📊 statistics

Active Inference with People: a general approach to real-time adaptive experiments

Questo articolo presenta un approccio unificato e pratico per esperimenti adattivi in tempo reale, che combina l'inferenza attiva con la piattaforma PsyNet per ottimizzare dinamicamente la raccolta dati in ambiti come test adattivi e assegnazione di trattamenti, riducendo significativamente il numero di prove necessarie e migliorando la precisione rispetto ai disegni fissi.

Autori originali: Lucas Gautheron, Nori Jacoby, Peter Harrison

Pubblicato 2026-04-01

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Lucas Gautheron, Nori Jacoby, Peter Harrison

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di essere un cuoco che deve preparare un menu per un ospite molto esigente.

Il Problema: Il Menu "Fisso"

Nella ricerca scientifica tradizionale, gli esperimenti funzionano come un menu fisso. Il cuoco (lo scienziato) decide in anticipo: "Oggi tutti i clienti mangeranno lo stesso antipasto, lo stesso primo e lo stesso secondo".

Se il cliente è un gourmet, il menu è troppo semplice e si annoia.
Se il cliente è un principiante, il menu è troppo complesso e si sente in difficoltà.
Inoltre, il cuoco deve cucinare tutto il menu per ogni cliente, anche se sa già che al cliente non piacerà il pesce. È uno spreco di tempo, ingredienti e soldi.

La Soluzione: L'Esperimento "Adattivo"

Gli autori di questo articolo (Lucas, Nori e Peter) hanno creato un nuovo modo di fare esperimenti, che chiamano "Esperimenti Adattivi in Tempo Reale".
È come avere un cameriere magico che osserva il cliente mentre mangia e cambia il menu mentre si sta seduto al tavolo.

Se il cliente finisce l'antipasto in due bocconi, il cameriere capisce che è affamato e gli porta subito un secondo più sostanzioso.
Se il cliente fa una faccia strana, il cameriere capisce che non gli piace e gli cambia il piatto successivo.

L'obiettivo è ottenere la massima informazione possibile (capire cosa piace al cliente) usando il minimo numero di piatti possibile.

I Due Super-Poteri della Tecnologia

Per far funzionare questo "cameriere magico", gli autori hanno unito due tecnologie potenti:

L'Inferenza Attiva (Il Cervello Matematico):
Immagina che il cameriere abbia un super-cervello basato sulla matematica bayesiana (un modo di ragionare che aggiorna le sue certezze man mano che riceve nuovi indizi).
- Questo cervello non sceglie a caso. Calcola: "Se gli propongo questo piatto, quanto imparerò di nuovo su di lui?".
- Se il piatto è troppo facile o troppo difficile, il cervello dice: "No, non mi dice nulla di nuovo, saltiamolo".
- Se il piatto è "perfetto" per capire i gusti del cliente, il cervello lo sceglie immediatamente.
- Questo metodo unisce due cose: imparare (scoprire i gusti) e agire (dare il piatto giusto).
PsyNet (Il Sistema di Servizio):
Se il cervello è il pensiero, PsyNet è il sistema di ordinazione digitale che collega il cuoco, il cameriere e il cliente. È un software fatto in Python che permette di gestire migliaia di clienti contemporaneamente su internet, inviando domande, ricevendo risposte e cambiando il menu in tempo reale, tutto automaticamente.

Due Esempi Pratici (Le Due Prove)

Gli autori hanno testato questo sistema con due esperimenti reali, usando domande di cultura generale (tipo "Chi è stato il primo presidente a vivere alla Casa Bianca?").

1. Il Test di Intelligenza (L'Esame Personalizzato)

Situazione: Vogliamo capire quanto è intelligente una persona.
Metodo vecchio: Tutti rispondono alle stesse 15 domande, dalle più facili alle più difficili.
Metodo nuovo: Il sistema inizia con una domanda media. Se la persona la indovina, la prossima è più difficile. Se la sbaglia, la prossima è più facile.
Risultato: Il sistema ha capito l'intelligenza della persona con la stessa precisione del metodo vecchio, ma ha usato il 30-40% di domande in meno. È come se il cameriere avesse detto: "Ok, ho capito che sei un esperto, non serve che ti faccia le domande da principiante!".

