跨心智与模型的视觉分类：人类标注与神经符号整合的认知分析

理解人类和AI系统如何解释模糊的视觉刺激，对于洞察感知、推理和决策的本质至关重要。本文考察了人类参与者和深度神经网络在图像标注任务上的表现，重点关注低分辨率、感知退化的刺激。借鉴计算认知科学、认知架构和连接主义-符号混合模型，我们对比了人类的类比推理、基于形状的识别和置信度调节等策略与AI的特征处理方式。以马尔的三个层次假设、西蒙的有限理性以及塔加德的表征与情感框架为基础，我们分析了参与者响应与模型注意力的Grad-CAM可视化之间的关系。人类行为进一步通过ACT-R和Soar中建模的认知原则进行解释，揭示了不确定性下的分层和启发式决策策略。我们的发现揭示了生物系统和人工系统在表征、推理和置信度校准方面的关键相似性与差异。该分析为未来统一结构化符号推理与连接主义表征的神经符号架构提供了动力。受到具身性、可解释性和认知对齐原则指导的此类架构，为实现不仅高效而且可解释且具有认知基础的AI系统提供了一条路径。