DOI: https://doi.org/10.3389/fpsyg.2026.1861515
PMID: https://pubmed.ncbi.nlm.nih.gov/42614442
تاريخ النشر: 2026-08-04
المؤلف: Bruno Kopp
الموضوع الرئيسي: اتخاذ القرار والاقتصاد السلوكي
نظرة عامة
تقدم البحث مفهوم الإدراك البايزي التكيفي (ABC)، وهو إطار حسابي هرمي يعيد تصور التحيزات المعرفية كاستجابات تكيفية لعدم اليقين بدلاً من فشل العقلانية. يفترض ABC أن التحيزات المعرفية تنشأ من تنافس ديناميكي بين المعتقدات السابقة والأدلة الواردة، التي تنظمها الموارد المعرفية. يتكون الإطار من ثلاثة مستويات: تحديث استدلالي من الدرجة الأولى في فضاء اللوغاريتمات، وتعلم موثوقية من الدرجة الثانية مدفوع بخطأ التنبؤ، وتكيف من الدرجة الثالثة مع عدم اليقين البيئي. يسمح هذا الهيكل بظهور وزن استدلالي من عوامل مثل البروز الانتباهي والموثوقية المتعلمة، مما يؤدي إلى تحولات حساسة للسياق في التفكير الاحتمالي.
تمتد تداعيات إطار ABC عبر مجالات متعددة، بما في ذلك علم النفس المعرفي، وعلم الأعصاب، وعلم النفس المرضي، والذكاء الاصطناعي. يوفر حسابًا كميًا لتحديث المعتقدات، ويربط الاستدلال الاحتمالي بالآليات العصبية، ويقدم رؤى حول تشكيل المعتقدات غير التكيفية في علم النفس المرضي. علاوة على ذلك، يستخدم طريقة استدلال بايزي معتدل تتكيف مع مرور الوقت، معاملة وزن الاستدلال كخاصية داخلية. بشكل عام، يقدم ABC منظورًا موحدًا عن الإدراك البشري باعتباره احتماليًا بشكل أساسي، يتشكل من خلال قيود الموارد والعوامل البيئية، مما يضع التحيزات المعرفية كنتائج منهجية للاستدلال الهرمي تحت عدم اليقين.
مقدمة
تناقش مقدمة هذه الورقة البحثية تعقيدات الحكم البشري واتخاذ القرار تحت عدم اليقين، مع تسليط الضوء على النقاش المستمر بين تقاليد التحيزات والاختصارات وطرق العقلانية البيئية. يفترض الأول أن الإدراك البشري غالبًا ما ينحرف عن الاستدلال البايزي المعياري بسبب التحيزات المنهجية، مثل إهمال معدل الأساس والتثبيت. في المقابل، تشير العقلانية البيئية إلى أن هذه الاختصارات قد تكون استجابات تكيفية للقيود البيئية بدلاً من فشل العقلانية. تتحدى النماذج البايزية أيضًا الفكرة القائلة بأن التحيزات المعرفية تشير إلى استدلال غير احتمالي، مقترحة أن الاستدلال البشري يمكن أن يتماشى مع المبادئ البايزية على الرغم من التشوهات الظاهرة.
لمعالجة هذه المنظورات المتنافسة، تقدم الورقة إطار الإدراك البايزي التكيفي (ABC)، الذي يفترض أن التحيزات المعرفية تنشأ من تنافس ديناميكي بين المعتقدات السابقة والأدلة الواردة أثناء تحديث المعتقدات. يتضمن هذا النموذج الهرمي ثلاثة مستويات: النموذج الأساسي لتحديث المعتقدات، مستوى ثانٍ لتعلم موثوقية المعلومات، وثالث لفهم عدم اليقين البيئي. يهدف إطار ABC إلى التوفيق بين الجوانب المعيارية والتكيفية للاستدلال البايزي، مقترحًا أن التحيزات المعرفية ليست عدم عقلانية معزولة ولكنها تشوهات تكيفية تتشكل من خلال القيود المعرفية والعوامل البيئية. تعد المقالة بتقديم حساب حسابي موحد لهذه التحيزات، موضعة نموذج ABC ضمن سياقات نظرية أوسع ومشتقة توقعات تجريبية تميزها عن النماذج الحالية للاستدلال الاحتمالي.
