搜狐首页 教育 宫主大人

手机搜狐

SOHU.COM

人工智能协助探索孩子的学习方式及其认知改变过程

在科学界,我们使用统计数据和实验结果来推断事物之间的因果关系。人工智能与机器学习领域的研究人员已经开始设计软件,允许电脑学习科学家的思维与工作方式。而在过去的15年中,我实验室中的研究人员已经表明,孩子们的学习方式在很大程度上也是这样的。

在一项试验中,我们给学前儿童展示了这样一个简单的机器,底部安装了开关,顶部则放了两个可以旋转的盘子。然后,我们给他们展示,当对这台机器进行相应操作时,将会发生什么。例如,你拿走一个盘子,打开开关,然后等待另一个盘子的反应。

他们能够利用这些展示给他们的数据,正确推断出打开开关后,是蓝色的盘子旋转并使得黄色的盘子跟着它旋转(一种在统计学中叫做因果关系链的结构),还是打开开关后,两个盘子同时跟着一起旋转(一种普通因果结构)。

贝叶斯推理同时考虑新证据的力量和已有假设的力量。贝叶斯统计数据的特点使其兼具稳定性和灵活性。刚学步的儿童和科学家都坚持完全证实的假设,但足够多的新证据最终能够改变人们对已有观念的信赖,即使这些观念是最宝贵的。

一些研究显示,青少年用这种方式将已有知识和新证据整合在一起。罗格斯大学的Elizabeth Bonawitz和麻省理工学院的Laura Schulz发现,让四岁孩子开始思考这样一种心理状态,如焦虑,他们不大可能相信这会使身体健康受到影响,如果告诉他们会使其胃疼,相反,他们还会拒绝接受任何证据。但是,如果你给他们足够的证据,来支持这种“身心”假设,他们就会对这种可疑的观念逐渐接受。此外,贝叶斯模型可以预测一个孩子的观点何时以及如何完全改变。

在我们的实验室,我们同样发现,孩子们能够对更抽象的因果关系作出惊人的准确推断。同一个原因能够以不同的方式造成不一样的结果,我们可以用计算机程序员的“布尔逻辑”进行描述。

例如,对一台机器使用“or”命令:模块可以激活也可以不激活机器。如果使用“AND”命令:模块需要组合来使机器运转。

学龄前儿童能够从这些统计模式中学习这些抽象的原则。有时他们比成年人做得更好。贝叶斯模型能够预测四岁孩童如何掌握这种基本的计算机编程逻辑。

值得注意的是,在所有这些案例中,孩子们只经过几次试验就得出了正确的结论,而不是所谓的“深度学习”需要的成千上万次。他们似乎是通过综合周围世界的内化模型和不断从周围环境获得新证据来做到这一点的。

关于作者:

Alison Gopnik是加利福利亚大学-伯克利分校的心理学教授和哲学教授,她在关于孩子们如何形成“心智理论”(一种能够理解自己与其他人思想的能力)方面进行了开创性的研究。她帮助制定了“theory theory”——认为孩子的学习方式和科学家一样的理论。她认为,对儿童心智的调查可以帮助我们解决诸如意识之谜等深层次的哲学问题。

来源:Scientific American

作者:Alison Gopnik

智能观 编译

精选