2. La Ricerca del "Trattamento" Perfetto (La Scelta della Domana Giusta)

Situazione: Vogliamo trovare una domanda che riesca a distinguere chiaramente chi ha la laurea da chi non ce l'ha.
Metodo vecchio: Si dà la stessa domanda a tutti, a caso.
Metodo nuovo: Il sistema prova diverse domande. Se nota che una domanda viene risposta bene solo dalle laureate, la inizia a proporre a tutti le laureate e a nessuna delle non laureate, per confermare la sua intuizione.
Risultato: Il sistema ha trovato la domanda "perfetta" per distinguere i gruppi con una precisione tre volte superiore rispetto al metodo casuale.

Perché è Importante?

Fino a oggi, chi faceva test psicologici, chi faceva esperimenti medici e chi faceva intelligenza artificiale usavano metodi diversi e non si parlavano.
Questo articolo dice: "Fermiamoci tutti e usiamo lo stesso linguaggio!".
Grazie a questo approccio unificato:

Risparmiamo tempo e denaro (meno domande da fare).
Evitiamo di annoiare o frustrare i partecipanti.
Possiamo fare esperimenti più complessi e precisi su internet con migliaia di persone contemporaneamente.

In sintesi: invece di dare a tutti lo stesso identico trattamento, il computer impara a conoscere ogni persona in tempo reale e le offre esattamente ciò di cui ha bisogno per imparare qualcosa di nuovo, il più velocemente possibile. È l'evoluzione dell'esperimento scientifico: da "cannone a salve" a "cecchino intelligente".

1. Il Problema

Gli esperimenti adattivi mirano a ottimizzare automaticamente il proprio design durante la raccolta dati, offrendo vantaggi significativi rispetto ai disegni sperimentali fissi tradizionali. Le applicazioni potenziali includono:

Test adattivi computerizzati (CAT): Selezione di compiti informativi per misurare le abilità.
Assegnazione adattiva dei trattamenti: Identificazione delle condizioni sperimentali che massimizzano determinati esiti (es. trial clinici).
Apprendimento attivo (Active Learning): Scelta dei dati di training ottimali per algoritmi di machine learning.

Tuttavia, l'implementazione di queste tecniche in tempo reale presenta sfide computazionali e tecniche sostanziali. Inoltre, nonostante la loro similarità concettuale, questi scenari sono spesso trattati come problemi separati con soluzioni e framework software distinti, portando a duplicazione di sforzi e isolamento disciplinare. Manca un approccio unificato che possa gestire diverse modalità di compito (testo, audio, video) e obiettivi (epistemici o pragmatici) in un'unica infrastruttura.

2. Metodologia

Gli autori propongono un approccio unificato che combina due componenti principali:

A. Active Inference (Inferenza Attiva)

È un framework bayesiano ispirato alle neuroscienze cognitive che generalizza la Bayesian Adaptive Design (BAD) e l'ottimizzazione del design adattivo (ADO).

Obiettivo: Minimizzare l'Energia Libera Attesa (Expected Free Energy - EFE), indicata con $G(d)$ .
Formula: $G(d) \approx -[EIG(d) + U(d)]$ $G (d) \approx - [E I G (d) + U (d)]$
- EIG (Expected Information Gain): Rappresenta la motivazione epistemica (massimizzare la conoscenza, ridurre l'incertezza sui parametri latenti).
- U (Expected Utility): Rappresenta la motivazione pragmatica (massimizzare risultati specifici o evitare costi).
Vantaggio: A differenza delle strategie "greedy" (miope) o dei bandit algoritmici che richiedono politiche complesse per bilanciare esplorazione e sfruttamento, l'inferenza attiva bilancia naturalmente questi due aspetti all'interno di una singola funzione obiettivo, anche con ottimizzazione miope.
Inferenza Variational: Per gestire la complessità computazionale in tempo reale, il metodo utilizza l'inferenza variational (tramite la libreria Pyro) per approssimare le distribuzioni posteriori, rendendo i calcoli fattibili durante l'esperimento.

B. PsyNet

È una piattaforma software Python modulare per esperimenti comportamentali online su larga scala.

Funzionalità: Supporta il deployment automatizzato, il reclutamento (es. Prolific, MTurk), e la gestione di stimoli e risposte in qualsiasi dominio (testo, audio, video, Unity).
Integrazione: La sua architettura orientata agli oggetti permette di separare la logica del "Trial Maker" (chi assegna il compito) dal modulo di ottimizzazione bayesiana, facilitando il passaggio da disegni statici a adattivi con modifiche minime al codice.

