Un modèle d'amorçage conceptuel dans la cognition humaine

Nature Comportement Humain (2023)Citer cet article

Détails des métriques

Pour résoudre un problème difficile, il est souvent judicieux de réutiliser et de recombiner les connaissances existantes. Une telle capacité d’amorçage nous permet de développer des concepts mentaux riches malgré des ressources cognitives limitées. Nous présentons ici un modèle informatique de bootstrapping conceptuel. Ce modèle utilise un répertoire conceptuel dynamique qui peut mettre en cache et réutiliser ultérieurement des éléments d'idées antérieures de manière fondée, modélisant l'apprentissage comme une série de généralisations compositionnelles. Ce modèle prédit systématiquement différents concepts appris lorsque les mêmes preuves sont traitées dans des ordres différents, sans aucune hypothèse supplémentaire sur les croyances antérieures ou les connaissances de base. À travers quatre expériences comportementales (n total = 570), nous démontrons de forts effets d’ordre pédagogique et de tracé conceptuel du jardin qui ressemblent étroitement aux prédictions de notre modèle et diffèrent de celles des récits alternatifs. Pris ensemble, ces travaux offrent un compte rendu informatique de la manière dont les expériences passées façonnent les futures découvertes conceptuelles et mettent en valeur l'importance de la conception des programmes dans les inférences de concepts inductifs humains.

Les gens ont une capacité remarquable à développer des concepts riches et complexes malgré des capacités cognitives limitées. D'une part, il existe de nombreuses preuves que les gens raisonnent de manière limitée1,2,3,4,5, envisagent un ensemble plutôt restreint d'options mentales à la fois6,7,8,9,10 et s'écartent généralement de la recherche exhaustive sur de vastes étendues. espaces d’hypothèses11,12,13,14,15. D’un autre côté, ces raisonneurs limités peuvent développer des systèmes conceptuels richement structurés16,17,18, produire des explications sophistiquées19,20,21 et faire avancer des théories scientifiques complexes22. Comment les gens sont-ils capables de créer et de comprendre des concepts aussi complexes qui semblent si hors de leur portée ?

Newton a donné une réponse célèbre à cette question : « Si j’ai vu plus loin, c’est en me tenant sur les épaules de géants »23. Cela reflète l’intuition selon laquelle les gens sont limités mais dotés de la capacité non seulement d’apprendre des autres, mais aussi d’étendre et de réutiliser les connaissances existantes pour créer des idées nouvelles et plus puissantes. Cette capacité est considérée comme la pierre angulaire du développement cognitif24. Par exemple, en partant des concepts atomiques des petits nombres un, deux, trois et du comptage, les jeunes enfants semblent s’orienter vers des concepts numériques plus généraux et abstraits tels que les relations de succession et la ligne infinie des nombres réels25. Grâce au bootstrapping, les connaissances durement acquises existantes n'ont pas besoin d'être redécouvertes à chaque fois qu'elles sont utilisées, ce qui permet à l'apprenant d'économiser du temps et des efforts pour construire de nouveaux concepts qui s'appuient sur d'anciens concepts. Grâce à une représentation aussi efficace des connaissances existantes, les gens peuvent arriver progressivement à des constructions mentales riches26,27,28 et développer naturellement une hiérarchie de concepts à travers des niveaux de réutilisation imbriqués18.

Bien que le bootstrapping soit une idée clé dans les théories de l’apprentissage et du développement24, les études comportementales qui examinent directement le bootstrapping et les modèles cognitifs articulant ses mécanismes sont relativement rares. Piantadosi et al.25 ont été les pionniers d'une ligne de recherche postulant le bootstrap dans un cadre d'apprentissage de concepts bayésien. Cependant, ils se sont concentrés sur la découverte d’une fonction récursive dans l’apprentissage de concepts numériques et ont laissé ouverte la tâche d’examiner le bootstrapping en tant que modèle général d’inférence inductive en ligne. Dechter et coll. 29 a formalisé l'idée qu'un apprenant artificiel peut commencer par résoudre des problèmes de recherche simples, puis réutiliser certaines des solutions pour progresser dans des problèmes plus complexes. Cette approche s'est ensuite développée en apprentissage bayésien en bibliothèque, une classe de modèles visant à extraire des fonctionnalités partagées à partir d'une collection de programmes30,31. Ces modèles ont résolu avec succès diverses tâches et se sont avérés capables de capturer des aspects de la cognition humaine32,33. Cependant, ces travaux visent principalement à apprendre des bibliothèques optimales ou à résoudre des problèmes de test difficiles plutôt qu'à expliquer comment les limitations de ressources interagissent avec les mécanismes d'amorçage, et comment l'exploitation de telles interactions peut expliquer les modèles humains d'erreurs de raisonnement ainsi que les succès.