Fallacies in reasoning about probability in terms of the predictive theory of mind

Powszechne błędy w rozumowaniu o prawdopodobieństwie są wskazywane jako argument przeciwko predykcyjnej teorii umysłu. Trudności z oceną prawdopodobieństw zdają się być sprzeczne z założeniem, że mózg opiera swoje działanie na obliczaniu skomplikowanych równań probabilistycznych. W pracy pokazuję, że rzekoma sprzeczność może tak naprawdę być konsekwencją mechanizmów predykcyjnych i stanowić argument na korzyść predykcyjnego umysłu. Jeśli podczas procesów rozumowania umysł stosuje algorytmy próbkowania, to dla ograniczonej liczby próbek będzie odwzorowywał wyjściowe rozkłady probabilistyczne niedokładnie, czego efektem będą błędne wnioski. Odejście od tradycyjnie zakładanych przez teorię predykcyjną modeli bayesowskich na rzecz algorytmów próbkowania, nie tylko pozwala wyjaśnić błędy poznawcze, ale również stanowi rozwiązanie dla problemu obliczeniowości, będącego jednym z głównych zarzutów wobec bayesowskich modeli mózgu.Common fallacies in reasoning about probability are pointed out as an argument against the predictive theory of mind. The difficulty in assessing probabilities seems to contradict the assumption that the brain functions based on the computation of complex probabilistic equations. This paper shows that the alleged contradiction can be a consequence of predictive mechanisms and constitute an argument in favor of the predictive mind. If the mind uses sampling algorithms in its reasoning processes, it will approximate the initial probabilistic distributions inaccurately for a limited number of samples, resulting in erroneous conclusions. The departure from the Bayesian models traditionally assumed by the predictive theory, in favor of sampling algorithms, not only allows the explanation of reasoning fallacies, but also provides a solution to the computational problem, which is one of the main objections to Bayesian models of the mind