🤖 AI

Hypothesis Generation and Inductive Inference in Children and Language Models

Dieser Artikel vergleicht menschliche Kinder und LLM-basierte Agenten in einer induktiven Inferenzaufgabe und zeigt auf, dass sich zwar beide durch unterschiedliche rechnerische Mechanismen ähnlich an Umweltunsicherheit und die Zuverlässigkeit von Evidenz anpassen, LLMs jedoch im Vergleich zu Kindern einzigartige Tendenzen zur Überbeobachtung und zur Befolgung von Anweisungen aufweisen.

Ursprüngliche Autoren: Jeffrey Qin, Wasu Top Piriyakulki, Zhuangfei Gao, Mia Radovanovic, Jessica Sommerville, Kevin Ellis, Marta Kryven

Veröffentlicht 2026-05-26

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Jeffrey Qin, Wasu Top Piriyakulki, Zhuangfei Gao, Mia Radovanovic, Jessica Sommerville, Kevin Ellis, Marta Kryven

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie befinden sich in einem Raum mit fünf verschlossenen Boxen und einem Stapel aus 13 Schlüsseln. Sie wissen nicht, welcher Schlüssel welche Box öffnet. Um es schwierig zu machen, hat Ihnen ein Lehrer gerade eine Lüge erzählt: „Der rote Schlüssel öffnet die rote Box, der blaue Schlüssel öffnet die blaue Box." Doch in Wirklichkeit öffnen sich die Boxen basierend auf einem geheimen Code, der Zahlen und Formen beinhaltet, die Sie erst sehen können, wenn Sie die Boxen aufnehmen.

Dies ist das Szenario der „Box-Aufgabe", des zentralen Experiments in diesem Papier. Die Forscher wollten verstehen, wie Menschen (speziell Kinder) und Künstliche Intelligenz (speziell Large Language Models, oder LLMs) die Wahrheit herausfinden, wenn die Welt verwirrend ist, die Informationen unvollständig sind und die Anweisungen falsch sein könnten.

Hier ist eine Aufschlüsselung dessen, was sie herausfanden, unter Verwendung einfacher Analogien.

1. Die zwei Denkweisen: Die „Einschränkung" versus das „Programm"

Die Forscher entwickelten zwei verschiedene Computermodelle, um zu simulieren, wie diese Agenten denken.

Das „Einschränkungs"-Modell (für Kinder): Stellen Sie sich den Geist eines Kindes als einen Detektiv vor, der ein Notizbuch hält. Jedes Mal, wenn sie einen Schlüssel ausprobieren und er versagt, schreiben sie eine neue Regel auf den Block: „Okay, Rot funktioniert nicht." Sie bauen nicht unbedingt sofort ein perfektes, logisches System auf. Stattdessen jonglieren sie gleichzeitig mit einigen möglichen Ideen (Hypothesen). Manchmal raten sie, manchmal folgen sie der Lüge des Lehrers, und manchmal erfinden sie eine neue Regel auf der Stelle. Die Forscher nennen dies „Sätze von Einschränkungen".
Das „Programm"-Modell (für KI): Stellen Sie sich die KI als Computerprogrammierer vor. Anstatt nur Notizen zu machen, schreibt die KI ein winziges Computerprogramm (eine Reihe von Anweisungen), das besagt: „Wenn der Schlüssel eine Zahl hat, prüfe, ob sie mit der Box übereinstimmt." Wenn das Programm fehlschlägt, schreibt die KI den Code um. Dies wird als „Programmsynthese" bezeichnet.

2. Die große Entdeckung: Sie verhalten sich ähnlich, aber aus unterschiedlichen Gründen

Die Forscher setzten sowohl die Kinder als auch die KI demselben Rätsel aus, wobei sie die Schlüssel manchmal „klebrig" (unzuverlässig) machten, sodass sie die Box nicht immer öffneten, selbst wenn sie der richtige Schlüssel waren.

