基于概率归纳推理模型.docVIP

基于概率归纳推理模型 　　摘要：归纳推理是指从个别前提推出一般结论的推理，它是人的一项基本认知能力，也是心理学研究需要解释的重要现象。在模拟归纳推理时，不能排除先验知识对归纳推理结论力度的影响，贝叶斯理论可以结合条件对先验概率进行修正，能够很好地将先验知识引入到归纳推理中来。文章重点介绍了基于记忆的贝叶斯模型，相似性概率模型和结构统计模型对归纳推理的解释。 　　关键词：归纳推理；贝叶斯理论；概率模型；结构统计模型 　　中图分类号：B842.5文献标识码：A文章编号：1003-5184（2012）06-0508-06 　　1引言 　　归纳推理是指从个别性前提推出一般性结论的推理。归纳推理的结论不是确定正确的，具有或然性。归纳推理是日常生活中的一项基本认知能力，也是心理学研究需要解释的重要部分。涉及归纳推理的主题有很多，例如类比推理、归类、判断和决策、因果推理等，文章主要介绍对属性归纳（property induction）的模拟。个体观察少数客体具有某一属性，推论多数或全体客体也具有此属性的过程，就是属性归纳的过程。 　　可见，属性归纳研究的基本形式是：Pi，…，Pn→C（属性）。其中Pi是第i个前提，C是结论，属性指的是推理中使用的特征属性（Sakamoto et al.，2007；Kemp Tenenbaum，2009）。 　　第32卷第6期邢强等基于概率的归纳推理模型心理学探新2012年在属性归纳研究中，所使用的属性一般都是空白属性（blank property）。当使用动物进行归纳推理时，空白属性是人们都没有听说过的生物性属性，例如，“具有酶X132”（Kemp Tenenbaum，2009）。属性影响论证的力度，主要体现在两个方面：第一，归纳背景（inductive context）不变而使用不同的属性进行推理可以改变论证力度。例如，由兔子向老虎归纳，属性有24条染色体就比属性多于20条染色体的力度弱。因为有24条染色体的可能性要小于多于20条染色体。第二，改变属性通常会改变归纳背景。例如，将属性具有籽骨从羚羊推论到狮子的力度要弱于属性巴贝斯焦虫病，因为巴贝斯焦虫病听起来像疟疾之类的传染病。研究者也提出，当前提和结论的类别改变时，相同的属性会激活不同的归纳背景。Rosch（1978）认为即使没有背景的时候人们也会假设一个默认的背景。也就是说虽然使用的是空白属性，但它们仍然会激活一些默认的背景知识。由此可见，归纳推理离不开背景知识。 　　Marr（1982）指出理解信息加工过程的三个水平，分别是计算理论（computational theory）、表征和算法（representation and algorithm）与硬件实现（hardware implementation）。计算模拟方法处于第二层次，是认知心理学研究的一个重要手段。贝叶斯概率是一个条件概率，它计算的是在一个事件已经发生的条件下，另一个与之相关的事件也发生的条件概率。它模拟归纳推理时就是将前提看做证据，来修正对结论概率的看法。贝叶斯方法在模拟归纳推理中知识的作用时具有一定的优越性。贝叶斯概率从引入归纳推理到现在，已经发展了几个方法来模拟先验知识的作用，文章将对之做一介绍和评价。 　　2基于记忆的贝叶斯模型 　　2.1模型的基本形式 　　为了能够将知识结合到归纳推理中来，Heit（1998）使用贝叶斯分析来模拟归纳推理。此模型基于3个假设。第一，评定归纳论证的力度就是评定属性的范围，属性的范围指的是哪些类别具有属性而哪些类别不具有属性。第二，在学习新的属性时，人们会有一系列关于属性的范围的假设。人们假定新属性像已知属性一样已经分布好了。第三，归纳论证中的前提可以被看做证据，它们被用来加强或者减弱对属性的假设。归纳的目标就是要对属性的范围做一个良好的估计，这个目标可以通过使用贝叶斯理论对假设做修正来实现。 　　对于使用贝叶斯推理来模拟归纳推理，Heit考虑了两个问题：先验是如何产生的？先验的精确值是否重要？对于先验产生的问题，Heit认为先验的产生主要是基于记忆的，在归纳论证时，先验由大脑中的已知属性决定。对新特征的先验信念可能是通过某些基于已知属性的可得启发式方法来获得。在推理动物的新属性时，人们会从记忆中提取熟悉动物的属性。因此，Heit的模型被称作基于记忆的归纳推理。Heit认为先验的值不一定要非常精确。 　　2.2贝叶斯模型对归纳现象的解释 　　贝叶斯模型可以解释很多现象。在解释相似性效应时，相似的动物更有可能具有属性是因为新属性被认为与熟悉属性有相同的分布。例如，属性从牛泛化到羊的可能性较大，因为许多已知属性对两个类别来说都是共享的。而属性从牛泛化到老鼠的可能性就小一些，因为先验知识表明这两种动物有较少的共同属性。