文 | 追問(wèn)nextquestion
機(jī)器的學(xué)習(xí)能力，對(duì)我們來(lái)說(shuō)已是習(xí)以為常，甚至有些人會(huì)覺(jué)得，“只要數(shù)據(jù)足夠，機(jī)器什么都能學(xué)”。但通常我們談?wù)摰膶W(xué)習(xí)，都是建立在“基于外部觀察”的框架之下。除了常見(jiàn)的閱讀、聽(tīng)課等典型學(xué)習(xí)場(chǎng)景，還有一種在我們內(nèi)心深處（思維內(nèi)部）進(jìn)行的學(xué)習(xí)，這就是所謂的“通過(guò)思考學(xué)習(xí)（learning by thinking, LbT）”。
想想看，這種現(xiàn)象在日常生活中無(wú)處不在：科學(xué)家通過(guò)思考實(shí)驗(yàn)獲得新見(jiàn)解、司機(jī)通過(guò)心智模擬發(fā)現(xiàn)如何繞開(kāi)障礙，或者作家在嘗試表達(dá)自己的想法時(shí)學(xué)到新知識(shí)……這些例子中的學(xué)習(xí)，都是在沒(méi)有新的外界輸入的情況下發(fā)生的。隨著計(jì)算機(jī)科學(xué)的發(fā)展，LbT現(xiàn)象變得更加明顯。
例如，GPT-4在解釋過(guò)程中糾正了一個(gè)誤解，并由此得出正確的結(jié)論，整個(gè)過(guò)程中未受任何外界反饋影響。當(dāng)大型語(yǔ)言模型（LLMs）被要求“逐步思考”或模擬思維鏈（Chain-of-Thought）時(shí)[1]，同樣可以在沒(méi)有外部糾正的情況下提供更準(zhǔn)確的答案。
?GPT-4對(duì)話截圖。圖源：GPT
但LbT常被認(rèn)為是一種“悖論”。這一方面是因?yàn)?，從某種意義上說(shuō)，學(xué)習(xí)者并沒(méi)有獲得新的信息——他們所能利用的，只是已存在于腦海中的元素；而另一方面，學(xué)習(xí)又確實(shí)發(fā)生了——學(xué)習(xí)者獲得了新的知識(shí)（比如數(shù)學(xué)問(wèn)題的答案）或新的能力（比如回答新問(wèn)題的能力或進(jìn)行新推理的能力）。
近日,普林斯頓大學(xué)心理系概念與認(rèn)知實(shí)驗(yàn)室的Tania Lombrozo教授在Trends in Cognitive Sciences上發(fā)表了一篇綜述，為這一悖論提出了解決方法[2]。通過(guò)對(duì)解釋、模擬、比較和推理這四類具體的學(xué)習(xí)方式的分析，這篇文章揭示了它們背后人類和人工智能之間相似的計(jì)算問(wèn)題和解決方案——二者都是在利用重新表征現(xiàn)有信息，來(lái)支持更可靠的推理。最后她指出，作為人類這樣一種資源有限的系統(tǒng)，LbT幫助我們按照當(dāng)下需求提取必要的信息并進(jìn)行處理，而不必時(shí)刻產(chǎn)生新的信息。
那么，這種近乎“空想”的學(xué)習(xí)行為所產(chǎn)生的結(jié)果，能否被視作“真理”呢？在下定結(jié)論前，讓我們先回顧一下支持LbT的證據(jù)。
?Lombrozo, Tania. "Learning by thinking in natural and artificial minds." Trends in Cognitive Sciences (2024).
