How Occam's razor guides human decision-making

En la desordenada realidad de la vida cotidiana, nos vemos constantemente obligados a elegir entre historias contrapuestas para explicar lo que vemos. Cuando un coche no arranca, podemos culpar a una batería descargada, a un alternador defectuoso o a un fantasma en el motor. Nuestros cerebros deben filtrar estas posibilidades, a menudo con muy poca información, para decidir qué explicación es probablemente la verdadera. Durante siglos, filósofos y científicos han propuesto una regla rectora para este proceso, conocida como la navaja de Occam. El principio sugiere que cuando dos explicaciones se ajustan a los hechos con la misma eficacia, la más sencilla suele ser la mejor opción. Es un atajo mental que favorece la historia con menos partes móviles, menos suposiciones y menos margen de error. Pero aunque esta idea ha sido durante mucho tiempo la favorita de los pensadores, no ha quedado claro si el cerebro humano la utiliza realmente de la forma precisa y matemática que predice la teoría, o si simplemente tenemos una preferencia vaga por las cosas que parecen menos complicadas.

Un equipo de investigadores ha trasladado ahora esta cuestión del ámbito de la filosofía al laboratorio, utilizando una serie de experimentos cuidadosamente diseñados para medir exactamente cómo los seres humanos sopesan la simplicidad frente a la exactitud. Descubrieron que la toma de decisiones humana sigue, de hecho, una forma específica y cuantificable de la navaja de Occam. Ante datos ruidosos e inciertos, las personas prefieren naturalmente la explicación más sencilla, no solo porque les parezca lo correcto, sino porque sus cerebros parecen estar realizando un complejo cálculo estadístico que promedia todas las versiones posibles de una historia para evitar ser engañados por el azar. Esta preferencia por la simplicidad está tan profundamente arraigada que persiste incluso cuando se les dice explícitamente que la ignoren y se centren únicamente en el mejor ajuste posible. En un contraste sorprendente, los programas informáticos entrenados para resolver los mismos problemas solo adoptaron este sesgo de simplicidad cuando se les programó específicamente para ello, lo que sugiere que la tendencia humana a favorecer las explicaciones sencillas es una característica fundamental de nuestra cognición, no solo una estrategia aprendida.

Los investigadores se propusieron probar esto creando un juego visual en el que los participantes debían actuar como detectives. En una pantalla de ordenador, aparecía una nube de diez puntos rojos, dispersos de forma algo aleatoria alrededor de un punto central. Estos puntos eran generados por una de dos formas ocultas, ya fuera una línea recta o un arco curvo, que servían como la "fuente" de los datos. El trabajo de los participantes consistía en adivinar qué forma producía los puntos. Las formas se dibujaban en negro y los puntos eran rojos, creando un rompecabezas visual claro. Para que la tarea fuera científicamente rigurosa, los investigadores diseñaron cuatro versiones diferentes del juego. En cada versión, enfrentaban dos formas entre sí de una manera que aislaba una característica matemática específica de la complejidad. Una versión comparaba un punto único con una línea larga, probando cómo las personas manejan el número de variables. Otra comparaba dos líneas de diferentes longitudes, probando el tamaño del área posible que la forma podría cubrir. Una tercera versión observaba cómo se posicionaba la forma en relación con los datos, y la cuarta examinaba cómo la forma se curvaba alejándose de los datos.

En estos experimentos, los investigadores podían calcular la respuesta matemáticamente perfecta para cada ensayo. Un observador perfecto, que siguiera las estrictas reglas de la estadística bayesiana, no buscaría simplemente la forma que estuviera más cerca de los puntos. En su lugar, este observador ideal consideraría cada posición posible que la forma podría haber tomado y las promediaría. Este proceso penaliza naturalmente las formas que son demasiado flexibles o demasiado grandes, porque dispersan su "poder explicativo" demasiado poco en la pantalla, lo que las hace menos propensas a ser la verdadera fuente de un grupo específico de puntos. Los investigadores predijeron que, si los humanos estaban utilizando este tipo de razonamiento estadístico, sus elecciones se alejarían de las formas complejas y se dirigirían hacia las más sencillas, incluso cuando las formas complejas estuvieran técnicamente más cerca de los puntos.

