📊 estadística

Computational Growth Modeling: Assessing Longitudinal Change with Joint Models

Este artículo introduce y valida el "modelado de crecimiento computacional", un enfoque de modelado conjunto que integra modelos computacionales jerárquicos con datos longitudinales para estimar con mayor precisión los cambios individuales en los procesos conductuales a lo largo del tiempo en comparación con los métodos tradicionales de dos etapas, ofreciendo así mejores perspectivas sobre la etiología de la psicopatología.

Autores originales: Jeremy Haynes, Nathaniel Haines, Holly Sullivan-Toole, Thomas Olino

Publicado 2026-10-21

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Jeremy Haynes, Nathaniel Haines, Holly Sullivan-Toole, Thomas Olino

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El comportamiento humano rara vez es una instantánea única; es una historia que se desarrolla a lo largo del tiempo. Para entender por qué las personas toman las decisiones que toman, los psicólogos suelen pedirles que realicen tareas que revelan cómo aprenden de las recompensas y los castigos. Una de estas tareas, conocida como la Tarea de Juego de Iowa, pide a los participantes que elijan cartas de diferentes mazos. Algunos mazos ofrecen grandes ganancias pero también pérdidas aún mayores, mientras que otros ofrecen ganancias más pequeñas y constantes. Al observar qué mazos eligen las personas, los investigadores pueden ver si están aprendiendo a evitar las opciones arriesgadas. Durante años, los científicos han utilizado modelos computacionales para traducir estas elecciones en números, estimando aspectos como la rapidez con la que una persona actualiza sus expectativas tras una victoria o una pérdida. Estos números, llamados parámetros, actúan como una ventana al mecanismo de aprendizaje de la mente. Sin embargo, un problema persistente ha sido cómo rastrear estos números a medida que cambian. Cuando los investigadores quieren ver cómo evoluciona el aprendizaje a lo largo de meses o años, normalmente han dependido de un proceso de dos pasos: primero, calculan los números de aprendizaje de una persona para una sesión única y, después, tratan esos números como hechos perfectos para ver cómo cambian más adelante. Este método asume que el primer cálculo fue impecable, ignorando la difusividad y la incertidencia naturales que conlleva medir el comportamiento humano.

Un equipo de investigadores liderado por Jeremy Haynes en la Universidad de Georgia Southern ha propuesto una forma diferente de abordar este problema, que trata la medición y el cambio como una historia única y conectada. En un nuevo estudio, introdujeron un método que llaman modelado de crecimiento computacional. En lugar de separar el cálculo del estilo de aprendizaje de una persona del seguimiento de cómo ese estilo cambia con el tiempo, este nuevo enfoque hace ambas cosas a la vez. Al entrelazar los dos, los investigadores pueden dar cuenta de la incertidumbre en las mediciones iniciales, permitiendo que los datos de una sesión informen la comprensión de la siguiente. Para probar si esta idea funciona, el equipo primero creó una simulación masiva. Generaron miles de conjuntos de datos falsos que representaban a personas jugando un juego sencillo de toma de decisiones durante tres sesiones. En estas simulaciones, conocían la verdad exacta sobre cómo debían cambiar las tasas de aprendizaje de los participantes. Luego compararon su nuevo método integrado contra el enfoque tradicional de dos pasos. Los resultados fueron claros: el nuevo método era mucho mejor para recuperar los verdaderos patrones de cambio. Identificó correctamente la rapidez con la que las personas aprendían y cómo variaban sus puntos de partida, mientras que el método antiguo a menudo erraba el tiro, particularmente al intentar ver cómo las diferencias individuales en la capacidad inicial se relacionaban con la velocidad de mejora. El nuevo enfoque capturó con éxito la "niebla" del error de medición que el método antiguo ignoraba, lo que condujo a una imagen mucho más nítida de cómo evoluciona el comportamiento.

Animados por estas simulaciones, los investigadores aplicaron su método a datos del mundo real recopilados durante tres años de adultos. Estos participantes jugaron la versión de "jugar o pasar" de la Tarea de Juego de Iowa en cinco ocasiones distintas. En esta versión, los jugadores pueden elegir tomar un riesgo y jugar un mazo de cartas o pasar y saltarse el turno. Utilizando su nuevo modelo integrado, el equipo pudo rastrear cómo cambiaron los hábitos de aprendizaje de los participantes a través de las cinco sesiones. Encontraron que, a medida que las personas ganaban experiencia, su sensibilidad a las recompensas y castigos inmediatos de hecho disminuía, lo que sugiere que se volvían menos reactivas a una victoria o pérdida individual y más enfocadas en el resultado a largo plazo. Al mismo tiempo, su sensibilidad a la frecuencia con la que ganaban o perdían aumentó, y desarrollaron una tendencia más fuerte a jugar independientemente del mazo específico. Este patrón de cambio sugirió que los participantes estaban refinando su estrategia, alejándose de las reacciones impulsivas y moviéndose hacia un enfoque más calculado.

