Um modelo de inicialização conceitual na cognição humana

Natureza Comportamento Humano (2023)Cite este artigo

Detalhes das métricas

Para resolver um problema difícil, muitas vezes é aconselhável reutilizar e recombinar o conhecimento existente. Essa capacidade de inicialização nos permite desenvolver conceitos mentais ricos, apesar dos recursos cognitivos limitados. Aqui apresentamos um modelo computacional de bootstrapping conceitual. Este modelo utiliza um repertório conceitual dinâmico que pode armazenar em cache e posteriormente reutilizar elementos de insights anteriores de maneira baseada em princípios, modelando a aprendizagem como uma série de generalizações composicionais. Este modelo prevê conceitos aprendidos sistematicamente diferentes quando a mesma evidência é processada em ordens diferentes, sem quaisquer suposições adicionais sobre crenças anteriores ou conhecimentos prévios. Através de quatro experimentos comportamentais (total n = 570), demonstramos fortes efeitos de ordem curricular e de caminhos conceituais que se assemelham muito às previsões do nosso modelo e diferem daquelas de relatos alternativos. Tomados em conjunto, este trabalho oferece um relato computacional de como as experiências passadas moldam as futuras descobertas conceituais e mostra a importância do design curricular nas inferências de conceitos indutivos humanos.

As pessoas têm uma capacidade notável de desenvolver conceitos ricos e complexos, apesar das capacidades cognitivas limitadas. Por um lado, há provas abundantes de que as pessoas são raciocinadores limitados1,2,3,4,5, consideram um conjunto bastante pequeno de opções mentais de cada vez6,7,8,9,10 e geralmente desviam-se da pesquisa exaustiva em grandes áreas. espaços de hipóteses11,12,13,14,15. Por outro lado, estes raciocinadores limitados podem desenvolver sistemas conceituais ricamente estruturados16,17,18, produzir explicações sofisticadas19,20,21 e impulsionar teorias científicas complexas22. Como as pessoas são capazes de criar e compreender conceitos tão complexos que parecem tão fora do seu alcance?

Newton deu uma resposta famosa a esta pergunta: “Se vi mais longe, foi por estar sobre ombros de gigantes”23. Isto reflecte a intuição de que as pessoas estão limitadas, mas abençoadas com a capacidade não apenas de aprender com os outros, mas de ampliar e reaproveitar o conhecimento existente para criar ideias novas e mais poderosas. Tal habilidade é tida como pedra angular do desenvolvimento cognitivo24. Por exemplo, ao construir a partir de conceitos atômicos de números pequenos um, dois, três e contagem, as crianças pequenas parecem se adaptar a conceitos numéricos mais gerais e abstratos, como relações de sucessor e a linha infinita de números reais25. Através do bootstrapping, o conhecimento existente, adquirido com dificuldade, não precisa ser redescoberto sempre que é usado, economizando tempo e esforço do aluno na construção de novos conceitos que se baseiam em conceitos antigos. Devido a essa re-representação eficaz do conhecimento existente, as pessoas podem chegar a construções mentais ricas de forma incremental26,27,28 e desenvolver uma hierarquia de conceitos naturalmente através de níveis de reutilização aninhada18.

Embora o bootstrapping seja uma ideia-chave nas teorias de aprendizagem e desenvolvimento24, tanto os estudos comportamentais que examinam o bootstrapping diretamente como os modelos cognitivos que articulam os seus mecanismos são relativamente raros. Piantadosi et al.25 foram pioneiros em uma linha de pesquisa que postulou o bootstrapping em uma estrutura bayesiana de aprendizagem de conceitos. No entanto, eles se concentraram na descoberta de uma função recursiva na aprendizagem de conceitos numéricos e deixaram em aberto a tarefa de examinar o bootstrapping como um modelo geral de inferência indutiva online. Dechter et al. 29 formalizou a ideia de que um aluno artificial pode começar resolvendo problemas de pesquisa simples e depois reutilizar algumas das soluções para progredir em problemas mais complexos. Esta abordagem posteriormente evoluiu para a aprendizagem de biblioteca bayesiana, uma classe de modelos que visa a extração de funcionalidades compartilhadas de uma coleção de programas30,31. Esses modelos resolveram com sucesso uma variedade de tarefas e demonstraram capturar aspectos da cognição humana32,33. No entanto, esses trabalhos visam principalmente aprender bibliotecas ótimas ou resolver problemas de teste desafiadores, em vez de explicar como as limitações de recursos interagem com os mecanismos de bootstrapping e como a exploração de tais interações pode explicar padrões humanos de erros de raciocínio, bem como de sucessos.