Cuando los Aprendices Más Jóvenes Pueden Ser Mejores (o al Menos de Mente Más Abierta) Que los Mayores

Alison Gopnik¹, Thomas L. Griffiths¹, y Christopher G. Lucas²

¹Departamento de Psicología, Universidad de California en Berkeley

²Universidad de Edinburgo, Reino Unido.

Originalmente publicado en: Current Directions in Psychological Science, Vol.24 (2), 87-92, 2015.

Traducción de: Alejandro Franco (Portal de formación iPsicologia.com)

Correo: [email protected]

Resumen

Describimos un sorprendente patrón evolutivo que encontramos en investigaciones que estudiaron tres diferentes tipos de problemas en diversos rangos de edad. Las evidencias demostraron que los aprendices más jóvenes son mejores que los mayores para aprender principios causales inusuales abstractos. Exploramos dos factores que podrían contribuir con este resultado que desafía a la intuición. El primero, es que en la medida en que nuestro conocimiento crece, somos menos abiertos a ideas nuevas. El segundo, es que las mentes y cerebros más jóvenes son más exploradores y flexibles, si bien, como resultado de ello, son menos eficientes.

Palabras clave

Desarrollo cognitivo, aprendizaje causal, modelos Bayesianos, recocido simulado

Existe una tensión en el campo del desarrollo cognitivo. Los niños tienen un desempeño inferior a los adultos en muchas medidas. Cuando crecen, los niños focalizan mejor, planean mejor, y, claro está, saben más. Pero tambiénencontramos niños muy jóvenes que son aprendices prodigiosos, y son especialmente diestros aprendiendo sobre causas. Niños en edad preescolar, e incluso menores, construyen cada día teorías causales sobre los objetos, los seres vivos, y las mentes (por ejemplo, Wellman&Gelman, 1992; Gopnik&Meltzoff, 1997). ¿Cómo pueden los niños más jóvenes aprender tanto, tan rápido y con precisión, cuando su conocimiento y habilidades cognitivas parecen tan limitados?

Sugerimos que los límites aparentes en el conocimiento y las habilidades cognitivas de los niños podrían, algunas veces, convertirlos en mejores aprendices. Encontramos, de manera empírica, un patrón similar a través de diferentes problemas y rangos de edad. Los aprendices más jóvenes son, sorprendentemente, mejores que los mayores infiriendo hipótesis causales abstractas, inusuales o poco probables, a partir de evidencias.

Existen otros ejemplos de este patrón evolutivo que va en contra de la intuición. Los niños más jóvenes pueden aprender diferencias entre sonidos que no se utilizan en su lengua nativa mejor que los mayores y los adultos (Kuhl, 2004; Werker, Yeung, &Yoshida, 2012), y los más jóvenes son mejores generando usos alternativos para una herramienta que los mayores (Defeyter & German, 2003). Estos hallazgos también sugieren que los aprendices más jóvenes podrían algunas veces estar abiertos a más posibilidades que los mayores.

Desde la teoría, proponemos dos explicaciones posibles complementarias para este patrón, inspirados en la observación del aprendizaje de los niños a través de los lentes de la ciencia informática: los aprendices más jóvenes pueden desempeñarse mejor porque están menos afectados por su conocimiento existente, o porque sus mentes y cerebros son inherentemente más flexibles.

Estudios empíricos

Muchos estudios han demostrado que los niños desde los 15 meses de edad pueden aprender relaciones específicas causa-efecto a partir de datos estadísticos (Gopnik et al., 2004; Gopnik & Schulz, 2007; Gopnik & Wellman, 2012; Gweon & Schulz, 2011). Estos estudios han ilustrado el patrón típico del desarrollo –o tanto los más jóvenes como los mayores se desempeñan de manera similar, o los mayores lo hacen mejor. En los nuevos estudios que describimos aquí, investigamos si los niños podrían utilizar patrones de datos para inferir principios causales generales más abstractos, o sobrehipótesis -esto es, hipótesis sobre qué tipo de hipótesis más específicas son factibles (Griffiths &Tenenbaum, 2007; Kemp, Perfors, & Tenembaum, 2007).