01 四種典型的LbT學(xué)習(xí)方式
我們先從LbT的四個(gè)實(shí)例來(lái)進(jìn)行探討，即通過(guò)解釋、模擬、類比和推理進(jìn)行學(xué)習(xí)。當(dāng)然，LbT并不僅限于這四種學(xué)習(xí)方式——一方面，還存在其他的LbT方式，例如通過(guò)想象學(xué)習(xí)；另一方面，這些學(xué)習(xí)方式均可細(xì)化，例如當(dāng)提到通過(guò)解釋進(jìn)行學(xué)習(xí)時(shí)，目的論解釋與機(jī)制性解釋又有所差別。
事實(shí)上，由于學(xué)習(xí)過(guò)程與注意力、記憶等其他認(rèn)知機(jī)制之間存在錯(cuò)綜復(fù)雜的關(guān)系，因此很難對(duì)其進(jìn)行根本的分類。相反，我們探討的這四種學(xué)習(xí)過(guò)程，可以幫助我們理解LbT的普遍性（ubiquity）和長(zhǎng)處，平行比較人類思維與人工智能。
?學(xué)習(xí)的不同類型. 圖源：[2]
（1）通過(guò)解釋進(jìn)行的學(xué)習(xí)
在一項(xiàng)經(jīng)典研究中[3]，研究人員發(fā)現(xiàn)“優(yōu)秀”學(xué)生與“后進(jìn)”學(xué)生在學(xué)習(xí)材料時(shí)表現(xiàn)出不同的策略。優(yōu)秀學(xué)生更傾向于花更多時(shí)間向自己解釋文本和示例。后續(xù)研究通過(guò)提示或指導(dǎo)，鼓勵(lì)學(xué)生進(jìn)行解釋，結(jié)果顯示解釋確實(shí)能提高學(xué)習(xí)效果，尤其是在超出學(xué)習(xí)材料本身的問(wèn)題上，效果更為明顯。當(dāng)學(xué)習(xí)過(guò)程中沒(méi)有外界反饋時(shí)，解釋性學(xué)習(xí)便成為了一種LbT。這種學(xué)習(xí)方式可以分為兩類，糾正性學(xué)習(xí)（corrective learning）和生成性學(xué)習(xí)（generative learning）：
糾正性學(xué)習(xí)中，學(xué)習(xí)者識(shí)別并改進(jìn)現(xiàn)有表征中的缺陷。例如，“解釋深度錯(cuò)覺(jué)（ illusion of explanatory depth，IOED）”現(xiàn)象表明，人們常會(huì)高估自己對(duì)設(shè)備運(yùn)作原理的理解，在嘗試解釋后，往往才能更清楚地認(rèn)識(shí)到自己理解的局限性[4]。
生成性學(xué)習(xí)則指學(xué)習(xí)者通過(guò)解釋從而構(gòu)建新的表征。例如，在學(xué)習(xí)新類別時(shí)，在提示下進(jìn)行解釋的參與者，更有可能生成抽象表征并識(shí)別示例中的廣泛模式。
類似的思路也在AI研究中得到應(yīng)用，例如通過(guò)生成自我解釋，AI系統(tǒng)從訓(xùn)練集中提取信息，從而實(shí)現(xiàn)泛化。最新研究還表明，深度強(qiáng)化學(xué)習(xí)系統(tǒng)在生成任務(wù)答案的同時(shí)，若能夠生成針對(duì)答案的自然語(yǔ)言解釋，其在關(guān)系推理和因果推理任務(wù)中的表現(xiàn)將優(yōu)于沒(méi)有進(jìn)行解釋預(yù)測(cè)的系統(tǒng)，甚至優(yōu)于那些將解釋作為輸入的系統(tǒng)。這些系統(tǒng)并非僅依賴簡(jiǎn)單特征，而是能夠從復(fù)雜數(shù)據(jù)中總結(jié)出可泛化的信息。
?圖源：GPT
（2）通過(guò)模擬進(jìn)行學(xué)習(xí)
想象有三個(gè)齒輪水平排列，最左邊的齒輪順時(shí)針旋轉(zhuǎn)，此時(shí)最右邊的齒輪會(huì)向哪個(gè)方向轉(zhuǎn)動(dòng)？
大多數(shù)人會(huì)通過(guò)“心理模擬（mental simulation）”來(lái)解決這個(gè)問(wèn)題：在腦海中構(gòu)建齒輪運(yùn)動(dòng)的畫面，觀察每個(gè)齒輪的轉(zhuǎn)動(dòng)方向?？v觀科學(xué)史，許多領(lǐng)域的思想實(shí)驗(yàn)亦是經(jīng)典的心理模擬。例如，愛(ài)因斯坦通過(guò)模擬光子與火車的運(yùn)動(dòng)來(lái)探討相對(duì)論，伽利略則通過(guò)模擬物體下落的過(guò)程來(lái)研究重力。這些心理模擬與思想實(shí)驗(yàn)，無(wú)需依賴外部新數(shù)據(jù)，便能帶來(lái)深刻的見(jiàn)解。
