🧬 biology

Using Theory of Mind to Arbitrate between Social and Non-social Learning

Dit artikel stelt een model van Rationele Mentalisering voor en valideert dit, wat aantoont dat mensen Theory of Mind gebruiken om rationeel te bemiddelen tussen sociaal en niet-sociaal leren door de nuttigheid van het observeren van anderen versus directe exploratie in te schatten.

Oorspronkelijke auteurs: Lance Ying, Ryan Truong, Joshua B. Tenenbaum, Samuel J. Gershman

Gepubliceerd 2026-07-31

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Lance Ying, Ryan Truong, Joshua B. Tenenbaum, Samuel J. Gershman

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ⚕️ Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer

Stel je voor dat je op een kruispunt in een bruisende stad staat en probeert de beste taco-truck te vinden. Je hebt twee keuzes: je kunt zelf ronddwalen en elk steegje controleren tot je er een vindt (wat tijd en energie kost), of je kunt een vreemde volgen die door de straat loopt. Als je ziet dat ze naar een specifieke hoek lopen, besluit je hen misschien te volgen, in de veronderstelling dat zij een goede plek kennen. Maar hier komt de crux: wat als die vreemde eigenlijk op zoek is naar een pizzeria, en niet naar taco's? Als je hen blindelings volgt, eindig je hongerig en verward. Dit alledaagse dilemma — beslissen wanneer je van anderen leert en wanneer je dingen zelf uitzoekt — is een centraal vraagstuk binnen het vakgebied van de cognitieve wetenschap. Wetenschappers bestuderen hoe mensen en dieren informatie verzamelen, maar een cruciale vraag blijft: hoe weten we wanneer we moeten stoppen met kijken en moeten beginnen met handelen? Om dit te beantwoorden, vertrouwen onderzoekers op concepten zoals "Sociaal Leren" (leren van anderen) en "Theory of Mind" (het vermogen om te raden wat iemand anders denkt, zoals hun doelen of wat zij weten). Hoewel we weten dat we dit doen, is het uitzoeken van de exacte mentale berekening die we gebruiken om de balans te vinden tussen de kosten van het kijken en het voordeel van het leren, een lastige uitdaging geweest.

In dit artikel stellen onderzoekers van Harvard en MIT een nieuwe manier voor om dit besluitvormingsproces te begrijpen, die ze het "Rational Mentalizing" model noemen. Denk aan dit model als een superintelligente, interne rekenmachine die niet alleen kijkt naar wat mensen doen, maar ook probeert te begrijpen waarom ze het doen. De auteurs bouwden een computersimulatie van een spel waarbij een speler (jij) een rode karakter op een rasterkaart bestuurt. Het doel is om een schatkist te vinden, maar het pad wordt geblokkeerd door gekleurde barrières die alleen geopend kunnen worden door een bijpassend "amulet" te vinden dat wordt vastgehouden door een van de verschillende tovenaars. De twist is: je weet niet welke tovenaar het echte amulet heeft. Je kunt ofwel je eigen karakter bewegen om de tovenaars zelf te controleren (wat tijd en inspanning kost), of je kunt pauzeren en kijken naar een non-player character (NPC) die rond beweegt. Als je kijkt, zet de NPC één stap terwijl jij stilstaat, wat je een aanwijzing geeft over waar het amulet zich kan bevinden.

De onderzoekers draaiden vier verschillende versies van dit spel om te zien hoe mensen zich gedragen. In sommige versies was er slechts één NPC en één doel; in andere versies waren er meerdere NPC's met verschillende doelen, of een "novice" NPC die de kaart minder goed kende dan een "expert". Ze ontdekten dat mensen ongelooflijk slim zijn in deze afweging. We kopiëren niet zomaar iedereen, noch negeren we iedereen. In plaats daarvan voeren we onbewust een mentale simulatie uit: "Als ik deze persoon nog een paar stappen volg, zal ik dan genoeg leren om mezelf te behoeden voor blind ronddwalen?" Als het antwoord ja is, kijken we toe. Als het antwoord nee is (miss misschien de persoon naar een andere schatkist gaat dan die wij willen), stoppen we met kijken en gaan we zelf in beweging komen.

