Nuevas ideas sobre los procesos cognitivos a través de modelos no estacionarios

Los procesos cognitivos, como pensar y tomar decisiones, a menudo cambian con el tiempo. Esto puede suceder a diferentes velocidades y de varias maneras. Para estudiar estos cambios, los investigadores han empezado a usar un método llamado Superestadísticas. Este método ayuda a capturar la naturaleza fluctuante de cómo pensamos y tomamos decisiones.

En este estudio, probamos las superestadísticas comparando cuatro modelos No estacionarios diferentes de toma de decisiones. Estos modelos se aplicaron a una tarea diseñada para medir cómo las personas perciben y toman decisiones bajo diferentes niveles de dificultad. Cambiamos cuidadosamente la dificultad de la tarea y cómo los participantes debían equilibrar velocidad y precisión en sus respuestas. Al hacer esto, pudimos ver cómo los modelos respondían a estos cambios.

Para verificar si nuestros modelos funcionaban como esperábamos, observamos los patrones en los datos. Pudimos ver si la dirección de los cambios en los Parámetros del modelo coincidía con nuestra configuración experimental. Para abordar los desafíos computacionales que vienen con estos modelos, introdujimos técnicas avanzadas de aprendizaje profundo para estimar y comparar modelos con parámetros que pueden cambiar con el tiempo.

Nuestros resultados mostraron que los modelos que podían tener en cuenta cambios graduales y repentinos en los parámetros se ajustaban mejor a los datos. Los cambios que observamos en los parámetros del modelo seguían de cerca los cambios que inducimos en nuestros experimentos. Además, encontramos que nuestros modelos podían recrear patrones importantes en los datos, confirmando que los cambios en los procesos cognitivos que reflejaban eran reales.

#Entendiendo los Procesos Cognitivos

El cerebro humano siempre está activo, ya sea que estemos concentrados en una tarea o distraídos por nuestros pensamientos. Esta actividad constante refleja cómo funciona nuestro cerebro, que a menudo no es estable, sino fluctuante. Esta fluctuación es importante para cómo prestamos atención, recordamos cosas y tomamos decisiones.

Por ejemplo, las personas a menudo experimentan lapsos de atención mientras trabajan en una tarea. Incluso cuando intentamos concentrarnos, nuestras mentes pueden divagar. Varios factores, como el cansancio, la motivación y las distracciones externas, pueden influir en nuestra capacidad para concentrarnos. Estas variaciones pueden afectar fuertemente nuestro rendimiento cognitivo, pero los modelos tradicionales de cognición a menudo ignoran estas dinámicas o las simplifican.

La mayoría de los modelos tradicionales asumen que los procesos cognitivos permanecen estables con el tiempo. Sin embargo, los estudios han demostrado que esto no es preciso. La variabilidad es común en los procesos cognitivos, y reconocer esta variabilidad puede llevar a una comprensión más profunda de cómo pensamos y actuamos.

Los investigadores han desarrollado varios métodos para manejar la variabilidad en los modelos cognitivos, que generalmente caen en cuatro categorías:

1. Variabilidad estacionaria: Esto asume que los parámetros fluctúan alrededor de un promedio constante.
2. Binning por ensayo: Este método organiza los datos en segmentos y ajusta un modelo a cada segmento.
3. Enfoques de regresión: Estos usan el tiempo como predictor para los parámetros.
4. Modelos de frontend-backend: Estos separan el modelo cognitivo de un modelo mecanicista que explica cómo cambian los parámetros con el tiempo.

El primer enfoque, la variabilidad estacionaria, asume que los valores de los parámetros fluctúan alrededor de un promedio estable. Si bien esto puede mejorar el ajuste de un modelo a los datos, a menudo falla en identificar cambios significativos o cambios repentinos en el comportamiento.

El binning por ensayo organiza los datos en segmentos distintos, mientras que los enfoques de regresión buscan detectar cambios en los parámetros a lo largo del tiempo. Sin embargo, ambos métodos tienen desventajas. El binning por ensayo puede llevar a la incertidumbre cuando no hay suficientes puntos de datos. Los enfoques de regresión luchan con hacer suposiciones sobre las relaciones entre los parámetros.

Los modelos de frontend-backend ofrecen una perspectiva más dinámica al vincular los cambios en los parámetros a un modelo mecanicista. Si bien esto ofrece información valiosa, desarrollar estos modelos puede ser complejo.