和解釋性學(xué)習(xí)類似，心理模擬可以是糾正性的，也可以是生成性的。
一個(gè)糾正性心理模擬例子是：在一項(xiàng)研究中，參與者同時(shí)進(jìn)行兩種思想實(shí)驗(yàn)——一種符合牛頓力學(xué)的直覺(jué)，另一種則誘發(fā)錯(cuò)誤的動(dòng)力論思維（如認(rèn)為物體需要持續(xù)施力才能運(yùn)動(dòng)）。這些不同的思想實(shí)驗(yàn)使參與者產(chǎn)生了矛盾的直覺(jué)，有時(shí)依據(jù)牛頓力學(xué)做出正確判斷，有時(shí)則被動(dòng)力論的誤導(dǎo)所影響。然而，實(shí)驗(yàn)結(jié)束后，參與者通過(guò)思想實(shí)驗(yàn)糾正了原有的錯(cuò)誤直覺(jué)，不再支持那些與動(dòng)力論相關(guān)的錯(cuò)誤判斷。
而生成性心理模擬的示例則見(jiàn)于因果推理中。當(dāng)判斷一個(gè)事件是否導(dǎo)致另一個(gè)事件時(shí)，人們通常會(huì)進(jìn)行“反事實(shí)模擬”。例如，在一項(xiàng)實(shí)驗(yàn)中，展示了第一顆球撞擊第二顆球，使其改變軌跡并到達(dá)目標(biāo)。參與者通過(guò)反事實(shí)模擬，設(shè)想如果第一顆球沒(méi)有撞擊，第二顆球的軌跡會(huì)如何變化，從而判斷因果關(guān)系。
類似的模擬過(guò)程也廣泛應(yīng)用于AI領(lǐng)域。例如，在深度強(qiáng)化學(xué)習(xí)中，“基于模型的訓(xùn)練方法”利用環(huán)境表征生成數(shù)據(jù)來(lái)訓(xùn)練策略，這與人類的心理模擬十分相似。某些AI算法通過(guò)“深度想象”或模擬多組決策序列，來(lái)近似求解最佳方案。在人類和AI中，模擬都能生成“數(shù)據(jù)”，為學(xué)習(xí)和推理提供重要輸入。
?圖源：Corey Brickley
（3）通過(guò)類比推理和比較進(jìn)行學(xué)習(xí)
在構(gòu)建自然選擇理論時(shí)，達(dá)爾文類比了人工選擇與生物進(jìn)化，由此推導(dǎo)出自然選擇中的變異機(jī)制。這樣的類比推理在科學(xué)研究中很常見(jiàn)，尤其當(dāng)研究者對(duì)比較的對(duì)象雙方有一定了解時(shí)，通過(guò)類比思維可以產(chǎn)生新的見(jiàn)解，支持“通過(guò)思考學(xué)習(xí)”。
通過(guò)類比進(jìn)行的學(xué)習(xí)并不完全依賴自主思考，還結(jié)合了外部信息，因此學(xué)習(xí)結(jié)果既反映了研究者提供的信息內(nèi)容，也反映了參與者的類比思維能力。然而，有些研究將類比思維的影響?yīng)毩⒊鰜?lái)，所有參與者接收相同的類比信息，但只有部分被提示在解決新問(wèn)題時(shí)運(yùn)用這些信息。
例如，一項(xiàng)數(shù)學(xué)學(xué)習(xí)研究表明，被試被提醒進(jìn)行樣本比較的次數(shù)越多，他們?cè)讲灰妆活}目表面的相似性誤導(dǎo)，這展示了類比學(xué)習(xí)的糾正性作用。另一項(xiàng)實(shí)驗(yàn)要求被試找出兩組機(jī)器人之間的相似性和差異，結(jié)果發(fā)現(xiàn)，只有那些積極進(jìn)行比較的參與者更可能發(fā)現(xiàn)微妙的規(guī)則，展示了類比思維的生成性作用。
類比推理在人工智能領(lǐng)域也受到關(guān)注。與人類實(shí)驗(yàn)相似，大多數(shù)類比推理演示并非純粹的LbT，更多地AI系統(tǒng)會(huì)被要求解決涉及源類比的類似問(wèn)題。然而，最近的研究表明，不提供源類比的情況下，機(jī)器也能通過(guò)自身的思維或知識(shí)構(gòu)建類比[4]。在數(shù)學(xué)問(wèn)題、代碼生成等任務(wù)中，最有效的提示是要求大語(yǔ)言模型（LLM）生成多個(gè)相關(guān)但多樣化的示例，描述各個(gè)示例并解釋其解決方案，然后再給出新問(wèn)題的解決方案，這個(gè)過(guò)程可能融合了推理和解釋。這樣的類比提示的表現(xiàn)優(yōu)于許多最先進(jìn)的LLM性能基準(zhǔn)，與人類在比較提示下的學(xué)習(xí)效果有一定相似性。
通過(guò)類比推理，不僅可以糾正錯(cuò)誤，還能激發(fā)更深層次的思考，發(fā)現(xiàn)新的概念或規(guī)則，無(wú)論在人類學(xué)習(xí)還是人工智能中，都是重要的學(xué)習(xí)機(jī)制。
