Predicting continuous outcomes: Some new tests of associative approaches to contingency learning.

완벽한 스테이크를 굽는 법을 배우고 있다고 상상해 보세요. 오랫동안 학습을 연구하는 과학자들은 이 과정을 설명하기 위해 매우 단순한 "온/오프(on/off)" 스위치를 사용해 왔습니다. 기존의 모델에서는 스테이크에 소금을 치거나(단서), 치지 않거나, 그리고 스테이크가 "익었거나" 혹은 "익지 않았거나" 하는 식입니다. 이것은 마치 전등 스위치와 같습니다. 위로 올리거나 아래로 내릴 수 있을 뿐이죠.

이 "전등 스위치" 방식은 쥐가 레버를 눌러 먹이를 얻는 것과 같은 기초적인 학습을 이해하는 데는 매우 유용했습니다. 하지만 실제 삶은 흑백 논리처럼 명확하지 않습니다. 때로는 스테이크가 약간 덜 익기도 하고, 때로는 완벽하며, 때로는 까맣게 타버리기도 합니다. 기존의 모델들은 이러한 회색 지대를 처리할 수 없었습니다. 그들은 오직 평균적인 결과만을 추측할 수 있었습니다(예를 들어, "평균적으로 이 스테크는 미디엄 레어다"라고 말하는 것처럼). 하지만 그들은 구체적인 변동의 세부 사항은 기억하지 못했습니다. 그것들은 마치 일반적인 형태만 보여줄 뿐, 모든 미세한 디테일은 놓쳐버린 흐릿한 사진와 같았습니다.

이 논문에서 연구자들은 **"분산 모델(Distributed Model)"**이라 불리는 새로운 사고방식을 소개합니다.

기존의 모델을 모든 비를 받아내는 하나의 무거운 양동이라고 생각해 보세요. 비가 조금 오든 많이 오든, 양동이는 그저 젖을 뿐이며 얼마나 젖었는지는 알려주지 않습니다. 새로운 분산 모델은 여러 가지 색깔의 선이 그려진 우량계와 같습니다. 하나의 큰 양동이 대신, 여기에는 일련의 센서들이 있습니다. 비가 내리면 단순히 "비가 왔다"라고 말하는 것이 아니라, 각 특정 선에 물이 정확히 얼마나 닿았는지를 기록합니다.

연구에서 연구자들은 사람들이 크기나 심각성이 다양한 결과(예를 들어, 환자가 단순히 "아프다" 또는 "건강하다"가 아니라 얼마나 아플 수 있는지와 같은 경우)를 예측해야 하는 네 가지 실험을 통해, 이 새로운 "우량계" 접근법을 기존의 "양동이" 접근법과 비교 테스트했습니다.

결과는 명확했습니다:

• 기존의 "양동이" 모델은 사람들이 실제로 하는 행동을 맞추는 데 어려움을 겪었습니다.
• 새로운 "우량계" 모델(분산 모델)은 테스트된 거의 모든 사람의 데이터를 거의 완벽하게 설명해 냈습니다.

핵심 요약:
이 논문은 우리의 뇌가 기존의 "전등 스위치" 이론이 시사했던 것보다 더 똑똑하다고 주장합니다. 우리가 세상의 인과관계에 대해 학습할 때, 우리는 단순히 평균만을 암기하는 것이 아닙니다. 대신, 우리는 작은 차이와 큰 차이를 모두 기억하며 가능성의 전체 범위를 추적하는 정신적 체계를 갖추고 있는 듯합니다. 우리는 단순한 예/아니오 버전이 아니라, 현실 세계 사건들의 연속적이고 흐르는 듯한 본질을 인코딩합니다.