직관적 통계

Intuitive statistics

직관적 통계, 즉 민속 통계는 유기체가 데이터를 사용하여 세상에 대한 일반화와 예측을 하는 인지 현상을 말한다. 이는 소량의 샘플 데이터 또는 훈련 인스턴스일 수 있으며, 이는 다시 모집단 수준의 특성, 미래 데이터 또는 둘 다에 대한 귀납적 추론에 기여할 수 있다. 추론은 미래의 예측을 알리고 동기를 부여하는 확률론적 데이터에 비추어 가설이나 신념을 수정하는 것을 포함할 수 있다. 인지동물이 직관적으로 통계적 추론을 생성하려는 비공식적 경향은 확률 이론의 특정 공리로 공식화되었을 때 학문적 규율으로서 통계를 구성한다.

이 용량은 광범위한 정보영역을 수용할 수 있기 때문에 주제도 유사하게 광범위하고 다른 인지현상과 실질적으로 중복된다. 실제로, 일부 사람들은 "직관적인 통계학자로서의 인식"이 컴퓨터 은유인식의 적절한 동반자 은유라고 주장해왔다.[1] 다른 이들은 이론 구성과[2][3] 범주 구조 뒤에 있는 다양한 통계적 및 확률적 메커니즘에 호소한다.[4][5] 이 영역의 연구는 일반적으로 유기체(예: 인간 또는 비인간 영장류)가 가질 수 있는 추론능력의 수, 상대적 빈도, 위험 및 체계적 서명과 관련된 일반화에 초점을 맞춘다.[1][6]

배경과 이론

직관적인 추론은 분류와 개념 구조화와 같은 들어오는 감각 데이터로부터 가설을 생성하는 것을 포함할 수 있다. 데이터는 전형적으로 확률론적이며, 학습, 지각, 언어, 사고에서 예외가 아니라 불확실성이 원칙이다.[7][8] 최근 연구자들은 확률론, 정신철학, 컴퓨터과학, 심리학 등의 아이디어로부터 인지를 확률론적 표현의 예측적이고 생성적인 시스템으로 모델화하여 정보구조가 다양한 맥락과 조합에서 복수의 추론을 지원할 수 있도록 하고 있다.[8] 이 접근법은 현존하는 개념에서 가능성과 가능성 있는 세계의 상태를 예측하기 위해 확률적으로 표현을 구성하기 때문에 확률론적 사고 언어로 불려왔다.[5]

확률

통계학자들과 확률론자들은 특히 귀납 추론과 관련된 다양한 도구, 가정 및 문제들의 사용에 대해 오랫동안 논의해 왔다.[1] 데이비드 [9]흄은 사람들이 어떻게 그리고 왜 과거의 경험을 초월하는 결론에 도달할 수 있는지에 대한 논리적 토대 즉 즉, 시시비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비비 보다 최근에 이론가들은 공식적인 내용 독립적 절차를 사용하여 데이터에서 가설로 도달하는 기법을 강조하거나 반대로 유도 추론을 위한 비공식적이고 내용 의존적인 도구를 고려함으로써 문제를 고려했다.[10][11] 공식적인 절차에 대한 검색은 피셰리아 빈도주의 통계, 베이시안 추론, 네이만-페어슨 통계 등 다양한 가정을 가진 통계 추론과 확률 이론의 다른 발전을 가져왔다.[1]

게르트 기게렌저와 데이비드 머레이는 20세기 심리학이 하나의 학문으로서 확률론적 추론을 통일된 관념 집합으로 채택하고 확률론자들 사이의 논쟁을 무시했다고 주장한다. 그들은 인간이 어떻게 "합리적으로 생각하려고" 생각했는지에 대한 규범적이지만 부정확한 관점이 이러한 수용으로부터 나온다고 주장한다. 그러나 그들은 또한 직관적인 통계학자의 인지 은유가 유망하다고 주장하고 있으며, 내용 또는 맥락 없는 도구 키트가 아닌 다른 문제 영역에 특화된 다른 공식 도구 또는 휴리스틱스를 고려해야 한다. 예를 들어 신호 감지 이론가와 물체 감지 모델은 Neyman-Pearson 접근방식을 사용하는 반면, Fisherian 상용자 통계는 인과관계를 추론하는 데 도움이 될 수 있다.[1]

빈번한 추론

빈번한 추론은 확률론적 결론을 도출하기 위한 상대적 비율이나 발생 빈도에 초점을 맞춘다. 그것은 밀접하게 관련된 개념, 빈번한 가능성으로 정의된다. 이는 "확률"이 기존 데이터가 없을 때 불합리하다는 관점을 수반한다. 왜냐하면 이는 장기 실행 표본이 대량의 데이터를 제공했을 때 접근하는 상대적 빈도로 이해되기 때문이다.[12] 레다 코스미데스와 존 토비는 이전 결과의 일부 빈도를 참조하지 않고는 확률을 도출할 수 없으며 이는 진화적 기원을 가지고 있을 가능성이 높다고 주장해 왔다. 단일 사건 확률은 유기체가 사건의 본질적 속성으로 확률을 "보기"하기 보다는 이전 사건의 빈도에서 직관적으로 이해하고 통계적 추론을 하도록 진화했기 때문에 관측할 수 없다고 그들은 주장한다.[13]

베이시안 추론

베이지안 추론은 일반적으로 가설에 대한 주관적 확률을 강조하는데, 이는 베이지스의 정리를 이용하여 후확률로 계산된다. 그것은 선행 확률이라고 불리는 "시작점"을 필요로 하는데, 이것은 주파수 데이터가 선행 확률을 개발하기 위해 필요하다고 주장하는 일부 빈번한 참가자들에게 논쟁의 여지가 있어왔다.[1][12]

베이시안 모델은 심리학자들, 특히 학습 이론가들 사이에서 꽤 인기가 있었는데, 그 이유는 사람들이 새로운 관찰로부터 적절한 비중을 두면서 기대치를 배우고 개발하는 반복적이고 예측적인 과정을 모방하는 것처럼 보이기 때문이다.[14] 인지과학자 겸 철학자 앤디 클라크는 최근 수동적이거나 반응적이기보다는 근본적으로 행동지향적이고 예측성이 강한 건설적인 베이시안 엔진으로 뇌를 이해하는 것을 지지하는 상세한 주장을 썼다.[15] 베이시안 추론을 지지하는 사람들 사이에서 인용되는 더 고전적인 증거로는 보수주의, 즉 사람들이 이전의 관찰에 의해 암시된 결론을 향해 이전의 믿음을 수정하는 현상 등이 있다.[6] 이러한 행동 패턴은 베이시안 모델이 데이터에 조건화되었을 때의 후확률 분포 패턴과 유사하지만, 비평가들은 이 증거가 과장되어 수학적인 엄격성이 결여되었다고 주장했다.[16]

Alison Gopnik은 보다 최근에 베이시안 네트워크나 조건부 의존성에 대한 지시된 그래프 표현을 옹호함으로써 이 문제를 다루었다. 베이지안 네트워크에서, 에지 가중치는 새로운 데이터에 비추어 갱신되는 조건부 의존성 강도로, 노드는 관측된 변수다. 그래픽 표현 자체는 세계에 대한 모델 또는 가설을 구성하며 새로운 데이터가 주어진다면 변경될 수 있다.[2]

