arXiv cs.AI· Jeffrey Qin, Zhuangfei Gao, Wasu Top Piriyakulkij, Mia Radovanovic, Jessica Sommerville, Kevin Ellis, Marta Kryven·· 13 小时前AI 评分22
从不可靠证据中学习心智模型：基于贝叶斯粒子推理与 LLM 程序合成的儿童推断计算分析
Learning Mental Models From Unreliable Evidence
AI 导读
研究用贝叶斯粒子推理框架对儿童在 Box Task 中的推断行为做计算建模，模型需同时考虑证据的主观可靠性与在线假设生成，才能解释儿童行为的关键特征。假设以约束和可执行程序两种形式表示，程序化假设用 LLM 程序合成实现，在三种提示词变体和多个 LLM 后端上验证了稳健性。
正文 · AI 翻译
摘要：儿童尽管世界知识有限，却能在不确定性下熟练地构建心理模型。哪些计算原理使这成为可能？我们通过一个交互式物理盒子任务来研究这个问题，在该任务中，参与者通过与一个随机且部分可观测的环境交互来推断一个潜在原因。盒子任务最初是为定性研究儿童的解题过程而设计的。我们贡献了一项行为的计算分析，将儿童在推理展开过程中生成新假设并回应环境不确定性的认知过程形式化。我们的建模框架基于贝叶斯粒子推断，它维护一小组工作假设并不断生成新的假设。我们在该框架内给出了假设表示的两种互补实现：（1）作为对证据的约束，（2）作为针对证据进行评估的可执行程序。使用基于约束的表述，我们表明该模型需要同时考虑证据的主观可靠性和在线假设生成，才能解释儿童行为的关键特征。使用程序化表述，我们表明当证据解释困难时，假设可以采取部分组合规则的形式来指导信息收集。程序化假设使用基于 LLM 的程序合成来实现，并在三种提示变体和多个 LLM 后端上进行了评估，证明了我们方法的稳健性。总之，这些结果扩展了当前的儿童推断模型，以考虑证据的主观可靠性和开放式假设空间，并对实践中生成的假设可能采取的形式提供了计算分析。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2605.24528 [cs.AI] |
| （或本版本的 arXiv:2605.24528v3 [cs.AI]） | |
| https://doi.org/10.48550/arXiv.2605.24528 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Marta Kryven [查看电子邮件]
[v1]
2026年5月23日星期六 11:38:56 UTC（2,979 KB）
[v2]
2026年5月30日星期六 22:18:51 UTC（2,979 KB）
[v3]
2026年10月29日星期四 14:17:54 UTC（3,212 KB）
来源：arXiv cs.AI · arxiv.org