在科學中，我們使用統計資料和實驗來找出因果關係。人工智慧和機器學習的研究人員已經開始設計軟體，使計算機能夠像科學家一樣學習因果關係。在過去的15年中，我實驗室的研究人員已經表明，兒童的學習方式與此非常相似。
在一個實驗中，我們向學齡前兒童展示了一臺簡單的機器，機器一側有一個開關，頂部有兩個旋轉的圓盤。然後，我們向他們展示瞭如果你對機器進行一些實驗會發生什麼；例如，你取下一個圓盤，撥動開關，看看另一個圓盤會發生什麼。他們可以使用這些資料來正確推斷，撥動開關使藍色圓盤轉動是否會使黃色圓盤旋轉（在統計學中稱為因果鏈結構），或者撥動開關是否會使兩個圓盤都轉動（一種共同原因結構）。
貝葉斯推斷同時考慮了新證據的強度和你現有假設的強度。貝葉斯統計學的這一特性賦予了它們穩定性和靈活性的結合。幼兒和科學家都堅持已得到充分證實的假設，但最終，足夠多的新證據可以推翻即使是最珍視的觀點。一些研究表明，年輕人以這種方式整合現有知識和新證據。羅格斯大學的伊麗莎白·博納維茨和麻省理工學院的勞拉·舒爾茨發現，四歲兒童最初認為心理狀態，例如焦慮，不太可能對他們的身體健康產生太大影響，例如導致胃痛，並拒絕與此相反的證據。但是，如果你給他們越來越多的證據來支援這種“心身”假設，他們會逐漸變得更容易接受這種可疑的想法。而且，貝葉斯模型可以非常精確地預測兒童的觀點何時以及如何改變。
支援科學新聞
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保未來能夠繼續報道有關塑造我們當今世界的發現和想法的具有影響力的故事。
在我們的實驗室中，我們還發現，兒童可以對更抽象的因果關係做出令人驚訝的準確推斷。原因可以透過不同的方式產生影響，我們可以使用計算機程式設計師的“布林邏輯”來描述這些方式。例如，一臺機器可能使用“OR”運算：一個模組要麼啟用機器，要麼不啟用。或者，它可能使用“AND”運算：需要模組的組合才能使機器執行。學齡前兒童可以從統計模式中學習這些抽象原則。有時他們在這方面比成年人做得更好。貝葉斯模型可以預測 4 歲兒童如何掌握這種基本的計算機程式設計邏輯。
值得注意的是，在所有這些案例中，兒童只需經過幾次試驗就能得出正確的結論，而不是所謂的深度學習技術所需的數千次試驗。他們似乎是透過結合他們對周圍世界的內在模型和他們不斷從周圍環境中接收到的新證據來做到這一點的。