Different representation learning objectives recover distinct latent structures from the same psychometric data

En los rincones tranquilos de un aula, la experiencia diaria de un docente y el comportamiento de un niño están profundamente entrelazados. Sabemos que el bienestar de un docente, su confianza en sus habilidades y el clima emocional que crea pueden moldear cómo actúan y aprenden los niños. Durante décadas, los científicos han estudiado esta conexión pidiendo a docentes y niños que completen largas listas de preguntas sobre sus sentimientos y acciones. Tradicionalmente, los investigadores han tomado estas cientos de respuestas individuales, las han sumado para obtener unos pocos puntajes de resumen y luego han buscado patrones entre esos puntajes. Este método funciona, pero asume que la historia más importante está oculta en los promedios. Trata la realidad detallada y desordenada de una sola pregunta sobre el estado de ánimo de un niño o el estrés de un docente como menos importante que el número final que ayuda a crear.

Recientemente, ha surgido un nuevo enfoque en el estudio del comportamiento humano, uno que utiliza potentes sistemas informáticos para observar directamente las respuestas individuales puras. Estos sistemas, a menudo llamados aprendizaje de representaciones, intentan encontrar patrones ocultos en datos de alta dimensionalidad sin que se les diga primero qué buscar. Pueden tomar miles de detalles específicos y comprimirlos en un mapa más simple donde las cosas similares se sitúan cerca unas de otras. Surge una pregunta natural para los científicos que utilizan estas herramientas: si se introducen el mismo conjunto de respuestas de cuestionarios en diferentes sistemas informáticos, ¿encuentan todos el mismo mapa oculto? ¿O el objetivo específico de la computadora cambia el mapa que dibuja? Esta pregunta es importante porque, si el objetivo de la computadora cambia el mapa, entonces la "verdad" que encontramos en los datos podría depender más de la herramienta que usamos que de las personas que estamos estudiando.

Un equipo de investigadores se propuso responder a esta pregunta utilizando datos de un gran estudio preescolar en Chipre. Tenían acceso a 7 de 757 pares emparejados de docentes y niños, donde cada docente había respondido 139 preguntas sobre su propio bienestar y trabajo, y cada niño había sido evaluado mediante 82 preguntas sobre su comportamiento. Los investigadores querían ver si podían usar estos cuestionarios vinculados para construir un mapa compartido donde un docente y su niño específico aparecieran cerca uno del otro. Al mismo tiempo, querían ver si este mapa también agrupaba naturalmente a los niños que tenían perfiles de comportamiento similares, como aquellos que eran altamente adaptables frente a aquellos que tenían dificultades.

Para comenzar, los investigadores primero establecieron cómo era un "mapa conductual" utilizando un método estándar y bien comprendido. Tomaron las 82 preguntas conductuales de los niños y utilizaron una técnica llamada análisis de componentes principales para encontrar los patrones principales. Este proceso reveló cuatro grupos distintos de niños. Un grupo mostró niveles altos de funcionamiento adaptativo, lo que significa que manejaban bien las situaciones sociales. Otro grupo era moderadamente adaptativo, un tercero mostraba cierta vulnerabilidad y un cuarto grupo enfrentaba altos riesgos conductuales. Estos grupos eran claros y distintos; los niños en el grupo de alto riesgo puntuaban de forma muy diferente en sus escalas de comportamiento en comparación con el grupo de alto funcionamiento. Esto confirmó que los datos contenían una estructura fuerte y natural respecto a cómo se comportaban los niños.

A continuación, los investigadores intentaron construir un mapa que conectara a los docentes con sus niños específicos. Utilizaron un método moderno de aprendizaje computacional llamado aprendizaje contrastivo. Imagine un sistema al que se le dice: "Aquí hay un docente y aquí hay su niño; haga que sus huellas digitales parezcan muy similares. Aquí hay un docente y un niño que no se conocen; haga que sus huellas digitales sean muy diferentes". La computadora aprendió a ajustar su mapa interno para lograr este objetivo. Los resultados fueron sorprendentes. Cuando los investigadores le pidieron a la computadora que encontrara al niño adecuado para un determinado docente, tuvo mucho más éxito que el método estándar. Con el método estándar, la computadora solo podía adivinar el niño correcto aproximadamente el 0.13% de las veces. Con el nuevo método de aprendizaje contrastivo, acertó al niño correcto en el primer intento el 7.27% de las veces, y dentro de las diez mejores opciones el 56.14% de las veces. Esto demostró que la computadora podía aprender con éxito la conexión única entre un docente específico y su estudiante específico.

Sin embargo, surgió un problema sorprendente cuando los investigadores observaron los grupos de comportamiento de los niños dentro de este nuevo mapa. Aunque la computadora era excelente para emparejar docentes con niños, era pésima para agrupar a los niños por su comportamiento. Los cuatro grupos conductuales claros encontrados anteriormente casi habían desaparecido. Los niños que eran altamente adaptables estaban dispersos por todo el mapa, mezclados con aquellos que estaban en alto riesgo. La computadora había aprendido a ver la conexión docente-niño tan bien que esencialmente había borrado las diferencias entre los tipos de comportamiento de los niños. El mapa estaba optimizado para las relaciones, no para la personalidad.

Para probar si esto era un compromiso fundamental, los investigadores probaron un tercer enfoque. Construyeron un sistema que tenía dos tareas a la vez: debía emparejar a los docentes con los niños y también debía predecir el grupo conductual del niño. Esperaban que esto obligara a la computadora a conservar ambos tipos de información. El resultado fue un compromiso. El sistema se volvió mucho mejor para mantener los grupos conductuales juntos nuevamente, haciendo que los grupos fueran distintos y claros. Pero esta mejora tuvo un costo. La capacidad del sistema para emparejar a los docentes con sus niños específicos cayó drásticamente, volviendo a niveles similares a los del método estándar.

El estudio concluye que no existe un único mapa perfecto de estos datos. La estructura oculta que una computadora encuentra depende enteramente de lo que se le pida buscar. Si el objetivo es encontrar el vínculo entre un docente y un niño, la computadora encuentra un mapa lleno de esas conexiones pero pierde los grupos conductuales. Si el objetivo es encontrar grupos conductuales, la computadora encuentra esos pero pierde los vínculos específicos docente-niño. Los investigadores sugieren que la correspondencia docente-niño y los fenotipos conductuales son dos tipos diferentes de organización que existen dentro de los mismos datos. Ninguna es más "real" que la otra, pero un solo modelo computacional no puede capturar ambas por igual. Este hallazgo sirve como un recordatorio de que, cuando utilizamos herramientas avanzadas para estudiar el comportamiento humano, las respuestas que obtenemos están moldeadas por las preguntas que le hacemos a la máquina. Los datos no están simplemente ahí sentados esperando ser leídos; revelan verdades diferentes dependiendo de la lente que usemos para verlos.