📊 statistics

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

Este artigo apresenta uma abordagem unificada e prática para experimentos adaptativos em tempo real, combinando a inferência ativa com a plataforma PsyNet para otimizar o desenho experimental em diversas modalidades e aplicações, como testes adaptativos e atribuição de tratamentos, reduzindo significativamente o número de tentativas necessárias e aumentando a precisão dos resultados.

Autores originais: Lucas Gautheron, Nori Jacoby, Peter Harrison

Publicado 2026-04-01

📖 4 min de leitura☕ Leitura rápida

CC BY 4.0

Autores originais: Lucas Gautheron, Nori Jacoby, Peter Harrison

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 nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você é um professor dando uma prova para uma turma muito grande. Na prova tradicional, todos os alunos fazem exatamente as mesmas 20 perguntas, do mais fácil ao mais difícil, independentemente de quem eles são. Se um aluno é um gênio, ele se entedia com as perguntas fáceis. Se um aluno tem dificuldade, ele se frustrar com as perguntas impossíveis. No final, você gasta muito tempo corrigindo coisas que já sabia.

Agora, imagine um professor superinteligente e adaptável. Ele não usa uma prova fixa. Ele observa a primeira resposta do aluno e pensa: "Ok, ele acertou isso, então a próxima pergunta deve ser um pouco mais difícil". Se o aluno errar, ele ajusta: "Certo, vamos tentar uma mais fácil". Esse professor inteligente sabe exatamente qual pergunta fazer a seguir para descobrir o nível real do aluno no menor tempo possível.

Este artigo científico descreve exatamente como criar esse "professor inteligente" para qualquer tipo de experimento com humanos, não apenas testes escolares.

Aqui está a explicação simplificada dos conceitos principais:

1. O Problema: Experimentos "Cegos"

Atualmente, muitos experimentos científicos (como testes psicológicos ou testes de novos remédios) são feitos de forma estática. Eles dão a mesma coisa para todo mundo. Isso é ineficiente. É como tentar achar um tesouro cavando buracos aleatórios na praia, em vez de usar um detector de metais que te diz onde cavar.

2. A Solução Mágica: "Inferência Ativa" (Active Inference)

Os autores propõem usar uma ideia chamada Inferência Ativa. Pense nisso como a "intuição matemática" de um detetive.

O Detetive (o computador): Ele tem duas motivações:
1. Aprendizado (Curiosidade): "Qual pergunta vai me ensinar mais sobre esse aluno?"
2. Pragmatismo (Objetivo): "Qual pergunta vai me ajudar a encontrar o aluno que precisa de ajuda urgente?"
A Mágica: Em vez de escolher apenas o que é mais fácil ou apenas o que é mais difícil, o sistema equilibra essas duas coisas. Ele sabe quando explorar (tentar algo novo para aprender) e quando explorar (usar o que já sabe para obter o melhor resultado). É como um jogador de xadrez que não joga apenas para ganhar a próxima jogada, mas para entender o tabuleiro inteiro.

3. A Ferramenta: PsyNet (O "Cérebro" Digital)

Para fazer isso funcionar em tempo real na internet, eles usaram uma ferramenta chamada PsyNet.

Analogia: Imagine o PsyNet como um sistema de trem de alta velocidade.
- O trem (o experimento) pode levar passageiros (participantes) para qualquer lugar (texto, áudio, vídeo, jogos).
- A grande vantagem é que o trem é modular. Você pode trocar a locomotiva (o algoritmo matemático) sem precisar reconstruir toda a via férrea. Isso permite que cientistas de áreas diferentes (psicologia, medicina, educação) usem a mesma tecnologia para problemas diferentes.

