A computational model of infant sensorimotor exploration in the mobile paradigm

Resumo Técnico: Um Modelo Computacional da Exploração Sensoriomotora Infantil no Paradigma do Móbile

Problema
O artigo aborda os mecanismos computacionais subjacentes ao aprendizado sensoriomotor infantil, especificamente dentro do "paradigma do móbile". Neste paradigma de psicologia do desenvolvimento, o membro de um bebê é conectado a um móbile pendurado sobre um berço; os bebês aprendem a detectar a contingência entre seus movimentos de membros e o feedback sensorial resultante (movimento do móbile). Embora estudos empíricos tenham estabeleado que os bebês (particularmente aos 5–6 meses) podem distinguir rapidamente o membro "conectado" e aumentar sua atividade, e que esse aprendizado é sensível à própria contingência em vez de mera estimulação, os mecanismos cognitivos e neurais subjacentes permanecem debatidos. Tentativas computacionais anteriores ou basearam-se em condicionamento operante simples sem capacidades preditivas (falhando em explicar fenômenos como o "surto de extinção") ou utilizaram abordagens de teoria da informação complexas consideradas impraticáveis para cérebros biológicos. Este artigo propõe um modelo computacional detalhado para replicar o comportamento infantil, testar mecanismos de aprendizado específicos e investigar descobertas controversas, como o surto de extinção e a diferença entre condições de estimulação binária e conjugada (não binária).

Metodologia
Os autores desenvolveram um modelo baseado em redes neurais que simula um bebê interagindo com um móbile. O modelo fundamenta-se em dois princípios orientadores: (1) o bebê tenta prever os resultados sensoriais de suas ações (predição ação-resultado) e (2) o sistema motor é biologicamente realista, envolvendo redundância e ruído.

• Arquitetura: O modelo consiste em quatro módulos principais:

  1. Rede Neural: Uma rede totalmente conectada com 5 neurônios de entrada (4 atividades de membros + 1 feedback sensorial), 8 neurônios ocultos e 601 neurônios de saída (600 para comandos musculares + 1 para predição sensorial).
  2. Controle Motor e Corpo: Os 600 neurônios de comando muscular são mapeados para quatro membros usando um código de população inspirado na anatomia humana. Este mapeamento utiliza uma distribuição da função Beta para criar um controle sobreposto, onde alguns neurônios influenciam fortemente um membro específico, outros têm efeitos intermediários e muitos têm efeitos negligenciáveis. O ruído motor (valores aleatórios entre -0,3 e 0,3) é adicionado às atividades dos membros para simular a variabilidade biológica.
  3. Feedback Sensorial: O ambiente simula um móbile que responde ao membro "conectado". Duas condições são testadas: Binária (o móbile ativa por uma duração fixa se a atividade do membro exceder um limiar) e Conjugada/Não-binária (a intensidade do móbile é proporcional à atividade do membro).
  4. Mecanismo de Aprendizado: A rede é treinada online via backpropagation para minimizar uma função de Perda (Loss) composta por três termos:
     • Erro de Predição Sensorial: O Erro Quadrático Médio (MSE) entre a predição e o feedback sensorial real.
     • Erro de Exploração: Um termo de MSE derivado de um "Mapa de Interesse de Atividade". Este mapa rastreia o "interesse" em diferentes faixas de atividade de membros. Se uma ação gera um erro de predição sensorial superior a um "Limiar de Novidade" (0,1), o interesse nessa faixa é definido como 1 (alto interesse). Se a predição for correta, o interesse decai. A rede é penalizada por não se mover em direção às faixas de alto interesse.
     • Desvio da Linha de Base: Um termo de MSE que garante que a atividade do membro permaneça próxima a um nível de linha de base preferencial, que aumenta gradualmente ao longo do tempo para simular o aumento da irritabilidade.

• Configuração Experimental: O modelo foi executado por 20 simulações por condição (Binária e Não-Binária), correspondendo ao número de participantes de estudos empíricos recentes (Popescu et al., 2022; Jacquey et al., 2021). Cada execução incluiu uma inicialização de 1000 passos, uma fase contingente de 1200 passos e uma fase de extinção de 240 passos (desconexão).