오류관리이론

오류관리이론(EMT)은 네이만-페르손 통계를 인지 및 진화심리학에 적용한 것이다. 제1형(허위 양성)과 제2형(허위 음성) 오류의 가능한 체력비용과 편익이 자연선택으로 인해 유기체가 편향될 것으로 예상되는 적응적 합리적 추론과 관련이 있다는 것을 유지한다. EMT는 원래 Martie Haselton과 David Buss에 의해 개발되었는데, 초기 연구는 남성의 성적 과대 인식 편향과 여성의 성적 과소 인식 편향에서 그것의 가능한 역할에 초점을 맞추고 있다.[17]

이것은 진화론에서 "연기탐지기 원리"라고 불리는 개념과 밀접한 관련이 있다. 그것은 면역, 감정, 행동 방어가 무감각하거나 약하게 표현되기보다는 과민하고 과민하게 반응하는 경향에 의해 정의된다. Randolph Nesse는 이것이 신호 검출에 있어서 전형적인 보수 구조의 결과라고 주장한다. 항상 거짓 긍정과 거짓 부정의 상대적으로 낮은 비용으로 구조화된 시스템에서, 자연적으로 선택된 방어는 잠재적 위협 단서에 대응하여 과잉 행동의 측면에서 잘못될 것으로 예상된다.[18] 이러한 일반적인 생각은 인간이 불확실하거나 에이전트와 같은 단서에 근거하여 비에이전트에게 대리인을 적용하는 명백한 경향에 대한 가설에 적용되어 왔다.[19] 특히, 일부 사람들은 잠재적 포식자 위협은 일반적으로 값싼 거짓 긍정과 치명적인 거짓 부정행위를 수반하기 때문에, 그것이 조금이라도 의심된다면, 잠재적 먹이가 디폴트로 대리인을 맡는 것이 적응적이라고 주장한다.[20]

휴리스틱스 및 바이어스

휴리스틱스는 판단이나 결정을 생산하기 위한 효율적인 규칙, 즉 계산적인 지름길이다. 직관적인 통계학자의 인지[1] 은유는 많은 심리학자들이 정서적 또는 동기적 원리에서 벗어나 계산적 또는 추론적 원리로 초점을 이동시켰다.[21] 이러한 원리를 탐구하는 경험적 연구는 예를 들어, 인간의 인식은 추론이나 인지 편향에 내재된 체계적 오류를 가지고 있다는 결론을 내리게 했다. 그 결과 인지심리학자들은 직관적 판단, 일반화, 수치적 또는 확률적 계산이 체계적으로 편향된다는 관점을 크게 채택했다. 결과는 일반적으로 판단의 오류로, 반복적인 논리적 오류(예: 연결 오류), 무절제, 그리고 추리의 정서적 동기부여의 지름길을 포함한다.[22][23][24][25] 따라서 사회 및 인지 심리학자들은 인간이 복잡한 작업에서는 강력한 컴퓨터를 능가할 수 있지만, 단순하고 일상적인 판단에서는 깊은 결함이 있고 오류가 발생하기 쉽다는 것을 "극악성"으로 간주해 왔다.[26]

이 연구의 많은 부분은 한정된 합리성과 만족에 관한 허버트 사이먼의 연구의 확대로서 아모스 트베르스키와 다니엘 카네만에 의해 수행되었다.[27] Tversky와 Kahneman은 사람들이 속도-정확한 트레이드오프에서는 종종 통계 원리의 느린 계산보다는 오차범위가 넓은 빠르고 직관적인 휴리스틱스에 의존하기 때문에 불확실성 하에서 정기적으로 그들의 판단에 편중되어 있다고 주장한다.[28] 이러한 오류는 통계적 예측에서 판단과 수용된 규범적 규칙 사이의 체계적 분열을 수반하기 때문에 "인지적 환상"이라고 불린다.[29]

Gigerenzer는 통계적 예측과 확률의 통일된 "표준 이론"이 존재한다는 결함 있는 가정으로부터 구축된다고 주장하면서 이 견해에 대해 비판적이었다. 그의 주장은 인지심리학자들이 확률론에서 아이디어와 가정의 다양성을 소홀히 하고, 경우에 따라서는 상호 비호환성을 무시한다는 것이다.[30][13] 결과적으로, Gigerenzer는 많은 인지 착시들은 확률 이론의 위반이 아니라, 자신감의 정도를 가진 주관적 확률과 장기간의 결과 빈도 사이의 일종의 실험자 혼동을 수반한다고 주장한다.[21] 코스미데스와 토비는 유사하게 서로 다른 확률론적 가정이 다른 유형의 상황에서 어느 정도 규범적이고 합리적일 수 있으며, 모든 정보영역에서 추론을 위한 범용적 통계적 툴킷이 없다고 주장한다. 그들은 Gigerenzer를 지지하는 여러 실험의 리뷰에서 이전의 휴리스틱스와 편향 실험은 생태학적으로 유효한 방법으로 문제를 나타내지 않았으며, 단일 사건 확률보다는 주파수 측면에서 문제를 재표현하는 것은 인지적 환상을 크게 사라지게 할 수 있다고 결론짓는다.[21][13]

트베르스키와 카네만은 이러한 주장을 반박하면서, 그들이 인지적이든 시각적이든, 그것들을 조작함으로써 환상을 사라지게 하는 것은 처음에 발견된 환상을 훼손하지 않는다고 주장했다. 그들은 또한 Gigerenzer가 빈도 데이터, 예를 들어 농구의 뜨거운 손과 같은 환상적 상관관계에서 비롯되는 인지적 환상을 무시한다는 점에 주목한다.[25] 이는 자연 주파수로 변환된 데이터로는 수정할 수 없는 환상적 양의 자기 상관의 예라고 그들은 지적한다.[31]

적응학자의 경우, EMT는 포식자 회피, 기관 탐지 또는 포획과 같이 위험이나 불확실성이 존재하는 정보 영역 하의 추론에 적용될 수 있다. 이러한 적응적 합리성 관점을 옹호하는 연구자들은 진화론이 새로운 시각, 즉 계산적으로 효율적이고 생태학적으로 합리적인 지름길이나 적응적 오류 관리의 사례로서 휴리스틱스와 편견을 부여한다고 주장한다.[32]

기준금리부실

사람들은 종종 어떤 현상의 확률이나 비율에 대한 기준금리, 즉 진정한 보험수리적 사실을 간과하고 대신 특정 관측치에 부적절한 가중치를 부여한다.[33][34] 베이지안 추론 모델에서 이는 이전 확률의 저체중치에 해당하며,[6] 이는 인지 모델링을 위한 베이시안 규범적 프레임워크의 적절성에 대한 증거로 인용되어 왔다.[1][21] 주파수 표현은 기준금리 경시를 해결할 수 있으며, 어떤 사람들은 그 현상을 실험적인 인공물, 즉 확률이나 비율이 수학적 추상화로 표현된 결과로서 직관적으로 생각하기 어려운 것으로 간주한다.[13] 기렌저는 자연에서 연속적인 실험을 통해 개인이 주파수를 배운다는 점에 주목하며 생태학적 이유를 추측하고 있다.[35] 트베르스키와 카네만은 실험 대상자들이 250번의 실험에 걸쳐 사전 지정된 증상의 유무와 유무에 근거하여 질병을 예측한 실험을 가리키며 각 실험 후 피드백으로 기게렌저의 주장을 반박한다.[36] 그들은 실험에서 실험 대상의 빈도수 공식화에도 불구하고 기준금리 무시 현상이 여전히 발견되었다는 점에 주목한다.[31]

