← Últimos artigos
🤖 aprendizado de máquina

Latent Variable Sequence Identification for Cognitive Models with Neural Network Estimators

Este artigo introduz uma abordagem baseada em redes neurais que estende a estimativa Bayesiana neural para inferir sequências de variáveis latentes variantes no tempo a partir de modelos cognitivos tratáveis e intratáveis, permitindo, assim, análises neurais baseadas em modelos e testes de teoria mais amplos.

Autores originais: Ti-Fen Pan, Jing-Jing Li, Bill Thompson, Anne Collins

Primeira publicação 2024-12-19 · Atualizado 2026-11-16✓ Author reviewed ⓘ
📖 5 min de leitura🧠 Leitura aprofundada

Autores originais: Ti-Fen Pan, Jing-Jing Li, Bill Thompson, Anne Collins

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

O comportamento humano raramente é uma linha simples e reta do estímulo à resposta. Quando uma pessoa ou um animal faz uma escolha, essa decisão é frequentemente a ponta visível de um processo muito maior e invisível que ocorre dentro da mente. Os cientistas chamam esses processos ocultos de "variáveis latentes". São os estados internos — como uma mudança súbita de atenção, uma mudança de crença sobre qual ação trará uma recompensa ou uma regra momentânea que o cérebro está seguindo — que impulsionam o que vemos no exterior. Compreender esses estados ocultos é crucial para pesquisadores que desejam saber como o cérebro sustenta o pensamento e o aprendizado. Durante décadas, a forma padrão de descobrir esses estados internos tem sido construir um modelo matemático do comportamento, encontrar os melhores números que ajustem o modelo aos dados e, então, executar o modelo novamente para ver o que ele diz sobre os estados ocultos. No entanto, esse método tradicional atinge um muro intransponível quando os modelos se tornam muito complexos. Muitas teorias interessantes sobre como a mente funciona envolvem cálculos que são tão difíceis de resolver que as ferramentas matemáticas padrão simplesmente não conseguem encontrar as respostas. Isso deixou um vasto cenário de teorias cognitivas inexplorado, pois os cientistas careciam de uma maneira de espiar dentro da caixa preta do comportamento complexo.

Uma equipe de pesquisadores da Universidade da Califórnia, Berkeley, desenvolveu uma nova ferramenta para contornar esse muro, permitindo que os cientistas vejam esses estados ocultos mesmo nos modelos mais complicados. Eles chamam seu método de LaseNet. Em vez de tentar resolver as equações matemáticas difíceis diretamente, os pesquisadores treinaram um sistema de inteligência artificial para aprender a relação entre o que um animal faz e o que ele provavelmente está pensando. Eles fizeram isso criando milhares de experimentos simulados onde conheciam as respostas exatas. Nessas simulações, eles geraram dados que pareciam comportamento real — escolhas, recompensas e erros — e os combinaram com os estados ocultos conhecidos que os causaram. Eles alimentaram essa biblioteca massiva de "o que aconteceu" e "o que estava pensando" em um tipo de rede neural, um sistema computacional projetado para reconhecer padrões em sequências de eventos. A rede aprendeu a observar uma sequência de ações e resultados e a prever o estado mental oculto que os produziu, aprendendo efetivamente a traduzir o comportamento em pensamento sem nunca precisar resolver a matemática subjacente complexa.

Os pesquisadores testaram essa nova abordagem em uma variedade de modelos cognitivos, variando de cenários simples de aprendizagem a tarefas complexas de tomada de decisão hierárquica. Nos casos em que os métodos antigos funcionavam, o LaseNet teve um desempenho tão bom quanto, rastreando com precisão as variáveis ocultas. Mas seu verdadeiro poder mostrou-se nos modelos onde os métodos antigos falharam ou tiveram dificuldades. Para modelos onde a matemática era difícil demais para ser resolvida diretamente, as abordagens tradicionais ou não podiam funcionar de forma alguma ou exigiam ferramentas estatísticas extremamente lentas e construídas sob medida que eram propensas a erros. O LaseNet, por outro lado, lidou com esses casos difíceis com facilidade. Em simulações, identificou estados ocultos com um nível de precisão que superou as melhores técnicas existentes, recuperando os verdadeiros estados internos com muito menos erro. Ele rastreou com sucesso tanto variáveis contínuas, como o valor mutável de uma recompensa, quanto variáveis discretas, como uma mudança súbita de estratégia ou de atenção.

Para provar que isso não era apenas um método que funcionava em dados inventados, a equipe aplicou o LaseNet a dados reais coletados de camundongos. Em um experimento, os camundongos navegavam em uma tarefa onde as recompensas mudavam de forma imprevisível, exigindo que eles atualizassem constantemente suas regras internas. Os pesquisadores usaram o LaseNet para inferir os estados de atenção interna dos camundongos e suas expectativas de recompensa. Os resultados coincidiram com os padrões encontrados pelos métodos tradicionais onde esses métodos podiam ser aplicados, mas o LaseNet forneceu uma imagem clara e contínua dos estados internos dos camundongos ao longo de toda a tarefa. Em outro estudo envolvendo uma tarefa de tomada de decisão visual, o método identificou com sucesso quando os camundongos estavam totalmente engajados versus quando estavam enviesados para um lado, revelando as mudanças dinâmicas em seu foco mental. A abordagem funcionou para animais individuais, o que significa que poderia ser usada para estudar o estilo cognitivo único de um único sujeito, em vez de apenas tirar a média do comportamento de um grupo inteiro.

A significância deste trabalho reside em sua capacidade de abrir portas que antes estavam trancadas. Ao remover a necessidade de cálculos matemáticos complexos e muitas vezes impossíveis, o LaseNet permite que os pesquisadores testem uma gama muito mais ampla de teorias sobre como a mente funciona. Cientistas agora podem propor modelos que eram anteriormente difíceis demais para analisar e ainda obter respostas sobre os processos ocultos que impulsionam o comportamento. O método é flexível o suficiente para lidar com diferentes tipos de dados e diferentes tipos de estados mentais, e funciona eficientemente em computadores padrão sem exigir um enorme poder de processamento. Embora a ferramenta ainda não forneça uma maneira de medir a incerteza de seus próprios palpites e dependa da qualidade dos modelos usados para treiná-la, ela representa um grande passo à frente. Ela transforma o estudo de modelos cognitivos de um campo limitado pela tratabilidade matemática em um campo limitado apenas pela criatividade das teorias que os pesquisadores desejam explorar, ofereando uma janela mais clara para a dinâmica e oculta maquinaria da mente.

Afogado em artigos na sua área?

Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.

Experimentar Digest →