Deductive and Inductive Processing Dissociate in theHuman Brain

演绎和归纳处理在人脑中分离

https://2024.ccneuro.org/pdf/606_Paper_authored_ccn_ded_ind.pdf

逻辑演绎和归纳是人类推理的基本组成部分，从理论上被认为具有区别。然而，尚不清楚在经验层面，这些是否是可分离的认知过程，或者它们只是同一底层认知操作的不同表现形式。逻辑推理的表征形式也一直存在争议，一些人主张使用语言表征，而另一些人则提倡一种符号化但非语言的“思想语言（Language of Thought, LOT）”，所有逻辑推理都在其中进行。在此，我们通过脑成像（fMRI）来探讨这两个问题，并发现：i）演绎和归纳在神经层面是可分离的；ii）这两种推理形式均不依赖于语言表征。

引言

分析性和实用性的理性思维理论假设归纳推理和演绎推理之间存在区别（Carnap, 1950, 1952; Pólya, 1954; Priest, 1999; Rips, 2003 等）。然而，其他观点提出了一个单一的领域通用处理器，用于执行假设生成、确认和消除。在这些后者的观点中，归纳和演绎模式都简化为一种通用格式，例如心理模型（Johnson-Laird, 1994）或与相应条件概率相关联的一组世界描述（例如 Lake et al., 2016; Wong & Grand et al., 2024），或者最终简化为一套用于导航世界的领域特定的启发式方法（例如 Cosmides, 1989; Cheng & Holyoak, 1985）。

关键在于，所有这些理论中，生成新假设的归纳过程和消除被证伪假设的演绎过程都发生在同一个模型中。

关于归纳推理和演绎推理之间分离的一些证据来自不同的发展轨迹。特别是，归纳理论生成似乎在婴儿期就出现了（Gopnik, Meltzoff, & Kohl, 1999）。相比之下，演绎推理的发展速度要慢得多：通过否定后件进行推理的能力（Modus Tollens）大约在3岁时才出现（Mody & Carey, 2016），而我们在成年后仍然在析取三段论推理方面表现不佳（Wason, 1966）。然而，以往使用脑成像技术区分归纳推理和演绎推理的尝试并没有得出明确的答案（Osherson et al., 1998; Goel & Dolan, 2004）。

在本研究中，我们基于对抽象推理和流体智力的神经基础的最新理解（例如，Duncan等人，2020年），并采用最先进的精准功能性磁共振成像（fMRI）方法（Gratton和Braga，2021），在个体参与者内部进行所有关键比较，以探讨归纳推理和演绎推理是否在神经基础上分离。具体而言，目标是区分以下几种情况：i）人类推理的单一整体账户，其中归纳和演绎认知操作是另一种更基础的认知操作的例证，这种基础操作支持所有抽象推理（甚至更广泛的目标导向行为）；ii）演绎是归纳的特例，或归纳是演绎的特例的账户（例如，复杂性更高或不确定性更高）；以及iii）归纳和演绎是不同过程的账户。

在我们的研究中（n=16名参与者），我们旨在研究演绎和归纳推理的原生形式（见图1）。对于演绎推理，我们采用了一种范式，通过对比析取三段论（Modus Tollens）的心理操作来考察演绎特有的认知负荷。析取三段论涉及否定后件——这是所有假设消除所需的最基础的演绎操作，而另一种更简单的操作（Modus Ponens）则更容易被人类执行，因为它自然地源于肯定前件（Monti等人，2007；Coetzee和Monti，2018）。对于归纳推理，我们采用了Rule、Piantadosi和Tenenbaum（2020）提出的范式。在这个范式中，参与者被提供一个输入列表和一个输出列表，并需要猜测（归纳）导致输入到输出转换的规则。然后，他们有机会在一个新的输入列表上测试他们的假设，直到猜出正确的规则为止。在控制条件下，他们已经知道规则是什么，只需要将其应用于一个列表即可。这种规则猜测范式合理地涉及了与抽象推理语料库（Abstract Reasoning Corpus, ARC；Chollet，2019）及其后续版本（ConceptARC，Moskvichev等人，2023）、标准流体智力测试（例如，瑞文渐进矩阵测试；RAPM，Raven等人，1998）以及数字游戏（Tenenbaum，1999）相似的认知操作，也许还包括更具体的新型概念学习任务（Gauthier和Tart，1997；Xu和Tenenbaum，2007）。

结果

首先，我们探讨演绎和归纳是否在神经基础上可分离。在第一次分析中，我们考察了领域通用的多重需求（Multiple Demand, MD）网络对两种关键任务的反应。MD网络已被证明与抽象推理和一般流体智力有关（Duncan等人，2020）。我们使用基于空间工作记忆（WM）任务的标准“定位器”功能定义了MD网络（Fedorenko等人，2013；Assem等人，2020）。我们发现，在归纳推理过程中，MD网络被激活，但在演绎推理过程中则没有（见图2A）。

接下来，我们在全脑范围内寻找对演绎推理负荷敏感的区域（即，对Modus Tollens的反应强于Modus Ponens）。我们发现了20个对演绎负荷反应强烈的区域（这些效应是在数据的留出运行中估计的，以确保没有循环论证）。当我们寻找在空间工作记忆任务中没有反应的感兴趣区域（ROIs）时，我们只发现了2个左额叶的ROI（见图2B）。这些对演绎反应的区域与MD网络不同（也通过在空间工作记忆任务条件下缺乏反应得到证实），并且它们对归纳推理的反应也很弱（关键归纳条件的反应与Modus Ponens条件相同）。

A：对空间工作记忆（蓝色条）的难易程度、演绎（绿色条）和归纳（紫色条）的反应看起来相似（较浅的条表示所有情况下的较易控制条件）。

B：演绎负荷区域对空间工作记忆、演绎（使用独立数据运行估计）和归纳的反应。

C：MD区域内部任务表征之间的空间相关性（通过费舍尔变换相关系数计算）。

最后，对于既激活了MD网络的归纳任务和空间工作记忆任务，我们探讨它们的细粒度神经表征是否可分离。为此，我们检查了MD区域内的激活模式：i）在任务内部的不同运行之间，与ii）不同任务之间的相似性，并发现了一个稳健的分离（见图2C）。

为了探讨演绎或归纳推理是否依赖自然语言表征，我们检查了语言选择性的额颞网络的反应，该网络已被证明与语言理解和产生有关（Fedorenko等人，2024）。该语言网络是通过阅读句子与感知上相似的无意义刺激（非词序列）的对比来定义的（Fedorenko等人，2010）。该网络在归纳推理或演绎推理期间均未显示出反应（注意，两种演绎任务条件都使用语言刺激，因此会引发正反应，但关键在于，更具挑战性的条件并未引发更强的反应；参见图2B）（见图3）。

总结来说，演绎和归纳推理在人脑中似乎是可分离的：归纳推理激活了用于抽象推理的领域通用网络——多重需求网络（尽管与高难度工作记忆任务相比，它在该网络内显示出独特的细粒度模式）。然而，演绎推理激活了一组独特的脑区，在归纳推理期间仅表现出较弱的反应。此外，尽管推理表征的格式仍然是一个重要的开放性问题，但我们可以排除它们依赖语言表征的假设（参见Carruthers, 2002）。

https://2024.ccneuro.org/pdf/606_Paper_authored_ccn_ded_ind.pdf