Errorless Irrationality: A unified computational account of the inverse base-rate effect across predictive, observational, and unsupervised procedures

Resumen Técnico: Irracionalidad sin Errores

Planteamiento del Problema
El Efecto de la Tasa Base Inversa (IBRE, por sus siglas en inglés) es un sesgo cognitivo robusto donde los individuos, al enfrentarse a combinaciones ambiguas de características, sobreponderan eventos raros a pesar de que la información de la tasa base sugiere que un resultado común debería ser más probable. Las teorías dominantes tradicionales (p. ej., Kruschke, 1996, 2001b) explican esta irracionalidad a través de la reasignación de la atención impulsada por errores. Estos modelos postulan que los errores de predicción durante el aprendizaje supervisado dirigen la atención lejos de las características compartidas hacia las características unicamente predictivas, creando una representación asimétrica (p. ej., $C \to \text{raro}$ se vuelve altamente saliente). Un supuesto central de estas explicaciones es que el IBRE requiere una señal de enseñanza explícita (retroalimentación) para generar los errores de predicción necesarios para el aprendizaje. Sin embargo, este supuesto no ha sido rigurosamente probado en ausencia de retroalimentación supervisada.

Metodología
Los autores realizaron dos experimentos para eliminar sistemáticamente los componentes del diseño de aprendizaje predictivo que suministran señales de error, seguidos del desarrollo y la evaluación de un nuevo modelo computacional.

• Experimento 1 (Aprendizaje Observacional): Los autores implementaron un diseño estándar de IBRE pero eliminaron la retroalimentación explícita. Los participantes observaron oraciones que emparejaban síntomas (características) con enfermedades (etiquetas) simultáneamente (p. ej., "Juan tiene fiebre y sarpullido, lo cual pertenece a la enfermedad Z"). No se requirieron respuestas durante el entrenamiento, y no se proporcionó corrección de errores.
• Experimento 2 (Aprendizaje No Supervisado): Para eliminar aún más las posibles inferencias causales (p. ej., los síntomas causando enfermedades) que podrían impulsar errores de predicción internos, los autores utilizaron formas geométricas abstractas. Los participantes memorizaron arreglos de formas donde las etiquetas de categoría fueron reclasificadas como características ($X$ e $Y$). No se presentó ningún encuadre causal ni etiquetas explícitas; la tarea fue puramente de reconocimiento de patrones.
• Modelado Computacional (OSCAR): Los autores propusieron un nuevo modelo, OSCAR (Outcome-Specific Configuration-dependent Attention Representation - Representación de Atención Dependiente de la Configuración y Específica del Resultado). A diferencia de las redes tradicionales de alimentación hacia adelante (feed-forward) que predicen etiquetas basadas en entradas, OSCAR es una red autoasociativa de alimentación hacia adelante.
  • Arquitectura: Trata las características y las etiquetas de categoría como un único espacio de entrada/salida. El objetivo de la red es la completación de patrones: reconstruir el vector de entrada completo (incluyendo las características ausentes) a partir de entradas parciales.
  • Mecanismo: Emplea una matriz de pesos de atención específicos del resultado ($\eta_{ki}$) en lugar de una saliencia escalar global. La atención se actualiza mediante el descenso de gradiente sobre una señal de error de reconstrucción generada internamente por el intento de la red de completar el patrón.
  • Mapeo de Seguimiento Ocular (Eye-Tracking): El modelo incluye un mecanismo para mapear las matrices de atención interna a los tiempos de fijación predichos, utilizando medidas de incertidumbre (entropía de Shannon) y consenso entre características.

Resultados Clave

1. Persistencia del IBRE: Tanto en el Experimento 1 (observacional) como en el Experimento 2 (no supervisado), los participantes exhibieron el IBRE. Mostraron una preferencia fiable por la etiqueta de categoría rara cuando se les presentó la combinación ambigua de características únicas ($BC$), a pesar de la ausencia de cualquier señal de error externa o encuadre causal. Esto demuestra que el sesgo irracional es independiente de los procedimientos de aprendizaje supervisado.
2. Desempeño del Modelo:
   • Datos Supervisados: Evaluado en un conjunto de datos supervisado preexistente y de gran escala, OSCAR se desempeñó competitivamente frente a modelos establecidos (EXIT, NNRAS, DGCM). Logró una distancia-$g$ (una medida de adecuación del modelo que combina acomodación y especificidad) comparable a la de los mejores modelos.
   • Generalización: OSCAR es el único modelo capaz de reproducir el IBRE en los tres procedimientos (supervisado, observacional y no supervisado). Los modelos competidores que dependen de señales de enseñanza externas fallaron en las condiciones no supervisadas.
   • Diferencias Individuales: OSCAR fue el primer modelo en reproducir el patrón específico de diferencias individuales observado en humanos a través de los tres procedimientos.
   • Seguimiento Ocular: OSCAR replicó con éxito los complejos datos de seguimiento ocular reportados por Don et al. (2019). Específicamente, reprodujo el hallazgo de que, mientras que la característica $C$ es fijada por más tiempo que $B$ durante el entrenamiento (en ensayos $AC$ vs. $AB$), los tiempos de fijación para $B$ y $C$ se vuelven equivalentes durante la fase de prueba en los ensayos $BC$. Los modelos previos con saliencia de estimación puntual no pudieron explicar este cambio.

Significado y Reivindicaciones
El artículo sostiene que proporciona un relato computacional unificado del IBRE que no depende del supuesto de la reasignación de la atención impulsada por el error mediante retroalimentación externa.

• Irracionalidad sin Errores: Los autores argumentan que el IBRE es una "irracionalidad sin errores". Este emerge de la dinámica interna de la arquitectura (completación de patrones y señales de error autogeneradas) en lugar de ser un residuo de la optimización contra un profesor externo.
• Necesidad Arquitectónica: Los resultados sugieren que el efecto se localiza en la arquitectura misma. El sesgo irracional es una propiedad emergente de un sistema que aprende las regularidades ambientales a través de la autoasociación, donde las características y los resultados comparten un espacio representacional.
• Cambio Teórico: El trabajo desafía la necesidad de un aprendizaje impulsado por el error de predicción para el IBRE, proponiendo en su lugar que la atención dependiente de la configuración y específica del resultado dentro de un marco autoasociativo es suficiente para explicar el sesgo en contextos supervisados, observacionales y no supervisados.
• Poder Explicativo: Al modelar con éxito tanto el sesgo conductual como la dinámica específica de seguimiento ocular (incluyendo el cambio de entrenamiento a prueba en la fijación), OSCAR ofrece una explicación más completa que los relatos anteriores, que podían explicar uno pero no el otro.

Los autores concluyen que el IBRE no requiere una señal de enseñanza correctiva; requiere únicamente una señal endógena autogenerada derivada del intento de la red de completar patrones.