Un modello di bootstrap concettuale nella cognizione umana

Natura Comportamento Umano (2023) Citare questo articolo

Dettagli sulle metriche

Per affrontare un problema difficile, spesso è saggio riutilizzare e ricombinare la conoscenza esistente. Una tale capacità di bootstrap ci consente di sviluppare concetti mentali ricchi nonostante le risorse cognitive limitate. Qui presentiamo un modello computazionale di bootstrap concettuale. Questo modello utilizza un repertorio concettuale dinamico che può memorizzare e successivamente riutilizzare elementi di intuizioni precedenti secondo principi, modellando l’apprendimento come una serie di generalizzazioni compositive. Questo modello prevede concetti appresi sistematicamente diversi quando la stessa prova viene elaborata in ordini diversi, senza alcuna ipotesi aggiuntiva su convinzioni precedenti o conoscenze di base. Attraverso quattro esperimenti comportamentali (totale n = 570), dimostriamo forti effetti di ordine del curriculum e di percorso del giardino concettuale che assomigliano molto alle nostre previsioni del modello e differiscono da quelle di resoconti alternativi. Nel loro insieme, questo lavoro offre un resoconto computazionale di come le esperienze passate modellano le future scoperte concettuali e mette in mostra l’importanza della progettazione del curriculum nelle inferenze concettuali induttive umane.

Le persone hanno una notevole capacità di sviluppare concetti ricchi e complessi nonostante le capacità cognitive limitate. Da un lato, vi sono abbondanti prove che le persone sono ragionatori limitati1,2,3,4,5, hanno un insieme piuttosto ristretto di opzioni mentali alla volta6,7,8,9,10 e generalmente si discostano dalla ricerca esaustiva su un ampio spazi di ipotesi11,12,13,14,15. D'altra parte, questi ragionatori limitati possono sviluppare sistemi concettuali riccamente strutturati16,17,18, produrre spiegazioni sofisticate19,20,21 e portare avanti teorie scientifiche complesse22. Come fanno le persone a creare e cogliere concetti così complessi che sembrano così lontani dalla loro portata?

Newton diede una famosa risposta a questa domanda: “Se ho visto più lontano, è stando sulle spalle dei giganti”23. Ciò riflette l’intuizione che le persone sono limitate ma benedette dalla capacità non solo di imparare dagli altri, ma di estendere e riutilizzare la conoscenza esistente per creare idee nuove e più potenti. Tale capacità è considerata una pietra angolare dello sviluppo cognitivo24. Ad esempio, partendo dai concetti atomici dei piccoli numeri uno, due, tre e contando, i bambini piccoli sembrano passare a concetti numerici più generali e astratti come le relazioni di successione e la linea infinita dei numeri reali25. Tramite il bootstrap, la conoscenza esistente acquisita con fatica non deve essere riscoperta ogni volta che viene utilizzata, risparmiando allo studente tempo e fatica nella costruzione di nuovi concetti che si basano su vecchi concetti. Grazie a una rirappresentazione così efficace della conoscenza esistente, le persone possono arrivare a ricchi costrutti mentali in modo incrementale26,27,28 e sviluppare una gerarchia di concetti in modo naturale attraverso livelli di riutilizzo annidati18.

Sebbene il bootstrap sia un’idea chiave nelle teorie dell’apprendimento e dello sviluppo24, sia gli studi comportamentali che esaminano direttamente il bootstrap sia i modelli cognitivi che ne articolano i meccanismi sono relativamente rari. Piantadosi et al.25 hanno aperto la strada a una linea di ricerca che postulava il bootstrap in un quadro di apprendimento dei concetti bayesiano. Tuttavia, si sono concentrati sulla scoperta di una funzione ricorsiva nell'apprendimento di concetti numerici e hanno lasciato aperto il compito di esaminare il bootstrap come modello generale di inferenza induttiva online. Dechter et al. 29 ha formalizzato l'idea che uno studente artificiale può iniziare risolvendo semplici problemi di ricerca e poi riutilizzare alcune delle soluzioni per fare progressi in problemi più complessi. Questo approccio si è successivamente sviluppato nell'apprendimento della biblioteca bayesiana, una classe di modelli mirati all'estrazione di funzionalità condivise da una raccolta di programmi30,31. Questi modelli hanno risolto con successo una varietà di compiti e hanno dimostrato di catturare aspetti della cognizione umana32,33. Tuttavia, questi lavori sono principalmente mirati all'apprendimento di librerie ottimali o alla risoluzione di problemi di test impegnativi piuttosto che a spiegare come le limitazioni delle risorse interagiscono con i meccanismi di bootstrap e come lo sfruttamento di tali interazioni possa spiegare modelli umani di errori di ragionamento così come di successi.