【摘要】如果一个新的概念域从零开始建立，那么这种情况是非常特殊的。一般而言，新的概念域是在和其他更多现有可用域的交互中被开发和掌握的，不管是肯定的还是伪证的。很少有推理机制能够解释不同概念域之间的相互作用，以及信息从一个到另一个之间的传递。类比推理是一种，混合推理(引自Gilles Fauconnier和Mark Turner的《Conceptual integration networks》)是另一种。本文提出了一个新的机制，称为“隧道效应”，可以部分解释科学家和学生在构建一个新的概念域时是如何推理的。为阐明这一机制，本文针对高中生进行了一项实验研究，并对科学史，特别是古典热力学的诞生部分进行了分析。作者对科学史表层知识的组织、进程和条件进行了详细的分析，并放入可透视的计算模型中。具体而言，他们提出了一个假设，即当一个新的概念域正在构建时，知识的两个层次——概念和观点，将在科学发现进程中彼此结合。本文探讨了概念学习类型与隧道效应的关联，并通过类比推理进行了深入的比较，以突出新提出的机制的主要特点。
概念域是一种工具，对我们的世界带有“过滤器”和“放大镜”的作用。它们可以协助做出选择和组织，进行分类和预测。可以用来描述、预测和解释我们的环境。因此，当它们成熟时，可以提供一种操作方式来解决这个世界的问题。教育及科学发现都和学习概念域有关。我们所说的“概念域”指的是一个庞大的知识组织，如牛顿力学的知识，或达尔文进化论的理论。
概念域具有高度一般性的实体和关系的基本结构，例如物理学中的实体粒子是指围绕着许多物理量（如状态、轨迹等）的抽象概念，和一个完整的期望框架（如一个国家是完全可以确定的），以及理论（如哈密尔顿方程式）、推理、控制程序（如最小作用原理的系统依赖）。
令人惊讶的是，很少有文章直接介绍这些概念域是如何存在的，如何被学习的，如何发展的，以及如何适应的。
哲学家们区分创造和理论论证的背景时，几乎只关注最后一个问题（见Karl Popper的《The logic of scientific discovery》和《Conjectures and refutations: The growth of scientific knowledge》）。纵观认知科学家，尤其是机器学习的科学家，他们的工作基本是归纳结构简单而假设性差的简单又孤立的概念。他们的工作方法被称为对科学发现进行的数据驱动方法（见Pat Langley的《Scientific discovery: Computational explorations of the creative processes》），虽然取得的结果是惊人的，但在许多方面，数据驱动的科学家不承担复杂的概念域和理论的学习。
与此同时，理论驱动方法主要关注这样一种情况，一个强大的理论可以对世界进行相当精确的预测，然后可以进行测试。一些人工智能在理论修订中的应用虽然解决了这种情况[如Revolver系统（见Donald Rose的《Using domain knowledge to aid scientific theory revision》）]，但总体上没有涉及建立一个重要的新概念域的问题。
事实上，机器学习（以建构性归纳、理论修订或归纳逻辑编程的名义）相对较少的相关作品迄今为止达成了一项共识，主要是默认了一项假设，即当学习概念域时，现有的概念本体是正确的，即使在操作上并非很有效率。因此，这个问题被认为是一个在学习现有技术基础上的新概念的学习问题，例如通过在现有本体中学习新概念或谓词，以使其更有效地使用或更容易理解。在这方面，学习新概念域的问题并没有真正被触及。
相比之下，我们在科学和教育方面看到，一个重要的问题是学习新的概念和新的本体时，不仅要与过去的概念和本体一起阐述，还要与其冲突。例如，在量子物理学中学习“粒子”的概念意味着要将经典力学中的“粒子”概念的某些方面保留下来，同时也要擦除或深刻修改它的另外一些内容。这并不是说“旧”的概念是错误的或过时的，必须被丢弃的，但是它的应用范围必须被限制，而且必须在某些情况下或某些概念框架内被取代。
如果发生这种情况，很少有新的理论从零开始出现。相反，它在其他概念域的生态环境中发育，或多或少地成熟，或多或少在当前情况中使用和被激活。因此，一个复杂的环节，除了激活不同概念域的相互促进、相互竞争和相互阻碍，还会聚焦一个新概念域的学习。从一个概念域到另一个概念域有很多地方和很多阶段都可以产生新的概念域，如下图所示。
本文从多学科的角度探讨了如何依靠旧方式学习新方式来解释世界。通过研究高中学生如何用新概念域处理问题，我们被引导着去分析在他们的细分世界中，发挥作用的机制是什么，构建形式模型以及（重新）把某些时候遵循的某种努力路径概念化。
在本文中，我们关注一种推理机制，并假设，隧道效应确实解释了部分学生的行为。和类比相似的是，这种机制允许将知识从一个概念域转移到另一个概念域。但和类比不同的是，它不需要求助于两种情境，而只需要考虑手头的情况，并且不需要事先指定两个域中的表示原语的层次结构（一个大多是未知的），也不需要定义必须计算的两个表示情况之间的相似度。