?圖源：NGS ART DEPT
（4）通過(guò)推理進(jìn)行學(xué)習(xí)
即使是看似簡(jiǎn)單的推理過(guò)程，也需要正確的信息和邏輯處理。例如，我可能知道今天是星期三，也知道“如果今天是星期三，就不應(yīng)該在某個(gè)校區(qū)停車”，但由于各種原因，我可能會(huì)忽略這一邏輯關(guān)系，而把車誤停在了禁止停車的地方。這說(shuō)明，即使邏輯成立，推理時(shí)仍需額外的注意和處理能力。
更復(fù)雜的推理，則需要更深入的思考。比如：
前提1：“每個(gè)人都愛(ài)曾經(jīng)愛(ài)過(guò)別人的任何人”；
前提2：“我的鄰居莎拉愛(ài)泰勒·斯威夫特”；
推論：“因此，唐納德·特朗普愛(ài)卡馬拉·哈里斯”。
在現(xiàn)實(shí)中，這樣的推理結(jié)論可能難以接受，這表明有效的推理不僅需要邏輯推導(dǎo)，還需要反思和實(shí)際判斷。
推理也能起到糾正作用[4]。一項(xiàng)研究讓參與者評(píng)估推理問(wèn)題回答的論證，他們并不知道這些論證來(lái)自于自己此前的回答，結(jié)果顯示，三分之二的參與者能夠正確否定自己之前做出的無(wú)效推理。這類糾正性的推理在認(rèn)識(shí)錯(cuò)誤直覺(jué)中發(fā)揮著重要作用。比如“認(rèn)知反思測(cè)試（cognitive reflection test，CRT）”中的經(jīng)典問(wèn)題“球拍與球”：球拍和球的總價(jià)為1.10美元，球拍比球貴1美元。直覺(jué)答案是0.10美元，但正確答案是0.05美元。推理得出正確答案需要克服初步的直覺(jué)反應(yīng)，進(jìn)行更嚴(yán)謹(jǐn)?shù)乃伎肌?/p>
?圖源：mannhowie.com
在人工智能領(lǐng)域，傳統(tǒng)符號(hào)架構(gòu)的推理通常依賴明確的規(guī)則或概率計(jì)算。而深度學(xué)習(xí)系統(tǒng)（如大語(yǔ)言模型）的推理能力仍處于發(fā)展中。在解決復(fù)雜問(wèn)題時(shí)，提示LLM進(jìn)行逐步推理，以此克服直接提示下的錯(cuò)誤傾向，被證明更為有效。這種推理方式的優(yōu)勢(shì)在應(yīng)對(duì)高難度任務(wù)時(shí)尤為突出，這展現(xiàn)了AI在推理領(lǐng)域的潛力。
02 解開(kāi)LbT的謎題
在前文中，我們探討了自然腦與機(jī)器腦如何通過(guò)思考進(jìn)行學(xué)習(xí)，盡管它們的運(yùn)作機(jī)制不同，但都面臨同樣的問(wèn)題——
為什么“思維”本身就能促進(jìn)學(xué)習(xí)？
詩(shī)人兼劇作家海因里?！ゑT·克萊斯特曾論述過(guò)“通過(guò)說(shuō)話來(lái)學(xué)習(xí)”的益處——通過(guò)向他人表達(dá)思考，我們能夠在“推理的工坊”中理清和發(fā)展自己的想法。他還提出了解釋LbT悖論的“思維即學(xué)習(xí)”思路：學(xué)習(xí)的并不是我們作為個(gè)體的自我，而是我們心智中的某種特定狀態(tài)。換句話說(shuō)，LbT中的“學(xué)習(xí)”并非創(chuàng)造全新的知識(shí)，而是讓已有的知識(shí)變得可獲取。思維之所以能夠成為學(xué)習(xí)的源泉，是因?yàn)橹R(shí)的基礎(chǔ)早已存在于心智中，只是尚未被我們清晰意識(shí)到。
從認(rèn)知的角度來(lái)看，“通過(guò)推理進(jìn)行學(xué)習(xí)”的過(guò)程是學(xué)習(xí)者將兩個(gè)前提結(jié)合，得出一個(gè)在邏輯上已經(jīng)成立但未明確認(rèn)識(shí)的結(jié)論。盡管結(jié)論已蘊(yùn)含在前提中，唯有通過(guò)推理過(guò)程，將結(jié)論變得顯而易見(jiàn)，才構(gòu)成了學(xué)習(xí)。在這個(gè)過(guò)程中，推理不僅是機(jī)械地組合信息，還產(chǎn)生了一個(gè)全新表征，這一表征獨(dú)立于前提而存在。
?圖源：Caleb Berciunas