접속사 오류

인지적 착시현상의 또 다른 일반적인 예는 "린다 문제"로 알려진 Tversky와 Kahneman의 실험에서 묘사된 접속사 오류다. 이번 실험에서는 31세 독신이자 지적이며 거침없이 대학에 진학한 린다라는 인물에 대한 간략한 설명이 제시되며, 그녀가 철학을 전공한 대학에 다녔고, 차별과 사회정의에 대해 염려했으며, 반핵시위에 참여하기도 했다. 참가자들에게 린다가 (1) 은행 출납원일 가능성이 더 높은지, (2) 은행 출납원 및 페미니스트일 가능성이 더 높은지 물었을 때, 옵션 1이 옵션 2보다 낮을 수 없음에도 불구하고 85%가 옵션 2로 응답했다. 그들은 이것이 통계적으로 구조화된 추론이 아니라 어떤 개념의 인스턴스들 사이의 재산적 유사성에 기초하여 확률론적 추론을 도출하는 경향 또는 대표성 휴리스틱의 산물이라고 결론지었다.[24]

Gigerenzer는 접속사 오류는 단일 사건 확률에 기초하며, 빈번한 접근법에 따라 용해될 것이라고 주장했다. 그와 다른 연구자들은 결합 오류의 결론은 강력한 통계 오류나 인지적 착시보다는 모호한 언어에서 나온다는 것을 증명한다.[37] 린다 문제의 다른 버전에서, 참가자들은 100명의 사람들이 린다의 설명에 맞으며, (1) 은행 텔러와 (2) 은행 텔러와 페미니스트가 몇 명인지 질문을 받는다. 실험적으로, 이 버전의 과제는 접속사 오류를 제거하거나 완화시키는 것으로 보인다.[21][37]

컴퓨터 모델

개념구조화와 일반화가 두뇌구조와 프로세스 측면에서 어떻게 이해될 수 있는지에 대한 의문이 제기되어 왔다. 이 질문은 특히 연결론자와 사고 모델의 언어 사이의 사고의 본질에 대한 이론가들 사이의 이웃한 논쟁에 의해 영향을 받는다. 개념 일반화와 분류는 다양한 연결론적 모델 또는 신경망, 특히 언어 학습과 분류와 같은 영역에서 모델링되었다.[38][39] 일부에서는 이전 사례에 대한 교육 후 향후 사례를 일반화할 것으로 예상될 때 순수 연결론 모델의 한계를 강조한다. 예를 들어, Gary Marcus는 훈련 데이터가 기존의 연결론 모델에서 일반화가 발생하기 위해서는 완전히 완전해야 하며, 그 결과 그들은 새로운 관찰을 잘 다루지 못한다고 주장한다. 그는 뇌의 신경망에 의해 사용될 가능성이 높은 분산 처리를 유지하는 것보다 기호 표현과 운영, 연결론적 모델들로 구성된 사고 언어와 연결론적 모델 사이의 통합주의적 관점을 더 옹호한다.[40]

인간의 증거

실제로 인간은 적은 양의 데이터로부터 개념적, 언어적, 확률적 일반화를 일상적으로 만든다.[4][41][8][42] 마음을 이해하는 데 통계적 추론의 다양한 도구의 효용성에 대해서는 약간의 논쟁이 있지만, 인간의 마음은 어쩐지 유달리 적절한 예측 기계라는 것이 공통적으로 받아들여지고 있으며, 이러한 현상을 근간으로 하는 행동 지향적 과정, 그들이 수반할 수 있는 것은 무엇이든지 간에 인식의 핵심에 있다는 것이다.[15][43] 확률론적 추론과 일반화는 개념과 범주, 언어 학습에서 중심적인 역할을 하며,[44] 유아 연구는 인간의 직관적인 통계 도구 키트의 발달 궤적을 이해하는 데 흔히 사용된다.

유아 연구

Jean Piaget과 같은 발달 심리학자들은 전통적으로 아이들이 각각 발달의 구체적 운영(7~11세) 단계와 공식적인 운영(12세) 단계까지 확률론적 추론과 가설 시험에 대한 일반적인 인지 능력을 발달시키지 않는다고 주장해왔다.[45][46]

이것은 때때로 인간이 유아기에 유능한 일반론자임을 암시하는 경험적 증거의 우세함과 대조된다. 예를 들어, 빨강과 흰색의 탁구공 비율의 예상 결과를 이용한 관찰 시간 실험에서 8개월 된 유아는 표본이 나온 모집단 특성에 대해 추론을 하는 것으로 나타났으며, 모집단 수준 데이터가 주어진 경우 그 반대의 경우도 있었다.[47] 다른 실험도 마찬가지로 생후 6개월과 11개월 유아에 대한 확률론적 추론 능력을 지원했지만 생후 4.5개월의 유아에는 지원하지 않았다.[48][49]

이러한 실험에서 유색 공 패러다임은 12개월 된 유아가 보다 가능성 있는 결과에 대한 선호에 의해 동기화된 확률론적 판단에 기초하여 비율을 이해하는 것으로 보이는 후속 연구에서 다루어진 양 대 비율에 기반한 유아의 추론 가능성을 구분하지 않았다.사용 가능한 옵션에서 비율의 [50]densance 감시 작업의 효과에 대한 비판자들은 유아들이 단일 표본 확률 과제에서 선호되는 대상을 검색할 수 있도록 허용했고, 유아들이 작은 또는 큰 초기 표본 크기를 지정할 때 단일 사건의 확률을 유추할 수 있다는 개념을 뒷받침했다.[51] 이러한 발견에 관련된 연구자들은 인간이 발달 전 단계와 정규 교육 이전에 통계적으로 구조화된 추론 시스템을 가지고 있다고 주장해왔다.[47][50]

그러나 유아에서 일반화가 관찰되는 방법과 이유는 명확하지 않다. 그것은 들어오는 데이터 또는 빈도표현에서 유사성과 차이점을 탐지하고 저장하는 것에서 직접적으로 확장될 수 있다. 반대로, 그것은 주관적 확률 또는 믿음을 갱신하기 위해 데이터에 반복적으로 조건화 되는 지식 기반에서 시작하여 범용 베이시안 추론과 같은 것에 의해 만들어질 수 있다.[52][53] 이것은 학습에 관련될 수 있는 통계 도구 키트와 유아 및 소아 학습에 구체적으로 어떻게 적용되는지에 대한 질문을 연결한다.

