儿童与语言模型中的假设生成与归纳推理
人工智能
2026-05-26 v1 计算与语言
机器学习
摘要
现实世界的决策需要在证据、潜在因果规则以及世界本身状态的不确定性下构建心智模型。在此条件下，支撑人类推理的计算原理是什么？在匹配的约束条件下，基于大语言模型（LLM）的智能体是否表现出类似的行为？我们使用一个归纳推理盒子任务来探讨这些问题，在该任务中，参与者（人类儿童和基于 LLM 的智能体）通过与不确定环境的顺序交互来推断一个潜在原因。我们将此任务形式化为基于贝叶斯粒子推理的程序归纳，这允许两种互补的解释：（1）作为假设上的约束满足过程，以及（2）作为程序合成问题，其中假设是可执行程序，需根据证据进行评估。使用基于约束的公式，我们表明儿童的行为最好由主观证据可靠性和在线假设生成的组合来解释，这解释了他们寻求证据的模式以及任务完成与规则泛化之间的分离。使用程序合成公式，我们将基于 LLM 的智能体视为模型生物：允许系统操纵任务条件的可控系统。在不同的后端上，基于 LLM 的智能体复制了儿童对证据可靠性和可观察性变化的反应，包括折扣不可靠证据、寻求解决部分信息，以及在任务完成和因果泛化之间表现出分离。同时，与儿童相比，基于 LLM 的智能体倾向于过度观察和过度遵守指令。这些结果表明，虽然儿童和基于 LLM 的智能体对环境结构的适应方式相似，但他们的信息寻求行为表现出不同的潜在成本和归纳偏置。
引用
@article{arxiv.2605.24528,
title = {Hypothesis Generation and Inductive Inference in Children and Language Models},
author = {Jeffrey Qin and Wasu Top Piriyakulki and Zhuangfei Gao and Mia Radovanovic and Jessica Sommerville and Kevin Ellis and Marta Kryven},
journal= {arXiv preprint arXiv:2605.24528},
year = {2026}
}