El poder de este nuevo método se hizo aún más evidente cuando los investigadores añadieron la historia personal a la mezcla. Examinaron si la historia de ansiedad, depresión o uso de sustancias de una persona, así como su sexo, influían en cómo cambiaba su aprendizaje. El modelo reveló diferencias distintivas. Por ejemplo, los hombres mostraron una sensibilidad basal más alta al castigo que las mujeres, lo que significa que inicialmente eran más reactivos a las pérdidas. De manera más sorprendente, el modelo mostró que las personas con antecedentes de depresión comenzaron con una sensibilidad más alta a la frecuencia con la que ganaban o perdían, pero su sensibilidad al castigo disminuyó mucho más drásticamente con el tiempo en comparación con aquellas sin tales antecedentes. Esto sugiere que la forma en que la depresión afecta la toma de decisiones no es solo un rasgo estático, sino un proceso dinámico que cambia a medida que una persona gana experiencia. Los investigadores señalaron que estos hallazgos sobre la depresión y las tasas de aprendizaje fueron específicos de la línea de tiempo más larga de su estudio, un matiz que podría haberse pasado por alto con menos puntos de datos.

Este trabajo no pretende haber resuelto el misterio de la toma de decisiones humana, pero ofrece una herramienta más fiable para observarla desarrollarse. Los autores enfatizan que su método es particularmente útil para comprender cómo se desarrollan los procesos de comportamiento y cómo estos pueden desviarse en la enfermedad mental. Al reconocer que nuestras mediciones de la mente nunca son perfectamente precisas, y al integrar esa incertidumbre directamente en el análisis del cambio, el enfoque de modelado de crecimiento computacional proporciona una visión más clara y honesta de cómo aprendemos. Permite a los científicos ver no solo dónde está una persona en un día determinado, sino cómo se está moviendo, y cómo ese movimiento puede diferir según su historia única y su biología. Como señalan los investigadores, este marco puede adaptarse a muchos otros tipos de tareas e incluso a estudios con animales, ofreciendo una forma versátil de estudiar la naturaleza fluida del comportamiento a través del tiempo.

Resumen Técnico: Modelado de Crecimiento Computacional con Modelos Conjuntos

Planteamiento del Problema
La investigación longitudinal en psicología frecuentemente busca caracterizar cómo cambian los procesos conductuales a lo largo del tiempo. Un desafío metodológico común surge cuando los investigadores intentan analizar datos longitudinales derivados de modelos computacionales (por ejemplo, parámetros de aprendizaje por refuerzo). La práctica estándar consiste en un enfoque de "dos etapas": primero, ajustar un modelo computacional a los datos conductuales en cada punto temporal para extraer parámetros a nivel de persona; segundo, ajustar un modelo de crecimiento estadístico (por ejemplo, Modelos Lineales Jerárquicos) a estos parámetros extraídos.

El artículo identifica un fallo crítico en este enfoque de dos etapas: trata los parámetros computacionales a nivel de persona como "puntuaciones verdaderas" en la segunda etapa, ignorando el error de medición y la incertidumbre inherentes a su estimación en la primera etapa. Este fallo al no propagar la incertidumbre desde el modelo conductual hacia el modelo de crecimiento puede conducir a inferencias sesgadas, reducción del poder estadístico y una pobre fiabilidad en la estimación de las trayectorias longitudinales. Si bien el modelado conjunto se ha utilizado previamente para mejorar la fiabilidad test-retest y las asociaciones entre tareas, su aplicación para evaluar el cambio longitudinal en parámetros computacionales ha sido limitada.

Metodología
Los autores proponen e implementan el "Modelado de Crecimiento Computacional" (CGM, por sus siglas en inglés), un marco que integra modelos conductuales computacionales y modelos de crecimiento longitudinal en un único modelo conjunto bayesiano jerárquico.

