Naturalistic Computational Cognitive Science: Towards generalizable models and theories that capture the full range of natural behavior

Resumo Técnico: Ciência Cognitiva Computacional Naturalista

Declaração do Problema
A ciência cognitiva enfrenta um desafio persistente na construção de teorias generalizáveis que abranjam todo o escopo de situações e comportamentos naturais. Embora as abordagens tradicionais tenham buscado modelos generalizáveis (por exemplo, connectionismo, inferência bayesiana, arquiteturas cognitivas), há um debate substancial sobre se as teorias atuais estão adequadamente restringidas ou capazes de generalizar além de paradigmas experimentais simplificados. Os autores argumentam que a dependência de estímulos e tarefas simplificados pode levar a teorias que falham em capturar os mecanismos computacionais engajados pela inteligência natural. Além disso, o campo carece de infraestrutura para testar sistematicamente modelos em um amplo espectro de condições naturalistas, levando a achados fragmentados que resistem à integração.

Metodologia e Estratégia de Pesquisa
O artigo propõe uma estratégia de pesquisa denominada "Ciência Cognitiva Computacional Naturalista". Esta abordagem não defende o abandono de experimentos simplificados, mas sim a sua extensão, aumentando a validade ecológica enquanto mantém o controle experimental. A metodologia estrutura-se em torno de três pilares centrais:

1. Expansão de Paradigmas Experimentais: Os autores sugerem ampliar os parâmetros experimentais para cobrir melhor o escopo das distribuições naturais. Isso envolve:

   • Expansão de parâmetros existentes: por exemplo, aumentar o conjunto de categorias na classificação de objetos para incluir objetos do cotidiano.
   • Adição de parâmetros motivados ecologicamente: por exemplo, testar julgamentos linguísticos em ambas as modalidades falada e escrita, ou introduzir agentes sociais e ambientes parcialmente observáveis.
   • Manipulação Paramétrica de Dados Naturalistas: Uso de IA generativa e ambientes virtuais (por exemplo, Minecraft 2D, Realidade Virtual) para criar estímulos que preservam a variação natural, permitindo manipulação controlada e paramétrica de características específicas (por exemplo, desacoplar forma e textura em imagens naturais) para testar hipóteses.

2. Desenvolvimento de Modelos Generalizáveis e Realizadores de Tarefas: Baseando-se em práticas de engenharia de Aprendizado de Máquina (ML), os autores defendem:

   • Meta-Benchmarks Dinâmicos: Ir além de conjuntos de dados estáticos para "coleções vivas" de benchmarks que os pesquisadores expandem continuamente. Esses benchmarks devem testar facetas específicas de uma capacidade cognitiva (por exemplo, dependência de forma versus textura) e evoluir para incluir novas hipóteses e variações naturalistas.
   • Desenvolvimento Iterativo: Separar o design do modelo do design da tarefa para evitar overfitting. Os modelos devem ser desenvolvidos em tarefas simplificadas, mas validados rigorosamente em cenários cada vez mais naturalistas.
   • Reprodutibilidade sem Atritos: Adoção de protocolos de avaliação padronizados, acesso a dados via código de uma única linha (por exemplo, via Hugging Face) e filosofias de código de "arquivo único" para permitir iteração rápida e coletiva e reutilização de artefatos de pesquisa.

3. Construção de Teoria via Redução: Os autores propõem uma estrutura de teoria de dois componentes:

   • Componente 1: Modelos realizadores de tarefas (preditivos) que reproduzem o comportamento humano em uma ampla gama de estímulos e paradigmas naturalistas.
   • Componente 2: Explicações redutivas que ligam esses modelos complexos a mecanismos mais simples, propriedades de dados ou teorias formais (por exemplo, análise racional, modelos bayesianos). Isso envolve o uso de análise mecanicista (por exemplo, Busca de Alinhamento Distribuído) e análise de propriedades de dados para derivar explicações normativas sobre por que os modelos se comportam como se comportam.