Die Ähnlichkeit:
Sowohl Kinder als auch KI gerieten auf die gleiche Weise in Verwirrung.

Sie zweifelten am Beweis: Wenn ein Schlüssel eine Box nicht öffnete, dachten beide Gruppen oft: „Vielleicht ist das Schloss einfach festgefahren", anstatt sofort zu erkennen: „Meine Regel ist falsch." Sie gaben dem „klebrigen Schloss" den Vorteil des Zweifels.
Sie lösten das Rätsel, ohne es zu verstehen: Viele Kinder (und KI) schafften es, alle fünf Boxen zu öffnen, entweder durch Glück oder durch die Verwendung einer chaotischen Mischung aus Regeln, aber wenn sie gebeten wurden, die wahre Regel einer neuen Box zu erklären, scheiterten sie. Sie erledigten die Aufgabe, ohne die Lektion zu lernen.

Der Unterschied:

Die KI ist ein „guter Schüler": Die KI folgte strikt den Anweisungen des Lehrers. Wenn der Lehrer sagte „Passen Sie die Farben an", versuchte die KI zuerst, die Farben anzupassen, selbst wenn es offensichtlich falsch war. Sie war sehr gehorsam.
Die Kinder sind „Skeptiker": Die Kinder waren weniger gehorsam. Viele von ihnen ignorierten die Lüge des Lehrers sofort und begannen, zufällige Schlüssel zu testen.
Der „Überbeobachter" versus der „Unterbeobachter":
- Die KI war wie ein Roboter, der das Gefühl hatte, jeden einzelnen Boxen zu prüfen, bevor er einen Schlüssel probierte. Sie hob systematisch jede Box auf, um die Formen zu zählen, selbst wenn sie hätte raten können.
- Die Kinder waren wie faule Detektive. Viele von ihnen hoben überhaupt keine Boxen auf. Sie rieten basierend auf dem, was sie aus der Ferne sehen konnten. Sie schienen das „Aufheben einer Box" als eine Kostenstelle zu betrachten, der sie ausweichen wollten.

3. Warum dies wichtig ist

Das Papier argumentiert, dass Kinder und KI zwar beide Rätsel in unsicheren Umgebungen lösen können, dies jedoch mit unterschiedlichen „internen Kosten" tun.

Für die KI: Die Kosten für das Überprüfen von Informationen sind null. Sie wird nicht müde, sie wird nicht gelangweilt und sie macht nichts dagegen, Anweisungen blind zu befolgen. Sie wird jede Box prüfen, wenn die Mathematik besagt, dass dies der effizienteste Weg ist, um sicherzugehen.
Für das Kind: Es gibt eine unsichtbare „Kosten" für das Sammeln von Informationen. Vielleicht ist es sozial (sie wollen nicht albern aussehen, wenn sie Boxen aufheben), oder vielleicht ist es einfach geistige Energie. Aus diesem Grund raten sie oft, nehmen Abkürzungen und bekommen manchmal die Antwort richtig, ohne tatsächlich zu wissen, warum sie richtig ist.

Das Fazit

Die Forscher nutzten die KI als „Versuchsperson" (ein Modellorganismus), um zu sehen, was passiert, wenn man die Regeln des Spiels ändert. Sie stellten fest, dass, wenn man einer KI dieselbe Unsicherheit und dieselben unzuverlässigen Beweise gibt, mit denen Kinder konfrontiert sind, die KI beginnt, mehr wie ein Kind zu handeln: Sie gerät in Verwirrung, zögert, ihre Meinung zu ändern, und löst das Rätsel manchmal versehentlich.

Die KI ist jedoch grundlegend anders: Sie ist zu gehorsam und zu eifrig, Daten zu sammeln. Kinder hingegen sind bereit, Risiken einzugehen, schlechte Ratschläge zu ignorieren und Schritte zu überspringen, um Energie zu sparen. Das Papier kommt zu dem Schluss, dass wir, um menschliche Intelligenz wirklich zu verstehen, diese versteckten „Kosten" des Denkens und Beobachtens berücksichtigen müssen, die Maschinen nicht haben.