Gopnik은 유아와 유년기 학습이 일반화를 위한 범용 메커니즘인 귀납 추론의 예라는 가설을 옹호하며 뇌의 전문 정보 구조("이론")에 따라 행동한다.[54] 이런 관점에서, 유아와 아이들은 일종의 과학적인 방법을 정기적으로 사용하고, 가설을 세우고, 놀이를 통해 실험을 수행하고, 결과에 따라 세상에 대한 모델을 갱신하기 때문에 본질적으로 원시 과학자다.[55] Gopnik의 경우, 발달과 일상생활에서 과학적인 사고와 분류의 이러한 사용은 베이시안 추론의 모델로 공식화될 수 있다.[56] 이 관점의 적용은 "샘플링 가설" 또는 어린이의 인과적 및 확률적 추론의 개별적 변동은 다양한 가설 집합에서 무작위 샘플링의 인공물이며, 샘플링 동작과 맥락에 기초한 유연한 일반화의 인공물이라는 관점이다.[57][58] 이러한 견해들, 특히 전문화된 이론으로부터 새롭게 수정되는 베이지안 일반을 옹호하는 사람들은, 그들은 가능성 있는 결론을 선택하기 전에 어린이들을 무작위로 그리고 비체계적으로 고려하는 것으로 보고, 그것의 도메인 일반성을 유지하기 때문에, 피아제의 이론의 계승자로 간주된다.[59]

범용 기계론적 견해와 대조적으로, 일부 연구자들은 도메인별 정보 구조와 유사하게 전문화된 보조 메커니즘을 모두 옹호한다.[60][61] 예를 들어, 인간이 보통 조건부 확률 계산에 뛰어나지 않지만 조건부 확률 계산의 사용은 언어 소리를 이해할 수 있는 음절로 구문 분석하는데 중심적이며, 이것은 비교적 간단하고 직관적인 기술로서 빠르면 8개월에 나타난다.[62] 유아들은 또한 물체의 주걱정 상태를 추적하는 것뿐만 아니라 물체의 특성을 추적하는 데도 능해 보이며, 이러한 인지 체계는 발달적으로 구별되는 것으로 보인다. 이것은 도메인별 추론의 툴킷으로 해석되어 왔는데, 각 툴킷은 별도의 유형의 정보에 대응하고 개념 학습에 응용할 수 있는 응용 프로그램을 가지고 있다.[60][63]

개념 형성

유아들은 물건과 관련된 개념을 개발하기 위해 형태적 유사성과 차이점을 사용하며, 이것은 여러 패턴을 가진 여러 실험에 의존하여 실험들 사이에 어떤 종류의 공통성을 보인다.[64] 유아들은 특히 12개월이 되면 이 능력에 능숙해지는 것처럼 보이지만,[65] 서로 다른 개념과 성질은 게슈타트 심리학의 서로 다른 관련 원리를 채택하고 있는데, 이 중 다수는 서로 다른 발달 단계에서 나타날 수 있다.[66] 구체적으로, 빠르면 4.5개월의 유아 분류에는 예시(데이터)와 그 유사성 및 차이점이 범주 주위에 경계를 그리는 데 중요한 반복적이고 상호의존적인 프로세스가 포함된다.[67] 이러한 추상적 규칙은 과거 사례에서 특정 인식 속성의 공통적인 공동 발생을 수반할 수 있고 미래 사례에서 그 구조에 대한 추론을 용이하게 할 수 있기 때문에 본질적으로 통계적이다.[68][69] 이 아이디어는 더글러스 호프스태터와 에마뉘엘 샌더에 의해 추론되었는데, 그는 유추는 개념 속성 간의 유사성과 차이점에 의존하는 추론 과정이기 때문에 유추와 분류는 기본적으로 들어오는 데이터로부터 개념을 정리하는 데 사용되는 것과 동일한 과정이라고 주장한다.[4]

언어학습

유아와 소아는 특성 양과 비례의 능력 있는 일반화자일 뿐만 아니라 언어와 음악 등 추상적인 규칙 기반 시스템이다.[70][71] 이 규칙들은 추상적인 정보 구조의 "알지브레이크 규칙"이라고 불릴 수 있으며, 규칙 시스템 또는 문법의 표현이다.[72] 언어의 경우, 베이지안 추론과 유사성 검출로 일반화를 창조하는 것은 개념 형성의 특별한 경우로서 연구자들에 의해 주창되어 왔다.[73][74] 유아들은 발달 환경에서 생성된 언어 소리의 흐름으로부터 추상적이고 구조적인 규칙을 유추하고, 그러한 규칙을 바탕으로 더 넓은 예측을 하는 데 능숙해 보인다.[75][76]

예를 들어, 생후 9개월 된 유아들은 반복된 음절 문자열이 희귀한 음절과 같은 놀라운 특징을 포함할 때 그들의 기대치를 더 빠르고 극적으로 갱신할 수 있다.[77] 일반적으로, 언어 이전의 유아들은 경험으로 훈련된 문법과 새로운 문법을 구별할 수 있는 것으로 보인다.[78][79] 7개월 된 유아 looking-time 업무에서는 유아들 낯선 문법 구조에 익숙하ones,[72]는 것보다 더 많은 관심을 돈을 지불하고 개별 연구3-syllable 문자열을 사용하는데 유아도 유사하게 일반화를 기대를 추상적인 음절 구조 이전에 제시되었던으로로, 그들이 표면 occu을 사용했다 제안하는 것으로 보였다.rre더 깊은 추상적 구조를 유추하기 위해 nce 또는 데이터. 이는 관련 연구자들의 "여러 가지 가설[또는 모델]" 관점을 뒷받침하기 위해 취해진 것이다.[80][81]

인간이 아닌 동물에 대한 증거

회색앵무새

Irene Pepperberg와 그녀의 동료들에 의한 여러 연구는 그레이 앵무새(시타쿠스 에리타쿠스)가 숫자의 보통성과 카디널리티를 이해하는 것처럼 보이면서 숫자나 숫자 같은 개념을 인식하는 데 어느 정도 능력이 있다고 제안했다.[82][83][84] 최근의 실험은 또한 일부 언어 훈련과 인정된 물체를 참조하는 능력을 감안할 때, 그들은 확률과 숨겨진 물체 유형 비율에 대해 추론할 수 있는 능력도 가지고 있다는 것을 보여주었다.[85]

비인간 영장류

실험 결과 선호도 대 선호도가 낮은 식품 비율에 대해 추론할 때 카푸친 원숭이는 순차적으로 샘플링된 데이터에 의해 추론된 비율에 대해 추론할 수 있었다.[86] Rhesus 원숭이는 보상 결과에 대한 추론을 하기 위해 확률론적 데이터와 순차적으로 샘플링된 데이터를 사용할 수 있었고, 추론을 할 때 두정피질 내 신경활동이 의사결정 과정에 관여하는 것으로 보였다.[87] 바나나 펠릿과 당근의 다양한 상대적 빈도 차이를 이용한 7가지 실험에서, 오랑우탄, 보노보, 침팬지, 고릴라 또한 바나나 펠릿이 선호하는 식품으로 확립된 후 바나나 펠릿을 선호하는 비율에 근거하여 결정을 안내하는 것으로 나타났다.[88]

적용들

의학에서의 추리

의학에서의 추론 또는 임상 추론에 대한 연구는 대개 의사와 환자들 사이의 인지 과정 및/또는 의사 결정 결과에 초점을 맞춘다. 고려사항에는 위험 평가, 환자 선호도 및 증거 기반 의료 지식이 포함된다.[89] 인지적 수준에서 임상 추론은 추상화, 유괴, 추론, 유도 사이의 상호 작용에 크게 의존한다.[90] 직관적인 "이론" 또는 의학에 대한 지식은 개념 공간에서 프로토타입으로, 또는 의미 네트워크로 이해할 수 있다.[91][92] 이러한 모델은 소수의 단서로부터 직관적인 일반화가 이루어지기 위한 출발점으로 작용하여 의사의 "예술과 과학"의 의료적 판단 사이에서 균형을 이루게 한다.[93] 이러한 트레이드오프는 MYCIN이라는 인공 지능(AI) 프로그램에서 포착되었는데, 이는 의대생을 능가하지만, 증상 인식에 있어 광범위한 실천을 가진 경험이 있는 의사는 아니었다.[93][94][95][89] 일부 연구자들은 이런 점에도 불구하고 의사들이 판단에서 체계적 편견, 즉 인지적 착시(예: 조기 진단을 하는 만족, 진단이 선행으로 의심될 때 확인 편견)를 일으키기 쉽다고 주장한다.[89]