En contraste, nuestro marco de superestadísticas permite una variedad de cambios sin hacer suposiciones fuertes sobre cómo suceden estos cambios. Este marco facilita explorar cambios en los procesos cognitivos sin requerir información contextual detallada de los diseños experimentales.

#Validación Experimental de Modelos No Estacionarios

La pregunta central que impulsa nuestra investigación era si los modelos no estacionarios podían detectar con precisión cambios en constructos cognitivos basándose solo en datos de comportamiento. Para probar esto, diseñamos un experimento que manipulaba varias condiciones de tarea, lo que nos permitía anticipar cómo responderían los participantes.

Usamos el modelo de decisión por difusión (DDM) como un modelo de observación de bajo nivel. El DDM es un modelo matemático que nos ayuda a entender cómo se toman decisiones en tareas de elección entre dos opciones. Asume que los participantes recopilan información a una cierta velocidad hasta que alcanzan un Umbral de decisión. Este umbral representa el punto en el que toman una decisión.

El DDM tiene cuatro parámetros clave: la Tasa de Deriva (velocidad de procesamiento de información), el umbral (cautela en la toma de decisiones), el punto de partida (preferencias por una opción sobre otra), y el tiempo no decisional (el tiempo que se toma para procesos fuera de la toma de decisiones real).

Nuestro estudio se centró en cómo la dificultad de la tarea y la énfasis en velocidad frente a precisión influenciaron los parámetros del DDM. Realizamos una tarea de discriminación de colores, donde los participantes debían determinar si había más píxeles azules o naranjas en un conjunto. Manipulamos la dificultad de esta tarea cambiando la proporción de píxeles azules a naranjas.

Esperábamos que a medida que la tarea se volviera más difícil, la tasa de deriva disminuiría. Por el contrario, cuando instruimos a los participantes a priorizar la velocidad sobre la precisión, anticipamos una caída en el parámetro del umbral, indicando menos cautela al responder.

El objetivo clave era ver si nuestro DDM no estacionario podría capturar estos cambios esperados en los parámetros. Comparamos cuatro modelos de transición dentro de nuestro DDM no estacionario para ver cuál representaba mejor los datos.

#Diferentes Modelos de Transición

Probamos cuatro modelos diferentes que diferían en cómo tenían en cuenta los cambios en los parámetros. Aquí hay un breve resumen de cada uno:

1. Camino Aleatorio Gaussiano: Este modelo permite que los parámetros cambien gradualmente en función de sus valores anteriores, creando una progresión suave.
2. Camino Aleatorio de Mezcla: Este combina cambios graduales con cambios uniformes repentinos, proporcionando opciones para ambos tipos de cambios.
3. Vuelo de Lévy: Este modelo permite cambios más extremos en los parámetros mientras sigue teniendo en cuenta cambios graduales.
4. Cambio de Régimen: En este modelo, los parámetros o permanecen iguales o cambian de repente, sin cambios graduales.

Cada uno de estos modelos tiene sus fortalezas y debilidades. El camino aleatorio gaussiano sobresale en cambios graduales, pero no puede capturar cambios repentinos de manera efectiva. El camino aleatorio de mezcla permite ambos tipos de cambios. El vuelo de Lévy introduce una mayor variabilidad, pero puede ser complejo en sus interpretaciones. El cambio de régimen es más simple, pero puede pasar por alto dinámicas más sutiles.

Para ver qué modelo se ajustaba mejor a los datos, utilizamos la comparación bayesiana de modelos. Este método nos ayuda a evaluar cuán plausibles son los diferentes modelos basándose en los datos observados.

#Inferencia Bayesiana Amortizada

La inferencia bayesiana amortizada (ABI) es una nueva técnica utilizada en nuestro estudio. Proporciona un marco para estimar y comparar modelos de manera eficiente. La ABI funciona en dos fases: entrenamiento e inferencia. Durante el entrenamiento, el modelo aprende de datos simulados. En la fase de inferencia, aplica lo que aprendió a nuevos datos.

Al usar aprendizaje profundo, la ABI permite aproximaciones rápidas de distribuciones complejas. Esto hace posible analizar grandes conjuntos de datos sin cálculos manuales tediosos.

Entrenamos cuatro modelos separados, cada uno especializado en aprender de los patrones de comportamiento únicos generados por los diferentes DDM no estacionarios. Este entrenamiento permite que cada modelo se vuelva competente en inferir cambios en sus parámetros correspondientes.