Marco Teórico:
- Modelo a Nivel de Persona: Un modelo computacional (por ejemplo, Aprendizaje por Refuerzo) caracteriza la conducta a nivel de ensayo ( $Y$ ) basada en los estímulos de la tarea ( $C$ ) y los parámetros específicos de la persona ( $\theta$ ).
- Modelo a Nivel de Grupo: Un modelo de crecimiento longitudinal caracteriza cómo cambian los parámetros a nivel de persona ( $\theta$ ) a través del tiempo ( $T$ ) y varían entre individuos. Esto se especifica como un modelo de crecimiento lineal donde los interceptos y pendientes de la persona ( $\beta_{0i}$ y $\beta_{1i}$ ) se extraen de una distribución normal multivariante definida por medias de grupo ( $\gamma$ ), varianzas y correlaciones.
- Integración: A diferencia del enfoque de dos etapas, el CGM estima los parámetros computacionales y los parámetros de crecimiento de forma simultánea. Esto permite que la incertidumbre en las estimaciones de los parámetros a nivel de ensayo informe la estimación de las trayectorias de crecimiento, y viceversa.
Estudio de Simulación:
- Diseño: Los autores simularon 900 conjuntos de datos utilizando una tarea de bandido de dos brazos con un modelo de aprendizaje por refuerzo de Rescorla-Wagner de un solo parámetro. Los datos fueron generados para 50 "participantes" a través de tres sesiones.
- Condiciones: Las simulaciones variaron los efectos de la pendiente a nivel de grupo (sin cambios, disminución moderada, aumento moderado) y las correlaciones entre intercepto y pendiente.
- Comparación: El enfoque CGM se comparó con el enfoque tradicional de dos etapas. Ambos se implementaron utilizando estimación bayesiana jerárquica en Stan.
- Métricas: El rendimiento se evaluó basándose en la recuperación de parámetros (correlación entre parámetros verdaderos y estimados), desviaciones absolas medias (MAD) entre valores verdaderos y estimados, y probabilidades de cobertura del 95% (la frecuencia con la que el Intervalo de Densidad Más Alta del 95% contenía el valor verdadero).
Aplicación a Datos Reales:
- Tarea: Los autores aplicaron CGM a cinco oleadas de datos longitudinales de adultos que realizaban la tarea de Iowa (IGT) de "jugar o pasar".
- Modelo: Utilizaron el modelo de Aprendizaje de Representación de Resultados (ORL), que incluye cuatro parámetros: tasa de aprendizaje de recompensa, tasa de aprendizaje de castigo, sensibilidad de ganancia/pérdida y sesgo de respuesta.
- Covariables: Se ajustaron dos modelos: un modelo de crecimiento incondicional (trayectorias base) y un modelo condicional que incluye covariables para sexo e historial de vida de ansiedad, depresión y trastorno por consumo de sustancias.

Resultados Clave

Hallazgos de la Simulación:
- Recuperación de Parámetros: El enfoque CGM superó significativamente al enfoque de dos etapas en la recuperación de los parámetros de crecimiento a nivel de persona (interceptos y pendientes). El enfoque de dos etapas mostró una pobre recuperación de interceptos (correlaciones $\le$ .51) en comparación con el CGM (correlaciones $\ge$ .59).
- Sesgo e Incertidumbre: El enfoque de dos etapas subestimó sistemáticamente las desviaciones estándar de los interceptos y las pendientes, y no logró capturar los interceptos y pendientes reales del grupo en condiciones con tasas de aprendizaje cambiantes.
- Cobertura: El enfoque de dos etapas exhibió pobres probabilidades de cobertura del 95% para los parámetros de crecimiento (a menudo muy por debajo del objetivo del 95%), lo que indica que los parámetros verdaderos caían frecuentemente fuera de los intervalos de confianza estimados. El CGM mantuvo probabilidades de cobertura mucho más cercanas al objetivo del 95%.
- Tasas de Aprendizaje: Aunque ambos enfoques funcionaron bien para estimar tasas de aprendizaje estáticas en puntos temporales individuales, el CGM proporcionó estimaciones superiores del cambio en estas tasas a lo largo del tiempo.
Hallazgos de Datos Reales:
- Tendencias Incondicionales: A través de cinco sesiones durante tres años, las tasas de aprendizaje de recompensa y castigo disminuyeron, mientras que la sensibilidad de ganancia/pérdida y el sesgo de respuesta aumentaron.
- Efectos Condicionales: El modelo condicional reveló diferencias individuales significativas. Los participantes masculinos mostraron tasas de aprendizaje de castigo basales más altas que las mujeres. Los individuos con antecedentes de depresión exhibieron una mayor sensibilidad basal de ganancia/pérdida y una disminución más pronunciada en las tasas de aprendizaje de castigo a lo largo del tiempo en comparación con aquellos sin tales antecedentes.

Significancia y Reivindicaciones
El artículo sostiene que el Modelado de Crecimiento Computacional ofrece un método más robusto y preciso para evaluar el cambio longitudinal en los procesos conductuales en comparación con los enfoques tradicionales de dos etapas.

Avance Metodológico: Al integrar modelos computacionales y de crecimiento, el CGM contabiliza adecuadamente el error de medición y la incertidumbre, evitando el sesgo introducido al tratar los parámetros estimados como puntuaciones verdaderas fijas.
Mejora de la Inferencia: El marco de estimación simultánea produce una mejor recuperación de parámetros e intervalos de confianza (cobertura) más precisos, particularmente para los parámetros de crecimiento (pendientes e interceptos) que suelen ser el foco principal de la investigación longitudinal.
Flexibilidad: El marco es lo suficientemente flexible como para acomodar diversos modelos computacionales (desde simples hasta complejos) y puede integrar sin problemas covariables (por ejemplo, antecedentes de psicopatología, sexo) para probar cómo las diferencias individuales moderan las trayectorias de desarrollo.
Alcance Modesto: Los autores señalan que, si bien el CGM es prometedor, es computacionalmente intensivo y requiere programación a medida (por ejemplo, en Stan). También reconocen que el encogimiento jerárquico (hierarchical shrinkage), aunque mejora la fiabilidad, comprime la variabilidad entre sujetos, lo cual puede ser una consideración para investigadores centrados en el comportamiento de organismos individuales. El artículo no pretende que el CGM sea una solución universal, sino que lo presenta como una alternativa superior para contextos específicos que involucran modelado computacional longitudinal.

Más como este