Por ejemplo, suponga que usted observa que los dolores de estómago están causados por comer alimentos en mal estado, la comezón por tocar una hiedra venenosa, y la tos por inhalar polen. Usted puede constituir la sobrehipótesis, o “teoría marco” (Gopnik & Wellman, 2012), de que las enfermedades tienen causas biológicas. Así, cuando está buscando la causa de una nueva enfermedad, tal como el sida, usted podría pensar en causas biológicas tales como virus, bacterias, o genes, como más probables que causas psicológicas tales como la ansiedad.

En los estudios que reportamos aquí, los aprendices observan una serie de eventos y eligen entre dos hipótesis abstractas, A y B, que podrían explicar dichos eventos. La hipótesis A inicialmente parece menos probable que la B, al menos desde la perspectiva del adulto, pero está mejor apoyada por la evidencia que el aprendiz ha observado. Los aprendices más jóvenes resultaron tener una tendencia mayor a inferir la opción A que los mayores, quienes, a pesar de los datos, tenían la tendencia a quedarse con la opción B.

El primer estudio que mostró este patrón exploró de qué manera los estudiantes de preescolar aprenden principios de alto nivel de cognición social (Seiver, Gopnik, & Goodman, 2013). Los adultos en las culturas occidentales creen que las acciones son causadas por rasgos de personalidad que son estables a lo largo del tiempo pero que difieren entre personas individuales, tales como la valentía o la timidez. Los adultos occidentales explican lo que las personas hacen en términos de tales rasgos, incluso cuando la evidencia muestra que las personas están en realidad reaccionando ante situaciones particulares -en otras palabras, tienen un “sesgo de rasgo” (Kelley, 1967). Dimos a niños de 4 y 6 años de edad evidencias estadísticas que apoyaban ya sea la explicación por rasgo o la explicación por la situación (Seiver et al., 2013). En la condición “persona”, un personaje llamado Sally (representado por una muñeca) estaba usualmente dispuesta para jugar en una patineta o en un trampolín (representados por juguetes en miniatura), mientras que un personaje llamado Josie usualmente evitaba ambos juguetes. Este patrón de datos apoyaba la hipótesis de que algo sobre Sally o Josie las hacía aproximar o evitar los juguetes. En la condición “situación”, ninguno de los personajes se aproximó a la patineta, pero ambos se aproximaron al trampolín, apoyando la hipótesis de que algo acerca de los juguetes causaba el patrón de acción. En la condición de control, el dato apoyaba las hipótesis de “rasgo” y de “situación” por igual. Luego preguntamos a los niños porqué cada personaje se acercó o se alejó del juguete.

Los niños de cuatro años infirieron con precisión el tipo correcto de causa a partir de los datos (Fig. 1). Cuando los datos apoyaban una explicación de rasgos de personalidad, los niños lo hacían también, con frecuencia inventando causas cercanas a los rasgos (por ejemplo, “Josie es la hermana pequeña, y Sally es la más grande”). Pero también dijeron que el personaje actuó así por la situación cuando esto encajaba en los datos -“parece que da miedo” o “parece divertido”. En cambio, los niños de seis años se desempeñaron menos satisfactoriamente en la condición situacional. Al igual que los adultos, mostraron un sesgo fuerte hacia las explicaciones de rasgo, incluso cuando la evidencia no los apoyaba.

Fig. 1.   Número promedio de atribuciones a persona (vs. a situación) (de dos intentos) entre niños de 4 y 6 años de edad en función de la condición (Seiver, Gopnik, & Goodman, 2013).   Los niños de cuatro años de edad explicaron las acciones correctamente en términos de rasgos personales en la condición personal y en términos de situaciones en la condición situacional.   En una condición de control, que apoyaba por igual ambos tipos de atribuciones, estaban igualmente dispuestos para elegir cualquiera de las atribuciones (lo cual está indicado por la línea horizontal intermitente). Los niños de 6 años mostraron un sesgo marcado hacia las explicaciones basadas en rasgos personales en las condiciones de control y de situación. Las barras de error muestran los errores estándar.

