Zespół badawczy zaproponował nowy model obliczeniowy, który reprezentuje abstrakcyjną wiedzę jako programy mentalne łączące język naturalny z kodem źródłowym, a następnie sekwencyjnie wnioskuje te programy za pomocą algorytmów uczenia bayesowskiego kierowanych przez duże modele językowe. Model ten spełnia trzy kluczowe warunki - jest efektywny danych-wise i obliczeniowo, modeluje stopnie niepewności wspierające inteligentne pytania, oraz jest wystarczająco elastyczny by reprezentować nieograniczony zakres pojęć, które mogą nauczyć się ludzie.
Aż do tej pory naukowcy borykali się z fundamentalnym zagadnieniem: jak człowiek efektywnie buduje i utrzymuje abstrakcyjną wiedzę mając dostęp tylko do rzadkich, fragmentarycznych i hałaśliwych danych. Czystych LLM-ów i klasyczne modele bayesowskie zawodzą w tym zadaniu - albo nie radzą sobie z podstawowymi problemami, albo nie odtwarzają obserwowanego ludzkiego zachowania, albo robią to z ekstrawaganckimi kosztami obliczeniowymi.
Wyniki testów na szeregu badań behawioralnych pokazały, że propozycja modelu skutecznie odtwarza rzeczywiste sygnatury ludzkiego uczenia indukcyjnego i aktywnego zbierania informacji, włączając w to efekty takie jak zakotwiczenie czy garden-pathing. Otwiera to nową perspektywę na ludzkie poznanie - sugeruje, że mózg utrzymuje wiele konkurencyjnych hipotez w reprezentacjach kombinujących elementy języka i programowania, a następnie iteracyjnie je aktualizuje poprzez procesy zbliżone do aktualizacji bayesowskiej, przy czym neuronowy mechanizm bottom-up działający jak LLM czyni to wnioskowanie zarówno obliczeniowo wykonalnym jak i zdolnym do nauki.