De deelnemers kregen tekstuele analogiepuzzels voorgelegd, gemaakt van veranderende letterreeksen. De opgaven vroegen steeds om het herkennen van een onderliggende regel en het toepassen daarvan op nieuwe ‘alfabetten’, waaronder het Griekse alfabet en een alfabet met onbekende symbolen. Dit creëerde een gelijk speelveld voor kinderen, volwassenen en AI-modellen.

Kinderen scoorden gemiddeld 67 procent in het onbekende symbolenalfabet, terwijl de AI-modellen sterk terugvielen en soms onder de 20 procent uitkwamen. Volgens hoofdonderzoeker Claire Stevenson toont dit een fundamenteel verschil tussen menselijk en kunstmatig redeneren: kinderen begrijpen intuïtief dat een alfabet een geordende reeks is, terwijl AI zich vooral baseert op patronen uit eerder gezien materiaal.

De onderzoekers benadrukken dat flexibel denken in nieuwe situaties nog altijd een kenmerk van menselijke intelligentie is. Ook stellen zij dat inzichten uit psychologie – zoals hoe baby’s leren – steeds belangrijker worden voor de ontwikkeling van toekomstige AI-systemen. Het artikel Can large language models generalize analogy solving like children can? verschijnt in januari 2026 in Transactions of the Association of Computational Linguistics en is vooraf al beschikbaar. Het onderzoek is medegefinancierd door NWO binnen het project Learning to solve analogies: Why do children excel where AI models fail?