Om dit te bewijzen, vergeleken het team menselijke spelers met drie verschillende computermodellen. Het eerste model, de "Naive Observer", keek simpelweg blindelings naar iedereen. Het tweede model, de "Rational Observer", deed een kosten-batenanalyse maar probeerde niet de gedachten van de ander te begrijpen. Het derde model, de "Mentalizing Observer", probeerde de doelen van de ander te raden maar gaf niets om de kosten van het kijken. Geen van deze eenvoudige modellen kon het menselijk gedrag volledig verklaren. Echter, het "Rational Mentalizing" model, dat het raden van wat de ander wil combineert met het berekenen of het de moeite waard is om te kijken, kwam bijna perfect overeen met menselijk gedrag. Sterker nog, de voorspellingen van het model waren zo nauwkeurig dat ze bijna even dicht bij het menselijk gedrag lagen als twee verschillende mensen bij elkaar liggen.

De studie suggereert dat onze hersenen constant deze complexe berekeningen uitvoeren. We kopiëren niet alleen succesvolle mensen; we redeneren actief over hun verborgen doelen en overtuigingen om te beslissen of hun acties ons iets nuttigs zullen leren. Als we beseffen dat iemand op zoek is naar iets dat wij niet interessant vinden, of als ze net zo verward zijn als wij, stoppen we met kijken en gaan we onze eigen weg. De onderzoekers ontdekten dat wanneer mensen deze mentale berekeningen negeerden — ofwel door te veel te kijken zonder na te denken over de kosten, ofwel door te kijken zonder de doelen van de ander te begrijpen — ze slechtere beslissingen namen. Dit werk suggereert dat het geheim van onze sociale intelligentie niet alleen ligt in ons vermogen om gedachten te lezen, maar in ons vermogen om dat gedachtenlezen te gebruiken om onze eigen tijd en energie te besparen. Het blijkt dat een goede leerling zijn niet alleen in het opletten; het gaat erom precies te weten wanneer je weg moet kijken.

Technische Samenvatting: Het gebruik van Theory of Mind om te arbitreren tussen sociale en niet-sociale leerprocessen

Probleemstelling

Sociaal leren stelt agenten in staat om informatie van anderen te verwerven, maar mensen vertrouwen er niet onvoorwaardelijk op. Ze moeten beslissen wanneer ze observeren, wie ze observeren en hoe lang ze kijken, waarbij ze de potentiële informatiewinst afwegen tegen de cognitieve en tijdskosten van observatie versus onafhankelijke exploratie. Bestaande computationele modellen van sociaal leren vallen over het algemeen in twee categorieën:

Heuristische verklaringen: Deze vertrouwen op vaste regels (bijv. "kopieer de meerderheid" of "kopieer de prestigieuze") en behandelen geobserveerd gedrag als een signaal dat gewogen moet worden, waarbij de generatieve mentale toestanden (doelen en overtuigingen) die het gedrag voortbrachten, worden genegeerd.
Reinforcement Learning (RL) verklaringen: Deze wegen sociale informatie op basis van de geschatte betrouwbaarheid van de bron (volatiliteit), maar behandelen gedrag eveneens als een ruisig signaal in plaats van bewijs voor onderliggende mentale toestanden.

Beide benaderingen hebben moeite met het verklaren van efficiënt leren uit schaarse, indirecte observaties waarbij de cruciale inferentie niet is wat een agent deed, maar waarom hij het deed (d.w.z. hun doelen en overtuigingen). Bovendien is het uitbreiden van de literatuur over actieve informatieverwerving naar sociale bronnen complex, omdat de informatieve waarde van een observatie afhangt van de latente doelen en overtuigingen van de geobserveerde agent, die kunnen verschillen van die van de observeerder.

Methodologie

Experimenteel Paradigma

De auteurs introduceerden een nieuw grid-world spel (12x11) om parametrisch controleerbare afwegingen tussen sociaal en niet-sociaal leren te creëren.

