📊 statistics

Active Inference with People: a general approach to real-time adaptive experiments

Dit paper introduceert een praktische, verenigde aanpak voor real-time adaptieve experimenten die actieve inferentie combineert met het PsyNet-platform om diverse scenario's, zoals adaptief testen en behandeltoewijzing, efficiënter en nauwkeuriger te maken dan traditionele methoden.

Oorspronkelijke auteurs: Lucas Gautheron, Nori Jacoby, Peter Harrison

Gepubliceerd 2026-04-01

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Lucas Gautheron, Nori Jacoby, Peter Harrison

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Hoe een slimme computer je test: Een verhaal over "Actieve Inferentie" en PsyNet

Stel je voor dat je een leraar bent die een klas van 200 leerlingen moet testen. In de oude, saaie manier van lesgeven (wat wetenschappers een "vaste opzet" noemen), krijgt elke leerling exact hetzelfde werk: 15 vragen over de geschiedenis van de VS. Sommige vragen zijn zo makkelijk dat ze ze al kennen, andere zijn zo moeilijk dat ze er direct van in paniek raken. Het resultaat? Veel tijd verspild aan vragen die niets leren, en leerlingen die zich vervelen of gefrustreerd raken.

De auteurs van dit paper, Lucas, Nori en Peter, hebben een slimme oplossing bedacht. Ze hebben een manier ontwikkeld om experimenten live aan te passen, alsof een tutor direct naast je zit en precies weet welke vraag je als volgende nodig hebt.

Hier is hoe het werkt, vertaald in alledaags taal:

1. De Twee Slimme Methoden: De "Nieuwsgierige" en de "Strategische"

Het paper introduceert een wiskundig raamwerk genaamd Actieve Inferentie. Je kunt dit zien als een super-slimme motor die twee dingen tegelijk doet:

De Nieuwsgierige (Epistemic): Deze wil zoveel mogelijk leren. Stel je voor dat je een kaart van een onbekend eiland tekent. Je wilt eerst naar plekken gaan waar je nog niets van weet, zodat je de kaart zo snel mogelijk volmaakt. In een experiment betekent dit: "Geef de deelnemer de vraag waar we het minst zeker van zijn, zodat we het meeste leren over hun kennis."
De Strategische (Pragmatic): Deze wil een specifiek doel bereiken. Stel je voor dat je een arts bent die een medicijn zoekt. Je wilt niet alle medicijnen even vaak testen; je wilt snel het beste medicijn vinden en dat aan de meeste patiënten geven. Hier is het doel: "Geef de deelnemer de behandeling die het meest kans van slagen heeft, gebaseerd op wat we tot nu toe hebben gezien."

Actieve Inferentie is de meester-sleutel die beide methoden combineert. Het is alsof je een robot hebt die zowel nieuwsgierig is (om te leren) als strategisch (om een doel te bereiken), en die constant de balans tussen deze twee zoekt.

2. De Motor: PsyNet

Hoe bouw je zo'n robot? Je hebt een platform nodig dat snel genoeg is om in real-time te rekenen en te beslissen. Dat is PsyNet.

De Analogie: Denk aan PsyNet als een LEGO-bouwset voor online experimenten. Waar andere systemen vaak vastzitten in één type bouw (bijvoorbeeld alleen tekstvragen), kun je met PsyNet elke vorm van bouwsteen gebruiken: audio, video, games, of tekst.
Het is zo modulair dat je de "motor" (de wiskunde) kunt vervangen zonder de hele auto (het experiment) opnieuw te hoeven bouwen. Je kunt van een simpele test naar een complexe interactieve game springen met slechts een paar regels code.

3. De Twee Proeven in het Paper

De auteurs hebben hun theorie getest met twee concrete voorbeelden, beide met 200 mensen:

Proef 1: De Slimme Quiz (Adaptive Testing)

Het doel: Zo snel mogelijk weten hoe slim iemand is, zonder ze te vermoeien.
Hoe het werkt: De computer begint met een gemiddelde vraag. Als iemand het goed heeft, krijgt hij een moeilijkere vraag. Is het fout? Dan een makkelijke. De computer berekent continu: "Welke vraag geeft ons het meeste nieuwe informatie?"
Het resultaat: In plaats van 15 vragen te geven, deden de deelnemers er gemiddeld maar 9 of 10. Dat is een besparing van 30-40%! En toch wisten ze precies even goed hoe slim de deelnemers waren. Het is alsof je een boek in 10 minuten samenvat in plaats van het hele boek te lezen, maar de samenvatting is net zo goed.

