Verständnis des Denkprozesses von Reasoning-Modellen: Eine Perspektive aus Schoenfelds Episodentheorie

Understanding the Thinking Process of Reasoning Models: A Perspective from Schoenfeld's Episode Theory

September 18, 2025

papers.authors: Ming Li, Nan Zhang, Chenrui Fan, Hong Jiao, Yanbin Fu, Sydney Peters, Qingshu Xu, Robert Lissitz, Tianyi Zhou

cs.AI

papers.abstract

Während Large Reasoning Models (LRMs) umfangreiche Ketten von Denkprozessen (Chain-of-Thought) generieren, fehlt ein prinzipieller Rahmen, um zu verstehen, wie diese Gedanken strukturiert sind. In diesem Artikel führen wir einen neuartigen Ansatz ein, indem wir Schoenfelds Episodentheorie, ein klassisches kognitives Rahmenwerk für menschliches mathematisches Problemlösen, zur Analyse der Denkspuren von LRMs anwenden. Wir haben Tausende von Sätzen und Absätzen aus modellgenerierten Lösungen für mathematische Probleme mit sieben kognitiven Labels (z. B. Planen, Implementieren, Überprüfen) annotiert. Das Ergebnis ist der erste öffentlich verfügbare Benchmark für die feingranulare Analyse des maschinellen Denkens, einschließlich eines umfangreichen annotierten Korpus und detaillierter Annotationshandbücher. Unsere vorläufige Analyse zeigt deutliche Muster im Denken von LRMs, wie z. B. die Übergangsdynamik zwischen kognitiven Zuständen. Dieser Rahmen bietet eine theoretisch fundierte Methodik zur Interpretation der Kognition von LRMs und ermöglicht zukünftige Arbeiten an kontrollierbareren und transparenteren Denksystemen.

English

While Large Reasoning Models (LRMs) generate extensive chain-of-thought reasoning, we lack a principled framework for understanding how these thoughts are structured. In this paper, we introduce a novel approach by applying Schoenfeld's Episode Theory, a classic cognitive framework for human mathematical problem-solving, to analyze the reasoning traces of LRMs. We annotated thousands of sentences and paragraphs from model-generated solutions to math problems using seven cognitive labels (e.g., Plan, Implement, Verify). The result is the first publicly available benchmark for the fine-grained analysis of machine reasoning, including a large annotated corpus and detailed annotation guidebooks. Our preliminary analysis reveals distinct patterns in LRM reasoning, such as the transition dynamics between cognitive states. This framework provides a theoretically grounded methodology for interpreting LRM cognition and enables future work on more controllable and transparent reasoning systems.