推理应用于复杂和冗长的情景中。

Feb, 2024

本文研究了大规模预训练语言模型（如 BERT 和 GPT-2）中类比的编码。我们介绍了一个新的类比数据集（SCAN），包含跨不同领域的多个属性和关系结构的系统映射，测试了几种广泛使用的预训练语言模型（LMs）的类比推理能力。然后发现，最先进的 LMs 在这些复杂的类比任务中表现不佳，突出了类比理解仍然存在的挑战。

Nov, 2022

该研究介绍了一种基于结构映射理论的神经网络结构 —— 模拟匹配网络（Analogical Matching Network），通过融合类比与深度学习，产生了一种人工智能模型，能够有效地学习和推理，解决新问题。

Apr, 2020

通过将人类语言与类比制造联系起来，我们使用大规模预训练的语言模型（PLMs）来支持人工智能系统的类比能力，将感知特征转换成语言形式，PLMs 展现出惊人的零 - shot 关系推理能力，并在 RPM 测试中接近监督的以视觉为基础的方法。

May, 2023

自动生成的相关示例对大规模语言模型（LLM）在类比推理任务中的性能具有非常可观的提升效果，并存在重要因素影响其准确性，研究者设计了两种改进方法以降低推理成本。

Apr, 2024

使用熟悉的领域进行类比推理是智能的标志。本文研究大型语言模型在处理逐渐复杂的结构化文本中的类比时的表现，并讨论了四个不同复杂程度的类比：词汇类比、句法类比、语义类比和语用类比。为了解决这个问题，我们提出了结合统计和符号人工智能的神经符号 AI 技术的必要性，以强调和增强相关内容，并提供抽象和指导映射过程的无结构文本表示。我们的知识驱动方法保持了大型语言模型的高效性，同时保留了解释类比的能力，适用于教学应用。

Aug, 2023

将复杂的计算概念与熟悉的经验和理解相联系通常是学生面临的挑战之一。为了帮助学生更好地理解，一个好的类比可以弥补陌生概念与熟悉概念之间的差距，提供一种有趣的学习方式。本研究调查了大型语言模型（特别是 ChatGPT）是否能够按需提供与个人相关的类比。通过对超过 350 名首年计算机学生生成的类比进行分析，研究集中于递归这一具有挑战性的门槛概念。结果表明，在学生自设主题的情况下生成的类比呈现出很大的多样性，而常规类比则相对较为普遍，这突显了学生在与大型语言模型合作时的创造力的价值。学生不仅对这项活动感到兴趣，而且他们表示理解了递归，而且更容易记住与个人和文化相关的类比。

Mar, 2024

提出了一个基于知识图谱的百万级类比知识库 ANALOGYKB，能够发现两种类型的类比，成功地让模型在类比推理任务中超越了之前最先进的方法。

May, 2023