Principais Contribuições

1. Replicação de Fenômenos Centrais: O modelo replica com sucesso o principal achado empírico: a rápida diferenciação e o aumento seletivo da atividade do membro "conectado" em comparação com os membros não conectados.
2. Sensibilidade à Contingência: O modelo demonstra maior atividade nas condições contingentes em comparação com grupos de controle não-contingentes (aleatórios), confirmando que o mecanismo de aprendizado é sensível ao elo causal, e não apenas à presença de estimulação.
3. Efeitos Binários vs. Conjugados: O modelo reproduz o achado empírico de que a detecção de contingência é mais robusta e rápida em condições binárias do que em condições conjugadas. Os autores atribuem isso à maior mudança sensorial por unidade de movimento nas condições binárias, tornando o membro "conectado" mais fácil de identificar.
4. Simulação de Surto de Extinção: O modelo ocasionalmente exibe um "surto de extinção" (um aumento transitório na atividade após a desconexão), espelhando a observação inconsistente deste fenômeno em bebês humanos. Os autores sugerem que isso surge da violação das expectativas preditivas.
5. Estudos de Ablação: O artigo fornece evidências rigorosas da necessidade de componentes específicos:
   • Predição: Remover o erro de predição sensorial impede que o modelo distinga os membros conectados.
   • Exploração: Remover o calculador de reforço baseado em novidade elimina o impulso de explorar, impedindo o aprendizado.
   • Redundância Motora: Reduzir o número de neurônios de comando muscular (de 600 para 50 ou 100) prejudica significativamente a capacidade de aprender a conexão, sugerindo que o controle motor de alta dimensão é crucial para a descoberta.
   • Ruído Motor: Tanto o ruído insuficiente quanto o excessivo inibem o aprendizado; um nível intermediário (0,3) é ideal para permitir a exploração necessária para quebrar a simetria entre os membros.

Resultos
As simulações mostraram que o modelo completo aprende a ativar o membro conectado dentro dos primeiros minutos da simulação, aproximando-se do curso temporal de bebês de 6 meses.

• Especificidade: No grupo contingente, a atividade do membro conectado subiu significativamente acima dos membros não conectados. No grupo não-contingente, não ocorreu tal diferenciação.
• Extinção: Embora não seja sistemático, surtos de extinção apareceram em execuções individuais de simulação, particularmente na condição não-binária, apoiando a hipótesia de que este comportamento decorre de mecanismos preditivos.
• Resultados de Ablação: Modelos sem erro de predição ou mecanismos de exploração falharam em aprender. Modelos com número reduzido de neurônios de comando muscular ou níveis inapropriados de ruído motor falharam em diferenciar consistentemente os membros ou mostraram alta variabilidade no sucesso do aprendizado.

Significância e Alegações
Os autores afirmam que seu modelo fornece uma "primeira tentativa de um modelo computacional detalhado" do paradigma do móbile que integra a predição ação-resultado com controle motor inspirado biologicamente. A significância do trabalho reside na demonstração de que mecanismos preditivos (especificamente a predição ação-resultado e a exploração impulsionada pela novidade) são essenciais para o aprendizado de contingência sensoriomotora, em vez de apenas reforço simples ou condicionamento operante.

O artigo conclui modestamente que, embora o modelo replique os principais achados empíricos, ele não captura toda a variabilidade dos bebês humanos (tanto entre sujeitos quanto dentro de sujeitos), provavelmente devido à exclusão de distrações atencionais, sociais e ambientais. No entanto, os estudos de ablação sugerem fortemente que os componentes incluídos no modelo — predição, exploração, ruído motor e controle motor redundante — são provavelmente ingredientes necessários nos mecanismos de desenvolvimento reais dos bebês. O modelo serve como um ponto de partida para investigações futuras sobre mecanismos de aprendizado sensoriomotor e sua aplicação à robótica.