De manera notable, las inferencias de los niños fueron más allá de estos muñecos y juguetes en particular. Sus explicaciones invocaban principios más generales -las hermanas mayores son mejores que las menores en muchas habilidades; a las personas no les gusta jugar con algo cuando parece que da miedo. También les solicitamos que hicieran predicciones acerca de nuevos personajes y situaciones. En la condición de persona, todos los niños dijeron que el personaje valiente también sería valiente si se enfrentara a una nueva situación, tal como saltar desde un trampolín. En la condición situacional, los niños de cuatro años siguieron los datos y dijeron que María, un nuevo personaje, también estaría atemorizada por la patineta pero no por el trampolín. Sin embargo, los niños de seis años de edad pensaron que el personaje actuaría igual en ambas situaciones, a pesar de los datos, lo cual es consistente con un sesgo de rasgo.

En otra serie de estudios, los participantes debían inferir un principio abstracto acerca de una máquina que interpretaba música cuando eran colocadas solo algunas combinaciones de bloques encima de ella y no otras (Lucas, Bridgers, Griffiths, &Gopnik, 2014). La máquina trabajaría en un principio “individual”, tal como que algunos bloques individuales harían trabajar a la máquina y otros no -cada causa provocaría o no el efecto. Los adultos asumen que los sistemas causales funcionan de esta manera (Cheng, 1997), de la misma manera que asumen que las acciones son causadas por rasgos. Pero la máquina podría también trabajar en un principio de “combinación” inusual, tal que debían combinarse causas para producir un efecto: algunas combinaciones con dos bloques hacían trabajar a la máquina, mientras que bloques individuales no.

Mostramos a niños de cuatro años de edad y a adultos un patrón de eventos no ambiguo que apoyaba un principio o el otro. Luego ellos observarían un patrón ambiguo con un nuevo conjunto de bloques, lo cual podría ser consistente con el principio ya fuera “individual” o “combinatorio”. Luego les pedimos que usaran los bloques para activar la máquina.

Si la máquina funcionaba a partir del principio de combinación, se requerirían varios bloques para hacerla funcionar; en cambio, un único bloque bastaría en el principio individual. Nuevamente, los niños debían generalizar, más allá de hipótesis particulares, acerca de cuáles combinaciones específicas de bloques hacían trabajar a la máquina e inferir un principio general sobre cómo funcionaba dicha máquina.

Los niños de preescolar aprendieron correctamente tanto el principio individual como el de combinación a partir de los ejemplos no ambiguos y los utilizaron para interpretar los nuevos datos ambiguos y diseñar la acción correcta (Fig. 2a). Los adultos se apegaron al principio individual incluso cuando la evidencia estaba en contra -continuaron colocando bloques individuales en la máquina incluso en la condición de combinatoria (Fig. 2b).

Fig.2. Elecciones de niños y adultos acerca de los objetos que activan una máquina luego de ver evidencias de que la máquina opera de acuerdo con un principio individual o de combinatoria (Lucas, Bridgers, Griffiths, & Gopnik, 2014).   Cuando ambos grupos observaron evidencia para un principio de combinatoria, significando esto que 2 o más objetos eran necesarios para activar la máquina, solo los niños tendían a elegir varios objetos para activar la máquina (a). En cambio, los adultos tendían a elegir solo un objeto, a pesar de la evidencia (b). Cuando ambos grupos de edad observaron evidencia para un principio individual, significando que solo un objeto era necesario para activar la máquina, tanto niños como adultos tendieron a elegir un único objeto para colocar en la máquina, lo cual era consistente con la evidencia.

El tercer estudio analizó un tipo diferente de principio causal abstracto. Los niños mayores (y primates no humanos) tienen dificultades con conceptos relacionales de alto nivel tales como “lo mismo” y “diferente” (Gentner, 2010; Penn, Holyoak, &Povinelli, 2008). Los chimpancés aprenden rápidamente que un estímulo cuadrado lleva a una recompensa, mientras que uno redondo no, pero requieren cientos de intentos para aprender que la recompensa llegará cuando dos estímulos son el mismo en vez de diferentes.