將這一思路應(yīng)用到“通過(guò)解釋進(jìn)行學(xué)習(xí)”時(shí)，情況變得復(fù)雜得多。因?yàn)榻忉屵^(guò)程中，學(xué)習(xí)者往往并不清楚什么是明確的“前提”，此時(shí)表征的“可及性”便顯得尤為關(guān)鍵。不同類型的輸入會(huì)影響表征的提取。例如，當(dāng)我們處理“加法”時(shí)，輸入的是阿拉伯?dāng)?shù)字還是羅馬數(shù)字，會(huì)顯著影響我們對(duì)輸入特征的感知（如奇偶性），并且可以通過(guò)不同的算法（如解釋、比較和模擬）來(lái)改變可及性條件，從而支持“表征提?。╮epresentational extraction）”，創(chuàng)造出具有新可及性條件的全新表征。
表征提取是指通過(guò)思考或推理，形成一個(gè)特定的認(rèn)知結(jié)構(gòu)，這個(gè)結(jié)構(gòu)具有不同的“可及性”條件。一旦表征被提取出來(lái)，它就變成某種前提，繼而限制了輸出的范圍。
在“通過(guò)解釋進(jìn)行學(xué)習(xí)”中，這一點(diǎn)尤為明顯——當(dāng)學(xué)習(xí)者展開(kāi)解釋時(shí)，傾向于選擇“根原因（root causes）”較少的解釋，也就是說(shuō)，他們更愿意認(rèn)為某些因果假設(shè)比其他假設(shè)更合理、更優(yōu)越。這樣的選擇形成了一種隱性前提，限制了后續(xù)推理的空間。例如，當(dāng)學(xué)習(xí)者對(duì)某一解釋產(chǎn)生偏好時(shí)，這種偏好本身就構(gòu)成了新的前提，進(jìn)而影響接下來(lái)得出的結(jié)論。
?通過(guò)推理和解釋的思考的行動(dòng). 圖源：[2]
理解“可及性”差異和表征提取的作用，能夠幫助我們將推理學(xué)習(xí)的邏輯推廣至其他學(xué)習(xí)形式，如解釋、比較和模擬。每種形式中的認(rèn)知過(guò)程，都可以看作是通過(guò)不斷提取新的表征，建立新的推理前提，從而逐步推進(jìn)學(xué)習(xí)的進(jìn)程。但這無(wú)法解決另一個(gè)問(wèn)題——
為什么要期望通過(guò)解釋、模擬或其他LbT過(guò)程得出的結(jié)論能夠產(chǎn)生新的“知識(shí)”，即真實(shí)的、符合事實(shí)的知識(shí)？
當(dāng)然，LbT的輸出不一定總是正確的。然而，由于這些過(guò)程可能受進(jìn)化、經(jīng)驗(yàn)或人工智能設(shè)計(jì)的影響，我們可以合理地假設(shè)，LbT至少部分反映了世界的結(jié)構(gòu)，因此有可能產(chǎn)生相對(duì)可靠的結(jié)論[5]。即使輸出不完全準(zhǔn)確，它們?nèi)阅茉谝龑?dǎo)思維和行動(dòng)上發(fā)揮作用。例如，通過(guò)解釋進(jìn)行學(xué)習(xí)時(shí)，即使生成的解釋有誤，解釋的過(guò)程本身可能改善后續(xù)的探究和判斷，比如幫助學(xué)習(xí)者識(shí)別表征之間的沖突，或者以更抽象的方式表征某個(gè)領(lǐng)域。
理解了LbT的機(jī)制和潛在價(jià)值后，接下來(lái)的問(wèn)題是——
為什么LbT是“必要的”？
我們可以通過(guò)計(jì)算機(jī)系統(tǒng)類比來(lái)解釋。在人工系統(tǒng)中，內(nèi)存和處理時(shí)間的限制決定了能進(jìn)行多少前瞻性計(jì)算。LbT提供了一種按需生成新穎且有用表征的方法，而不是單純依賴已有的學(xué)習(xí)結(jié)果。因此，可以假設(shè)，LbT在資源（如時(shí)間、計(jì)算能力）有限的智能體中尤為普遍[6]，尤其是在面對(duì)未來(lái)環(huán)境和目標(biāo)不確定性的情況下。
這些觀察還預(yù)示了自然思維與人工思維在LbT作用上的差異。隨著人工智能逐漸克服人類思維的資源限制，或者當(dāng)它們處理的問(wèn)題不涉及高不確定性時(shí)（比如在非常狹窄的領(lǐng)域操作），我們預(yù)期在這些條件下，人工智能與人類在LbT過(guò)程中的表現(xiàn)將會(huì)出現(xiàn)顯著差異。
03 總結(jié)
"通過(guò)思考進(jìn)行學(xué)習(xí)"（LbT）幾乎無(wú)處不在：人類不僅通過(guò)觀察學(xué)習(xí)，還通過(guò)解釋、比較、模擬、推理等方式獲取知識(shí)。近年來(lái)的研究表明，人工智能系統(tǒng)也能夠以類似的方式進(jìn)行學(xué)習(xí)。在這兩類情境下，我們可以通過(guò)認(rèn)識(shí)到表征的“可及性”條件會(huì)發(fā)生變化，來(lái)破解LbT的悖論。LbT使得學(xué)習(xí)者能夠提取具有新可及條件的表征，并利用這些表征生成新的知識(shí)與能力。
