The adaptive nature of confirmation bias

Sintesi Tecnica: La Natura Adattiva del Bias di Conferma

Problematica
Il bias di conferma, ovvero la tendenza a favorire informazioni coerenti con le credenze pregresse, è tradizionalmente visto come un errore inferenziale che preclude la razionalità, in particolare all'interno del quadro dell'inferenza bayesiana. Mentre la letteratura esistente attribuisce questo bias alla razionalità limitata, ai limiti della memoria di lavoro o alle strutture di ricompensa, tali spiegazioni spesso non riescono a rendere conto del potenziale status razionale del bias di conferma indipendentemente da specifici contesti di ricompensa. Inoltre, i modelli bayesiani standard faticano a spiegare perché tali bias possano offrire vantaggi evolutivi, come la riduzione dei requisiti di memoria o l'accelerazione della riduzione degli errori. Questo articolo affronta la domanda: il bias di conferma può essere formulato come una strategia ottimale per la ricerca di informazioni e il test di ipotesi?

Metodologia
Gli autori riformulano il problema del test di ipotesi binaria e della selezione dell'evidenza all'interno del quadro matematico della probabilità quantistica, utilizzando specificamente lo spazio delle radici quadrate delle probabilità (uno spazio di Hilbert).

• Rappresentazione: A differenza della probabilità classica dove le osservazioni sono modellate come variabili casuali su uno spazio di probabilità, qui le osservazioni sono rappresentate da matrici (operatori) che agiscono su uno spazio di Hilbert.
• Osservazioni Incompatibili: Il framework permette una famiglia di fonti di informazione (osservazioni) mutuamente inequivalenti che non ammettono una distribuzione di probabilità congiunta. Ciò si ottiene rappresentando diverse fonti di evidenza come matrici non commutanti.
• Aggiornamento Razionale: L'aggiornamento delle credenze è definito dal criterio dell'efficienza biologica, che equipara la sopravvivenza alla minimizzazione del consumo energetico (e quindi del costo di elaborazione delle informazioni). Un aggiornamento razionale è definito come la trasformazione di una credenza a priori in una credenza a posteriori che minimizza la "distanza" (specificamente la distanza di Bhattacharyya o la separazione angolare nello spazio di Hilbert) tra la credenza a priori e quella a posteriori, pur rimanendo coerente con l'evidenza. Ciò conduce al postulato di proiezione di von Neumann-Lüders, che generalizza la regola di Bayes classica.
• Inferenza Attiva: Lo studio si estende all'inferenza attiva, dove un decisore seleziona attivamente la fonte di evidenza (parametrizzata da un angolo $\theta$) per ottimizzare un criterio specifico. Due criteri vengono confrontati:
  1. Minimizzare la probabilità attesa di errore nella selezione dell'ipotesi.
  2. Massimizzare l'informazione mutua attesa (guadagno di informazione).

Contributi Chiave e Risultati

1. Origine Razionale del Bias di Conferma:
   Minimizzando la probabilità attesa di errore in uno scenario di test di ipotesi binaria, gli autori derivano una strategia ottimale di selezione dell'evidenza. I risultati mostrano che la scelta ottimale dell'evidenza ($\theta^*$) non è neutrale ma si sposta verso l'ipotesi con la probabilità a priori più elevata. Man mano che la probabilità a priori $p$ si avvicina a 1, la scelta dell'evidenza ottimale converge al parametro associato a tale ipotesi. Questo dimostra matematicamente che un bias di conferma attivo è una conseguenza razionale della minimizzazione della probabilità di errore quando si opera con fonti di informazione non commutanti (incompatibili).

2. Riduzione Esponenziale della Probabilità di Errore:
   Nella raccolta sequenziale di evidenze, il documento stabilisce che un livello ottimale di bias di conferma porta a una riduzione esponenziale della probabilità di errore in funzione della dimensione del campione $n$.

