摘要
关于流体智能（gf）测量的两种竞争性观点认为，表现主要受限于工作记忆容量或归纳新关系的能力。目前，工作记忆容量的观点在测量中占主导地位，常使用有限的重复规则，而归纳能力的观点在许多定义中有所体现，但在测量中却很少出现。ARC-AGI基准主要要求规则归纳，旨在作为人类和人工系统的gf测量。然而，其在人类样本中的心理测量特性尚未得到检验。
因此，我们在一项包含100名参与者的初步研究中，调查了ARC-AGI的心理测量特征和命名网络。ARC-AGI项目的汇编显示出良好的心理测量特性，并且与通过图形推理测试测量的图形流体智能显著相关（$\rho = .63$）。与图形原创性的关联较弱。这些发现初步支持了ARC-AGI作为人类流体智能测量的有效性。未来的研究应包括更多的规则归纳任务以及额外的多元协变量。这项研究的独特之处在于，它研究了一个最初为机器设计的任务。我们建议将AI基准系统地嵌入人类认知能力的命名网络，以便进行更系统的评估和跨学科合作。
博主点评： 该研究为流体智能的测量提供了新的视角，强调了规则归纳在认知评估中的重要性。通过将AI基准与人类认知能力相结合，未来的研究可能会推动更深入的理解和应用，尤其是在教育与心理学领域的交叉研究上。