從某種意義上來(lái)說(shuō)，LbT揭示了認(rèn)知的局限性。一個(gè)擁有無(wú)限資源且面對(duì)有限不確定性的系統(tǒng)，可以在觀察的同時(shí)立即計(jì)算出其所有后果。然而，現(xiàn)實(shí)中，無(wú)論是自然智能還是人工智能，都面臨資源的有限性和對(duì)未來(lái)判斷、決策相關(guān)性的高度不確定性。在這種背景下，LbT提供了一種按需學(xué)習(xí)的機(jī)制，充分利用現(xiàn)有表征來(lái)應(yīng)對(duì)代理當(dāng)前所處的環(huán)境和目標(biāo)。
盡管如此，關(guān)于LbT在自然智能和人工智能中的實(shí)現(xiàn)，還有許多未解之謎。我們尚不完全明白，這些過(guò)程如何具體地促進(jìn)人類智能的發(fā)展，或者它們?cè)诤畏N情況下可能引導(dǎo)我們走向錯(cuò)誤的方向。要揭示這些問(wèn)題的答案，不僅需要深入的思考，更需要依賴跨學(xué)科的認(rèn)知科學(xué)工具包的支持。
參考文獻(xiàn)
[1] WEI J, WANG X, SCHUURMANS D, et al. Chain of Thought Prompting Elicits Reasoning in Large Language Models [J]. ArXiv, 2022, abs/2201.11903.
[2] Lombrozo, Tania. “Learning by thinking in natural and artificial minds.” Trends in cognitive sciences, S1364-6613(24)00191-8. 20 Aug. 2024, doi:10.1016/j.tics.2024.07.007
[3] CHI M T H, BASSOK M, LEWIS M W, et al. Self-Explanations: How Students Study and Use Examples in Learning to Solve Problems [J]. Cognitive Science, 1989, 13(2): 145-82.
[4] ROZENBLIT L, KEIL F. The misunderstood limits of folk science: an illusion of explanatory depth [J]. Cognitive Science, 2002, 26(5): 521-62.
[5] TESSER A. Self-Generated Attitude Change11Preparation of this chapter was partially supported by grants from the National Science Foundation (SOC 74-13925) and the National Institutes of Mental Health (1 F32 MH05802-01). Some of the work was completed while the author was a Visiting Fellow at Yale University. I am indebted to Robert Abelson and Claudia Cowan for reading and commenting on preliminary versions of this chapter [M]//BERKOWITZ L. Advances in Experimental Social Psychology. Academic Press. 1978: 289-338.
[6] BERKE M D, WALTER-TERRILL R, JARA-ETTINGER J, et al. Flexible Goals Require that Inflexible Perceptual Systems Produce Veridical Representations: Implications for Realism as Revealed by Evolutionary Simulations [J]. Cogn Sci, 2022, 46(10): e13195.
[7] GRIFFITHS T L. Understanding Human Intelligence through Human Limitations [J]. Trends in Cognitive Sciences, 2020, 24(11): 873-83.