Dimos a niños de 18 a 30 meses de edad un problema de relación causal de alto nivel (Walker & Gopnik, 2013,2014). Una máquina interpretaba música cuando un experimentador colocaba dos bloques similares en esta, pero no cuando colocaba dos bloques diferentes, y viceversa. Los niños luego tenían que elegir entre dos nuevos pares de bloques -un par de dos bloques similares y un par de dos bloques diferentes- para activar la máquina.

Sorprendentemente, estos niños se entusiasmaron con la tarea, en contraste con los niños mayores de previos estudios. Luego dimos a los niños de tres años de edad exactamente la misma tarea que a los más jóvenes. Éstos se desempeñaron en el nivel de la probabilidad. Estudios posteriores mostraron que esto era debido a que asumían que los objetos individuales, y no las relaciones entre ellos, activaban la máquina, a pesar de los datos.

Entonces, el mismo patrón contraintuitivo emergió a través de los tres estudios. ¿Pero por qué los niños se desempeñarían menos eficientemente en la medida en que crecen? Esto es aún una pregunta abierta, pero vamos a proponer dos explicaciones potenciales a continuación.

Mucho conocimiento puede ser algo peligroso

Primero, el hecho de que los niños mayores sepan más podría hacerles más difícil aprender algo nuevo. Una vez que un aprendiz ha inferido un principio general (por ejemplo, que las personas actúan de acuerdo con sus rasgos, o que objetos individuales, en vez de combinaciones de objetos por relaciones entre ellos, tienen poderes causales), este principio puede constreñir su interpretación de nuevos datos. A partir de ese momento, las relaciones causales que generan conflictos con este principio pueden ser más difíciles de aprender.

Abordajes basados en modelos probabilísticos para el desarrollo cognitivo pueden brindar una versión más precisa de esta idea (para más información en tales abordajes ver, por ejemplo, Gopnik & Tenenbaum, 2007; Gopnik, 2012; Gopnik &Wellman, 2012; Kushnir & Xu, 2012; Tenenbaum, Kemp, Griffiths, & Goodman, 2011). Un aprendiz bayesiano evalúa qué tan posibles son varias hipótesis, dado un patrón de nueva información. Los aprendices hacen esto utilizando la regla de Bayes para combinar dos probabilidades. Una es la probabilidad previa de cualquier hipótesis particular -qué tan factible era la hipótesis antes de que el aprendiz observara los datos. La otra es qué tan probable es que aquella hipótesis hubiese generado los nuevos datos.

Como resultado, si la distribución de la probabilidad previa favorece fuertemente una hipótesis -esto es, si el estudiante inicialmente piensa que la hipótesis A es mucho más probable que la B- entonces el aprendiz necesitará más evidencia para descartar la A y preferir la B. Si la inicial es “plana” -esto es, si el aprendiz inicialmente piensa que A y B son igualmente probables- entonces el aprendiz requerirá menos evidencia para aceptar B.

En una extensión de esta idea, llamada aprendizaje jerárquico Bayesiano (Griffiths & Tenenbaum, 2007), los datos en un nivel más específico, como las relaciones entre dolores de estómago y comida, pueden ser utilizados para aprender un principio de mayor nivel -en este caso, las sobrehipótesis de que las enfermedades tienen causas biológicas. Éste tipo de aprendizaje podría explicar el patrón contraintuitivo de nuestros estudios.

De la flexibilidad a la eficiencia

Otro factor podría ser que, en la medida en que los niños crecen, existen cambios en la manera en que estos aprenden que los hacen intrínsecamente menos flexibles y capaces para abordar posibilidades inusuales. Existen razones computacionales, neurocientíficas, y evolutivas complementarias para pensar que esto podría ser cierto.

Un aprendiz bayesiano, ya sea un niño o una computadora, debe tener alguna técnica para buscar a través del vasto espacio de posibles hipótesis y tratar de encontrar la opción más viable. Estudios recientes han explorado los métodos de búsqueda que podrían utilizar los niños (por ejemplo, Bonawitz, Denison, Griffiths, &Gopnik, 2014; Denison, Bonawitz, Gopnik, & Griffiths, 2013).

