高效探究中的理性动力学：基于最优觅食理论的演绎推理规范研究

本研究针对演绎推理中的前提选择、推理路径转换等核心问题，创新性地结合一阶谓词演算(FOL)与卡尔纳普状态描述框架，提出了基于信息量最大化的推理决策规范。研究人员通过建立理想推理者的效率基准，首次将最优觅食理论(Optimal Foraging Theory)引入认知科学领域，证明当信息获取率低于全局平均值时，推理者应及时切换前提集。该研究为有限理性(Bounded Rationality)下的高效推理提供了量化标准。

　　

这项开创性研究揭示了演绎推理过程中的最优决策机制。通过一阶谓词演算(FOL)与卡尔纳普(Carnap)状态描述框架的巧妙结合，研究者量化了不同推理路径的信息增益。当面对多重前提选择时，理想推理者应当遵循"信息量最大化"原则——选择能排除最多相关状态描述(state descriptions)的推理步骤。有趣的是，受动物觅食行为启发的最优觅食理论(Optimal Foraging Theory)在此展现出惊人的适用性：当局部信息获取率低于全局平均水平时，推理系统需要像觅食者更换猎场那样果断切换前提集。这项研究不仅为有限理性(Bounded Rationality)框架下的认知效率建立了量化标准，更开创性地将生态学理论引入逻辑推理研究领域，为理解人类智能的适应性决策机制提供了全新视角。