Quantifying uncertainty in drift diffusion models of decision making under temporal dependence and parameter variability

El artículo presenta un método computacionalmente eficiente para cuantificar la incertidumbre en los parámetros del modelo de difusión de deriva que tiene en cuenta la dependencia temporal y la variabilidad de los parámetros, lo cual se demuestra mediante su aplicación a la toma de decisiones dinámica de ratas en una tarea visual.

Lo esencial

Imagina que estás tratando de averiguar cómo un ratón elige entre dos caminos para encontrar comida. Los científicos tienen una herramienta matemática especial llamada "Modelo de Difusión con Deriva" (DDM) que actúa como un pronóstico del tiempo para el cerebro del ratón. Intenta predecir qué tan rápido y con qué precisión el ratón decidirá basándose en la información que ve.

Sin embargo, hay un problema en cómo los científicos suelen usar esta herramienta. Los métodos tradicionales tratan las elecciones del ratón como una serie de lanzamientos de moneda independientes, asumiendo que el cerebro del ratón es una máquina estática que nunca cambia sus ajustes. En realidad, el cerebro de un ratón es más como un organismo vivo y respirante que se cansa, se excita o cambia su enfoque. Sus "ajustes" cambian con el tiempo, y sus decisiones a menudo están vinculadas a lo que sucedió hace apenas un segundo.

Cuando los científicos ignoran estos cambios, es como intentar medir la velocidad de un coche que está acelerando y frenando constantemente, pero usando una regla que solo funciona si el coche se mueve a una velocidad perfectamente constante. ¿El resultado? Podrías pensar que sabes exactamente qué tan rápido va el coche, pero tu medición en realidad está llena de errores ocultos porque no tuviste en cuenta el comportamiento cambiante del coche.

Lo que hace este artículo:

Los investigadores construyeron una regla nueva y más inteligente (un método computacional) que corrige estos errores. Así es como funciona, usando analogías simples:

1. Teniendo en cuenta el "Montaña Rusa" del tiempo: En lugar de asumir que el cerebro del ratón es un lago plano y tranquilo, este nuevo método reconoce que la toma de decisiones del ratón es más como una montaña rusa. Tiene en cuenta los altibajos (dependencia temporal) y el hecho de que el paseo cambia a medida que avanza (no estacionariedad).
2. Sabiendo qué tan seguro estás: Los métodos antiguos a menudo daban un solo número sobre cómo decide el ratón, sin decirte cuánto podías confiar en ese número. Este nuevo método es como un pronóstico del tiempo que te da un intervalo de confianza. No solo dice "lloverá"; dice: "Lloverá y estamos 95% seguros de que ocurrirá, incluso si el viento sopla de manera extraña". Calcula la "incertidumbre" explícitamente, para que sepas cuándo tus datos son inestables.
3. Usando pistas (covariables): El método permite a los científicos introducir pistas adicionales, como la frecuencia cardíaca del ratón o cuánto tiempo ha estado trabajando, para explicar por qué el estilo de decisión del ratón está cambiando en ese momento. Es como tener un navegante que explica los atascos de tráfico en lugar de simplemente quedarse atascado en ellos.

El resultado:

Cuando el equipo probó este nuevo método en ratones que realizaban un juego de adivinanzas visuales, no obtuvieron solo una respuesta promedio única. En cambio, descubrieron que los ratones en realidad estaban cambiando entre diferentes "estados de toma de decisiones" (como cambiar de marcha en un coche) a través de diferentes marcos temporales. Algunos cambios ocurrieron rápidamente, mientras que otros fueron lentos y constantes.

En resumen, este artículo proporciona una forma más honesta y flexible de medir cómo los cerebros toman decisiones, admitiendo que los cerebros son desordenados y cambiantes, y ofreciendo a los científicos una mejor manera de medir exactamente qué tan seguros pueden estar sobre sus hallazgos. El equipo también puso el código de esta nueva herramienta a disposición de cualquiera para que lo utilice.

Resumen técnico

Resumen Técnico: Cuantificación de la Incertidumbre en Modelos de Difusión de Deriva bajo Dependencia Temporal y Variabilidad Paramétrica

Planteamiento del Problema
El comportamiento de toma de decisiones es inherentemente dinámico, caracterizado por correlaciones temporales y no estacionariedad que evolucionan a lo largo del tiempo. Sin embargo, los métodos existentes para ajustar Modelos de Difusión de Deriva (DDM) enfrentan limitaciones significativas en este contexto. Los enfoques actuales suelen fallar al proporcionar una cuantificación robusta de la incertidumbre para las estimaciones de parámetros. Además, a menudo dependen de supuestos restrictivos que las decisiones son independientes y que los parámetros del modelo permanecen constantes durante toda la sesión experimental. Estos supuestos pueden conducir a una subestimación sistemática de la incertidumbre, fallando en capturar la verdadera variabilidad presente en los procesos biológicos de toma de decisiones.

Metodología
Para superar estas limitaciones, los autores proponen un método computacionalmente eficiente diseñado para estimar incertidumbres analíticas en los parámetros de los DDM. El núcleo de este enfoque es su robustez frente a dos desafíos específicos:

1. Dependencia Temporal: El método considera las correlaciones entre decisiones a lo largo del tiempo, en lugar de asumir independencia.
2. Variabilidad Paramétrica: Maneja la variabilidad paramétrica no modelada sin requerir que los parámetros sean estrictamente constantes.

Crucialmente, el método modela explícitamente la variabilidad no estacionaria mediante la incorporación de covariables. Esto permite que el modelo capture cambios dinámicos en los estados de toma de decisiones. El enfoque se implementa en Python, proporcionando una herramienta práctica para que los investigadores apliquen estas técnicas estadísticas avanzadas.

Resultados Clave
Los autores aplicaron su método propuesto a datos de ratas que realizaban una tarea visual de elección forzada de dos alternativas (2AFC). La aplicación de este marco consciente de la incertidumbre reveló la existencia de estados de toma de decisiones dinámicos que operan a través de múltiples escalas de tiempo. Al trascender los supuestos estáticos, el análisis descubrió patrones conductuales y variabilidad que los métodos de ajuste estándar probablemente pasarían por alto o caracterizarían incorrectamente.

Significado y Afirmaciones
El artículo posiciona este trabajo como un avance necesario en el campo de la neurociencia computacional y la modelización de la toma de decisiones. Su principal significado radica en proporcionar un marco riguroso para la cuantificación de la incertidumbre que no sacrifica la eficiencia computacional en pos del realismo. Al modelar explícitamente la no estacionariedad y la dependencia temporal, el método ofrece una representación más precisa de la complejidad inherente a la toma de decisiones biológica. Los autores afirman que este enfoque previene la subestimación de la incertidumbre común en los métodos existentes, ofreciendo así una base más fiable para interpretar los parámetros de los DDM en presencia de variabilidad conductual del mundo real. La provisión de una implementación en Python subraya aún más el objetivo del artículo de hacer accesibles estas técnicas estadísticas robustas a la comunidad investigadora en general.