Crosswalk Task: A naturalistic reinforcement learning paradigm for characterizing real-world risky behavior
Gli autori introducono il Crosswalk Task, un paradigma di apprendimento per rinforzo naturalistico che utilizza l'apprendimento per rinforzo inverso per catturare in modo più efficace le differenze individuali nella preferenza al rischio nel mondo reale rispetto alle convenzionali misure comportamentali aggregate.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA di un preprint non sottoposto a revisione paritaria. Non è un consiglio medico. Non prendere decisioni sulla salute basandoti su questo contenuto. Leggi il disclaimer completo
Ogni giorno, le persone compiono scelte istantanee che bilanciano la sicurezza rispetto alla velocità. Un pedone che lancia un'occhiata a un'auto in arrivo prima di scendere dal marciapiede sta valutando un potenziale premio — arrivare dall'altra parte rapidamente — contro un rischio grave. Gli psicologi cercano da tempo di capire perché alcune persone intraprendano questi rischi mentre altre aspettano, ma i loro strumenti tradizionali spesso si rivelano inadeguati. In un laboratorio, i ricercatori potrebbero chiedere alle persone di compilare un questionario sulla loro propensione al rischio o far giocare loro a un gioco informatico semplificato con regole fisse. Questi metodi, tuttavia, spesso non riescono a catturare la realtà disordinata e mutevole del mondo reale, dove le decisioni dipendono da un ambiente in continuo mutamento e da conseguenze immediate. Per colmare questo divario tra il laboratorio e la vita, i ricercatori avevano bisogno di un modo per osservare come le persone si comportano realmente quando la posta in gioco sembra reale, senza i vincoli artificiali di un esperimento standard.
Un team di ricercatori della Seoul National University e del Georgia Institute of Technology ha sviluppato un nuovo modo per studiare questo comportamento, chiamato Crosswalk Task. Invece di chiedere alle persone cosa farebbero, hanno creato una simulazione digitale in cui i partecipanti guidano un personaggio attraverso una serie di strade trafficate. L'obiettivo è semplice: raggiungere la parte superiore della mappa il più velocemente possibile. Ma il percorso è pieno di auto in movimento e una collisione termina immediatamente la partita. Il compito costringe i giocatori a fare scelte costanti e dinamiche. Possono correre attraverso la strada, sperando che il varco nel traffico sia abbastanza ampio, oppure possono aspettare un passaggio pedonale designato dove le auto si fermano per loro. Usare il passaggio pedonale è più sicuro ma richiede più tempo, il che potrebbe significare esaurire il tempo prima di raggiungere il traguardo. Correre è più veloce ma comporta il pericolo di uno scontro. Osservando come le persone affrontano queste scelte ripetutamente, i ricercatori potevano vedere il loro vero stile di assunzione del rischio in azione.
Per dare un senso ai migliaia di movimenti e decisioni prese da 309 adulti che hanno giocato al gioco, i ricercatori hanno utilizzato un metodo sofisticato chiamato apprendimento per rinforzo inverso (inverse reinforcement learning). In un normale programma informatico, si dice alla macchina qual è il premio e essa impara come ottenerlo. In questo approccio, i ricercatori hanno fatto l'opposto: hanno osservato gli esseri umani giocare e hanno lavorato a ritroso per capire cosa stessero valorizzando. Hanno costruito un modello che inferiva il "premio" invisibile che ogni persona stava inseguendo. Questa persona valorizzava così tanto la velocità da essere disposta a ignorare il pericolo? Un'altra persona valorizzava la sicurezza così tanto da sprecare tempo ad aspettare un passaggio pedonale che non era strettamente necessario? Questo metodo ha permesso al team di scoprire le preferenze nascoste che guidavano il comportamento, piuttosto che limitarsi a contare il punteggio finale.
Lo studio ha scoperto che queste preferenze nascoste raccontavano una storia molto più chiara rispetto ai semplici punteggi del gioco. Quando i ricercatori guardavano i numeri grezzi — come quante volte un giocatore si scontrava o quanto fosse alto il suo punteggio totale — la connessione con la personalità generale di assunzione del rischio della persona era debole. Tuttavia, quando hanno usato il modello per inferire i premi specifici che ogni persona cercava, l'immagine è diventata nitida. Il modello ha rivelato che le persone che ottenevano punteggi alti nelle scale di autovalutazione del rischio erano effettivamente quelle che sceglievano costantemente di attraversare col rosso, anche quando era presente un passaggio pedonale sicuro. Più importante ancora, il modello ha mostrato che le differenze individuali nella propensione al rischio si riflettevano più fortemente nel comportamento di attraversamento stradale sotto penalità di collisione più elevate. Questa sfumatura, in cui il legame tra personalità e comportamento diventava più chiaro all'aumentare della posta in gioco, era un dettaglio che i semplici punteggi del gioco perdevano interamente.
I ricercatori hanno anche scoperto che combinare diversi tipi di dati dava i risultati migliori. Hanno testato se guardare solo i punteggi del gioco, solo i premi inferiti o un mix di entrambi fosse il modo migliore per predire la personalità di rischio di una persona. Il mix di entrambi, ovvero i dati comportamentali e i premi inferiti, funzionava meglio, offrendo un quadro più completo delle differenze individuali rispetto a qualsiasi singola misura potesse fornire. Ciò suggerisce che per comprendere veramente come le persone assumono rischi, dobbiamo guardare sia a ciò che fanno, sia ai valori invisibili che guidano quelle azioni. Il team ha reso il software per questo compito liberamente disponibile ad altri scienziati, permettendo loro di studiare il processo decisionale in un ambiente dinamico e naturalistico. Andando oltre i test statici e entrando in un mondo che cambia e reagisce, questo lavoro offre una nuova lente per vedere come navighiamo tra i rischi della vita quotidiana.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.