Human decision-makers terminate evidence accumulation using flexible decision rules

Lo studio dimostra che i decisori umani adattano le regole di accumulo delle prove in modo flessibile e razionalmente limitato alle condizioni del compito per massimizzare il tasso di ricompensa, bilanciando velocità e accuratezza.

L'essenziale

Immagina di essere in una stanza con due porte, una a sinistra e una a destra. Davanti a te c'è un piccione che cammina avanti e indietro su una linea immaginaria. A volte il piccione tende a muoversi verso la porta sinistra, a volte verso quella destra, ma il suo cammino è un po' incerto, come se fosse un po' ubriaco o distratto.

Il tuo compito è semplice: devi decidere quando premere un tasto per dire "Ok, il piccione andrà a sinistra!" oppure "Andrà a destra!".

Ecco il gioco delle parti:

• Se premi troppo presto, potresti sbagliare perché il piccione non ha ancora mostrato chiaramente la sua direzione (rischio di errore).
• Se aspetti troppo, il piccione potrebbe aver già percorso molti passi, e questo ti costa "punti" o tempo.

Questo esperimento, chiamato "Il compito del piccione", è stato usato dai ricercatori per capire come il nostro cervello decide quando fermarsi a pensare e agire.

Il problema: Quando smettere di raccogliere prove?

Nella vita di tutti i giorni, prendiamo decisioni basate su prove che accumuliamo nel tempo.

• Esempio: Stai guardando il cielo per decidere se portare l'ombrello. Se vedi una nuvola nera, accumuli una prova. Se ne vedi un'altra, ne accumuli un'altra. Ma quando smetti di guardare le nuvole e ti metti l'ombrello?

I vecchi modelli scientifici pensavano che il nostro cervello avesse un freno fisso. Come se avessimo una regola rigida: "Aspetto finché non ho visto 10 nuvole nere, poi agisco". Questo freno (chiamato "confine" o bound) sarebbe lo stesso ogni volta, indipendentemente da quanto è difficile la situazione.

Cosa hanno scoperto gli scienziati?

Gli autori di questo studio hanno scoperto che il nostro cervello è molto più flessibile di quanto pensassimo. Non usiamo un freno fisso, ma un freno intelligente che si adatta alla situazione.

Ecco le tre regole principali che il nostro cervello sembra seguire, spiegate con analogie:

1. Se l'errore costa caro, rallenta (e aspetta di più)

Immagina di giocare a un gioco d'azzardo.

• Scenario A: Se sbagli, perdi solo 1 moneta. In questo caso, il tuo cervello dice: "Non importa, corri! Prendi una decisione veloce, anche se potresti sbagliare". Il "freno" è basso.
• Scenario B: Se sbagli, perdi 100 monete. Ora il cervello dice: "Attenzione! Non correre. Aspetta di essere sicuro al 100% prima di agire". Il "freno" si alza.

Gli scienziati hanno visto che le persone cambiano il loro "punto di arresto" in base a quanto l'errore costa. Se l'errore è costoso, accumulano più prove prima di decidere.

2. Se la situazione cambia in modo prevedibile, adattati

Immagina di guidare un'auto.

• Scenario A: Sai che per i prossimi 10 minuti la strada sarà piena di nebbia (bassa visibilità). Il tuo cervello dice: "Ok, devo essere più cauto e aspettare di vedere meglio prima di sterzare".
• Scenario B: Sai che per i prossimi 10 minuti il sole splende (alta visibilità). Il cervello dice: "Posso reagire più velocemente".

Lo studio ha mostrato che quando le persone sanno che la qualità delle informazioni (la "nebbia" o il "sole") cambierà da un blocco di prove all'altro, si adattano perfettamente. Cambiano il loro "freno" in base alla situazione generale.

3. Se la situazione cambia all'improvviso, non sai cosa fare

Qui sta la parte più interessante.

• Scenario C: Immagina di guidare e che la nebbia appaia e sparisca all'improvviso, ogni pochi secondi, senza preavviso.
• Cosa fa il cervello? Si blocca. Non riesce a cambiare il "freno" velocemente a ogni singola nuvola che passa. Usa una strategia media: "Aspetterò un po' di più per sicurezza, ma non cambierò strategia ogni secondo".

Le persone non riescono ad adattare la loro decisione istante per istante se le informazioni cambiano in modo imprevedibile. Rimangono un po' "rigide" perché il cervello non ha il tempo di ricalcolare tutto.

4. Se la qualità cambia mentre stai decidendo, aggiusta il tiro

Immagina di stare guardando il piccione. All'inizio cammina in modo molto incerto (poca informazione). Poi, improvvisamente, inizia a camminare molto deciso verso una porta (molta informazione).

