في عالم يتسم بالقرارات المعقدة، يتطلب نجاح الأفراد بناء نماذج عقلية تحت ظل عدم اليقين في المعلومات والقواعد السببية المحيط بهم. ولكن ما هي المبادئ الحسابية التي تدعم استدلال البشر في مثل هذه الظروف؟ وللإجابة على هذا السؤال، أجرى الباحثون دراسة فريدة تستكشف سلوك الأطفال ونماذج اللغة الضخمة (LLMs) في محاولة لاستنتاج أسباب خفية عبر تفاعل تدريجي مع بيئة غير مؤكدة.

تعتمد هذه الدراسة على ما يعرف بمهمة الاستدلال الاستقرائي، حيث تمكن المشاركون - الأطفال ونماذج اللغة - من استخلاص سبب خفي من خلال تفاعلهم مع المعلومات المتاحة. وقد تم تحديد هذا التفاعل على أنه عملية برمجة استقرائية باستخدام نماذج بايزي (Bayesian) تعتمد على استدلال الجسيمات، مما يسمح بفهم سلوك الأطفال بشكل أفضل من خلال تفسيرين متكاملين:
1. كعملية إرضاء للقيود على الفرضيات.
2. كمشكلة تكوين برامج يتم تقييمها مقابل الأدلة المتاحة.

من خلال الصيغة القائمة على القيود، توصل الباحثون إلى أن سلوك الأطفال يمكن تفسيره بشكل أفضل من خلال الجمع بين موثوقية الأدلة الذاتية وتوليد الفرضيات عبر الإنترنت، مما يفسر نمط سعيهم للحصول على الأدلة والتفريق بين إكمال المهام وتعميم القواعد.

من جهة أخرى، استخدم الباحثون نماذج اللغة كأنظمة قابلة للتحكم، مما يسمح بتلاعب منهجي في ظروف المهمة. وقد أثبتت نماذج اللغة قدرتها على تكرار استجابة الأطفال تجاه التغيرات في موثوقية الأدلة ووضوحها، مثل الاستغناء عن الأدلة غير الموثوقة والسعي لحل المعلومات الجزئية. ومع ذلك، تميل نماذج اللغة إلى المشاهدة الزائدة والامتثال المفرط للتعليمات مقارنة بالأطفال، مما يبرز أن سلوك البحث عن المعلومات يعكس تكاليف وتحامل استقرائي متميز في كل من الأطفال ونماذج اللغة الضخمة.

بالمجمل، تقدم هذه النتائج فرصة مثيرة لفهم آليات التعلم والاستدلال لدى الأطفال وتقنيات الذكاء الاصطناعي على حد سواء، مما يفتح آفاقاً جديدة للبحث في كلا المجالين.

ما رأيكم في هذه الاكتشافات؟ شاركونا آراءكم في التعليقات!