🧠 neuroscience

Mapping Lifespan Trajectories of Cognitive Flexibility with a Continuous Probabilistic Reversal Learning Measure

Este estudio utilizó una novedosa tarea de aprendizaje de reversión probabilística continua para demostrar que el aprendizaje basado en la recompensa alcanza su máximo alrededor de los 18 años, mientras que el aprendizaje basado en reglas alcanza su máximo alrededor de los 20 años, revelando trayectorias distintas a lo largo de la vida para los componentes de la flexibilidad cognitiva que se alinean con la maduración diferencial de los circuitos cerebrales subyacentes.

Autores originales: Jowkar, M., Makhsous, M., Rezayat, E.

Publicado 2026-06-23

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Jowkar, M., Makhsous, M., Rezayat, E.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina tu cerebro como un sistema GPS superinteligente. La flexibilidad cognitiva es simplemente qué tan bien puede ese GPS decir: "¡Uy, giro equivocado!", y recalcular instantáneamente tu ruta cuando el camino cambia. La mayoría de las pruebas para esta habilidad son como un examen simple de aprobado o reprobado: o tomas el giro correctamente o te equivocas. Pero este estudio quería ver todo el viaje, no solo el destino final.

Para lograr esto, los investigadores construyeron un nuevo tipo de "prueba de GPS cerebral" llamada CPRLT. En lugar de solo verificar si obtuviste la respuesta correcta o incorrecta, esta prueba mide qué tan cerca estuviste de la respuesta correcta, proporcionando una puntuación suave y continua. Es como calificar a un estudiante no solo por si aprobó el examen de matemáticas, sino por exactamente cuántos puntos le faltaron para lograrlo, revelando diferencias sutiles en su pensamiento.

El equipo analizó a 221 adultos sanos, que iban desde adolescentes que apenas comenzaban (18 años) hasta personas mayores en sus 70 años. Observaron dos formas específicas en las que el cerebro aprende:

Aprendizaje Basado en Reglas: Esto es como seguir un mapa escrito o un conjunto de instrucciones. Aprendes las reglas y te ciñes a ellas.
Aprendizaje Basado en Recompensas: Esto es como aprender por el gusto. Pruebas algo y, si sabe bien (obtienes una recompancia), lo haces de nuevo. Si sabe mal, dejas de hacerlo.

Lo que encontraron fue una línea de tiempo fascinante de la madurez cerebral:

El "Punto Dulce" para las Recompensas (Edad 18): La capacidad de aprender de las recompensas alcanza su punto máximo muy temprano, alrededor de los 18 años. Piensa en esto como si las "papilas gustativas" del cerebro para el éxito estuvieran completamente desarrolladas y listas para funcionar.
El "Punto Dulce" para las Reglas (Edad 20): La capacidad de seguir reglas y mapas complejos alcanza su punto máximo un poco más tarde, alrededor de los 20 años. Es como si el departamento de "manual de instrucciones" del cerebro tardara un par de años extra en terminar su entrenamiento.

La Historia del Ciclo de Vida:
El estudio muestra que nuestra flexibilidad mental crece rápido desde la infancia hasta la edad adulta temprana, alcanzando su punto más alto en nuestros veinte años iniciales. Después de eso, no se desploma; simplemente declina de forma lenta y suave a medida que envejecemos.

¿Por qué sucede esto?
Los autores sugieren que esta línea de tiempo coincide con cómo se desarrolla el hardware de nuestro cerebro. Las partes del cerebro que manejan las recompensas (las "papilas gustativas") terminan de construirse primero. Las partes que manejan reglas complejas y planificación (el centro del "manual de instrucciones") tardan un poco más en terminar su construcción.

La Gran Conclusión:
La parte más importante de este artículo es la herramienta que utilizaron. Si hubieran usado una prueba de la vieja escuela de "aprobado o reprobado", habrían pasado por alto estas diferencias sutiles entre el aprendizaje por recompensa y el aprendizaje por reglas. Al usar su nueva cinta métrica continua, pudieron ver que estas dos habilidades maduran en momentos diferentes, un detalle que habría sido invisible para cualquier otro método.