• Il cervello umano è abbastanza furbo da accorgersene: "Oh, ora le cose sono più chiare! Posso decidere più velocemente o posso aspettare un attimo in più per essere sicuro".
• Se invece il piccione diventa improvvisamente incerto mentre stavi aspettando, il cervello dice: "Ok, devo aspettare ancora di più".

La conclusione: Non siamo perfetti, ma siamo "abbastanza bravi"

Il messaggio principale di questo studio è che il nostro cervello non cerca la perfezione matematica (che sarebbe troppo costosa in termini di energia e tempo). Cerca invece la "soddisfazione" (satisficing).

Pensa a come compri un vestito:

• Non cerchi il vestito perfetto in assoluto (che richiederebbe di provare tutti i vestiti del mondo).
• Cerchi un vestito che sia "abbastanza buono" per il prezzo e il tempo che hai a disposizione.

Allo stesso modo, il nostro cervello regola il momento in cui smette di pensare per prendere una decisione. Se la situazione è chiara e stabile, usa regole flessibili. Se è caotica e imprevedibile, usa una regola media per non impazzire.

In sintesi: Il nostro cervello non è un computer che segue un programma rigido. È più come un capitano di una nave che regola la velocità e la rotta in base al meteo, al carico della nave e alla tempesta che si avvicina, cercando sempre il miglior compromesso tra "arrivare presto" e "non affondare".

Sommario tecnico

Titolo: I decisori umani terminano l'accumulo di prove utilizzando regole decisionali flessibili

1. Il Problema

La maggior parte dei modelli di decisione sequenziale, come il modello di diffusione-drift (DDM), assume che il processo decisionale termini quando l'evidenza accumulata raggiunge una soglia (o "bound") fissa e predefinita. Questo approccio bilancia il compromesso intrinseco tra velocità e accuratezza. Tuttavia, esistono due limitazioni fondamentali nella comprensione attuale:

1. Media su più prove: I modelli tradizionali richiedono l'analisi di molte prove per stimare i parametri, caratterizzando quindi regole decisionali mediate su un insieme di trial, ma offrendo pochi insight sulle regole che governano le decisioni individuali.
2. Staticità delle condizioni: I modelli esistenti spesso assumono che le quantità rilevanti per la decisione (come la qualità dell'evidenza) rimangano costanti durante il processo deliberativo. In contesti dinamici, dove la qualità dell'evidenza o i costi/benefici cambiano, le regole decisionali dovrebbero adattarsi dinamicamente per massimizzare il tasso di ricompensa, ma la natura esatta di questi adattamenti non è ben compresa.

L'obiettivo dello studio è determinare se e come gli esseri umani adattano le loro regole decisionali (specificamente l'altezza del bound) in risposta a cambiamenti prevedibili e imprevedibili nelle condizioni del compito, sia tra prove diverse che all'interno di una singola prova.

2. Metodologia

Gli autori hanno sviluppato un nuovo compito sperimentale chiamato "Pigeon Task" (Compito del Piccione) per misurare direttamente le regole decisionali su base trial-per-trial.

• Design del Compito:

  • Un "piccione" esegue un cammino casuale (random walk) partendo dal centro dello schermo verso una di due mucche di semi (sinistra o destra).
  • Il partecipante deve premere un tasto in qualsiasi momento per terminare il cammino e indicare quale mucca il piccione raggiungerà.
  • Variabile Decisionale Esplicita: A differenza dei compiti standard dove la variabile decisionale è interna e nascosta, qui la posizione del piccione è visibile, permettendo di osservare direttamente il valore della variabile decisionale al momento della scelta.
  • Feedback: I partecipanti ricevono feedback continuo su monete guadagnate (accuratezza) e passi consumati (velocità/costo).
  • Vincoli: Ogni blocco è limitato a un totale di 600 passi. Le decisioni rapide risparmiano passi (aumentando il potenziale guadagno), mentre l'attesa migliora l'accuratezza.

• Cohort e Manipolazioni:
  Sono stati reclutati tre gruppi di 60 partecipanti ciascuno, sottoposti a diverse varianti del compito per manipolare:

  1. Cohort 1: Variazioni nei costi/ricompense tra blocchi (es. penalità in monete vs. penalità in passi) e variazioni prevedibili del rapporto segnale-rumore (SNR) tra blocchi.
  2. Cohort 2: Variazioni imprevedibili dell'SNR tra prove all'interno dello stesso blocco (alto o basso SNR scelto casualmente per ogni prova).
  3. Cohort 3: Variazioni prevedibili dell'SNR all'interno di una singola prova (cambi di punto o "changepoint" da basso ad alto SNR e viceversa).

