Different representation learning objectives recover distinct latent structures from the same psychometric data

Negli angoli silenziosi di un'aula, l'esperienza quotidiana di un insegnante e il comportamento di un bambino sono profondamente intrecciati. Sappiamo che il senso di benessere di un insegnante, la sua fiducia nelle proprie capacità e il clima emotivo che crea possono plasmare il modo in cui i bambini agiscono e apprendono. Per decenni, gli scienziati hanno studiato questa connessione chiedendo a insegnanti e bambini di compilare lunghi elenchi di domande sui propri sentimenti e azioni. Tradizionalmente, i ricercatori hanno preso queste centinaia di risposte individuali, le hanno sommate in alcuni punteggi riassuntivi e hanno poi cercato schemi tra quei punteggi. Questo metodo funziona, ma presuppone che la storia più importante sia nascosta nelle medie. Tratta la realtà dettagliata e disordinata di una singola domanda sullo stato d'animo di un bambino o sullo stress di un insegnante come meno importante del numero finale che essa contribuisce a creare.

Recentemente, è emerso un nuovo approccio nello studio del comportamento umano, uno che utilizza potenti sistemi informatici per esaminare direttamente le risposte individuali grezze. Questi sistemi, spesso chiamati apprendimento di rappresentazione (representation learning), cercano di trovare schemi nascosti in dati ad alta dimensionalità senza che venga loro detto cosa cercare in anticipo. Possono prendere migliaelli di dettagli specifici e comprimerli in una mappa più semplice dove le cose simili si trovano vicine tra loro. Una domanda naturale sorge per gli scienziati che utilizzano questi strumenti: se si forniscono lo stesso set di risposte ai questionari a diversi sistemi informatici, essi troveranno tutti la stessa mappa nascosta? O il compito specifico del computer cambia la mappa che disegna? Questa domanda è importante perché, se l'obiettivo del computer cambia la mappa, allora la "verità" che troviamo nei dati potrebbe dipendere più dallo strumento che usiamo che dalle persone che stiamo studiando.

Un team di ricercatori si è posto l'obiettivo di rispondere a questa domanda utilizzando i dati di un grande studio prescolare a Cipro. Avevano accesso a 757 coppie accoppiate di insegnanti e bambini, dove ogni insegnante aveva compilato 139 domande sul proprio benessere e sul proprio lavoro, e ogni bambino era stato valutato su 82 domande sul proprio comportamento. I ricercatori volevano vedere se potevano usare questi questionari collegati per costruire una mappa condivisa dove un insegnante e il suo specifico bambino apparissero vicini tra loro. Allo stesso tempo, volevano vedere se questa mappa avrebbe anche raggruppato naturalmente i bambini con profili comportamentali simili, come quelli altamente adattabili rispetto a quelli in difficoltà.

Per iniziare, i ricercatori hanno prima stabilito quale aspetto avesse una "mappa comportamentale" utilizzando un metodo standard e ben compreso. Hanno preso le 82 domande comportamentali dei bambini e hanno utilizzato una tecnica chiamata analisi delle componenti principali per trovare i modelli principali. Questo processo ha rivelato quattro gruppi distinti di bambini. Un gruppo mostrava alti livelli di funzionamento adattivo, il che significa che gestivano bene le situazioni sociali. Un altro gruppo era moderatamente adattabile, un terzo mostrava una certa vulnerabilità e un quarto affrontava elevati rischi comportamentali. Questi gruppi erano chiari e distinti; i bambini nel gruppo ad alto rischio ottenevano punteggi molto diversi sulle loro scale comportamentali rispetto al gruppo ad alto funzionamento. Ciò ha confermato che i dati contenevano una struttura forte e naturale riguardo a come si comportavano i bambini.

Successivamente, i ricercatori hanno cercato di costruire una mappa che collegasse gli insegnanti ai loro specifici bambini. Hanno utilizzato un moderno metodo di apprendimento informatico chiamato apprendimento contrastivo (contrastive learning). Immaginate un sistema a cui viene detto: "Ecco un insegnante ed ecco il suo bambino; fai in modo che le loro impronte digitali siano molto simili. Ecco un insegnante e un bambino che non si conoscono; fai in modo che le loro impronte digitali siano molto diverse". Il computer ha imparato ad aggiustare la sua mappa interna per raggiungere questo obiettivo. I risultati sono stati sorprendenti. Quando i ricercatori hanno chiesto al computer di trovare il bambino giusto per un dato insegnante, ha avuto successo molto meglio del metodo standard. Con il metodo standard, il computer riusciva a indovinare il bambino corretto solo lo 0,13% delle volte. Con il nuovo metodo di apprendimento contrastivo, ha trovato il bambino giusto al primo colpo nel 7,27% dei casi, e tra i primi dieci tentativi nel 56,14% dei casi. Ciò ha dimostrato che il computer poteva apprendere con successo la connessione unica tra un insegnante specifico e il suo specifico studente.

Tuttavia, un problema sorprendente è emerso quando i ricercatori hanno osservato i gruppi comportamentali dei bambini all'interno di questa nuova mappa. Mentre il computer era eccellente nel far corrispondere gli insegnanti ai bambini, era terribile nel raggruppare i bambini in base al loro comportamento. I quattro chiari gruppi comportamentali trovati in precedenza erano quasi scomparsi. I bambini altamente adattabili erano sparsi in tutta la mappa, mescolati con quelli ad alto rischio. Il computer aveva imparato a vedere la connessione insegnante-bito così bene che aveva essenzialmente cancellato le differenze tra i tipi comportamentali dei bambini. La mappa era ottimizzata per le relazioni, non per la personalità.

Per testare se si trattasse di un compromesso fondamentale, i ricercatori hanno provato un terzo approccio. Hanno costruito un sistema che aveva due compiti contemporaneamente: doveva far corrispondere gli insegnanti ai bambini e doveva anche prevedere il gruppo comportamentale del bambino. Speravano che questo avrebbe costretto il computer a mantenere entrambi i tipi di informazioni. Il risultato è stato un compromesso. Il sistema è diventato molto più bravo a mantenere insieme i gruppi comportamentali, rendendo i gruppi distinti e chiari. Ma questo miglioramento ha avuto un costo. La capacità del sistema di far corrispondere gli insegnanti ai loro specifici bambini è diminuita drasticamente, tornando a livelli simili a quelli del metodo standard.

Lo studio conclude che non esiste una singola, perfetta mappa di questi dati. La struttura nascosta che un computer trova dipende interamente da ciò che gli viene ordinato di cercare. Se l'obiettivo è trovare il legame tra un insegnante e un bambino, il computer trova una mappa piena di quelle connessioni ma perde i gruppi comportamentali. Se l'obiettivo è trovare i gruppi comportamentali, il computer trova quelli ma perde i legami specifici insegnante-bambino. I ricercatori suggeriscono che la corrispondenza insegnante-bambino e i fenotipi comportamentali sono due diversi tipi di organizzazione esistenti all'interno degli stessi dati. Nessuno dei due è più "reale" dell'altro, ma un singolo modello informatico non può catturarli entrambi ugualmente bene. Questa scoperta serve da promemoria: quando usiamo strumenti avanzati per studiare il comportamento umano, le risposte che otteniamo sono modellate dalle domande che poniamo alla macchina. I dati non stanno semplicemente lì in attesa di essere letti; essi rivelano verità diverse a seconda della lente che usiamo per guardarli.