资源限制下的路径依赖程序归纳解释了人类序列学习

arXiv:2606.20623v1 公告类型：新 摘要：人们如何在有限的认知资源下从连续的经验中构建抽象的、可重用的知识？为了回答这个问题，我们将率失真理论与程序归纳的最新进展相结合，以描述先验知识如何塑造哪些未来结构的编码成本低且易于发现。我们将其形式化为分层适配器语法（HAG），具有不同的本地（任务内）和全局（跨任务）库，由内存和计算的约束共同管理。在模拟中，HAG 比固定语法或浅分块方法实现了更好的率失真权衡和更强的泛化能力。在在线旋律序列学习实验中，参与者的回忆错误反映了系统的简化和在推断的程序边界处反应时间的增加。逐次试验拟合进一步表明，分层库最好地解释了回忆和样本外延续选择方面的个体差异，优于所有替代模型。这些发现将结构化学习视为有界程序归纳，其中经验的顺序塑造了学习者构建的未来抽象。