Proef 2: De Slimme Toewijzing (Adaptive Treatment)

Het doel: Vinden welke vragen het beste onderscheid maken tussen mensen met een universitaire opleiding en mensen zonder.
Hoe het werkt: In een normaal experiment zou je elke vraag aan iedereen geven. Maar hier probeert de computer snel te ontdekken welke vragen "de sleutel" zijn. Als een vraag blijkt te werken om het verschil te tonen, krijgt die vraag vaker. Als een vraag niet werkt, wordt hij genegeerd.
Het resultaat: De Actieve Inferentie-methode vond het beste "behandeling" (de beste vraag) drie keer zo vaak als de traditionele methode. Het was alsof een detective die snel de juiste aanwijzingen selecteert, in plaats van elke aanwijzing in het dossier te lezen.

4. Waarom is dit belangrijk?

Vroeger waren deze technieken versnipperd. Psychologen die testen maakten gebruik van andere software dan artsen die medicijnen testten, en computerwetenschappers die AI trainden gebruikten weer andere methoden. Ze praten niet met elkaar, terwijl ze eigenlijk hetzelfde doen: data verzamelen en het experiment live aanpassen.

Dit paper zegt: "Laten we stoppen met het uitvinden van het wiel voor elke situatie."

Ze bieden één universele taal (Actieve Inferentie) om dit te beschrijven.
Ze bieden één universele bouwset (PsyNet) om het te bouwen.

Conclusie

Dit onderzoek is als het ontwikkelen van een GPS voor wetenschappers. In plaats van blindelings een vaste route te rijden (vaste experimenten), laat de GPS je zien waar de weg goed is en waar je een afslag moet nemen om sneller op je bestemming te komen.

Met deze methode kunnen we:

Minder tijd van deelnemers vragen (moeilijke vragen worden weggelaten).
Betere resultaten krijgen (we vinden sneller wat werkt).
Alles in één systeem doen, of het nu gaat om muziek, taal, of medische behandelingen.

Het is een stap naar een toekomst waar wetenschappelijk onderzoek niet alleen slimmer is, maar ook respectvoller voor de tijd en energie van de mensen die eraan deelnemen.

Probleemstelling

Adaptieve experimenten optimaliseren hun ontwerp iteratief tijdens het dataverzamelingproces, wat aanzienlijke voordelen biedt ten opzichte van traditionele, statische experimenten (zoals het selecteren van de meest informatieve taken voor vaardigheidsmeting of het toewijzen van de beste behandelingen). Hoewel conceptuele overeenkomsten bestaan tussen verschillende toepassingsgebieden—zoals Computerized Adaptive Testing (CAT), adaptieve behandelingstoewijzing en actief leren—worden deze vaak als gescheiden problemen behandeld met eigen frameworks, algoritmen en software. Dit leidt tot duplicatie van inspanningen en belemmert de uitwisseling van inzichten.

Daarnaast vormt de implementatie van deze technieken in real-time een aanzienlijke technische uitdaging. Het vereist snelle Bayesianse inferentie en een platform dat dynamisch kan schakelen tussen stimuli en responsen, ongeacht de modus (tekst, audio, video). Er is behoefte aan een unificerende aanpak die zowel de wiskundige principes als de praktische implementatie dekt.

Methodologie

De auteurs introduceren een unificerende aanpak die twee kerncomponenten combineert: Active Inference (een Bayesianse raamwerk) en PsyNet (een softwareplatform voor online experimenten).

1. Theoretisch Kader: Active Inference

In plaats van te kiezen tussen puur epistemische doelen (kennis vergaren) of pragmatische doelen (specifieke uitkomsten maximaliseren), gebruikt de auteurs het concept van Active Inference.

Verwachte Vrije Energie (Expected Free Energy - G): Het doel is om een ontwerp $d$ $d$ te kiezen dat de verwachte vrije energie minimaliseert. Deze grootheid combineert twee termen:
1. Verwachte Informatiewinst (EIG): Een epistemische component die de onzekerheid over parameters (zoals de vaardigheid van een deelnemer) reduceert.
2. Verwachte Nuttigheid (Expected Utility - U): Een pragmatische component die voorkeuren voor specifieke uitkomsten encodeert (bijv. het vermijden van te moeilijke taken of het maximaliseren van succes).
Voordeel: Active Inference balanceert automatisch tussen exploratie (kennis vergaren) en exploitatie (de beste bekende optie kiezen), zelfs bij myopische (stap-voor-stap) optimalisatie. Dit is een verbetering ten opzichte van traditionele methoden die vaak complexe toekomstige planning vereisen of specifieke heuristieken nodig hebben.
Inferentie: Om de posterior-verdelingen in real-time te berekenen, maken de auteurs gebruik van Variational Inference (via de Python-bibliotheek Pyro). Dit is computatie-efficiënter dan traditionele MCMC-methoden en maakt real-time beslissingen mogelijk.

2. Implementatie: PsyNet

Voor de praktische uitvoering gebruiken de auteurs PsyNet, een modulaire Python-framework voor grote online experimenten.