نقاش
يفترض إطار الإدراك البايزي التكيفي (ABC)، كما صاغه كوب (2025)، أن التحيزات المعرفية تنشأ من التباينات المنهجية في كيفية وزن الأفراد للمعرفة السابقة مقابل الأدلة الواردة أثناء تحديث المعتقدات. يعيد هذا الإطار صياغة التحيزات ليس كفشل في الاستدلال الاحتمالي ولكن كتعديلات تعتمد على السياق ضمن نموذج استدلال بايزي موحد مقيد بالموارد المعرفية. يتم صياغة دمج المعرفة المستندة إلى الاسترجاع (المعتقدات السابقة) والمعلومات المستندة إلى التجربة (الأدلة الحالية) من خلال عملية تحديث بايزي موزونة، حيث تعكس معلمة الوزن $\gamma$ التأثير النسبي لهذين المصدرين. تسمح هذه المعلمة بوجود طيف من تحديث المعتقدات، يتراوح من الأنظمة المهيمنة على المعتقدات السابقة إلى الأنظمة المهيمنة على الأدلة، مما يوفر تفسيرًا متماسكًا لمختلف التحيزات المعرفية، مثل المحافظة وإهمال معدل الأساس، كاستجابات تكيفية للظروف البيئية بدلاً من الأخطاء غير العقلانية.
يميز إطار ABC أيضًا بين الاستدلال البايزي المعياري، الذي يلتزم بقواعد بايز، والاستدلال الذاتي، الذي يأخذ في الاعتبار الطبيعة التكيفية لتحديث المعتقدات تحت القيود المعرفية. يقدم نموذج منفعة ذو مصدرين حيث يتم تحديد وزن الاستدلال ديناميكيًا بواسطة المنفعة النسبية للمعلومات السابقة والمعلومات المستندة إلى الأدلة، المتأثرة بعوامل مثل الموثوقية والبروز الانتباهي. يقترح هذا النموذج أن التحيزات تنشأ من التفاعلات التنافسية بين هذه الإشارات المنفعية، مما يؤدي إلى تعديلات حساسة للسياق في تحديث المعتقدات. بالإضافة إلى ذلك، يتضمن الهيكل الهرمي لإطار ABC مستويات من تعلم الموثوقية وعدم اليقين البيئي، مما يسمح بفهم دقيق لكيفية ظهور التحيزات المعرفية وتكيفها مع مرور الوقت استجابةً لسياقات معلوماتية متغيرة. بشكل عام، يوفر إطار ABC نموذجًا حسابيًا شاملاً يدمج الرؤى من الإدراك البايزي، والاختصارات، ونظريات العقلانية الموارد، محولًا التركيز من صحة الاستدلال البايزي إلى الظروف التي تؤثر على وزن المعرفة السابقة والأدلة.
القيود
يقدم إطار ABC نموذجًا هرميًا للاستدلال الاحتمالي، مع التركيز على التفاعل الديناميكي بين المعتقدات السابقة والأدلة، المتأثرة بالقيود المعرفية والبيئية. بينما يقدم حسابًا دقيقًا لتحديث المعتقدات في فضاء اللوغاريتمات ويسلط الضوء على دور عوامل مثل البروز الانتباهي والتكاليف المعرفية، لا تزال هناك عدة قيود. من الجدير بالذكر أن محددات وزن الاستدلال التكيفي محددة جزئيًا فقط، ويفتقر الإطار إلى فهم شامل للديناميات الزمنية المعنية في تراكم الأدلة المتسلسل. هناك حاجة إلى مزيد من البحث للتحقق تجريبيًا من الآليات المقترحة ولتوضيح التفاعلات بين العوامل المختلفة التي تؤثر على تحديث المعتقدات.
علاوة على ذلك، لا يُقصد من إطار ABC أن يكون نظرية كاملة للعمليات المعرفية مثل الانتباه والذاكرة، ولا يدعي أن جميع التحيزات المعرفية تنشأ من آلية واحدة. بدلاً من ذلك، يوفر هيكلًا مفاهيميًا لفهم الإدراك البايزي التكيفي، تاركًا تفاصيل التنفيذ مفتوحة لمزيد من التحقيق. تتطلب توقعات الإطار، مثل تأثيرات البروز والعبء المعرفي على الاستدلال، اختبارًا تجريبيًا منهجيًا لتمييزها عن تلك الخاصة بالنماذج ذات الصلة. في النهاية، يهدف إطار ABC إلى توحيد الرؤى من الاستدلال الاحتمالي، والتعلم، وعلم النفس المرضي، مع وضع أساس لمزيد من البحث في الأسس العصبية والنفسية للاستدلال التكيفي.
DOI: https://doi.org/10.3389/fpsyg.2026.1861515
PMID: https://pubmed.ncbi.nlm.nih.gov/42614442
Publication Date: 2026-08-04
Author(s): Bruno Kopp
Primary Topic: Decision-Making and Behavioral Economics
Overview
The research introduces Adaptive Bayesian Cognition (ABC), a hierarchical computational framework that reconceptualizes cognitive biases as adaptive responses to uncertainty rather than failures of rationality. ABC posits that cognitive biases arise from a dynamic competition between prior beliefs and incoming evidence, regulated by cognitive resources. The framework comprises three strata: first-order inferential updating in log-odds space, second-order reliability learning driven by prediction error, and third-order adaptation to environmental uncertainty. This architecture allows for inferential weighting to emerge from factors such as attentional salience and learned reliability, leading to context-sensitive shifts in probabilistic reasoning.