Haciendo una analogía con la física, los científicos computacionales hablan de diferentes “temperaturas” de búsqueda. En las búsquedas de “alta temperatura”, el aprendiz busca de manera amplia pero es menos probable que se “conforme” con una respuesta por mucho tiempo -el aprendiz salta de manera amplia alrededor del espacio de hipótesis como una molécula rebota en un líquido caliente.

Desde una perspectiva bayesiana, subir la temperatura de una búsqueda tendrá un efecto equivalente a “aplastar” las anteriores –las diferencias iniciales entre hipótesis serán menos importantes. Sin embargo, también tendrá el efecto de debilitar las probabilidades.

Las búsquedas de alta temperatura tienen un rango amplio pero son muy variables, y el aprendiz puede apartarse tanto de las buenas hipótesis como de las malas. Las búsquedas de baja temperatura son susceptibles de llevar rápidamente a hipótesis “suficientemente buenas”. Sin embargo, el aprendiz tendrá el riesgo de quedarse conforme en un “mínimo local” -dejando de lado hipótesis potencialmente mejores pero inusuales, que están más allá de su percepción inicial.

Una manera para articular las ventajas y desventajas de las temperaturas alta y baja, es comenzar con una búsqueda de alta temperatura y gradualmente “enfriarla”. Esto es llamado un recocido simulado en ciencia computacional, en analogía a la manera en que calentar y enfriar lleva a la robustez en metalurgia (Kirkpatrick, Gelatt, &Vecchi, 1983). Al comenzar con una búsqueda de alta temperatura, un aprendiz puede explorar las posibilidades de manera más amplia antes de enfocarse de manera más estrecha en los candidatos más factibles.

Si los niños ejecutaran inicialmente búsquedas de alta temperatura y gradualmente las “enfriaran” para realizar otras de baja temperatura en la medida en que van creciendo, esto podría explicar por qué los aprendices más jóvenes algunas veces infieren hipótesis inusuales mejor que los aprendices mayores. ¿De qué manera podríamos distinguir entre esta idea de recocido simulado y la idea anterior de hipótesis planas? En Lucas et al. (2014), incluimos una condición de “línea de base”. Los participantes en esta condición sólo veían los eventos ambiguos -nunca vieron los nuevos datos no ambiguos que llevaban a cada principio. Si los adultos inicialmente pensaban que la hipótesis “individual” era más factible que la hipótesis de “combinación”, y los niños no, esto debía haber sido reflejado en la condición de línea de base. Pero, de hecho, tanto niños como adultos prefirieron la hipótesis “individual” inicialmente. La diferencia parecía ser que los niños estaban más dispuestos a cambiar hacia la hipótesis alternativa. Un modelo bayesiano consistente con la posibilidad del recocido se articulaba con los juicios de los niños. Sin embargo, son necesarios más estudios sobre las dinámicas del aprendizaje para distinguir estas posibilidades.

Los hallazgos en neurociencia también se incorporan bien a la idea del recocido (por ej., Thomson-Schill, Ramscar, &Chrysikou, 2009). Un período temprano de flexibilidad y plasticidad neuronal es sucedido por un conjunto de procedimientos más estrecho e inflexible, si bien es más eficiente. En particular, en la medida en que los niños crecen, las áreas frontales del cerebro ejercen mayor control sobre las otras áreas. Este control frontal está asociado con la atención focalizada y una mejor planeación y control ejecutivo. Sin embargo, este control tiene su precio. Empíricamente, las alteraciones del control frontal, resultantes en un cerebro más “parecido al de un niño”, podrían en realidad llevar a un mejor desempeño en tareas cognitivas que incluyan la exploración de una amplia gama de posibilidades (por ejemplo, Chrysikou et al., 2013). Podría existir una compensación intrínseca entre explotación y exploración -entre la acción adulta diestra, focalizada y eficiente, y el aprendizaje semejante al niño, de rango más amplio y exploratorio.