Architectuur: PsyNet ondersteunt dynamische experimenten waarbij de volgende stimulus wordt bepaald op basis van eerdere antwoorden. Het is ontworpen om te werken met diverse data-modi (tekst, audio, video, Unity-games).
Integratie: De Bayesianse optimalisatielogica is gekoppeld aan een TrialMaker-klasse in PsyNet. Deze klasse vraagt een optimizer-class om de optimale node (stimulus) te selecteren op basis van de huidige posterior-verdeling.
Schaalbaarheid: Het platform kan duizenden deelnemers tegelijkertijd verwerken en communiceert naadloos met wervingsplatforms zoals Prolific en MTurk.

3. Experimentele Opzet

De auteurs illustreren hun aanpak met twee experimenten:

Experiment 1 (Adaptief Testen): Het schatten van de kennis van deelnemers over een onderwerp (trivia) door vragen te selecteren die de maximale informatiewinst bieden. Hier wordt alleen de EIG-term gebruikt (G ≃ -EIG).
Experiment 2 (Adaptieve Behandelingstoewijzing): Het vinden van vragen die het beste onderscheid maken tussen deelnemers met en zonder universitaire opleiding. Hier wordt de volledige G-functie gebruikt, waarbij een pragmatische voorkeur (U) wordt geïntegreerd om specifieke uitkomsten te maximaliseren.

Kernbijdragen

Unificatie van Velden: Het artikel biedt een algemeen wiskundig raamwerk dat diverse adaptieve scenario's (testen, behandelingstoewijzing, actief leren) onder één paraplu brengt, ongeacht de stimulusmodus.
Praktische Implementatie: Het biedt een volledig werkende, open-source implementatie (via PsyNet en Pyro) die onderzoekers in staat stelt complexe adaptieve experimenten in real-time uit te voeren zonder diepgaande expertise in low-level software-ontwikkeling.
Efficiënte Optimalisatie: Het demonstreert dat Active Inference een elegante oplossing biedt voor het afwegen van exploratie en exploitatie zonder complexe toekomstige planning, dankzij de intrinsieke structuur van de Verwachte Vrije Energie.
Real-time Modelvalidatie: Het introduceert methoden om modelmisspecificaties in real-time te detecteren (bijv. via betrouwbaarheidsdiagrammen) tijdens het experiment.

Resultaten

De auteurs hebben de methoden getest met 200 menselijke deelnemers en uitgebreide simulaties:

Experiment 1 (Adaptief Testen):
- De adaptieve strategie reduceerde het aantal benodigde trials met 30–40% ten opzichte van een statisch ontwerp.
- De nauwkeurigheid van de geschatte vaardigheid ( $\theta$ ) bleef behouden: de correlatie met de "oracle"-schattingswaarde (gebaseerd op alle data) was zeer hoog ( $R^2 = 0.96$ ).
- De adaptieve setup behield 96% van de informatie-inwinning met 37% minder uitdagingen.
Experiment 2 (Adaptieve Behandelingstoewijzing):
- De Active Inference-aanpak identificeerde de optimale behandeling (de vraag die het beste onderscheid maakt) tot 3 keer nauwkeuriger dan een traditioneel vast ontwerp (evenredige toewijzing).
- De methode slaagde erin om dynamisch de balans te vinden tussen het testen van nieuwe vragen (exploratie) en het focussen op de beste vragen (exploitatie).
- Vergelijkingen met geavanceerde bandit-algoritmen (zoals Thompson Sampling) toonden aan dat Active Inference superieur kan zijn wanneer contextuele informatie (zoals opleidingsniveau) de informatiewinst beïnvloedt.

Betekenis en Impact

Dit werk is significant omdat het de kloof overbrugt tussen theoretische Bayesianse optimalisatie en praktische toepassing in de gedragswetenschappen.

Efficiëntie: Het maakt experimenten goedkoper en sneller door het aantal trials te verminderen en de kans op uitval van deelnemers te verkleinen.
Flexibiliteit: Door de modulaire aard van PsyNet kunnen onderzoekers eenvoudig overstappen tussen verschillende taken (bijv. van tekst naar audio) of optimalisatiestrategieën zonder de code volledig te herschrijven.
Toekomstperspectief: Het artikel schetst een pad naar "Deep Adaptive Design" en online learning, waarbij modellen continu worden bijgewerkt met nieuwe data. Het biedt een solide basis voor de volgende generatie adaptieve experimenten die zowel wetenschappelijk robuust als technisch haalbaar zijn in real-time omgevingen.

Kortom, de auteurs tonen aan dat Active Inference, gecombineerd met een modern software-platform zoals PsyNet, een krachtig, unificerend en schaalbaar raamwerk biedt voor de toekomst van adaptief onderzoek.