Los resultados confirmaron que los humanos hacen exactamente eso. Cuando los datos eran ambiguos, es decir, cuando los puntos estaban aproximadamente a la misma distancia de ambas formas, los participantes elegían sistemáticamente la opción más sencilla. Pero el estudio fue más allá de simplemente mostrar una preferencia general; midió la fuerza de esa preferencia con alta precisión. Al analizar miles de elecciones de más de 200 participantes, el equipo descubrió que las personas eran sensibles a cuatro rasgos geométricos distintos de las formas: su dimensionalidad (cuántos parámetros tenían), sus límites (dónde terminaban), su volumen (cuánto espacio cubrían) y su robustez (cómo se curvaban). Las elecciones de los participantes se alineaban cuantitativamente con las predicciones del modelo matemático. No solo preferían vagamente las cosas "sencillas"; estaban ponderando estos factores geométricos específicos de una manera que coincidía estrechamente con el ideal teórico de integrar sobre todas las causas posibles.

Para entender si esto era un comportamiento aprendido o algo más fundamental, los investigadores compararon a los participantes humanos con redes neuronales artificiales, un tipo de programa informático diseñado para imitar el cerebro. Entrenaron estas redes para resolver los mismos acertijos de puntos y formas. Cuando las redes fueron entrenadas para encontrar la solución "generativa" matemáticamente perfecta —que requiere utilizar el sesgo de simplicidad—, aprendieron a hacerlo y funcionaron mejor que los humanos. Sin embargo, cuando los investigadores cambiaron las instrucciones y les dijeron que encontraran la solución de "máxima verosimilitud" —es decir, que simplemente eligieran la forma más cercana a los puntos, ignorando la complejidad—, las redes se adaptaron instantáneamente. Dejaron de mostrar cualquier preferencia por la simplicidad y realizaron perfectamente la nueva tarea.

Los participantes humanos, sin embargo, no cambiaron con tanta facilidad. Incluso cuando se les dio la instrucción de ignorar la complejidad y simplemente elegir la forma más cercana, continuaron favoreciendo las opciones más sencillas. Sus cerebros parecían incapaces de apagar el mecanismo que integra todas las posibilidades. Esto sugiere que la preferencia humana por la simplicidad no es una estrategia flexible que adoptamos cuando se nos dice que seamos inteligentes, sino una parte central de cómo procesamos la información. Parece que naturalmente promediamos las muchas formas en que una historia podría ser cierta, lo que nos protege de caer en el error de sobreajustar al ruido, mientras que las máquinas solo hacen esto si se les construye explícitamente esa capacidad.

El estudio también reveló que, si bien los humanos son extraordinariamente buenos en esto, no son perfectos. Hubo una amplia gama de diferencias individuales en la fuerza con la que las personas aplicaban estas reglas de simplicidad. Algunos participantes estaban muy cerca del ideal matemático, mientras que otros eran menos sensibles a ciertos rasgos, como el tamaño de la forma o su curvatura. Curiosamente, aquellos que estaban más alejados del ideal tendían a cometer más errores, lo que sugiere que ajustar este "filtro de simplicidad" interno es crucial para tomar decisiones precisas en un mundo lleno de ruido. Los investigadores señalaron que las personas parecían ponderar los diferentes rasgos de manera distinta, quizás porque algunos son más fáciles de computar que otros. Por ejemplo, contar el número de variables en una forma podría ser más sencillo para el cerebro que calcular el volumen total de espacio que cubre, lo que conduce a un desequilibrio natural en la aplicación de la regla.

En última instancia, este trabajo proporciona un vislumbre cuantitativo poco común de la maquinaria oculta del pensamiento humano. Demuestra que nuestros cerebros no son solo máquinas de reconocimiento de patrones que buscan el ajuste más cercano. En cambio, actúan como estadísticos sofisticados que constantemente preguntan: "¿De cuántas otras formas podría haber ocurrido esto?" y utilizan la respuesta para guiar sus elecciones. Al integrar todas las explicaciones posibles, evitamos la trampa de creer en una historia compleja y flexible solo porque resulta encajar con los datos actuales por azar. Este estudio confirma que la navaja de Occam no es solo una sugerencia filosófica sobre cómo deberíamos pensar, sino una descripción de cómo pensamos realmente, una característica integrada en la cognición humana que nos ayuda a navegar en un mundo lleno de incertidumbre y ruido.