[論文レビュー] The Reasoning Error About Reasoning: Why Different Types of Reasoning Require Different Representational Structures

Yiling Wu|arXiv (Cornell University)|Mar 23, 2026

Child and Animal Learning Development被引用数 0

ひとこと要約

この論文は、四つの構造フレームワーク（実用性、整合性、構造保存性、構成性）を提示し、さまざまな推論タイプがそれらを異なる程度で要求すること、ならびに主たる境界が、連想表現を使用できる推論と、推論と形式論理のためにこれら四つの特性がすべて必要とされる推論とを分けることを主張している。

ABSTRACT

Different types of reasoning impose different structural demands on representational systems, yet no systematic account of these demands exists across psychology, AI, and philosophy of mind. I propose a framework identifying four structural properties of representational systems: operability, consistency, structural preservation, and compositionality. These properties are demanded to different degrees by different forms of reasoning, from induction through analogy and causal inference to deduction and formal logic. Each property excludes a distinct class of reasoning failure. The analysis reveals a principal structural boundary: reasoning types below it can operate on associative, probabilistic representations, while those above it require all four properties to be fully satisfied. Scaling statistical learning without structural reorganization is insufficient to cross this boundary, because the structural guarantees required by deductive reasoning cannot be approximated through probabilistic means. Converging evidence from AI evaluation, developmental psychology, and cognitive neuroscience supports the framework at different levels of directness. Three testable predictions are derived, including compounding degradation, selective vulnerability to targeted structural disruption, and irreducibility under scaling. The framework is a necessary-condition account, agnostic about representational format, that aims to reorganize existing debates rather than close them.

研究の動機と目的

• 推論タイプが表現要件にどのようにマッピングされるかについて体系的な説明を動機づける。
• 表現システムを制約する四つの構造的特性を導入する。
• 五つの推論タイプ（induction, analogy, causal inference, deduction, formal logic）をこれらの特性へマッピングする。
• 主たる構造境界を特定し、統計学習のスケーリングだけではそれを越えられない理由を論じる。
• 検証可能な予測を概説し、フレームワークの限界を認識する。

提案手法

• 表現の四つの構造特性を定義し、それらの必要性を正当化する。
• 五つの推論タイプを分析し、それぞれにとって最小限・有益・無関係な構造的要求を決定する。
• 因果推論と演繹推論の間の主たる境界を、構造的要件の観点から主張する。
• 異なる表現形式を横断して適用可能な、実装依存性のない必要条件アカウントを提示する。

実験結果

リサーチクエスチョン

• RQ1 異なる推論タイプをサポートするためには、表現システムはどのような構造特性を満たす必要があるのか？
• RQ2 誘導・類推・因果・演繹・形式論理推論は、実用性、整合性、構造保存性、構成性の要求においてどのように異なるか？
• RQ3 確率的/連想表現で動作可能な推論と、四つの全特性を要求する推論を分ける主たる境界は推論タイプ空間内に存在するのか？
• RQ4 統計学習のスケーリングを単独で行っても、この境界を越えることができるのか？

主な発見

• 異なる推論タイプは、これらの構造特性を異なる程度で必要とする：誘導推論と類推推論は部分的または概ねの充足を許容する一方、演繹推論は四つの特性を全て必要とする。
• 演繹推論は、規則またはモデルを介して実装されるかにかかわらず、実用性、整合性、構造保存性、構成性を要求する。
• 因果推論と演繹推論の間には主たる構造境界があり、演繹推論と形式論理推論は四つの特性を全て要求する。
• 構造再編成なしに統計学習をスケーリングしても、主たる境界を越えるには不十分であり、真の演繹的信頼性を得るには構造特性の充足が必要である。