4. Os Dois Exemplos Práticos

Os autores testaram essa ideia em duas situações reais:

Exemplo 1: O Teste Adaptativo (A Prova Inteligente)
- Cenário: Testar o conhecimento de pessoas sobre história e astronomia.
- Resultado: O sistema adaptativo precisou de 30% a 40% menos perguntas para saber exatamente o que a pessoa sabia, comparado a uma prova fixa.
- Analogia: É como se você pudesse descobrir o tamanho do pé de uma pessoa usando apenas 3 meias, em vez de tentar todas as 20 meias que existem na loja.
Exemplo 2: Atribuição de Tratamento (O Médico Inteligente)
- Cenário: Descobrir qual pergunta de história é a melhor para distinguir quem tem ensino superior de quem não tem.
- Resultado: O sistema encontrou a "pergunta perfeita" 3 vezes mais rápido e com mais precisão do que um método tradicional que distribui as perguntas igualmente para todos.
- Analogia: Em vez de dar 10 remédios diferentes para 100 pacientes aleatoriamente, o sistema aprende rapidamente qual remédio funciona melhor para cada tipo de paciente e foca neles, economizando tempo e recursos.

5. Por que isso é importante?

Economia de Tempo: Os participantes não precisam ficar entediados ou frustrados com perguntas inúteis.
Economia de Dinheiro: Como os testes são mais curtos, os cientistas podem recrutar mais pessoas com o mesmo orçamento.
Unificação: Antes, quem fazia testes de inteligência usava um software, e quem fazia testes clínicos usava outro. Agora, eles podem usar a mesma "caixa de ferramentas" matemática.

Resumo Final

Este artigo apresenta uma maneira de transformar experimentos científicos de "provas fixas e chatas" em conversas dinâmicas e inteligentes. Usando matemática avançada (Inferência Ativa) e uma plataforma flexível (PsyNet), os pesquisadores podem aprender mais sobre as pessoas em menos tempo, adaptando-se em tempo real a cada resposta dada. É como trocar um manual de instruções estático por um assistente pessoal que aprende com você enquanto você trabalha.

Resumo Técnico: Ativação de Inferência com Pessoas em Experimentos Adaptativos em Tempo Real

1. O Problema

Os experimentos adaptativos otimizam seu próprio desenho iterativamente, utilizando dados já coletados para selecionar os próximos estímulos ou condições. Embora ofereçam benefícios significativos em comparação com designs fixos (como em testes adaptativos computadorizados, atribuição adaptativa de tratamentos e aprendizado ativo), a implementação desses métodos enfrenta dois grandes desafios:

Fragmentação Metodológica: Cenários conceitualmente similares (ex: testes de habilidade vs. atribuição de tratamentos) são frequentemente tratados como problemas distintos com soluções e frameworks separados, impedindo a troca de insights entre campos.
Desafios Computacionais e Técnicos: A necessidade de realizar inferência bayesiana complexa em tempo real (durante a execução do experimento) e adaptar o ambiente experimental instantaneamente é tecnicamente difícil de implementar em larga escala.

O objetivo do artigo é apresentar uma abordagem unificada, prática e geral para experimentos adaptativos em tempo real que abranja múltiplos cenários e modalidades (texto, áudio, vídeo), superando essas barreiras.

2. Metodologia

Os autores propõem uma integração de duas ferramentas principais:

Inferência Ativa (Active Inference): Um framework bayesiano inspirado na neurociência cognitiva. Diferente das abordagens tradicionais que separam objetivos epistêmicos (ganho de informação) e pragmáticos (utilidade/recompensa), a Inferência Ativa utiliza o conceito de Energia Livre Esperada (Expected Free Energy - EFE).
- A EFE combina o Ganho de Informação Esperado (EIG) (exploração) e a Utilidade Esperada (exploração de tratamentos conhecidos).
- Isso permite que o sistema minimize a divergência entre as expectativas e os desejos, equilibrando naturalmente a exploração de novas informações e a exploração de tratamentos benéficos, mesmo sob otimização "miópica" (passo a passo).
- Para lidar com a intractabilidade computacional da inferência bayesiana exata, o método emprega Inferência Variacional, aproximando distribuições posteriores complexas para permitir cálculos rápidos.
PsyNet: Uma plataforma de código aberto em Python para experimentos comportamentais online em larga escala.
- Fornece uma arquitetura modular e orientada a objetos que suporta a integração de lógica bayesiana complexa.
- Permite a conexão com plataformas de recrutamento (Prolific, MTurk) e a execução de experimentos em servidores remotos (AWS, Heroku).
- Sua modularidade permite que a lógica de otimização seja alterada sem reescrever todo o código do experimento.

