Cet article explore si la cognition humaine peut s'expliquer par une adaptation raisonnée à la structure statistique des environnements réels. Nous développons un nouvel algorithme d'apprentissage, l'inférence méta-apprentissage écologiquement rationnelle (ERMI), en exploitant un modèle de langage à grande échelle qui génère des tâches cognitives et un méta-apprentissage écologiquement pertinents pour dériver des modèles rationnels optimisés pour ces environnements. ERMI internalise les régularités statistiques des espaces problématiques naturalistes et s'adapte avec souplesse aux nouvelles situations, sans heuristiques artisanales ni mises à jour explicites des paramètres. Au cours de 15 expériences (dont l'apprentissage fonctionnel, l'apprentissage par catégories et la prise de décision), il capture le comportement humain et surpasse plusieurs modèles cognitifs existants dans les prédictions essai par essai. Cela suggère qu'une part significative de la cognition humaine pourrait refléter un alignement adaptatif avec la structure écologique des problèmes rencontrés au quotidien.
