主动概念学习中的粗略猜测与温和猜测

人类概念学习通常是主动进行的：学习者选择查询或测试哪些实例以减少对底层规则或类别的不确定性。主动概念学习必须在查询的 informative性与生成和评分假设的稳定性之间进行权衡。我们研究了这种权衡，针对假设由大语言模型（LLM）提出的可执行程序构成的神经符号贝叶斯学习者。我们比较了选择查询以最大化近似期望信息增益（EIG）的理性学习者，以及查询当前最佳假设下预测为正的实例的类人正向测试策略（PTS）。在经典数字游戏中的概念学习任务中，EIG 在需要 falsification 的情况下有效（例如复合或异常规则），但在简单概念上表现不佳。我们追溯到这一失败是由于 EIG 策略与 LLM 提案分布之间的支持不匹配：高度诊断性的边界查询会导致后验向生成无效或过于具体程序的区域靠拢，导致粒子近似中的支持不匹配陷阱。PTS 虽然信息次优，但通过选择“安全”查询来维持提案有效性，导致对简单规则的更快收敛。我们的结果表明，“确认偏差”可能不是认知错误，而是针对人类思维典型特征稀疏、开放式假设空间中保持可计算推断的理性适应。