在科学中，我们使用统计数据和实验来找出因果关系。人工智能和机器学习的研究人员已经开始设计软件，使计算机能够像科学家一样学习因果关系。在过去的15年中，我实验室的研究人员已经表明，儿童的学习方式与此非常相似。
在一个实验中，我们向学龄前儿童展示了一台简单的机器，机器一侧有一个开关，顶部有两个旋转的圆盘。然后，我们向他们展示了如果你对机器进行一些实验会发生什么；例如，你取下一个圆盘，拨动开关，看看另一个圆盘会发生什么。他们可以使用这些数据来正确推断，拨动开关使蓝色圆盘转动是否会使黄色圆盘旋转（在统计学中称为因果链结构），或者拨动开关是否会使两个圆盘都转动（一种共同原因结构）。
贝叶斯推断同时考虑了新证据的强度和你现有假设的强度。贝叶斯统计学的这一特性赋予了它们稳定性和灵活性的结合。幼儿和科学家都坚持已得到充分证实的假设，但最终，足够多的新证据可以推翻即使是最珍视的观点。一些研究表明，年轻人以这种方式整合现有知识和新证据。罗格斯大学的伊丽莎白·博纳维茨和麻省理工学院的劳拉·舒尔茨发现，四岁儿童最初认为心理状态，例如焦虑，不太可能对他们的身体健康产生太大影响，例如导致胃痛，并拒绝与此相反的证据。但是，如果你给他们越来越多的证据来支持这种“心身”假设，他们会逐渐变得更容易接受这种可疑的想法。而且，贝叶斯模型可以非常精确地预测儿童的观点何时以及如何改变。
支持科学新闻
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。通过购买订阅，您正在帮助确保未来能够继续报道有关塑造我们当今世界的发现和想法的具有影响力的故事。
在我们的实验室中，我们还发现，儿童可以对更抽象的因果关系做出令人惊讶的准确推断。原因可以通过不同的方式产生影响，我们可以使用计算机程序员的“布尔逻辑”来描述这些方式。例如，一台机器可能使用“OR”运算：一个模块要么激活机器，要么不激活。或者，它可能使用“AND”运算：需要模块的组合才能使机器运行。学龄前儿童可以从统计模式中学习这些抽象原则。有时他们在这方面比成年人做得更好。贝叶斯模型可以预测 4 岁儿童如何掌握这种基本的计算机编程逻辑。
值得注意的是，在所有这些案例中，儿童只需经过几次试验就能得出正确的结论，而不是所谓的深度学习技术所需的数千次试验。他们似乎是通过结合他们对周围世界的内在模型和他们不断从周围环境中接收到的新证据来做到这一点的。