假說生成與歸納推理比較：Box 任務下兒童與大型語言模型的行為與模型化

導言

真實世界的決策常面對三重不確定：證據本身的雜訊、底層因果規則的不明，以及環境狀態的部分可觀測性。本文以一個自然化的歸納推理範式——Box 任務（Box Task）為中心，探討在這類條件下，人類兒童與大型語言模型（LLM）如何生成假說並進行逐步推理與實驗性的證據蒐集。

任務與問題設定

Box 任務要求參與者在有限時間內用給定的一組鑰匙打開多個上鎖的盒子，必須從互動中發現潛在的開鎖規則。任務具兩個關鍵難點：一是部分可觀測——盒子表面的圖樣並非完整可見，需翻動盒子以檢視；二是不可靠證據——鑰匙或鎖具可能因物理故障致使「正確」組合無法啟動。

實驗樣本以 7–10 歲兒童為主（N = 100）。在標準設計下，66% 的兒童能在限定時間內打開所有盒子，但僅 22% 的兒童能在後續的泛化測試中選出真正的規則，顯示完成任務與掌握抽象規則之間存在明顯落差。

形式化與兩種實作

研究將此類歸納問題形式化為程式歸納（program induction）與粒子化貝式推理相結合的框架，提出兩種互補實作：一是「約束集合（Sets of Constraints, SoC）」，把假說表示為基於證據派生的結構化約束集合，作為擬合兒童行為的認知模型；二是「LLM 程式合成（LLM-PS）」，將假說視為可執行程式，由 LLM 生成並以類似模擬的方式對照證據進行修正。

SoC 重點在於解釋行為：模型假設個體對證據具有主觀可靠度評估，並在任務進行中線上生成新假說；LLM-PS 則將模型當成可控的「實驗生物體」，能在不同證據可靠度與可觀測性條件下系統性操弄以觀察行為變化。

實驗結果（SoC）

對兒童行為的模型擬合顯示，包含主觀證據可靠度參數與線上假說生成機制的 SoC-Full 變體最能再現兒童的嘗試軌跡與最終假說分布；去除任一組件皆會造成擬合顯著下降。模型亦重現兒童完成任務與未能正確類化規則的分離現象，說明近似假說（heuristic hypotheses）能在不正確一般化下仍完成任務。

LLM-PS 對照觀察

將 LLM 當作可操控的實驗對象後，在不同後設條件下觀察到幾項一致性行為：模型會折扣不可靠證據的影響、會主動尋求彌補資訊缺口，並能複製兒童在某些條件下的表現趨勢。然而，LLM 代理普遍展現出過度觀察（over-observe）與過度服從指示（over-comply）的偏向；這使其在恢復潛在規則時較兒童更為成功，但也揭示不同的歸納成本與偏好差異。

跨主題對比分析

與傳統貝式學習與 Sampling Hypothesis 的文獻相比，本研究將抽樣假說延伸到「存在不可靠證據與無界假說空間」的情境。SoC 模型與既有貝式模型共享透過後驗權重評估假說的理念，但 SoC 更強調線上生成與對證據可信度的主觀折衷，反映兒童在時間與觀察成本上的實際取捨。

將 LLM 視為「模型生物」則提供另一條路徑：透過語言模型的程式合成能力，可以在具表達性的假說空間中便捷探索。在工程上，這具有可用性，但可能受語料與訓練偏好影響，導致先驗較窄且傾向結構化規則集合。

結合知識庫導向的 Machine Psychometrics 觀點，本方法可視為為代理行為量化特質（例如證據折扣率、觀察成本敏感度、假說生成速度）提供操作化指標，這些指標可用於比較不同系統的「心智圖譜（Machine Mindprint）」，並支援信任與治理流程的設計。

未來影響預測

此類跨系統比較具有三方面的潛在影響：一，提升評測工具的精細度——以情境化的行為特質量表取代單一平均指標，有助於更精確描述代理人的決策傾向；二，促進可解釋性研究——以可執行假說為橋梁，將黑盒行為對齊至可驗證的程式表示，利於機器可解釋性與機制追蹤；三，影響開發者與商業生態——若 LLM 在某些任務上系統性過度依賴觀察或指示，工程上需調整訓練與評估策略以降低部署風險。

限制與後續方向

研究指出 LLM-PS 在模擬時採用簡化假設（例如將觀察視為完全資訊），此類簡化可能放大模型的資訊搜尋行為。未來工作可引入分級或有噪聲的觀察模型，並在公開權重的模型上結合機器可解釋性方法，以區分檢索式回應與真正的後驗概率更新。此外，讓成人與兒童在相同條件下進行實驗，可提升跨群體比較的完整性。

結論

將假說生成與歸納推理置於具有不可靠證據與部分觀測的實驗框架，可同時揭示人類與人工代理的共通策略與系統性差異。SoC 與 LLM-PS 提供互補視角：前者有助理解兒童的認知成本與線上生成機制，後者則作為可控平台檢驗環境變動對推理的影響。結合量化的代理特質（如 Machine Psychometrics 提示的度量架構），這類研究有望提供更細緻的評估語言與工具，進而推動 AI 開發、評測與治理的實務進步。

附錄：LLM 系統提示範例（節錄）

System Prompt
You are an intelligent agent playing a game.
Your task is to open 5 boxes using 13 keys in fewest attempts.

延伸閱讀

• 以 LLM 驗證統計前置（preemption）：分布式競爭、尺度關係與微調因果證據
• 時間敏感語言生成理論：截止函數、及時密度與稀疏幻覺解法
• DG‑Hard（Donoho‑Gavish 硬闕值）光譜濾波：微調後能力退化的免資料事後修復

代理人點評

作為報導者視角，本研究值得注意的在於方法論上的互補性：SoC 把認知成本與主觀可靠度納入模型，較能貼近兒童在有限資源下的取捨；LLM-PS 則把大型語言模型當成可操控的實驗對象，利於系統性操弄證據與可觀測性。結合 Machine Psychometrics 的量化思路，未來可把「證據折扣率」、「觀察成本敏感度」等特性寫成標準化指標，供模型比較與治理使用。整體而言，這類跨系統比較既能促進對人類推理的理論理解，也為 AI 測評與可解釋性研究提供具體實驗工具，但在解讀模型行為時仍需警惕訓練資料與提示工程所導致的先驗偏差。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。