Un patrón de exploración cognitiva temprana también tiene sentido en una perspectiva evolucionista. En muchas especies, la flexibilidad, el tamaño cerebral y la inteligencia están asociadas con un período de inmadurez protegido mayor -una niñez extensa. Los seres humanos tienen los cerebros más grandes, la inteligencia más flexible, y la niñez más extensa de todas las especies. Una explicación para esta historia vital distintiva es que un período temprano protegido permite a los jóvenes organismos explorar posibilidades de una manera libre. Este aprendizaje exploratorio temprano, en cambio, permite a los aprendices actuar de manera más efectiva cuando crecen (Buchsbaum, Bridgers, Weisberg, &Gopnik, 2012). La niñez podría ser la manera de la evolución para realizar el recocido simulado.

Los adultos algunas veces pueden ser mejores en lo experimentado y cierto, mientras que los niños tienen más probabilidades de descubrir lo extraño y lo maravilloso. Esto puede ser debido a que, cuando crecemos, al mismo tiempo conocemos más pero exploramos menos.

Declaración de conflicto de intereses

Los autores declaran que no tienen ningún conflicto de interés en relación con la autoría o la publicación de este artículo.

Financiación

La investigación reportada aquí fue apoyada por las becas de la iniciativa conjunta de la Fundación para el Aprendizaje Causal McDonnell, y la Fundación Nacional de Ciencia BSC-1023875 y BCS-331620.

Lecturas recomendadas

Gopnik, A. (2012). (See References). An accessible short review of recent work on probabilistic models of cognitive development.

Gopnik, A., & Wellman, H. M. (2012). (See References). An extensive, thorough, accessible review of the theoretical and empirical work on Bayesian causal models as a constructivist account of cognitive development, which includes a gentle nontechnical instructional tutorial explaining how the models actually work and discussion of the idea of search and developmental change.

Kushnir, T., & Xu, F. (Eds.).(2012). (See References). An edited volume including chapters by a wide variety of researchers applying probabilistic models to a very wide range of problems and domains.

Lucas, C. G., Bridgers, S., Griffiths, T. L., & Gopnik, A. (2014). (See References). The source of much of the empirical work described here, including several more experiments and an explanation and formal model relevant to the annealing ideas.

Tenenbaum, J. B., Kemp, C., Griffiths, T. L., & Goodman, N. D. (2011). (See References). A general and accessible review of probabilistic models and Bayesian inference in cognitive science.

Referencias

Bonawitz, E., Denison, S., Griffiths, T., &Gopnik, A. (2014). Probabilistic models, learning algorithms, response variability: Sampling in cognitive development. Trends in Cognitive Sciences. doi:10.1016/j.tics.2014.06.006

Buchsbaum, D., Bridgers, S., Weisberg, D. S., &Gopnik, A. (2012). The power of possibility: Causal learning, counterfactual reasoning, and pretend play. Philosophical Transactions of the Royal Society B: Biological Sciences, 367, 2202–2212. doi:10.1098/rstb.2012.0122

Cheng, P. (1997). From covariation to causation: A causal power theory. Psychological Review, 104, 367–405.

Chrysikou, E. G., Hamilton, R., Coslett, H., Datta, A., Bikson, M., & Thompson-Schill, S. (2013). Noninvasive transcranial direct stimulation over left prefrontal cortex facilitates cognitive flexibility in tool use. Cognitive Neuroscience, 4, 81–89.

Defeyter, M. A., & German, T. (2003).Acquiring an understanding of design: Evidence from children’s insight problem solving. Cognition, 89, 133–155.

Denison, S., Bonawitz, E., Gopnik, A., & Griffiths, T. L. (2013). Rational variability in children’s causal inferences: The Sampling Hypothesis. Cognition, 126, 285–300. doi:10.1016/j.cognition.2012.10.010

Gentner, D. (2010). Bootstrapping the mind: Analogical processes and symbol systems. Cognitive Science, 34, 752–775. doi:10.1111/j.1551-6709.2010.01114.x

Gopnik, A. (2012). Scientific thinking in young children: Theoretical advances, empirical research, and policy implications. Science, 337, 1623–1627. doi: 10.1126/science. 1223416

Gopnik, A., Glymour, C., Sobel, D. M., Schulz, L. E., Kushnir, T., &Danks, D. (2004). A theory of causal learning in children: Causal maps and Bayes nets. Psychological Review, 111, 3–32. doi:10.1037/0033-295X.111.1.3

Gopnik, A., &Meltzoff, A. N. (1997).Words, thoughts, and theories. Cambridge, MA: MIT Press.