환자 위험의 전달

통계적 읽고 쓰는 능력과 위험 판단은 의사와 환자의 의사소통에 문제가 있는 것으로 설명되어 왔다.[96] 예를 들어, 의사는 종종 비치료의 인식된 위험을 부풀리고, [97]단일 통계(예: 생존율 97% 대 사망률 3%)를 긍정적이거나 부정적으로 구성함으로써 환자의 위험 인식을 변경하며, 또는/또는 확률문의 "기준 등급"을 환자에게 충분히 전달하지 못한다.[98] 참고수업은 확률문의 대상이다. 예를 들어 정신과 의사가 "이 약은 성적인 문제를 일으킬 확률이 30-50%"라고 말한다면, 이것이 환자의 30-50%가 어느 시점에 성적인 문제를 일으킬 수 있다는 것을 의미하는지, 아니면 모든 환자가 성적인 접촉의 30-50%에 문제를 갖게 된다는 것을 의미하는지 모호하다.[99]

임상적 판단의 기준

기저율 방치에 관한 연구에서 참가자들에게 주어진 문제들은 흔히 질병 유병률의 기본 비율을 이용한다. 이러한 실험에서 의사와 비의사들도 마찬가지로 기준금리 무시 또는 조건부 확률 계산 오류에 취약하다. 경험 많은 의사에게 주어진 경험적 조사 문제에서 다음과 같은 예가 있다. 가상의 암이 모집단에서 0.3%의 유병률을 보였으며, 검사 검사의 실제 양성률이 50%로 거짓 양성률이 3%였다고 가정해 보자. 양성 테스트 결과가 나온 환자에게 암에 걸릴 확률은 얼마인가? 이 질문을 했을 때 의료실무 경험이 평균 14년인 의사가 1~99%로 가장 많았고, 대부분 47% 또는 50%로 나타났다. (정답은 5% 입니다.)[98] 임상 기준금리 무시와 조건부 확률 오류에 대한 이러한 관찰은 복수의 경험적 연구에서 복제되었다.[96][100] 그러나 유사한 문제에 대한 의사들의 판단은 비율이 자연 주파수로 다시 형성되었을 때 상당히 개선되었다.[101]

