Hypothesis-guided discovery of cognitive algorithms via program refinement
作者: Huiwen Alex Yang, Mark K. Ho, Bill D. Thompson
分类: cs.AI
发布日期: 2026-10-01
💡 一句话要点
提出一种混合系统以解决认知算法发现问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 认知建模 算法推理 程序细化 概率程序 大型语言模型 行为数据 模型修正
📋 核心要点
- 现有的认知建模方法在灵活性和可扩展性方面存在不足，难以应对复杂的算法恢复任务。
- 本文提出将认知算法发现视为程序细化问题，利用人类创建的概率程序和LLM代理进行模型修正。
- 实验结果表明，修正后的模型在拟合度上显著优于原始模型，并揭示了一些重要的行为变异性创新。
📝 摘要（中文）
从行为数据中开发算法推理的认知模型是认知科学中的核心问题，现有方法面临灵活性和可扩展性不足的挑战。传统的认知建模方法虽然可解释且受益于人类专家的知识，但缺乏灵活性和可扩展性。本文提出了一种混合系统，将认知算法的发现视为程序细化问题，利用大型语言模型（LLMs）进行模型修正，显著提升了模型的拟合度，并揭示了捕捉行为变异性的创新点。
🔬 方法详解
问题定义：本文旨在解决从行为数据中发现认知算法的难题，现有方法在灵活性和可扩展性方面存在不足，难以适应复杂的推理任务。
核心思路：提出一种混合系统，将认知算法的发现视为程序细化问题，利用人类创建的概率程序与LLM代理进行模型修正，确保在研究者设定的约束下进行代码级修改。
技术框架：整体架构包括三个主要模块：首先是人类创建的概率程序作为输入；其次是LLM代理负责识别模型与行为之间的差异并提出修正；最后是概率推理模块进行潜变量推断和数据似然计算。
关键创新：最重要的创新在于将认知算法的发现视为程序细化问题，结合了人类专家的知识与LLM的灵活性，克服了传统方法的局限性。
关键设计：在模型修正过程中，设置了特定的约束条件以引导LLM进行有效的代码修改，确保修正后的模型在结构上保持一致性，同时通过概率推理模块进行有效的推断和计算。
🖼️ 关键图片
📊 实验亮点
实验结果显示，修正后的模型在拟合度上相较于原始模型有显著提升，具体表现为模型拟合度提高了XX%（具体数据未知），并且揭示了一小组反复出现的创新点，这些创新点有效捕捉了任务中的行为变异性。
🎯 应用场景
该研究的潜在应用领域包括教育、心理学和人工智能等，能够帮助研究人员更好地理解和模拟人类的认知过程。通过提高认知模型的灵活性和可扩展性，未来可能推动智能系统在复杂任务中的应用和发展。
📄 摘要（原文）
Developing cognitive models of algorithmic reasoning from behavioral data is a central problem in cognitive science that challenges current methods. Traditional approaches to cognitive modeling are interpretable and benefit from human expertise, but lack flexibility and scalability. Emerging techniques using large language models (LLMs) for de novo generation of cognitive models are scalable and flexible, but lack a role for human expertise and have mostly been applied to simpler tasks than algorithm recovery. We propose a hybrid system that treats discovery of cognitive algorithms as a program refinement problem. Human-created cognitive models are expressed as probabilistic programs and provided to a system of LLM agents with a mandate to: identify mismatches between model and behavior; propose code-level modifications within researcher-specified constraints; and verify structural fidelity. Revisions propagate to a probabilistic inference module that performs inference for latent variables and data likelihood computations. We evaluate the pipeline on human behavior in a problem-solving paradigm that exposes a variety of cognitive algorithms. Revised models consistently improve model fit relative to ancestral models and reveal a small set of recurring innovations that capture meaningful behavioral variability in this task.