The implications of the ABC framework extend across various domains, including cognitive psychology, neuroscience, psychopathology, and artificial intelligence. It provides a quantitative account of belief updating, links probabilistic inference to neural mechanisms, and offers insights into maladaptive belief formation in psychopathology. Furthermore, it employs a method of tempered Bayesian inference that adapts over time, treating inferential weighting as an endogenous property. Overall, ABC presents a unified perspective on human cognition as fundamentally probabilistic, shaped by resource limitations and environmental factors, thereby framing cognitive biases as systematic outcomes of hierarchical inference under uncertainty.
Introduction
The introduction of this research paper discusses the complexities of human judgment and decision-making under uncertainty, highlighting the ongoing debate between the heuristics-and-biases tradition and ecological-rationality approaches. The former posits that human cognition often deviates from normative Bayesian reasoning due to systematic biases, such as base-rate neglect and anchoring. In contrast, ecological-rationality suggests that these heuristics may be adaptive responses to environmental constraints rather than failures of rationality. Bayesian models further challenge the notion that cognitive biases indicate non-probabilistic reasoning, proposing that human inference can still align with Bayesian principles despite apparent distortions.
To address these competing perspectives, the paper introduces the Adaptive Bayesian Cognition (ABC) framework, which posits that cognitive biases arise from dynamic competition between prior beliefs and incoming evidence during belief updating. This hierarchical model incorporates three strata: the core model for belief updating, a second stratum for learning about informational reliability, and a third for understanding environmental uncertainty. The ABC framework aims to reconcile normative and adaptive aspects of Bayesian inference, suggesting that cognitive biases are not isolated irrationalities but rather adaptive distortions shaped by cognitive constraints and environmental factors. The article promises to provide a unified computational account of these biases, situating the ABC model within broader theoretical contexts and deriving empirical predictions that differentiate it from existing models of probabilistic inference.
Discussion
The Adaptive Bayesian Cognition (ABC) framework, as articulated by Kopp (2025), posits that cognitive biases arise from systematic variations in how individuals weigh prior knowledge against incoming evidence during belief updating. This framework reframes biases not as failures of probabilistic reasoning but as context-dependent adjustments within a unified Bayesian inference model constrained by cognitive resources. The integration of retrieval-based knowledge (prior beliefs) and experience-based information (current evidence) is formalized through a weighted Bayesian updating process, where the weighting parameter $\gamma$ reflects the relative influence of these two sources. This parameter allows for a spectrum of belief updating, ranging from prior-dominant to evidence-dominant regimes, thereby offering a coherent explanation for various cognitive biases, such as conservatism and base-rate neglect, as adaptive responses to environmental conditions rather than irrational errors.
The ABC framework further distinguishes between normative Bayesian inference, which adheres to Bayes’ rule, and subjective inference, which accounts for the adaptive nature of belief updating under cognitive constraints. It introduces a dual-source utility model where the inferential weighting is dynamically determined by the relative utility of prior and evidence-based information, influenced by factors such as reliability and attentional salience. This model suggests that biases emerge from competitive interactions between these utility signals, leading to context-sensitive adjustments in belief updating. Additionally, the hierarchical structure of the ABC framework incorporates levels of reliability learning and environmental uncertainty, allowing for a nuanced understanding of how cognitive biases manifest and adapt over time in response to varying informational contexts. Overall, the ABC framework provides a comprehensive computational model that integrates insights from Bayesian cognition, heuristics, and resource-rational theories, shifting the focus from the validity of Bayesian reasoning to the conditions that influence the weighting of prior knowledge and evidence.
Limitations
The ABC framework presents a hierarchical model of probabilistic inference, emphasizing the dynamic interplay between prior beliefs and evidence, influenced by cognitive and environmental constraints. While it offers a precise computational account of belief updating in log-odds space and highlights the role of factors such as attentional salience and cognitive costs, several limitations remain. Notably, the determinants of adaptive inferential weighting are only partially defined, and the framework lacks a comprehensive understanding of the temporal dynamics involved in sequential evidence accumulation. Future research is needed to empirically validate the proposed mechanisms and to clarify the interactions among various factors influencing belief updating.
Moreover, the ABC framework is not intended to serve as a complete theory of cognitive processes like attention and memory, nor does it claim that all cognitive biases stem from a single mechanism. Instead, it provides a conceptual structure for understanding adaptive Bayesian cognition, leaving the specifics of implementation open for further investigation. The framework’s predictions, such as the effects of salience and cognitive load on inference, require systematic empirical testing to differentiate them from those of related models. Ultimately, the ABC framework aims to unify insights from probabilistic reasoning, learning, and psychopathology, while establishing a foundation for future research into the neural and psychological underpinnings of adaptive inference.