Principais Achados e Evidências Revisadas
O artigo sintetiza evidências de neurociência, ciência cognitiva e IA para demonstrar a necessidade de abordagens naturalistas:

• Mudança nos Mecanismos Computacionais: Cenários naturalistas expõem desafios computacionais diferentes. Por exemplo, a atribuição de crédito em ambientes grandes e de consequências atrasadas (como navegar em um campus) requer mecanismos como "multitask preplay" que não são evidentes em tarefas pequenas de mundo em grade. Da mesma forma, o papel do Lobo Temporal Medial (MTL) em tarefas de estranheza depende de se o córtex visual consegue resolver o estímulo, uma distinção apenas clara ao testar estímulos complexos e naturalistas.
• Diferenças Comportamentais Qualitativas: O comportamento muda qualitativamente em cenários naturalistas. Exemplos incluem:
  • Memória: A busca visual incidental leva a uma melhor recordação e precisão espacial do que a memorização explícita.
  • Eficiência de Aprendizado: Camundongos aprendem 1000 vezes mais rápido na exploração de labirintos naturalistas em comparação com tarefas 2AFC.
  • Raciocínio Moral: Ações morais em Realidade Virtual (RV) divergem significativamente de julgamentos morais em vinhetas de texto (por exemplo, o dilema da ponte).
• Diferenças na Codificação Neural: Sistemas neurais operam de forma diferente sob condições naturalistas. Por exemplo, o colículo superior integra pistas multimodais para controle corporal em configurações de cabeça livre, enquanto é frequentemente estudado apenas para controle sacádico em configurações de cabeça fixa. A visualização ativa altera o timing das respostas visuais (P100/M100) em comparação com a visualização passiva.
• Benefícios de Dados Naturalistas em IA: O treinamento com dados naturalistas produz padrões de generalização qualitativamente diferentes.
  • Generalização: Agentes interagindo com ambientes 3D mostram melhor generalização composicional do que classificadores de imagens treinados em capturas de tela.
  • Capacidades Emergentes: Modelos treinados em vastos dados naturalistas (por exemplo, Modelos de Linguagem de Grande Escala, agentes de Aprendizado por Reforço) desenvolvem mecanismos para tarefas diversas (por exemplo, aritmética, jogos de vídeo) sem sinais de treinamento explícito.
  • Origens do Conhecimento: Dados naturalistas permitem sondar as origens do conhecimento cognitivo, como mostrar que a especialização para rostos pode emergir de modelos de domínio geral treinados em distribuições naturalistas, desafiando hipóteses estritas de inatismo.

Principais Contribuições

1. Estrutura Conceitual: O artigo define "Ciência Cognitiva Computacional Naturalista" como uma estratégia para construir teorias que preveem o comportamento em cenários cada vez mais naturalistas, superando as limitações de paradigmas simplificados.
2. Roteiro de Engenharia: Traduz práticas de engenharia de ML (meta-benchmarks dinâmicos, reprodutibilidade sem atritos, interfaces padronizadas) em recomendações acionáveis para a ciência cognitiva, a fim de fomentar progresso coletivo e sistemático.
3. Integração Metodológica: Esquematiza como combinar manipulação experimental controlada (via geração paramétrica de dados naturalistas) com modelos complexos realizadores de tarefas para resolver conflitos teóricos (por exemplo, o debate sobre a tarefa de estranheza do MTL).
4. Síntese Teórica: Propõe uma arquitetura específica para construção de teorias que acopla modelos preditivos realizadores de tarefas com explicações redutivas e mecanicistas, garantindo que as teorias sejam tanto empiricamente fundamentadas quanto teoricamente interpretáveis.

Significado e Alegações
Os autores afirmam que aumentar o naturalismo dos cenários experimentais e dos modelos é necessário, não meramente benéfico, para desenvolver uma teoria completa e generalizável da cognição. Eles argumentam que:

• Cenários simplificados frequentemente falham em capturar a gama completa de desafios e mecanismos computacionais (por exemplo, atribuição de crédito, planejamento de longo horizonte) necessários para a inteligência natural.
• As teorias atuais são frequentemente sub-restritas porque são testadas em distribuições estreitas; expandir o escopo de teste por meio de paradigmas naturalistas e meta-benchmarks é essencial para identificar princípios robustos e generalizáveis.
• A integração do progresso da IA (na engenharia de modelos e escala de dados) com a ciência cognitiva (na teoria e no design experimental) oferece um caminho para entender as "raízes" dos fenômenos cognitivos e neurais.
• Ao adotar essas práticas, o campo pode avançar em direção a teorias que explicam a gama completa de comportamento natural, mantendo a capacidade de fornecer compreensão redutiva e mecanicista.

O artigo conclui que essa perspectiva sintetiza a literatura crescente sobre experimentos naturalistas e modelos generalizáveis, oferecendo um caminho para resolver debates de longa data sobre a generalizabilidade das teorias cognitivas e a subdeterminação dos modelos científicos.