Comprendiendo el Proceso de Pensamiento de los Modelos de Razonamiento: Una Perspectiva desde la Teoría de Episodios de Schoenfeld

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

September 18, 2025

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

cs.AI

Resumen

Mientras que los Modelos de Razonamiento a Gran Escala (LRMs, por sus siglas en inglés) generan cadenas de pensamiento extensas, carecemos de un marco teórico fundamentado para comprender cómo se estructuran estos pensamientos. En este artículo, presentamos un enfoque novedoso al aplicar la Teoría de Episodios de Schoenfeld, un marco cognitivo clásico para la resolución de problemas matemáticos humanos, para analizar las trazas de razonamiento de los LRMs. Anotamos miles de oraciones y párrafos de soluciones generadas por modelos a problemas matemáticos utilizando siete etiquetas cognitivas (por ejemplo, Planificar, Implementar, Verificar). El resultado es el primer punto de referencia disponible públicamente para el análisis detallado del razonamiento automático, que incluye un corpus anotado de gran tamaño y guías de anotación detalladas. Nuestro análisis preliminar revela patrones distintivos en el razonamiento de los LRMs, como las dinámicas de transición entre estados cognitivos. Este marco proporciona una metodología teóricamente fundamentada para interpretar la cognición de los LRMs y permite trabajos futuros en sistemas de razonamiento más controlables y transparentes.

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.