Contrasting Probabilistic and Intentional Accounts of Confidence in Perceptual Decisions

Este estudio demuestra que los mecanismos subyacentes a la confianza en decisiones perceptuales no son únicos, sino que se adaptan a las demandas de la tarea, mostrando que un modelo intencional explica mejor los datos en tareas incentivadas mientras que un modelo jerárquico lo hace en tareas sin incentivos.

Lo esencial

🧠 ¿Cómo sabemos qué tan seguros estamos de lo que decidimos?

Imagina que estás en una tienda y tienes que elegir entre dos marcas de café. Tienes dos preguntas en tu cabeza:

1. ¿Cuál voy a comprar? (La decisión).
2. ¿Qué tan seguro estoy de que es la mejor opción? (La confianza).

Los científicos se han preguntado durante años: ¿Cómo funciona nuestro cerebro para responder a la segunda pregunta? ¿Es un proceso separado que ocurre después de elegir, o es algo que se decide al mismo tiempo que la elección?

Este estudio de Ariel Zylberberg compara dos teorías rivales usando dos juegos diferentes.

🏆 Las Dos Teorías en Lucha

1. La Teoría de la "Jefatura Jerárquica" (El Modelo Jerárquico)

• La analogía: Imagina que eres un jefe en una oficina. Primero, tu equipo (el cerebro) toma una decisión rápida: "Vamos a comprar el Café A". Una vez que la decisión está tomada, el jefe (la parte metacognitiva) revisa los informes, mira el reloj y dice: "Bueno, la evidencia fue fuerte y tardamos poco, así que estoy muy seguro de que fue la decisión correcta".
• La idea: Primero decides, luego evalúas tu seguridad. Son dos pasos separados.

2. La Teoría de la "Carrera Unificada" (El Modelo Intencional o Integrado)

• La analogía: Imagina una carrera de 4 corredores en una pista. No hay un solo corredor para "Café A" y otro para "Café B". Hay cuatro corredores compitiendo a la vez:
  • Corredor 1: "Café A, ¡Estoy 100% seguro!"
  • Corredor 2: "Café A, pero no estoy muy seguro..."
  • Corredor 3: "Café B, ¡Estoy 100% seguro!"
  • Corredor 4: "Café B, pero no estoy muy seguro..."
• La idea: La decisión y el nivel de confianza se deciden en el mismo instante. El primer corredor que cruza la meta gana, y eso define tanto qué elegiste como qué tan seguro te sentías. No hay un segundo paso.

---

🎮 Los Dos Juegos de Prueba

Para ver qué teoría es la correcta, los investigadores hicieron participar a personas en dos juegos muy diferentes:

Juego 1: El Juego de las Flechas (Movimiento)

• Qué hacían: Miraban puntos moviéndose en una pantalla y tenían que decir si iban a la izquierda o a la derecha.
• El truco: Si acertaban y decían "estoy muy seguro", ganaban muchos puntos. Si se equivocaban y decían "estoy muy seguro", perdían muchos puntos.
• El resultado: ¡La gente aprendió rápido! Como había recompensas, empezaron a tratar las cuatro opciones (Izquierda-Seguro, Izquierda-Inseguro, etc.) como una carrera directa.
• Ganador: El Modelo Unificado (Carrera de 4 corredores) describió mejor cómo pensaban las personas aquí. Al tener incentivos, el cerebro optimizó el proceso para tomar la decisión y la confianza de un solo golpe.

Juego 2: El Juego de la Luz (Luminancia)

• Qué hacían: Miraban dos parches de luz y tenían que decir cuál era más brillante (o más oscuro).
• El truco: No había puntos, ni premios, ni castigos. Era un juego "aburrido" sin consecuencias.
• El resultado: Aquí, la gente actuó de forma diferente. Parecía que primero decidían cuál era más brillante y luego pensaban en qué tan seguros estaban.
• Ganador: El Modelo Jerárquico (El Jefe) describió mejor este comportamiento. Sin incentivos externos, el cerebro usó su sistema natural de "decidir primero, evaluar después".

---

💡 ¿Qué significa todo esto?

La conclusión más importante es que nuestro cerebro no es rígido. No tiene un solo "botón" para la confianza.

• Adaptabilidad: Nuestro cerebro es como un camaleón. Si el entorno nos exige ser rápidos y precisos (como en el juego con puntos), el cerebro se vuelve eficiente y toma la decisión y la confianza al mismo tiempo (Modelo Unificado).
• Naturalidad: Si no hay presión ni recompensas, el cerebro vuelve a su modo "perezoso" o natural: decide primero y luego se echa un vistazo para ver qué tan seguro está (Modelo Jerárquico).

