이 논문은 인간이 희소하고 잡음 섞인 경험 데이터로부터 추상적 지식을 어떻게 형성·유지하는지를 설명하기 위해, 상징적 지식을 자연어와 소스코드를 결합한 '멘탈 프로그램'으로 인코딩하고 LLM 기반 베이지안 학습 알고리즘으로 순차적으로 이를 추론하는 계산 모델을 제시한다. 이 모델은 데이터·연산 효율성, 불확실성의 정도 포착, 인간이 학습·사고할 수 있는 무한한 개념 범위를 표현할 수 있는 유연성이라는 세 가지 조건을 동시에 충족하도록 설계됐다. 다양한 행동 실험에서 이 모델은 앵커링, 가든패싱 등 인간의 귀납적 학습과 능동적 탐구의 정량적 특징을 성공적으로 재현했으며, 순수 LLM이나 고전적 베이지안 모델은 과제 자체를 수행하지 못하거나 인간 행동을 재현하지 못하거나 막대한 연산 비용을 치러야만 성공했다. 이는 LLM이 다수 가설의 베이지안 갱신을 다루기 쉽고 학습 가능하게 만드는 상향식 신경 메커니즘으로 기능함을 시사한다.

• •상징적 지식을 자연어·소스코드가 결합된 '멘탈 프로그램'으로 인코딩하고 LLM 기반 베이지안 추론으로 학습하는 모델을 제시한다.
• •데이터·연산 효율성, 불확실성 표현, 무한한 개념 표상 유연성 세 조건을 동시에 만족하도록 설계됐다.
• •앵커링, 가든패싱 등 인간의 귀납적 학습·능동적 탐구의 정량적 특징을 재현했다.
• •순수 LLM과 고전적 베이지안 모델은 과제 실패, 행동 재현 실패, 또는 막대한 연산 비용 중 하나에 해당했다.
• •LLM이 다수 가설의 베이지안 갱신을 다루기 쉽게 만드는 상향식 신경 메커니즘 역할을 한다고 제안한다.