Gopnik, A., & Schulz, L. (2007). Causal learning: Psychology, philosophy, and computation. New York, NY: Oxford University Press.

Gopnik, A., &Tenenbaum, J. B. (2007). Bayesian networks, Bayesian learning and cognitive development. Developmental Science, 10, 281–287. doi:10.1111/j.1467-7687.2007.00584.x

Gopnik, A., & Wellman, H. M. (2012).Reconstructing constructivism:Causal models, Bayesian learning mechanisms, andthe theory theory.Psychological Bulletin, 138, 1085–1108.doi:10.1037/a0028044 1085-1108

Griffiths, T. L., &Tenenbaum, J. B. (2007). Two proposalsfor causal grammars. In A. Gopnik& L. Schulz (Eds.),Causal learning: Psychology, philosophy, and computation.Oxford, England: Oxford University Press.

Gweon, H., & Schulz, L. (2011). 16-month-olds rationally infercauses of failed actions. Science, 332, 1524.doi:10.1126/science.1204493

Kelley, H. H. (1967). Attribution theory in social psychology.In D. Levine (Ed.), Nebraska symposium on motivation(Vol. 15, pp. 192–238). Lincoln: University of NebraskaPress.

Kemp, C., Perfors, A., &Tenenbaum, J. (2007).Learning overhypotheseswith hierarchical Bayesian models. DevelopmentalScience, 10, 307–321.

Kirkpatrick, S., Gelatt, C. D., &Vecchi, M. P. (1983).Optimizationby simulated annealing. Science, 220, 671–680.

Kuhl, P. K. (2004). Early language acquisition: Cracking thespeech code. Nature Reviews Neuroscience, 5, 831–843.

Kushnir, T., & Xu, F. (Eds.).(2012). Rational constructivism incognitive development (Vol. 43). New York, NY: AcademicPress.

Lucas, C. G., Bridgers, S., Griffiths, T. L., &Gopnik, A. (2014).When children are better (or at least more open-minded)learners than adults: Developmental differences in learningthe forms of causal relationships.Cognition, 131, 284–299. doi:0.1016/j.cognition.2013.12.010

Penn, D. C., Holyoak, K. J., &Povinelli, D. J. (2008). Darwin’smistake: Explaining the discontinuity between human and nonhuman minds. Behavioral & Brain Sciences, 31, 109–130. doi:10.1017/S0140525X08003543

Seiver, E., Gopnik, A., & Goodman, N. D. (2013). Did she jumpbecause she was the big sister or because the trampolinewas safe? Causal inference and the development of socialattribution. Child Development, 84, 443–454. doi:10.1111/j.1467-8624.2012.01865.x

Tenenbaum, J. B., Kemp, C., Griffiths, T. L., & Goodman, N. D.(2011). How to grow a mind: Statistics, structure, and abstraction.Science, 331, 1279–1285. doi:10.1126/science.1192788

Thompson-Schill, S. L., Ramscar, M., &Chrysikou, E. G. (2009).Cognition without control: When a little frontal lobe goes along way. Current Directions in Psychological Science, 18,259–263. doi:10.1111/j.1467-8721.2009.01648.x

Walker, C. M., &Gopnik, A. (2013, October). Infants infer higher-order relational principles in causal learning. Paperpresented at the Cognitive Development Society Meeting,Memphis, TN.

Walker, C. M., &Gopnik, A. (2014). Toddlers infer higherorderrelational principles in causal learning. PsychologicalScience, 25, 161–169. doi:10.1177/0956797613502983

Wellman, H. M., &Gelman, S. A. (1992). Cognitive development:Foundational theories of core domains. AnnualReview of Psychology, 43, 337–375. doi:10.1146/annurev.ps.43.020192.002005

Werker, J. F., Yeung, H. H., & Yoshida, K. (2012). How doinfants become experts at native speech perception?Current Directions in Psychological Science, 21, 221–226.