Durante este proceso, derivamos distribuciones posteriores para los parámetros basadas en los datos observados. Estas distribuciones destacan la probabilidad de diferentes valores de parámetros, dados los datos.

#Comparación de Modelos y Resultados

Una vez que nuestros modelos fueron entrenados, comparamos su rendimiento en datos reales de participantes. Recopilamos las respuestas de un número específico de participantes, quienes participaron en la tarea de discriminación de colores mientras registrábamos sus tiempos de respuesta y precisión.

Nuestros hallazgos indicaron que el DDM de vuelo de Lévy tuvo el mejor rendimiento en general. Produjo consistentemente trayectorias de parámetros plausibles y capturó con éxito las variaciones esperadas de nuestras manipulaciones experimentales.

Al analizar las re-simulaciones de los modelos, observamos que todos los modelos se ajustaron bien a los datos en términos de tiempos de respuesta. Sin embargo, el DDM de vuelo de Lévy no solo se ajustó a los datos, sino que también proporcionó una visión matizada de las trayectorias de parámetros. Para la tasa de deriva, encontramos que a medida que aumentaba la dificultad de la tarea, el modelo reflejaba con precisión una disminución en la tasa de deriva, un resultado esperado.

Además de ajustarse bien a los datos, las trayectorias de los parámetros estaban alineadas con las manipulaciones experimentales sin que los modelos tuvieran información contextual sobre las condiciones de la tarea. Esta es una validación crucial que sugiere que los modelos pueden realmente capturar cambios genuinos en los procesos cognitivos.

#Interpretación de la Dinámica de los Parámetros

La evolución del parámetro de tasa de deriva entre los participantes mostró que a medida que la tarea se volvía más fácil, la tasa de deriva promedio aumentaba. Esto se alinea con la idea de que la práctica hace que las tareas parezcan más fáciles. Curiosamente, en las condiciones más difíciles, las tasas de deriva no mostraron la misma tendencia ascendente, indicando un posible límite en cómo la práctica puede ayudar bajo una dificultad extrema.

Para el parámetro del umbral, se observaron cambios claramente cuando se instruyó a los participantes a priorizar velocidad o precisión. Para la mayoría de los participantes, vimos una clara disminución en el umbral cuando se les pidió que se enfocaran en la velocidad, confirmando nuestra predicción.

Sin embargo, hubo diferencias individuales en cómo los participantes respondieron a los cambios de tarea. Algunos mostraron cambios pronunciados en sus parámetros de umbral, mientras que otros no parecían ajustarse mucho en absoluto. Esto sugiere que las personas reaccionan de manera diferente a las instrucciones, lo que enfatiza la necesidad de modelos flexibles que puedan tener en cuenta estas diferencias.

Esta variabilidad puede complicar las cosas, ya que los modelos tradicionales pueden pasar por alto estas sutilezas. Reconociendo esto, podemos obtener una mejor comprensión de cómo diferentes individuos procesan información y toman decisiones en diversas condiciones.

#Conclusión

La validación experimental de modelos de decisión por difusión no estacionarios tiene implicaciones significativas para el modelado cognitivo. Nuestro estudio proporciona evidencia sólida de que estos modelos pueden detectar de manera confiable cambios genuinos en constructos cognitivos basándose únicamente en datos de comportamiento.

La flexibilidad del marco de superestadísticas nos permite capturar la complejidad de los procesos cognitivos a lo largo del tiempo. Ofrece a los investigadores una herramienta poderosa para estudiar cómo pensamos y tomamos decisiones. La capacidad de reconocer variaciones en el funcionamiento cognitivo puede llevar a modelos más precisos que reflejen cómo navegamos por el mundo.

Los conocimientos de nuestra investigación revelan que las diferencias individuales importan, y entender estas diferencias puede mejorar nuestra comprensión de la cognición humana. La investigación futura podría aprovechar nuestros hallazgos aplicando modelos no estacionarios a diversas tareas cognitivas, desbloqueando potencialmente comprensiones más profundas de cómo pensamos y actuamos.

En resumen, la validación de estos modelos no estacionarios abre nuevas avenidas para la investigación y la aplicación en psicología y ciencia cognitiva. Al aceptar la complejidad y la variabilidad, podemos desarrollar representaciones más ricas y precisas de los procesos cognitivos humanos.