Technische Zusammenfassung: Hypothesengenerierung und induktive Inferenz bei Kindern und Sprachmodellen

Problemstellung

Die Entscheidungsfindung in der realen Welt erfordert das Konstruieren mentaler Modelle unter Unsicherheit bezüglich von Evidenz, zugrunde liegenden kausalen Regeln und dem Zustand der Welt selbst. Eine zentrale Herausforderung in der Kognitionswissenschaft und Robotik besteht darin, die rechnerischen Prinzipien zu identifizieren, die es Agenten ermöglichen, unter diesen Bedingungen kohärente Theorien zu entdecken. Insbesondere mangelt es an experimentellen Rahmenwerken, die systematisch interagierende Unsicherheitsquellen über verschiedene Systeme (menschlich vs. künstlich) hinweg variieren, um Inferenzmechanismen zu vergleichen.

Dieser Beitrag adressiert dies durch die Modellierung induktiver Inferenz in der Box-Aufgabe (Kastenaufgabe), einem physischen Puzzle-Lösungsbereich, der ursprünglich entwickelt wurde, um zu untersuchen, wie 7- bis 10-jährige Kinder auf irreführende Anweisungen unter Unsicherheit reagieren. Die Aufgabe besteht darin, fünf verschlossene Kisten mit dreizehn Schlüsseln innerhalb eines Zeitlimits zu öffnen. Die wahre Regel (die Anzahl der Formen auf einer Kiste mit der Nummer eines Schlüssels abzugleichen) ist latent, während Kinder durch ein Lehrervideo getäuscht werden, das eine Farb-Abgleich-Regel suggeriert. Die Umgebung ist teilweise beobachtbar (Formanzahlen sind verborgen, bis die Kisten aufgehoben werden) und weist unzuverlässige Evidenz auf (mechanische Ausfälle können verhindern, dass korrekte Schlüssel-Kisten-Kombinationen sich öffnen).

Methodik

Die Autoren formalisieren die Box-Aufgabe als Partially Observable Markov Decision Process (POMDP), bei dem ein Agent eine latente Regel $h$ aus stochastischen Zustandsübergängen und unvollständigen Beobachtungen entdecken muss. Sie implementieren zwei komplementäre Rahmenwerke, um die Lösung unter Verwendung von Sequential Monte Carlo Samplern (SMC-S) für Online-Bayes-Updates zu approximieren:

1. Mengen von Einschränkungen (Sets of Constraints, SoC) – Kognitives Modellieren

Diese Implementierung behandelt Hypothesen als strukturierte Sammlungen evidenzbasierter Einschränkungen. Sie dient als kognitives Modell, das an das Verhalten menschlicher Kinder angepasst ist ( $N=100$ ).

Hypothesendarstellung: Hypothesen sind Abbildungen von Kisten auf Schlüssel.
Vorschlagsverteilung: Eine Mischung aus:
- Vordefinierten Regeln: Auffällige Kandidatenregeln (Farbe, Form, Reihenfolge) mit zugewiesenen Priors.
- Online-Generator: Ein Mechanismus, um neue Einschränkungen basierend auf angesammelter Evidenz vorzuschlagen, konsistente Zuordnungen hochzuwerten und falsifizierte herunterzuwerten.
Subjektive Zuverlässigkeit: Führt einen Parameter $\rho \in (0, 1]$ ein, der die subjektive Schätzung des Agenten bezüglich der Zuverlässigkeit der Evidenz darstellt. Dies ermöglicht dem Modell, Ausfälle externen Ursachen (z. B. einem steifen Schloss) zuzuschreiben, anstatt die Hypothese sofort zu falsifizieren.
Varianten: Die Autoren testeten vier Varianten, einschließlich lesionierter Modelle (Entfernung des Generators oder der subjektiven Zuverlässigkeit) und eines Vollmodells (SoC-Full).