Opzet: Een door een mens gecontroleerde "rode agent" moet een specifieke schatkist ophalen. Het pad wordt geblokkeerd door gekleurde barrières die bijpassende amuletten vereisen van specifieke tovenaars (onder de decoys).
Mechanica: In elk tijdstap kan de agent ofwel handelen (één stap bewegen, wat 3 punten kost) of observeren (een geselecteerde Non-Player Character (NPC) observeren, wat 1 punt per stap kost, waarbij alleen de NPC beweegt).
Variabelen: De studie varieerde in:
- Doelonzekerheid: Enkele versus meerdere schatkisten (Experiment 1 vs. 2).
- Beschikbaarheid van Agenten: Enkele versus meerdere NPC's (Experiment 3).
- Expertise van de Agent: Expert (kent de locatie van het amulet) versus Novice (kent het niet) (Experiment 4).
Kostenstructuur: Beweging kost 3 punten, interactie met een tovenaar kost 5 punten, en observatie kost 1 punt. Deelnemers werden geprikkeld om de totale kosten te minimaliseren.

Het Rationele Mentaliserende Model

De auteurs stellen een Rationeel Mentaliserend model voor dat Bayesian Theory of Mind (ToM) integreert met rationele kosten-batenanalyse. Het model werkt door de verwachte bruikbaarheid te vergelijken van direct handelen versus het observeren van een agent.

Generatief Model van de Geobserveerde Agent: De observeerder modelleert de NPC als een bijna-optimale planner in een gedeeltelijk observeerbare omgeving. De observeerder houdt een posterieure distributie bij over de latente doelen ( $g$ ) en overtuigingen ( $b$ ) van de NPC met behulp van een particle filter (Sequential Inverse Plan Search, SIPS).
Simulatie en Voorspelling: Voor elke hypothese $\theta = (g, b)$ $θ = (g, b)$ simuleert de observeerder de toekomstige trajectorie van de NPC met behulp van een Boltzmann-beleid. De observeerder voorspelt:
- $T^i$ : Het aantal observatiestappen dat vereist is om het traject van de NPC de kandidaatات van de observeerder te laten vernauwen tot één (of de hypothese te falsifiëren).
- $C^i_{plan}$ : De resterende exploratiekosten die de observeerder zou ervaren na het verwerven van deze informatie.
Utiliteit Arbitrage: Het model berekent de verwachte kosten van het observeren van agent $j$ $j$ :
$Q^j_{obs}(t) = \sum_i p^i_t [c_{obs} T^i + C^i_{plan}]$
waarbij $p^i_t$ $p_{t}^{i}$ de posterieure weging van hypothese $i$ $i$ is.
De observeerder vergelijkt dit met de kosten van direct handelen, $C_{self}(b_t)$ $C_{se l f} (b_{t})$ (geschat via een greedily planner).
- Als $Q^j_{obs}(t) < C_{self}(b_t)$ , observeert het model agent $j$ .
- Zo niet, dan handelt het model.
- In multi-agent settings selecteert het model de agent $j^*$ die $Q^j_{obs}(t)$ minimaliseert.

Ablatiestudies

Om de bijdragen van specifieke componenten te isoleren, vergeleken de auteurs het volledige model met drie ablaties:

Rationale Observeerder: Voert kosten-batenanalyse uit maar mist ToM (ableert geen doelen/overtuigingen).
Mentaliserende Observeerder: Concludeert doelen/overtuigingen maar mist utiliteitsinschatting (weegt observatiekosten niet af tegen exploratiekosten).
Naïeve Observeerder: Observeert indiscriminant op basis van vaste regels (bijv. kijken tot de eerste interactie met een tovenaar) zonder inferentie of kostenredenering.

Belangrijkste Resultaten

Kwantitatieve Fit

Over vier experimenten met toenemende complexiteit, bereikte het Rationeel Mentaliserende model een hoge getrouwheid in het vastleggen van menselijk observatiegedrag:

Correlatie: De Pearson-correlaties per experiment varieerden van $r = 0,90$ tot $0,95$.
Concordantie: De samengevoegde Lin's concordance correlation coefficient (CCC) was 0,89 (95% CI [0,84, 0,92]), wat dicht bij de bovengrens van de menselijke inter-participant betrouwbaarheid ligt ( $r_{SB} = 0,83-0,92$ ).
Vergelijking: Alle ablatie-modellen presteerden significant slechter (CCC $\leq 0,21$ ).