Implementação Técnica:
O sistema utiliza a biblioteca probabilística Pyro (baseada em PyTorch) para definir modelos generativos e guias variacionais. A cada passo do experimento:

O modelo atualiza a distribuição posterior dos parâmetros latentes (ex: habilidade do participante, dificuldade do item) com base nas respostas anteriores.
Calcula a EFE para cada possível próximo estímulo.
Seleciona o estímulo que minimiza a EFE.
Apresenta o estímulo ao participante e coleta a resposta, reiniciando o ciclo.

3. Contribuições Chave

Unificação Teórica: Demonstra que testes adaptativos computadorizados e atribuição adaptativa de tratamentos podem ser resolvidos sob o mesmo arcabouço matemático (Inferência Ativa), variando apenas a função de utilidade (pragmática) ou focando apenas no ganho de informação (epistêmico).
Framework de Implementação Prática: Fornece um pipeline completo e reprodutível (disponível no GitHub) que integra inferência bayesiana complexa com a execução de experimentos online em tempo real via PsyNet.
Flexibilidade de Modalidade: A abordagem é agnóstica quanto à natureza da tarefa, suportando estímulos textuais, visuais e auditivos.
Otimização Miópica Eficiente: Mostra que a Inferência Ativa consegue equilibrar exploração e exploração de forma eficiente sem a necessidade de cálculos computacionalmente proibitivos de planejamento de longo prazo (olhando para o futuro), graças à estrutura intrínseca da EFE.

4. Resultados

Os autores validaram a abordagem através de dois experimentos com 200 participantes humanos e simulações extensivas:

Experimento 1: Teste Adaptativo (Foco Epistêmico)
- Objetivo: Estimar a habilidade dos participantes com o menor número de perguntas possível.
- Resultado: O design adaptativo reduziu o número de tentativas necessárias em 30–40% (média de 9,6 tentativas vs. 15 fixas) em comparação com um design estático, mantendo uma precisão de estimativa de habilidade extremamente alta ( $R^2 = 0.96$ ) em relação a um "oráculo" (dados completos).
- Eficiência: O sistema recuperou 96% da informação total possível com 37% menos desafios.
Experimento 2: Atribuição Adaptativa de Tratamentos (Foco Pragmático)
- Objetivo: Identificar quais perguntas de trivia discriminam melhor entre participantes com e sem ensino superior.
- Resultado: A estratégia de Inferência Ativa identificou o tratamento (pergunta) ótimo com até 3 vezes mais precisão do que um design fixo (amostragem uniforme).
- Dinâmica: O sistema demonstrou um equilíbrio dinâmico: inicialmente focado na exploração (EIG) para aprender sobre as perguntas, e progressivamente focado na exploração (Utilidade) para administrar as melhores perguntas.
- Comparação: Em simulações, a Inferência Ativa superou algoritmos de "bandit" tradicionais (como Thompson Sampling) quando a informação ganha dependia de contexto (ex: nível de educação do participante).

5. Significado e Implicações

Avanço Científico: O trabalho preenche uma lacuna crítica na literatura de experimentação comportamental, unificando tradições metodológicas fragmentadas.
Acessibilidade: Ao fornecer código aberto e documentação detalhada no PsyNet, os autores democratizam o acesso a técnicas bayesianas avançadas para pesquisadores das ciências comportamentais que não possuem expertise profunda em programação bayesiana.
Escalabilidade: A demonstração de que inferência variacional pode ser executada em tempo real em servidores de nuvem para milhares de participantes abre caminho para experimentos mais complexos, éticos e eficientes (reduzindo o tempo de teste e custos).
Futuro: A abordagem sugere caminhos para "aprendizado online" (atualização de parâmetros sem recalcular tudo do zero) e "design adaptativo profundo" (uso de redes neurais para aprender políticas de decisão), posicionando a Inferência Ativa como uma ferramenta central para a próxima geração de experimentos interativos humano-computador.

Em suma, o artigo estabelece que a combinação de Inferência Ativa (como motor matemático unificador) e PsyNet (como infraestrutura de execução) oferece uma solução robusta, escalável e generalizável para a otimização de experimentos em tempo real.