참조

  1. ^ a b c d e f g h Gigerenzer, Gerd; Murray, David J. (2015). Cognition as intuitive statistics. London: Psychology Press. ISBN 9781138950221. OCLC 918941179.
  2. ^ a b Gopnik, Alison; Tenenbaum, Joshua B. (May 2007). "Bayesian networks, Bayesian learning and cognitive development". Developmental Science. 10 (3): 281–287. doi:10.1111/j.1467-7687.2007.00584.x. ISSN 1363-755X. PMID 17444969.
  3. ^ Gopnik, Alison (August 2011). "The Theory Theory 2.0: Probabilistic Models and Cognitive Development". Child Development Perspectives. 5 (3): 161–163. doi:10.1111/j.1750-8606.2011.00179.x. ISSN 1750-8592.
  4. ^ a b c Hofstadter, Douglas R.; Sander, Emmanuel (2012). Surfaces and essences : Analogy as the fuel and fire of thinking. New York: Basic Books. ISBN 9780465018475. OCLC 841172513.
  5. ^ a b Goodman, N.D.; Tenenbaum, J.B.; Gerstenberg, T. (February 15, 2014). "Concepts in a Probabilistic Language of Thought" (PDF). Archived (PDF) from the original on 2017-04-27. Retrieved 2018-07-24.
  6. ^ a b c Nickerson, Raymond S. (2004). Cognition and chance : the psychology of probabilistic reasoning. Mahwah, N.J.: Lawrence Erlbaum Associates. ISBN 9780805848991. OCLC 56115142.
  7. ^ Neisser, Ulric, ed. (1987). "Concepts and Conceptual Development: Ecological and Intellectual Factors in Categorization". Concepts and conceptual development : ecological and intellectual factors in categorization. First Emory Cognition Project Conference, Oct. 11-12, 1984, Emory University. Cambridge: Cambridge University Press. ISBN 0521322197. OCLC 14905937.
  8. ^ a b c Goodman, N.D.; Tenenbaum, J.B. (2016). Probabilistic Models of Cognition (2nd ed.). Archived from the original on 2018-05-11. Retrieved 2018-04-24 – via https://probmods.org/.
  9. ^ Hume, David; Levine, Michael P. (2005). A treatise of human nature. New York, N.Y.: Barnes & Noble. ISBN 0760771723. OCLC 404025944.
  10. ^ Hacking, Ian (2001). An introduction to probability and inductive logic. Cambridge, U.K.: Cambridge University Press. ISBN 0521772877. OCLC 44969631.
  11. ^ Savage, Leonard J. (1954). The Foundations of Statistics. New York: Wiley.
  12. ^ a b Von Mises, Richard (1981). Probability, statistics, and truth (2nd ed.). New York: Dover Publications. ISBN 0486242145. OCLC 8320292.
  13. ^ a b c d Cosmides, L; Tooby, J (January 1996). "Are humans good intuitive statisticians after all? Rethinking some conclusions from the literature on judgment under uncertainty". Cognition. 58 (1): 1–73. doi:10.1016/0010-0277(95)00664-8. S2CID 18631755.
  14. ^ Pearl, Judea (2000). Causality : models, reasoning, and inference. Cambridge, U.K.: Cambridge University Press. ISBN 9781139649360. OCLC 834142635.
  15. ^ a b Clark, Andy (June 2013). "Whatever next? Predictive brains, situated agents, and the future of cognitive science". Behavioral and Brain Sciences. 36 (3): 181–204. doi:10.1017/s0140525x12000477. ISSN 0140-525X. PMID 23663408.
  16. ^ Edwards W (1968). "Conservatism in human information processing". In Kleinmuntz B (ed.). Formal representation of human judgment. Symposium on Cognition. New York: Wiley.
  17. ^ Haselton, Martie G.; Buss, David M. (2000). "Error management theory: A new perspective on biases in cross-sex mind reading". Journal of Personality and Social Psychology. 78 (1): 81–91. doi:10.1037/0022-3514.78.1.81. PMID 10653507.
  18. ^ Nesse, R. M. (May 2001). "The smoke detector principle. Natural selection and the regulation of defensive responses". Annals of the New York Academy of Sciences. 935: 75–85. doi:10.1111/j.1749-6632.2001.tb03472.x. hdl:2027.42/75092. PMID 11411177. S2CID 20128143.
  19. ^ Barrett, Justin L.; Johnson, Amanda Hankes (August 2003). "The Role of Control in Attributing Intentional Agency to Inanimate Objects". Journal of Cognition and Culture. 3 (3): 208–217. doi:10.1163/156853703322336634.
  20. ^ Gray, Kurt; Wegner, Daniel M. (February 2010). "Blaming god for our pain: human suffering and the divine mind". Personality and Social Psychology Review. 14 (1): 7–16. doi:10.1177/1088868309350299. PMID 19926831. S2CID 18463294.
  21. ^ a b c d e Gigerenzer, G (1991). "How to make cognitive illusions disappear: Beyond "heuristics and biases"". European Review of Social Psychology. 2 (1): 83–115. doi:10.1080/14792779143000033.
  22. ^ Gilovich, Thomas; Griffin, Dale W.; Kahneman, Daniel (2002). Heuristics and biases : the psychology of intuitive judgment. Cambridge, U.K.: Cambridge University Press. ISBN 9780521796798. OCLC 47364085.
  23. ^ Kahneman, Daniel; Tversky, Amos (1979). "Prospect Theory: An Analysis of Decision under Risk". Econometrica. 47 (2): 263–291. doi:10.2307/1914185. JSTOR 1914185.
  24. ^ a b Tversky, Amos; Kahneman, Daniel (1983). "Extensional versus intuitive reasoning: The conjunction fallacy in probability judgment". Psychological Review. 90 (4): 293–315. doi:10.1037/0033-295x.90.4.293.
  25. ^ a b Gilovich, Thomas; Vallone, Robert; Tversky, Amos (July 1985). "The hot hand in basketball: On the misperception of random sequences". Cognitive Psychology. 17 (3): 295–314. doi:10.1016/0010-0285(85)90010-6. ISSN 0010-0285. S2CID 317235.
  26. ^ Nisbett, Richard E.; Ross, Lee (1980). Human inference : strategies and shortcomings of social judgment. Englewood Cliffs, N.J.: Prentice-Hall. ISBN 0134451309. OCLC 5411525.
  27. ^ Simon, H.A. (March 1956). "Rational choice and the structure of the environment". Psychological Review. 63 (2): 129–138. doi:10.1037/h0042769. PMID 13310708.
  28. ^ Kahneman, Daniel; Tversky, Amos (1973). "On the psychology of prediction". Psychological Review. 80 (4): 237–251. doi:10.1037/h0034747.
  29. ^ Ajzen, Icek (1977). "Intuitive theories of events and the effects of base-rate information on prediction". Journal of Personality and Social Psychology. 35 (5): 303–314. doi:10.1037/0022-3514.35.5.303.
  30. ^ Hacking (1965). Logic of Statistical Inference. Cambridge University Press. ISBN 9780521051651. OCLC 704034945.
  31. ^ a b Kahneman, Daniel; Tversky, Amos (1996). "On the reality of cognitive illusions". Psychological Review. 103 (3): 582–591. doi:10.1037/0033-295x.103.3.582. PMID 8759048.
  32. ^ Haselton, Martie; Bryant, Gregory A.; Wilke, Andreas; Frederick, David; Galperin, Andrew; Frankenhuis, Willem E.; Moore, Tyler (2009). "Adaptive rationality: An evolutionary perspective on cognitive bias". Social Cognition. 27 (5): 733–763. doi:10.1521/soco.2009.27.5.733.
  33. ^ Kahneman, Daniel; Tversky, Amos (1973). "On the psychology of prediction". Psychological Review. 80 (4): 237–251. doi:10.1037/h0034747.
  34. ^ Bar-Hillel, Maya (May 1980). "The base-rate fallacy in probability judgments" (PDF). Acta Psychologica. 44 (3): 211–233. doi:10.1016/0001-6918(80)90046-3. ISSN 0001-6918.
  35. ^ G. G. (1994년) Gigerenzer. 왜 단일 사건 확률과 빈도의 구분이 심리학에 중요한가(그리고 그 반대도). G. 라이트 & P.에서. Ayton (Eds.), 주관적 확률 (pp. 129-161). 영국 옥스포드: 존 와일리 & 선즈.
  36. ^ 글럭, M, & Bower, G. H. (1988) 컨디셔닝에서 카테고리 학습까지: 적응형 네트워크 모델. 실험 심리학 저널: 장군로117번길
  37. ^ a b Fiedler, Klaus (September 1988). "The dependence of the conjunction fallacy on subtle linguistic factors". Psychological Research. 50 (2): 123–129. doi:10.1007/bf00309212. S2CID 144369350.
  38. ^ Elman, Jeffrey L. (1996). Rethinking innateness : a connectionist perspective on development. Cambridge, Mass.: MIT Press. ISBN 0585020345. OCLC 42854159.