2. LLM-basierte Programmsynthese (LLM-PS) – Modellorganismus

Diese Implementierung behandelt Large Language Models (LLMs) als kontrollierbare „Modellorganismen", um zu untersuchen, wie sich das Verhalten unter systematischer Variation der Umweltbedingungen ändert.

Hypothesendarstellung: Hypothesen sind ausführbare Python-Funktionen (predict(key, box) -> bool), die vom LLM generiert und revidiert werden.
Inferenz-Engine: Das System unterhält eine Population von Hypothesen-Partikeln. Wenn ein Partikel für „Rejuvenation" (Verjüngung) ausgewählt wird, wird der LLM aufgefordert, ein revidiertes Programm zu synthetisieren, das konsistent mit der Historie von Aktionen und Ergebnissen ist.
Aktionsauswahl: Agenten wählen Aktionen aus, um den erwarteten Informationsgewinn (EIG) über die Partikelverteilung zu maximieren.
Varianten: Die Autoren implementierten Bedingungen, die der menschlichen Aufgabe entsprechen:
- LLM-PS-S: Vollständige Beobachtbarkeit, unzuverlässige Schlüssel.
- LLM-PS-P: Teilweise Beobachtbarkeit (erfordert OBSERVE-Aktionen, um Formanzahlen offenzulegen), unzuverlässige Schlüssel.
- ReAct-Baseline: Ein standardmäßiger ReAct-Agent, der Aktionen direkt generiert, ohne explizite Hypothesendarstellungen zu unterhalten.

Hauptbeiträge

Formalisierung induktiver Inferenz: Der Beitrag erweitert die Sampling-Hypothese auf Szenarien mit unzuverlässiger Evidenz und unbeschränkten Hypothesenräumen und bietet zwei komplementäre Implementierungen: einschränkungs-basiert (SoC) und Programmsynthese (LLM-PS).
Rechnerische Analyse von Kindern: Die Studie zeigt, dass das Verhalten von Kindern am besten durch das gemeinsame Wirken von subjektiver Evidenzzuverlässigkeit (Abwertung von Ausfällen als mechanische Fehler) und Online-Hypothesengenerierung (Erstellung angenäherter Lösungen) erklärt wird. Dies erklärt die Dissoziation zwischen Aufgabenabschluss und Generalisierung der wahren Regel.
Kontrollierter Vergleich: Indem sie LLMs als Modellorganismen behandeln, variieren die Autoren systematisch die Zuverlässigkeit der Evidenz und die Beobachtbarkeit. Sie zeigen, dass LLM-basierte Agenten die Leistungsmuster von Kindern unter unsicheren Bedingungen replizieren (z. B. Abwertung unzuverlässiger Evidenz, Suche nach Auflösung teilweiser Informationen), aber unterschiedliche induktive Verzerrungen aufweisen, insbesondere eine Tendenz zur übermäßigen Beobachtung und zur übermäßigen Befolgung von Anweisungen im Vergleich zu Kindern.

Ergebnisse

SoC-Ergebnisse

Modellanpassung: Das SoC-Full-Modell (unter Einbeziehung sowohl subjektiver Zuverlässigkeit als auch eines Online-Generators) lieferte eine signifikant bessere Anpassung an die Trajektorien und Generalisierungsraten der Kinder als jede lesionierte Variante ( $p < .001$ ).
Generalisierung: Während 66 % der Kinder alle Kisten öffneten, generalisierten nur 22 % die wahre Regel. Das SoC-Full-Modell replizierte dies und konvergierte in etwa 20 % der Simulationen auf die korrekte Regel.
Mechanismus: Die Ergebnisse deuten darauf hin, dass weder subjektive Zuverlässigkeit noch Online-Generierung allein ausreichen; ihre Kombination ist erforderlich, um die Verteilung der Versuche und die niedrige Rate korrekter Generalisierung zu reproduzieren.