Kwalitatieve Patronen en Inzichten uit Ablatie

Doelonzekerheid (Exp 2): Wanneer het doel van de NPC ambigu was, observeerden mensen en het volledige model langer om de ambiguïteit op te lossen. De Mentaliserende Observeerder observeerde te veel omdat hij wel over doelen kon redeneren, maar de kosten van observatie niet kon afwegen tegen het voordeel. De Rationale Observeerder observeerde te weinig omdat hij niet kon anticiperen dat het traject van de NPC informatief zou zijn.
Agent Selectie (Exp 3): Wanneer twee experts aanwezig waren, observeerden mensen en het volledige model selectief de agent wiens traject het meest waarschijnlijk informatief zou zijn voor het specifieke doel van de observeerder. De Naïeve en Rationale Observeerders slaagden er niet in om onderscheid te maken tussen agenten, terwijl de Mentaliserende Observeerder de informatieve agent directioneel identificeerde, maar faalde in het efficiënt toewijzen van de observatietijd.
Expertise Kalibratie (Exp 4): Wanneer een expert en een novice aanwezig waren, verschoven mensen en het volledige model hun observatie dynamisch op basis van de omgeving (bijv. de novice observeren wanneer hun pad meer diagnostisch was in ijle wizard-kaarten). De Mentaliserende Observeerder observeerde de novice te veel in gevallen waarin de informatiewinst de kosten niet rechtvaardigde. De Rationale en Naïeve Observeerders kozen standaard voor de expert, waardoor ze het tegenfeitelijke signaal van de novice niet konden benutten.
Observatie versus Executie: Het volledige model reproduceerde correct de positieve koppeling tussen observatie- en executiestappen gevonden in de menselijke data (meer observatie correleert met meer executiestappen). De Mentaliserende en Naïeve observeerders vertoonden een omgekeerde relatie (negatieve hellingen), terwijl de Rationale Observeerder een zwakkere positieve helling vertoonde met een betrouwbaarheidsinterval dat nul bevat.

Betekenis en Claims

Het artikel claimt dat selectief sociaal leren wordt gestuurd door Theory of Mind ten dienste van utiliteitsmaximalisatie.

Integratie van ToM en Utiliteit: De studie toont aan dat noch ToM alleen, noch kosten-batenanalyse alleen voldoende is. Mensen (en het model) vereisen beide: het vermogen om de generatieve mentale toestanden van anderen te infereren om informatieve waarde te voorspellen, en het vermogen om deze potentiële winst te arbitreren tegen de kosten van observatie.
Voorbij Signaalbetrouwbaarheid: In tegen tegenstelling tot RL-verklaringen die arbitreren op basis van de betrouwbaarheid van de bron (volatiliteit), laat dit model zien dat arbitrage afhankelijk is van de geïnferred doelen van de bron. Het gedrag van een agent is alleen informatief als hun doelen overeenkomen met of zinvol interageren met de doelstellingen van de observeerder.
Generatief Zicht op Gedrag: De resultaten ondersteunen de visie dat geobserveerd gedrag moet worden behand behandeld als bewijs voor de doelen en overtuigingen die het voortbrachten, in plaats van als een vast signaal. Dit maakt efficiënt leren uit schaarse, indirecte data mogelijk waar agenten verschillende doelstellingen hebben.
Verenigd Mechanisme voor Selectief Vertrouwen: Het artikel suggereert dat "selectief vertrouwen" (de voorkeur geven aan experts) en "selectieve observatie" (kiezen wie te bekijken) producten kunnen zijn van een verenigd Bayesian inferentieproces over agentmodellen, in plaats van afzonderlijke cognitieve systemen.

De auteurs merken beperkingen op, waaronder het feit dat het model observatie als het enige sociale kanaal behandelt (communicatie/pedagogie negerend) en ervan uitgaat dat trials onafhankelijk zijn zonder agent-specifieke priors te accumuleren. Daarnaast onderschat het model systematisch de absolute hoeveelheid observatie die mensen bedrijven, wat suggereert dat er een rol is voor intrinsieke nieuwsgierigheid of conservatieve bewijsverzameling buiten strikte utiliteitsmaximalisatie. Desalniettemin slaagt het model erin de relatieve patronen van menselijke besluitvorming in complexe sociale leeromgevingen succesvol te vatten.