  39. ^ O'Reilly, Randall C.; Munakata, Yuko (2000). Computational explorations in cognitive neuroscience : understanding the mind by simulating the brain. Cambridge, Mass.: MIT Press. ISBN 0262650541. OCLC 43083232.
  40. ^ Marcus, Gary F. (2001). The algebraic mind : integrating connectionism and cognitive science. Cambridge, Mass.: MIT Press. ISBN 0262133792. OCLC 43954048.
  41. ^ Lakoff, George (1987). Women, fire, and dangerous things : what categories reveal about the mind. Chicago: University of Chicago Press. ISBN 9780226468044. OCLC 14001013.
  42. ^ Griffiths, Thomas L.; Tenenbaum, Joshua B. (September 2006). "Optimal predictions in everyday cognition". Psychological Science. 17 (9): 767–773. doi:10.1111/j.1467-9280.2006.01780.x. ISSN 0956-7976. PMID 16984293. S2CID 12834830.
  43. ^ Clark, Andy (January 2015). Embodied Prediction. Open Mind. Frankfurt am Main, Germany: MIND Group. doi:10.15502/9783958570115. ISBN 9783958570115.
  44. ^ Goodman, Noah; Tenenbaum, Joshua; Feldman, Jacob; Griffiths, Thomas (January 2008). "A Rational Analysis of Rule-Based Concept Learning". Cognitive Science. 32 (1): 108–154. doi:10.1080/03640210701802071. ISSN 0364-0213. PMID 21635333.
  45. ^ Piaget, Jean; Inhelder, Bärbel (1976). Origin of the Idea of Chance in Children. New York: W.W. Norton & Co. ISBN 9780393008036. OCLC 753479728.
  46. ^ Piaget, J. (1983). "Piaget's Theory". In P. Mussen (ed.). Handbook of Child Psychology. Vol. 1: History, Theory and Methods. W. Kessen (vol. ed.) (4th ed.). New York: John Wiley. OCLC 863228206. volume= 추가 텍스트(도움말)
  47. ^ a b Xu, Fei; Garcia, Vashti (April 1, 2008). "Intuitive statistics by 8-month-old infants". Proceedings of the National Academy of Sciences. 105 (13): 5012–5015. doi:10.1073/pnas.0704450105. PMC 2278207. PMID 18378901.
  48. ^ Denison, Stephanie; Xu, Fei (July 2010). "Integrating Physical Constraints in Statistical Inference by 11-Month-Old Infants". Cognitive Science. 34 (5): 885–908. doi:10.1111/j.1551-6709.2010.01111.x. ISSN 1551-6709. PMID 21564238.
  49. ^ Denison, Stephanie; Reed, Christie; Xu, Fei (February 2013). "The emergence of probabilistic reasoning in very young infants: Evidence from 4.5- and 6-month-olds". Developmental Psychology. 49 (2): 243–249. doi:10.1037/a0028278. PMID 22545837.
  50. ^ a b Denison, Stephanie; Xu, Fei (March 2014). "The origins of probabilistic inference in human infants". Cognition. 130 (3): 335–347. doi:10.1016/j.cognition.2013.12.001. PMID 24384147. S2CID 14917596.
  51. ^ Denison, Stephanie; Xu, Fei (September 2010). "Twelve- to 14-month-old infants can predict single-event probability with large set sizes". Developmental Science. 13 (5): 798–803. doi:10.1111/j.1467-7687.2009.00943.x. PMID 20712746.
  52. ^ Gerken, LouAnn (May 2010). "Infants use rational decision criteria for choosing among models of their input". Cognition. 115 (2): 362–366. doi:10.1016/j.cognition.2010.01.006. PMC 2835817. PMID 20144828.
  53. ^ Gopnik, A.; Meltzoff, A.N. (1997). Words, thoughts, and theories. Cambridge, MA: MIT Press. ISBN 9780262571265. OCLC 438680292.
  54. ^ Gopnik, A. & Wellman, H. (1994). "The theory theory". In A. Hirschfeld & S. A. Gelman (eds.). Mapping the Mind: Domain Specificity in Cognition and Culture. New York: Cambridge University Press. pp. 257–293. ISBN 0521419662. OCLC 27937150.
  55. ^ Gopnik, Alison; Meltzoff, Andrew N.; Kuhl, Patricia K. (2001). The scientist in the crib : what early learning tells us about the mind (1st ed.). New York: HarperPerennial. ISBN 9780688177881. OCLC 46453058.
  56. ^ Gopnik, Alison (28 September 2012). "Scientific Thinking in Young Children: Theoretical Advances, Empirical Research, and Policy Implications". Science. 337 (6102): 1623–1627. Bibcode:2012Sci...337.1623G. doi:10.1126/science.1223416. PMID 23019643. S2CID 12773717.
  57. ^ Denison, Stephanie; Bonawitz, Elizabeth; Gopnik, Alison; Griffiths, Thomas L. (February 2013). "Rational variability in children's causal inferences: The Sampling Hypothesis". Cognition. 126 (2): 285–300. doi:10.1016/j.cognition.2012.10.010. PMID 23200511. S2CID 10826483.
  58. ^ Gweon, Hyowon; Tenenbaum, Joshua B.; Schulz, Laura E. (May 2010). "Infants consider both the sample and the sampling process in inductive generalization". Proceedings of the National Academy of Sciences. 107 (20): 9066–9071. Bibcode:2010PNAS..107.9066G. doi:10.1073/pnas.1003095107. PMC 2889113. PMID 20435914.
  59. ^ Siegler, Robert S. (January 2000). "The Rebirth of Children's Learning". Child Development. 71 (1): 26–35. doi:10.1111/1467-8624.00115. PMID 10836555.
  60. ^ a b Barrett, H. Clark (2015). The shape of thought : how mental adaptations evolve. New York. ISBN 9780199348312. OCLC 881386175.
  61. ^ Sperber, D. (1994). "The modularity of thought and the epidemiology of representations". In Hirschfeld, L.; Gelman, S. (eds.). Mapping the Mind. Cambridge University Press.
  62. ^ Tataru, Paula; Hobolth, Asger (5 December 2011). "Comparison of methods for calculating conditional expectations of sufficient statistics for continuous time Markov chains". BMC Bioinformatics. 12: 465. doi:10.1186/1471-2105-12-465. PMC 3329461. PMID 22142146.
  63. ^ Xu, Fei (September 1999). "Object individuation and object identity in infancy: the role of spatiotemporal information, object property information, and language". Acta Psychologica. 102 (2–3): 113–136. doi:10.1016/s0001-6918(99)00029-3. PMID 10504878.
  64. ^ Quinn, Paul C.; Bhatt, Ramesh S. (July 2005). "Learning perceptual organization in infancy". Psychological Science. 16 (7): 511–515. doi:10.1111/j.0956-7976.2005.01567.x. ISSN 0956-7976. PMID 16008781. S2CID 11886384.
  65. ^ Gomez, Rebecca L.; Lakusta, Laura (November 2004). "A first step in form-based category abstraction by 12-month-old infants". Developmental Science. 7 (5): 567–580. doi:10.1111/j.1467-7687.2004.00381.x. PMID 15603290.
  66. ^ Quinn, Paul C.; Bhatt, Ramesh S.; Brush, Diana; Grimes, Autumn; Sharpnack, Heather (July 2002). "Development of form similarity as a Gestalt grouping principle in infancy". Psychological Science. 13 (4): 320–328. doi:10.1111/1467-9280.00459. ISSN 0956-7976. PMID 12137134. S2CID 8068752.
  67. ^ Needham, Amy; Dueker, Gwenden; Lockhead, Gregory (January 2005). "Infants' formation and use of categories to segregate objects". Cognition. 94 (3): 215–240. doi:10.1016/j.cognition.2004.02.002. PMID 15617672. S2CID 2674246.
  68. ^ Gómez, Rebecca L. (September 2002). "Variability and detection of invariant structure". Psychological Science. 13 (5): 431–436. doi:10.1111/1467-9280.00476. ISSN 0956-7976. PMID 12219809. S2CID 9058661.
  69. ^ Thiessen, Erik D. (5 January 2017). "What's statistical about learning? Insights from modelling statistical learning as a set of memory processes". Phil. Trans. R. Soc. B. 372 (1711): 20160056. doi:10.1098/rstb.2016.0056. PMC 5124081. PMID 27872374. 20160056.
  70. ^ Marcus, Gary F.; Fernandes, Keith J.; Johnson, Scott P. (May 2007). "Infant rule learning facilitated by speech". Psychological Science. 18 (5): 387–391. doi:10.1111/j.1467-9280.2007.01910.x. PMID 17576276. S2CID 8261527.
  71. ^ Gerken, LouAnn; Wilson, Rachel; Lewis, William (May 2005). "Infants can use distributional cues to form syntactic categories". Journal of Child Language. 32 (2): 249–268. doi:10.1017/S0305000904006786. PMID 16045250. S2CID 15679161.
