Este artículo estudia el aprendizaje y la adquisición de conocimiento (AAC) de agentes para proposiciones verdaderas o falsas, utilizando un enfoque bayesiano. Los agentes reciben datos y actualizan sus creencias sobre las proposiciones basándose en una distribución posterior. El AAC formula los datos como información activa, lo que modifica las creencias del agente. Supone que los datos proporcionan información detallada sobre diversas características relevantes para una proposición. Esto conduce a una distribución de Gibbs, que es la distribución posterior de máxima entropía para la distribución previa, sujeta a las restricciones impuestas por los datos sobre las características. Demuestra que si el número de características extraídas es demasiado pequeño, el aprendizaje completo es imposible y, por lo tanto, la adquisición completa de conocimiento es imposible. Además, distingue entre aprendizaje de primer orden (recepción de datos sobre características relevantes para una proposición) y aprendizaje de segundo orden (recepción de datos sobre el aprendizaje de otros agentes). Argumenta que este tipo de aprendizaje de segundo orden no representa una verdadera adquisición de conocimiento. Los resultados de este estudio sugieren que los algoritmos de aprendizaje estadístico tienen una Takeaways y que dichos algoritmos no siempre producen conocimiento verdadero. La teoría se ilustra con varios ejemplos.