En resumen:
La confianza no es una sola cosa. A veces es un reflejo inmediato (como frenar un coche al ver un peligro), y a veces es una evaluación posterior (como revisar si cerraste la puerta al salir de casa). Depende totalmente de la situación y de si hay algo en juego.

El estudio nos enseña que la forma en que juzgamos nuestras propias decisiones cambia según las reglas del juego que estamos jugando.

Resumen técnico

A continuación presento un resumen técnico detallado del manuscrito en español, estructurado según los componentes solicitados:

Título del Estudio

Contraste entre Explicaciones Probabilísticas e Intencionales de la Confianza en Decisiones Perceptuales

1. Planteamiento del Problema

La capacidad de evaluar los propios estados de conocimiento (metacognición) se estudia habitualmente mediante paradigmas donde los participantes toman una decisión y luego reportan su confianza. Tradicionalmente, esto ha motivado modelos jerárquicos, donde la confianza se considera un proceso de segundo orden que lee las variables de decisión una vez que la elección se ha realizado para estimar la probabilidad de que sea correcta.

Sin embargo, existe una alternativa basada en una arquitectura intencional, donde la elección y la confianza se determinan simultáneamente a través de un proceso de difusión-difusión multidimensional. En este marco, la confianza no es un juicio posterior, sino una dimensión intrínseca del mismo proceso de acumulación de evidencia que determina la elección.

El problema central de este estudio es determinar qué arquitectura computacional (jerárquica vs. integrada/intencional) explica mejor el comportamiento humano en tareas de decisión perceptual, especialmente cuando la confianza se reporta simultáneamente con la elección. Además, se investiga si un único mecanismo es universal o si la implementación de la confianza se adapta a las demandas específicas de la tarea (ej. incentivos, retroalimentación).

2. Metodología

Diseños Experimentales

Los autores utilizaron dos tareas perceptuales distintas con reportes simultáneos de elección y confianza (Alta/Baja):

1. Tarea de Discriminación de Movimiento de Puntos Aleatorios (Motion Task):

   • Participantes: 4 sujetos.
   • Estímulo: Parche de puntos en movimiento (hacia la izquierda o derecha).
   • Dificultad: Manipulada mediante la coherencia del movimiento (probabilidad de desplazamiento coherente).
   • Reporte: Movimiento de un manipulador robótico hacia uno de cuatro objetivos espaciales (Izquierda-Alta, Izquierda-Baja, Derecha-Alta, Derecha-Baja).
   • Condición Clave: La confianza estaba incentivada mediante una estructura de recompensas asimétrica (puntos positivos/negativos) y retroalimentación trial a trial.

2. Tarea de Discriminación de Luminancia (Luminance Task):

   • Participantes: 4 sujetos adicionales.
   • Estímulo: Dos parches con barras verticales; se debía elegir el más brillante o el más oscuro (dos versiones lógicamente equivalentes).
   • Dificultad: Manipulada por la diferencia de luminancia y ruido gaussiano en las barras.
   • Reporte: Teclas de teclado para elección y confianza simultánea.
   • Condición Clave: Sin incentivos explícitos y sin retroalimentación sobre la precisión.

Modelos Computacionales Comparados

Se ajustaron dos modelos formales a los datos de comportamiento (elección, tiempo de respuesta y confianza):

• Modelo Jerárquico (Balance de la Evidencia - BoE):

  • Dos acumuladores de difusión-difusión compiten para decidir la elección.
  • Una vez que uno alcanza el umbral, un mecanismo de lectura metacognitivo calcula la confianza basándose en el estado del acumulador perdedor y el tiempo transcurrido.
  • Asume que la confianza es un proceso separado que ocurre después de la decisión.

• Modelo Integrado (Intencional / "Flat" Competition):

  • Basado en el modelo RTCON (Ratcliff y Starns).
  • Cuatro procesos de difusión-difusión compiten en paralelo, cada uno representando una combinación única: (Izquierda-Alta), (Izquierda-Baja), (Derecha-Baja), (Derecha-Alta).
  • La decisión, el tiempo de respuesta y la confianza emergen simultáneamente cuando uno de los cuatro acumuladores alcanza su umbral.
  • No hay distinción funcional entre juicio de primer y segundo orden.