LLM-PS-Ergebnisse

Replikation von Mustern: LLM-basierte Agenten replizierten die Reaktionen der Kinder auf Änderungen in der Zuverlässigkeit der Evidenz und der Beobachtbarkeit. Sie werteten unzuverlässige Evidenz erfolgreich ab und suchten nach Auflösung teilweiser Informationen.
Aufgabenabschluss vs. Generalisierung: Wie Kinder schlossen LLM-Agenten die Aufgabe häufig ab, ohne die wahre Regel zu entdecken. Wenn dies geschah, verließen sie sich auf „annähernde" Hypothesen, die disparate Ursachen kombinierten (z. B. Verwendung von Farbe für einige Kisten und Zahlen für andere) anstatt einer einheitlichen Regel.
Divergenz im Verhalten:
- Befolgung von Anweisungen: LLMs hielten sich im ersten Versuch strikt an die irreführende Farb-Abgleich-Anweisung, während 21 % der Kinder sofort nicht-farb-abgleichende Kombinationen testeten.
- Beobachtungskosten: LLM-PS-P-Agenten beobachteten systematisch alle Kisten, bevor sie Versuche fortsetzten, während Kinder in der Beobachtungshäufigkeit erheblich variierten, wobei viele wenige oder keine Kisten beobachteten. Dies deutet darauf hin, dass Kinder implizit den Informationswert gegen kognitive oder soziale Kosten abwägen, die im LLM-Umfeld fehlen.
Backend-Fähigkeit: Die Generalisierung auf die wahre Regel erforderte ausreichende Backend-Fähigkeiten (z. B. gelang GPT-5.2 mit einem einzigen Partikel, während schwächere Modelle wie DEEPSEEK V3.2 selbst unter vollständiger Beobachtbarkeit scheiterten, die wahre Regel zu entdecken).

Bedeutung und Behauptungen

Der Beitrag beansprucht, einen kontrollierten Rahmen zur Evaluierung induktiver Inferenz unter Unsicherheit über menschliche und künstliche Agenten hinweg bereitzustellen. Seine primäre Bedeutung liegt in:

Brückenschlag zwischen Kognitionswissenschaft und KI: Er zeigt, dass LLMs als valide „Modellorganismen" für die Kognitionswissenschaft dienen können und eine systematische Manipulation von Umweltvariablen ermöglichen, die mit menschlichen Probanden schwer zu erreichen ist.
Verständnis angenäherter Inferenz: Die Studie hebt hervor, dass ein erfolgreicher Aufgabenabschluss nicht notwendigerweise die Entdeckung der wahren zugrunde liegenden Regel impliziert. Sowohl Kinder als auch LLMs können „annähernde" Hypothesen nutzen, die disparate Ursachen integrieren, um unmittelbare Probleme zu lösen, was als Sprungbrett für spätere Vereinigung dienen kann.
Induktive Verzerrungen: Die Ergebnisse legen nahe, dass sich Kinder und LLMs zwar ähnlich an die Umweltstruktur anpassen, ihre informationssuchenden Verhaltensweisen jedoch durch unterschiedliche zugrunde liegende Kosten und Priors geformt werden. Kinder scheinen mit einem breiteren Prior und impliziten Kosten für Beobachtung zu operieren, während LLMs eine Verzerrung hin zu strukturierten, kleinen Hypothesenräumen und strikter Befolgung von Anweisungen aufweisen.

Die Autoren vermerken bescheiden, dass ihre Interpretation des LLM-Verhaltens nach wie vor indirekt ist, da sie nicht endgültig beweisen, dass LLMs explizite Hypothesendarstellungen unterhalten oder likelihood-basierte Updates gegenüber Abruf durchführen. Sie schlagen vor, dass zukünftige Arbeiten mechanische Interpretierbarkeit nutzen könnten, um diese Möglichkeiten zu unterscheiden und die „subjektive Zuverlässigkeit" sowie Regel-Priors von LLMs weiter zu untersuchen.