[논문 리뷰] The Reasoning Error About Reasoning: Why Different Types of Reasoning Require Different Representational Structures

Yiling Wu|arXiv (Cornell University)|2026. 03. 23.

Child and Animal Learning Development인용 수 0

한 줄 요약

이 논문은 네 가지 구조 프레임워크(가동성, 일관성, 구조 보존, 구성성)가 서로 다른 추론 유형에 따라 요구되며, 주된 경계가 연합 표현을 사용할 수 있는 추론과 모든 네 속성이 필요해 추론 및 형식 논리를 위한 것을 구분한다는 주장

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.

연구 동기 및 목표

• 추론 유형이 표현 요건에 어떻게 매핑되는지에 대한 체계적 설명의 필요성 제시.
• 표현 체계를 제약하는 네 가지 구조적 특성을 도입한다.
• 다섯 가지 추론 유형(유도, 은유/비유 analogy, 인과 추론, 연역, 형식 논리)을 이 속성들에 매핑한다.
• 주된 구조적 경계를 식별하고 통계적 학습의 규모 확장만으로는 이를 넘을 수 없는 이유를 제시한다.
• 검증 가능한 예측을 개략하고 프레임워크의 한계를 인정한다.

제안 방법

• 표현의 네 가지 구조적 특성을 정의하고 그 필요성을 정당화한다.
• 다섯 가지 추론 유형을 분석하여 각 유형에 대한 최소한의, 유익한, 무관한 구조적 요구를 결정한다.
• 구조적 요건 측면에서 인과 추론과 연역 추론 사이의 주된 경계를 주장한다.
• 다양한 표현 형식에 적용되는 구현 중립적이며 필요조건 계정을 제시한다.

실험 결과

연구 질문

• RQ1 다양한 추론 유형을 지원하기 위해 표현 시스템은 어떤 구조적 특성을 충족해야 하는가?
• RQ2 유도, 은유적/유사 추론, 인과 추론, 연역, 형식 논리 추론이 가동성, 일관성, 구조 보존, 구성성에 대해 어떤 요구 차이를 보이는가?
• RQ3 확률적/연합 표현에서 작동할 수 있는 추론 유형과 네 가지 속성 전체를 요구하는 유형을 구분하는 주된 경계가 있는가?
• RQ4 구조 재배치 없이 통계적 학습의 규모 확장만으로 이 경계를 넘을 수 있는가?

주요 결과

• 다양한 추론 유형은 이러한 구조적 속성을 서로 다른 정도로 필요로 한다: 유도 및 은유적 추론은 부분적 또는 근사적 충족을 허용하는 반면, 연역은 네 가지 속성을 모두 완전히 필요로 한다.
• 연역 추론은 규칙이든 모델이든 구현 방식에 관계없이 가동성, 일관성, 구조 보존, 구성성을 요구한다.
• 인과 추론과 연역 추론 사이에 주된 구조적 경계가 있으며, 연역 및 형식 논리는 네 가지 속성을 모두 필요로 한다.
• 구조 재배치 없이 통계적 학습의 규모 확장만으로는 주된 경계를 넘기기에 충분하지 않으며 진정한 연역 신뢰성을 위해서는 구조적 속성이 충족되어야 한다.