  72. ^ a b Marcus, G.F.; Vijayan, S.; Rao, S. Bandi; Vishton, P.M. (1 January 1999). "Rule Learning by Seven-Month-Old Infants". Science. 283 (5398): 77–80. Bibcode:1999Sci...283...77M. doi:10.1126/science.283.5398.77. PMID 9872745.
  73. ^ Tenenbaum, J.B.; Griffiths, T.L. (August 2001). "Generalization, similarity, and Bayesian inference". The Behavioral and Brain Sciences. 24 (4): 629–640, discussion 652–791. doi:10.1017/s0140525x01000061. ISSN 0140-525X. PMID 12048947.
  74. ^ Xu, Fei; Tenenbaum, Joshua B. (April 2007). "Word learning as Bayesian inference". Psychological Review. 114 (2): 245–272. doi:10.1037/0033-295X.114.2.245. PMID 17500627.
  75. ^ Gerken, L. (October 2004). "Nine-month-olds extract structural principles required for natural language". Cognition. 93 (3): B89–B96. doi:10.1016/j.cognition.2003.11.005. ISSN 0010-0277. PMID 15178379. S2CID 5939461.
  76. ^ Gerken, L.; Bollt, A. (2008). "Three Exemplars Allow at Least Some Linguistic Generalizations: Implications for Generalization Mechanisms and Constraints". Language Learning and Development. 4 (3): 228–248. doi:10.1080/15475440802143117. S2CID 8068917.
  77. ^ Gerken, LouAnn; Dawson, Colin; Chatila, Razanne; Tenenbaum, Joshua (April 2014). "Surprise! Infants consider possible bases of generalization for a single input example". Developmental Science. 18 (1): 80–89. doi:10.1111/desc.12183. PMC 4188806. PMID 24703007.
  78. ^ Gomez, Rebecca L.; Gerken, LouAnn (March 1999). "Artificial grammar learning by 1-year-olds leads to specific and abstract knowledge". Cognition. 70 (2): 109–135. doi:10.1016/s0010-0277(99)00003-7. PMID 10349760. S2CID 7447597.
  79. ^ Chambers, Kyle E.; Onishi, Kristine H.; Fisher, Cynthia (March 2003). "Infants learn phonotactic regularities from brief auditory experience". Cognition. 87 (2): B69–B77. doi:10.1016/s0010-0277(02)00233-0. ISSN 0010-0277. PMID 12590043. S2CID 15757428.
  80. ^ Gerken, LouAnn (May 2010). "Infants use rational decision criteria for choosing among models of their input". Cognition. 115 (2): 362–366. doi:10.1016/j.cognition.2010.01.006. PMC 2835817. PMID 20144828.
  81. ^ Gerken, LouAnn (January 2006). "Decisions, decisions: infant language learning when multiple generalizations are possible". Cognition. 98 (3): B67–B74. doi:10.1016/j.cognition.2005.03.003. PMID 15992791. S2CID 14889642.
  82. ^ Pepperberg, Irene M.; Carey, Susan (November 2012). "Grey parrot number acquisition: The inference of cardinal value from ordinal position on the numeral list". Cognition. 125 (2): 219–232. doi:10.1016/j.cognition.2012.07.003. PMC 3434310. PMID 22878117.
  83. ^ Pepperberg, Irene M. (February 2013). "Abstract concepts: Data from a Grey parrot". Behavioural Processes. 93: 82–90. doi:10.1016/j.beproc.2012.09.016. PMID 23089384. S2CID 33278680.
  84. ^ Pepperberg, Irene M.; Gordon, Jesse D. (May 2005). "Number Comprehension by a Grey Parrot (Psittacus erithacus), Including a Zero-Like Concept". Journal of Comparative Psychology. 119 (2): 197–209. doi:10.1037/0735-7036.119.2.197. PMID 15982163.
  85. ^ Clements, Katherine A.; Gray, Suzanne L.; Gross, Brya; Pepperberg, Irene M. (May 2018). "Initial evidence for probabilistic reasoning in a grey parrot (Psittacus erithacus)". Journal of Comparative Psychology. 132 (2): 166–177. doi:10.1037/com0000106. PMID 29528667. S2CID 42149969.
  86. ^ Tecwyn, Emma C.; Denison, Stephanie; Messer, Emily J.E.; Buchsbaum, Daphna (March 2017). "Intuitive probabilistic inference in capuchin monkeys". Animal Cognition. 20 (2): 243–256. doi:10.1007/s10071-016-1043-9. PMID 27744528. S2CID 12347189.
  87. ^ Yang, Tianming; Shadlen, Michael N. (28 June 2007). "Probabilistic reasoning by neurons". Nature. 447 (7148): 1075–1080. Bibcode:2007Natur.447.1075Y. doi:10.1038/nature05852. ISSN 0028-0836. PMID 17546027. S2CID 4343931.
  88. ^ Rakoczy, Hannes; Clüver, Annette; Saucke, Liane; Stoffregen, Nicole; Gräbener, Alice; Migura, Judith; Call, Josep (April 2014). "Apes are intuitive statisticians". Cognition. 131 (1): 60–68. doi:10.1016/j.cognition.2013.12.011. ISSN 0010-0277. PMID 24440657. S2CID 10393347.
  89. ^ a b c ten Cate, Olle; Custers, Eugène J.F.M.; Durning, Steven J., eds. (2011). Principles and Practice of Case-based Clinical Reasoning Education A Method for Preclinical Students. Cham: Springer International. ISBN 9783319648286. OCLC 1017833633.
  90. ^ Holyoak, Keith James; Morrison, Robert G., eds. (2005). The Cambridge handbook of thinking and reasoning. New York: Cambridge University Press. ISBN 9780521824170. OCLC 56011371.
  91. ^ Custers, Eugène J. F. M. (May 2015). "Thirty years of illness scripts: Theoretical origins and practical applications". Medical Teacher. 37 (5): 457–462. doi:10.3109/0142159X.2014.956052. PMID 25180878. S2CID 207432268.
  92. ^ Custers, E. J.; Regehr, G.; Norman, G. R. (October 1996). "Mental representations of medical diagnostic knowledge: a review". Academic Medicine. 71 (10 Suppl): S55–561. doi:10.1097/00001888-199610000-00044. PMID 8940935.
  93. ^ a b Shortliffe, Edward H.; Buchanan, Bruce G. (April 1975). "A model of inexact reasoning in medicine". Mathematical Biosciences. 23 (3–4): 351–379. doi:10.1016/0025-5564(75)90047-4.
  94. ^ Heckerman, David E.; Shortliffe, Edward H. (February 1992). "From certainty factors to belief networks". Artificial Intelligence in Medicine. 4 (1): 35–52. doi:10.1016/0933-3657(92)90036-o.
  95. ^ Milofsky, Carl; Elstein, Arthur S.; Shulman, Lee S.; Sprafka, Sarah A. (November 1979). "Medical Problem Solving: An Analysis of Clinical Reasoning". American Journal of Sociology. 85 (3): 703–705. doi:10.1086/227074. ISSN 0002-9602.
  96. ^ a b Gigerenzer, Gerd; Gray, J. A. Muir, eds. (2011). Better doctors, better patients, better decisions : envisioning health care 2020. Ernst Strüngmann Forum 2009: Frankfurt am Main, Germany. Cambridge, Mass.: MIT Press. ISBN 9780262298957. OCLC 733263173.
  97. ^ Wegwarth, Odette; Wagner, Gert G.; Gigerenzer, Gerd (August 23, 2017). "Can facts trump unconditional trust? Evidence-based information halves the influence of physicians' non-evidence-based cancer screening recommendations". PLOS ONE. 12 (8): e0183024. Bibcode:2017PLoSO..1283024W. doi:10.1371/journal.pone.0183024. PMC 5568103. PMID 28832633. e0183024.
  98. ^ a b Gigerenzer, Gerd; Edwards, Adrian (September 2003). "Simple tools for understanding risks: from innumeracy to insight". BMJ. 327 (7417): 741–744. doi:10.1136/bmj.327.7417.741. ISSN 0959-8138. PMC 200816. PMID 14512488.
  99. ^ Gigerenzer, Gerd (2008). Rationality for mortals : how people cope with uncertainty. Oxford; New York: Oxford University Press. ISBN 9780199747092. OCLC 156902311.
  100. ^ Casscells, W.; Schoenberger, A.; Graboys, T. B. (November 1978). "Interpretation by physicians of clinical laboratory results". The New England Journal of Medicine. 299 (18): 999–1001. doi:10.1056/NEJM197811022991808. ISSN 0028-4793. PMID 692627.
  101. ^ Hoffrage, U.; Gigerenzer, G. (May 1998). "Using natural frequencies to improve diagnostic inferences". Academic Medicine. 73 (5): 538–540. doi:10.1097/00001888-199805000-00024. hdl:11858/00-001M-0000-0025-A092-2. PMID 9609869. S2CID 15957015.