   • Caso Classico/Non Viziato: Senza la capacità di selezionare l'evidenza in base alle probabilità a priori (o con fonti fisse e non viziate), la probabilità di errore decade lentamente.
   • Caso Ottimale/Con Bias di Conferma: Quando l'evidenza viene selezionata in modo ottimale (viziata verso la distribuzione a posteriori corrente), la probabilità di errore $P^{(n)}$ scala asintoticamente come $\exp(n \ln(\cos^2(\delta/2)))$, dove $\delta$ è la separazione tra le ipotesi. Questo rappresenta un'accelerazione significativa nell'apprendimento rispetto ai controparti classici.

3. Capacità di Memoria Minima:
   Una scoperta sorprendente è che la strategia sequenziale ottimale con bias di conferma riduce il requisito di memoria per l'inferenza.

   • In un processo sequenziale standard senza selezione attiva, la distribuzione a posteriori dipende dal conteggio totale dei risultati, richiedendo una memoria che cresce linearmente con $n$ (o esponenzialmente in termini di stati della storia $2^n$).
   • Sotto la strategia ottimale di bias di conferma, la probabilità a posteriori dopo $n$ passi dipende solo dall'esito dell'ultima prova. Il decisore "dimentica" efficacemente la storia specifica delle prove precedenti, necessitando solo della distribuzione a posteriori corrente e della nuova osservazione. Ciò riduce la complessità della memoria da esponenziale ($2^n$) a costante (richiedendo solo lo stato dell'evento più recente).

4. Equivalenza dei Criteri:
   Il documento dimostra che in questo framework dello spazio di Hilbert, la strategia che minimizza la probabilità attesa di errore è identica alla strategia che massimizza l'informazione mutua tra l'osservazione e l'ipotesi. Pertesi, il bias di conferma è razionale sia sotto i criteri di "minimizzazione dell'errore" che di "massimizzazione dell'informazione" (inferenza attiva), a condizione che l'inferenza sia condotta su osservazioni non commutanti.

5. Supremazia Quantistica nella Cognizione:
   Gli autori sostengono che la riduzione esponenziale della probabilità di errore costituisca una forma di "supremazia quantistica" nell'elaborazione cognitiva. Fondamentalmente, ciò non richiede risorse fisiche quantistiche (ad esempio, particelle quantistiche) ma piuttosto la proprietà comportamentale dell'incompatibilità — l'impossibilità di valutare simultaneamente due proposizioni con una distribuzione di probabilità congiunta. Ciò suggerisce che il cervello umano possa sfruttare i vantaggi matematici delle strutture di probabilità quantistica per un'inferenza efficiente.

Significato e Rivendicazioni
Il documento sostiene di fornire il primo framework operativo per l'"inferenza quantistica attiva", offrendo un protocollo in cui si cerca la selezione ottimale dell'evidenza sullo spazio delle matrici.

• Vantaggio Evolutivo: Le scoperte suggeriscono che il bias di conferma non è semplicemente un difetto cognitivo, ma un meccanismo adattivo che offre significativi vantaggi evolutivi: minimizza il costo metabolico della memoria (richiedendo solo la minima capacità) e massimizza la velocità di apprendimento (riducendo esponenzialmente i tassi di errore).
• Riformulazione della Razionalità: Il lavoro sfida la visione prevalente secondo cui il bias di conferma sia intrinsecamente irrazionale. Al contrario, pone che, in condizioni di fonti di informazione incompatibili, cercare prove che si allineino con le credenze pregresse è la strategia matematicamente ottimale per un sistema biologico che mira a minimizzare l'incertezza e il consumo di energia.
• Limiti e Ambito: Gli autori osservano che questa razionalità è valida sotto l'assunto che le fonti di informazione siano genuine (segnale più rumore) e non progettate per essere ingannevoli. In contesti sociali in cui le fonti possono essere manipolatorie, i benefici adattivi del bias di conferma potrebbero essere subiti. Il documento conclude che, sebbene il framework spieghi il meccanismo del razionale bias di conferma, non valida il bias in tutti i contesti sociali, in particolare dove sono presenti "fake news" o segnali ingannevoli.

In sintesi, il documento formula il bias di conferma come una strategia razionale e adattiva derivante dalla minimizzazione della probabilità di errore e del consumo energetico all'interno di un framework di probabilità quantistica, rivelando come tale bias conduca a un'efficienza di apprendimento esponenziale e a requisiti di memoria minimi.