基于简要教程与解释性反馈的人类系统性学习与泛化

神经网络长期以来被用于建模人类智能，捕捉行为与认知的要素及其神经基础。深度学习的近期进展使神经网络模型在许多方面达到甚至超越人类智能水平，但与人类不同，它们快速学习新任务的能力仍具挑战。人们不仅能在熟悉领域中进行推理，还能快速学会对新颖问题和情境进行推理，这引发了现代神经网络模型在多大程度上捕捉人类智能以及它们在哪些方面存在偏差的问题。在这项工作中，我们通过考察人类成年人在基于数独的抽象推理任务上的学习能力来探索这一差距，该任务来自一个简短的教学教程，并对错误回答提供解释性反馈，且使用范围狭窄的训练样例。我们发现，掌握该任务的参与者在少量试验内即学会，并能很好地泛化到训练范围之外的谜题。我们还发现，大多数掌握任务的参与者能够描述有效的解决策略，且这类参与者在迁移谜题上的表现优于策略描述模糊或不完整的参与者。有趣的是，不到一半的人类参与者成功习得了有效的解决策略，且该能力与高中数学教育相关。我们思考了这些发现对构建捕捉我们发现所有方面的计算模型所带来的挑战，并指出参与基于解释的推理学习可能在支持快速学习与泛化中发挥作用。