Análisis Estadístico

• Se utilizó estimación de máxima verosimilitud para ajustar los parámetros de ambos modelos a los datos de ensayo único.
• Se comparó el ajuste utilizando los criterios de información de Akaike (AIC) y Bayesiano (BIC) para evaluar la parsimonia y la bondad de ajuste.
• Se realizaron regresiones mixtas para caracterizar las relaciones conductuales (precisión, tiempo de respuesta, confianza vs. fuerza del estímulo).

3. Contribuciones Clave

1. Validación Empírica de Arquitecturas Alternativas: El estudio proporciona una comparación directa y rigurosa entre modelos jerárquicos e integrados utilizando datos conductuales completos (elección, RT y confianza) en lugar de solo estadísticas resumidas.
2. Dependencia del Contexto (Adaptabilidad): La contribución más significativa es la demostración de que no existe un único mecanismo computacional para la confianza. La arquitectura subyacente parece cambiar según las condiciones de la tarea.
3. Refinamiento del Modelo Jerárquico: Se identifica que el modelo jerárquico clásico falla al capturar ciertos sesgos de evidencia positiva dependientes de la instrucción en tareas de luminancia, sugiriendo la necesidad de modelos que incorporen asimetrías en el procesamiento sensorial.
4. Implicaciones Neurofisiológicas: El estudio conecta los modelos computacionales con hallazgos neurofisiológicos recientes en primates no humanos (neuronas LIP), sugiriendo que la estrategia "integrada" podría ser la implementación neural subyacente en contextos de alta motivación.

4. Resultados Principales

• Tarea de Movimiento (Con Incentivos):

  • El Modelo Integrado (Flat) proporcionó un ajuste superior para la mayoría de los participantes (3 de 4).
  • Capturó exitosamente la fuerte correlación positiva entre la fuerza del estímulo y la confianza tanto en ensayos correctos como erróneos.
  • El modelo jerárquico tendió a sobreestimar el impacto de la confianza en la precisión y falló al replicar la pendiente de confianza en errores.
  • Interpretación: Los incentivos y la retroalimentación pueden condicionar al cerebro a tratar las combinaciones de elección-confianza como una competencia integrada directa.

• Tarea de Luminancia (Sin Incentivos):

  • El Modelo Jerárquico capturó con precisión el comportamiento, incluyendo la relación entre confianza y tiempo de respuesta, y la falta de correlación entre fuerza del estímulo y confianza en ensayos erróneos.
  • El Modelo Integrado falló completamente en ajustar los datos.
  • Causa del fallo: El modelo integrado vincula intrínsecamente la frecuencia de selección de un nivel de confianza con su velocidad y precisión. En la tarea de luminancia, los reportes de alta confianza eran menos frecuentes pero más rápidos/precisos, un patrón que el modelo integrado no podía generar sin predecir una frecuencia de alta confianza mucho mayor de la observada.

• Sesgo de Evidencia Positiva (PEB):

  • Se confirmó que en la tarea de luminancia, las fluctuaciones en el parche seleccionado influyen más en la confianza que en el no seleccionado, y este efecto depende de la instrucción ("elegir más brillante" vs. "elegir más oscuro"). Esto viola la suposición de simetría sensorial de los modelos estándar, aunque no invalida la arquitectura jerárquica subyacente para esta tarea.

5. Significado e Implicaciones

El estudio desafía la visión de que la metacognición es un proceso universalmente jerárquico. Los resultados sugieren que el cerebro es flexible y puede adoptar diferentes estrategias computacionales:

• Estrategia Integrada: Probablemente utilizada cuando hay incentivos claros y retroalimentación inmediata, permitiendo una toma de decisiones rápida donde la confianza es una dimensión directa de la acción motora (coherente con la actividad neuronal en áreas de preparación de acciones como LIP).
• Estrategia Jerárquica: Probablemente utilizada en contextos sin incentivos explícitos o cuando la confianza se evalúa de manera más reflexiva, implicando un proceso de lectura posterior de las variables de decisión.

Conclusión Final: La implementación de la confianza no es fija; se adapta a la estructura de la tarea y a las contingencias de recompensa. Esto resuelve la aparente contradicción entre estudios que apoyan modelos jerárquicos y aquellos que apoyan modelos intencionales, sugiriendo que ambos pueden ser correctos bajo diferentes condiciones experimentales. El estudio abre nuevas vías para investigar cómo el cerebro transforma evaluaciones metacognitivas de segundo orden en competencias de primer orden bajo condiciones específicas.