• Analisi dei Dati:

  • È stato calcolato il tempo decisionale (DT) sottraendo il tempo non decisionale (NDT, stimato come il ritardo motorio che massimizza la congruenza tra posizione del piccione e scelta) dal tempo di reazione totale.
  • Il "bound" è stato definito come la distanza assoluta del piccione dal centro al momento del DT.
  • Sono stati utilizzati modelli di simulazione per correggere i bias di stima del bound, specialmente per i tempi decisionali brevi.

3. Contributi Chiave

• Misurazione Diretta: Il primo studio a misurare direttamente le soglie decisionali (bound) su base di singolo trial in un contesto umano, superando la necessità di inferenze basate su medie aggregate.
• Distinzione tra Prevedibilità: Dimostrazione empirica che la flessibilità delle regole decisionali dipende criticamente dalla prevedibilità delle variazioni dell'evidenza (tra blocchi, tra prove o dentro la prova).
• Soddisfacimento vs. Ottimizzazione: Evidenza che gli esseri umani adottano strategie di "soddisfacimento" (satisficing) piuttosto che di massimizzazione rigorosa della ricompensa, adattandosi alle regioni "buone abbastanza" della funzione di tasso di ricompensa.

4. Risultati Principali

• Regole di Base: In condizioni statiche, i partecipanti utilizzano bound relativamente costanti con una leggera tendenza al collasso nel tempo, coerenti con i modelli DDM standard, ma con una variabilità significativa tra individui.
• Adattamento ai Risultati (Cohort 1):
  • I partecipanti hanno aumentato sistematicamente i loro bound quando le penalità per gli errori sono aumentate (da +1/0 a +1/-4 monete), spostandosi verso strategie più accurate.
  • Non hanno mostrato aggiustamenti sistematici quando la penalità è cambiata in passi (-30 passi per errore), poiché la funzione di tasso di ricompensa era piatta in quella regione.
  • Questo indica una sensibilità al tasso di ricompensa, ma con una tendenza a "soddisfare" piuttosto che ottimizzare perfettamente.
• Adattamento all'SNR Prevedibile (Cohort 1 & 2):
  • Tra blocchi (Prevedibile): Quando l'SNR cambiava tra blocchi, i partecipanti hanno adattato i bound (bound più alti per SNR basso, più bassi per SNR alto) per massimizzare il tasso di ricompensa.
  • Tra prove (Imprevedibile): Quando l'SNR cambiava casualmente tra prove, i partecipanti non hanno adattato i bound per ogni prova specifica. Hanno usato un bound medio simile per entrambi i livelli di SNR, preferendo mantenere la velocità sulle prove facili piuttosto che proteggere l'accuratezza su quelle difficili.
• Adattamento all'interno della Prova (Cohort 3):
  • Quando l'SNR cambiava in modo prevedibile durante una singola prova (changepoint), i partecipanti hanno mostrato aggiustamenti sistematici del bound dopo il punto di cambiamento.
  • Se l'SNR aumentava (basso $\to$ alto), il bound tendeva ad aumentare (per accumulare più prove forti).
  • Se l'SNR diminuiva (alto $\to$ basso), il bound tendeva a diminuire (per evitare di sprecare tempo su prove deboli).
  • Questi aggiustamenti erano correlati positivamente con la pendenza del tasso di ricompensa teorico, confermando che i partecipanti adattano le regole in tempo reale quando il cambiamento è prevedibile.

5. Significato e Implicazioni

• Flessibilità Cognitiva: I risultati sfatano l'idea che le soglie decisionali siano valori fissi applicati uniformemente. Le regole decisionali sono variabili di controllo flessibili che dipendono dalla struttura temporale e dalla prevedibilità dell'evidenza.
• Limiti dell'Adattamento: L'adattamento umano è guidato da una combinazione di quasi-ottimalità e prevedibilità. Gli esseri umani non adattano le regole per cambiamenti imprevedibili (rumore trial-to-trial) perché il costo computazionale o la mancanza di informazioni rendono l'aggiustamento poco vantaggioso o impossibile.
• Implicazioni Neurali: Questi risultati suggeriscono che i correlati neurali delle soglie decisionali (osservati in aree come LIP, FEF e corteccia premotoria) non sono fissi ma dinamici. Il cervello deve implementare meccanismi che permettano di modulare queste soglie in base agli obiettivi e alla prevedibilità dell'ambiente.
• Teoria della Decisione: Lo studio supporta l'idea di un'implementazione "razionalmente limitata" (bounded rationality) dei principi normativi, dove gli agenti cercano soluzioni "soddisfacenti" piuttosto che massimizzare rigorosamente la ricompensa, specialmente quando la funzione di ricompensa è piatta vicino al massimo.

In sintesi, il lavoro dimostra che il cervello umano possiede una sofisticata capacità di adattare le regole di terminazione dell'accumulo di prove, ma questa flessibilità è vincolata dalla capacità di prevedere le variazioni nell'ambiente e dalla struttura dei costi e benefici associati.