Resumen Técnico: Mapeo de las trayectorias de la longevidad de la flexibilidad cognitiva con una medida continua de aprendizaje de reversión probabilística

Planteamiento del problema
La flexibilidad cognitiva, definida como la capacidad de alterar las estrategias de respuesta de acuerdo con las demandas cambiantes del entorno, es una función ejecutiva crítica. Sin embargo, la investigación existente sobre su desarrollo a lo largo de la vida humana se ha visto limitada por restricciones metodológicas. Las herramientas de evaluación tradicionales suelen basarse en puntuaciones binarias (correcto vs. incorrecto), lo que no logra capturar la naturaleza matizada y continua de los procesos de aprendizaje y puede ocultar diferencias de desarrollo sutiles entre distintos mecanismos de aprendizaje, tales como el aprendizaje basado en reglas frente al aprendizaje basado en recompensas.

Metodología
Para abordar estas limitaciones, este estudio introdujo y utilizó un nuevo instrumento computarizado: la Prueba de Aprendizaje de Reversión Probabilística de Puntuación Continua (CPRLT, por sus siglas en inglés). Esta tarea fue diseñada para generar métricas de rendimiento continuas en lugar de resultados discretos de aprobado/suspenso. La cohorte del estudio consistió en 221 adultos sanos que abarcaban un amplio rango de edad, desde los 18 hasta los 71 años.

El marco analítico empleó tres dimensiones de puntuación específicas:

Error Absoluto Medio: Calculado para las fases de aprendizaje basadas en reglas.
Error Ajustado: También calculado para las fases de aprendizaje basadas en reglas.
Tasa de Aprendizaje ( $\alpha$ ): Estimada para las fases de aprendizaje basadas en recompensas mediante el ajuste de un modelo computacional de Rescorla-Wagner a los datos de los participantes.

Estas métricas permitieron a los investigadores modelar la trayectoria de la flexibilidad cognitiva a lo largo de la vida e identificar posibles puntos de ruptura donde las tendencias de rendimiento cambian.

Contribuciones clave
La contribución principal de este trabajo es la validación de una medida probabilística continua (CPRLT) capaz de disociar las trayectorias de desarrollo del aprendizaje basado en reglas y el aprendizaje basado en recompensas. Al ir más allá de la puntuación binaria, el estudio proporciona una visión más granular de cómo evoluciona la flexibilidad cognitiva, destacando específicamente que estos dos componentes de la flexibilidad no maduran simultáneamente.

Resultos
El análisis de las tres métricas de puntuación reveló una trayectoria no lineal consistente caracterizada por un único punto de ruptura para todas las medidas. Los datos indicaron un patrón de mejora rápida del rendimiento desde la infancia hacia la edad adulta temprana, seguido de un declive gradual en los años posteriores.

Crucialmente, el estudio identificó edades pico distintas para diferentes modalidades de aprendizaje:

El aprendizaje basado en recompensas alcanzó su máximo rendimiento más temprano, aproximadamente a los 18 años.
El aprendizaje basado en reglas alcanzó su máximo ligeramente más tarde, alrededor de los 20 años.

Esta disociación temporal sugiere que los mecanismos neurales que sustentan el aprendizaje basado en recompensas maduran antes que aquellos que sustentan el procesamiento basado en reglas.

Significancia y afirmaciones
Los autores postulan que estos hallazgos se alinean con modelos neurodesarrollamentales establecidos, donde los circuitos de recompensa subcorticales maduran antes que las regiones prefrontales responsables del procesamiento complejo basado en reglas. El estudio afirma que la naturaleza continua de la CPRLT fue esencial para capturar este desfase de desarrollo específico; tal distinción probablemente habría sido omitida por las tareas binarias tradicionales. En consecuencia, el artículo argumenta que las medidas probabilísticas continuas ofrecen un enfoque metodológico superior para mapear el desarrollo matizado de la flexibilidad cognitiva a lo largo de la vida.

Más como este