3. Due Esperimenti di Riferimento

Gli autori dimostrano l'efficacia dell'approccio attraverso due esperimenti distinti ma implementati con lo stesso framework:

Esperimento 1: Test Adattivo (Obiettivo Epistemico Puro)
- Scopo: Stimare l'abilità dei partecipanti su un dominio (domande di cultura generale) con il minor numero di prove possibile.
- Meccanismo: Si massimizza solo l'EIG (l'utile $U$ è nullo). Il sistema seleziona la domanda che riduce maggiormente l'entropia (incertezza) sulla stima dell'abilità del partecipante e della difficoltà dell'item.
- Criterio di arresto: Si smette di somministrare domande quando il guadagno informativo atteso scende sotto una soglia $\epsilon$ .
Esperimento 2: Assegnazione Adattiva dei Trattamenti (Obiettivo Pragmatico)
- Scopo: Identificare quali domande (trattamenti) discriminano meglio tra partecipanti con e senza istruzione universitaria.
- Meccanismo: Si minimizza l'EFE combinando EIG e Utilità. L'utilità è definita da una distribuzione a priori sulle preferenze ( $p^*(y)$ ), premiando le risposte che corrispondono allo status educativo del partecipante.
- Risultato atteso: Il sistema impara a somministrare più frequentemente le domande che massimizzano la differenza tra i gruppi, bilanciando l'esplorazione (per capire la difficoltà) e lo sfruttamento (per trovare il miglior discriminatore).

4. Risultati Chiave

Gli esperimenti sono stati condotti su 200 partecipanti reali e validati tramite simulazioni su un dataset "oracle" (dati completi).

Riduzione del carico sperimentale (Esperimento 1): L'approccio adattivo ha ridotto il numero medio di prove necessarie del 30-40% rispetto a un design statico (circa 9.6 prove invece di 15), mantenendo un'accuratezza di stima dell'abilità quasi identica ( $R^2 = 0.96$ rispetto all'oracle).
Miglioramento dell'accuratezza (Esperimento 2): L'approccio basato sull'inferenza attiva ha identificato il trattamento ottimale (la domanda più discriminante) fino a 3 volte più frequentemente rispetto a un design fisso o ad altre strategie adattive standard.
Bilanciamento Esplorazione/Sfruttamento: Le simulazioni mostrano che l'approccio inizia con una forte componente esplorativa (EIG dominante) e passa gradualmente allo sfruttamento (Utilità dominante) man mano che le informazioni sui trattamenti si accumulano.
Confronto con Bandit: L'inferenza attiva ha superato o competuto con algoritmi di bandit popolari come il Thompson Sampling, specialmente quando l'informazione guadagnata dipende dal contesto (es. livello di istruzione del partecipante), grazie alla capacità di incorporare queste informazioni nel calcolo dell'EIG.

5. Contributi e Significatività

Unificazione Teorica: Il lavoro dimostra che scenari apparentemente diversi (test psicometrici, assegnazione di trattamenti, apprendimento attivo) possono essere risolti con un unico formalismo matematico (Energia Libera Attesa), superando la frammentazione attuale nella letteratura scientifica.
Accessibilità Pratica: Fornisce un'implementazione completa e open-source (su GitHub) che integra modelli bayesiani complessi in un'infrastruttura sperimentale online, rendendo queste tecniche accessibili ai ricercatori delle scienze comportamentali senza bisogno di competenze di programmazione avanzata.
Scalabilità e Flessibilità: Dimostra che è possibile eseguire inferenze bayesiane in tempo reale su server cloud per migliaia di partecipanti, gestendo modalità di input eterogenee.
Validazione in Tempo Reale: Introduce tecniche per la valutazione in tempo reale della calibrazione del modello (diagrammi di affidabilità), permettendo di rilevare errori di specificazione del modello durante la raccolta dati.

In sintesi, il paper propone un "toolkit" minimale ma potente che combina la teoria dell'inferenza attiva con un'infrastruttura software robusta (PsyNet), offrendo una soluzione scalabile ed efficiente per la progettazione di esperimenti adattivi in tempo reale nelle scienze umane e comportamentali.