Contrasting Probabilistic and Intentional Accounts of Confidence in Perceptual Decisions

Este estudo demonstra que a confiança em decisões perceptivas não depende de um único mecanismo computacional, mas pode ser implementada por arquiteturas distintas (probabilística hierárquica ou intencional multidimensional) que se adaptam às demandas específicas da tarefa, como a presença de incentivos.

O essencial

Imagine que o seu cérebro é como um chef de cozinha tomando decisões. Às vezes, você precisa escolher entre dois pratos e, ao mesmo tempo, dizer o quanto está confiante nessa escolha.

Este artigo científico investiga como o cérebro faz essa dupla tarefa: decidir e julgar a própria certeza. Os pesquisadores compararam duas teorias principais sobre como isso funciona, usando dois tipos de "testes de cozinha" diferentes.

Aqui está a explicação simples, usando analogias do dia a dia:

1. As Duas Teorias em Conflito

O cérebro tem duas maneiras possíveis de lidar com a confiança:

• Teoria da "Hierarquia" (O Chefe e o Analista):
  Imagine que o cérebro primeiro toma a decisão (o "Chefe" escolhe o prato). Só depois de a escolha estar feita, um "Analista" olha para trás, verifica os ingredientes e diz: "Ei, acho que acertamos, estou 90% seguro".

  • Como funciona: Decisão primeiro -> Confiança depois. São dois passos separados.

• Teoria da "Intenção Integrada" (A Corrida de Carros):
  Agora, imagine que o cérebro não separa as coisas. Em vez disso, ele tem quatro corredores de Fórmula 1 rodando ao mesmo tempo:

  1. Esquerda + Alta Confiança
  2. Esquerda + Baixa Confiança
  3. Direita + Alta Confiança
  4. Direita + Baixa Confiança
     O primeiro corredor a cruzar a linha de chegada ganha. Se o corredor "Esquerda + Alta Confiança" vencer, você decide "Esquerda" e se sente "Muito Seguro" instantaneamente.
  • Como funciona: Decisão e confiança nascem juntos, num único processo.

2. Os Experimentos (Os Testes de Cozinha)

Os pesquisadores testaram essas teorias com duas tarefas diferentes em humanos:

• Tarefa 1: O Jogo dos Pontos (Movimento)

  • O que era: Ver pontos se movendo na tela e dizer se iam para a esquerda ou direita.
  • O "Gancho": Havia recompensas! Se você acertasse com alta confiança, ganhava pontos extras. Se errasse com alta confiança, perdia pontos.
  • Resultado: As pessoas agiam como se estivessem numa Corrida de Carros (Teoria Integrada). Elas tratavam "Esquerda-Alta Confiança" como uma única opção a ser perseguida. O modelo de "corrida" explicou melhor o comportamento delas.

• Tarefa 2: O Jogo da Luz (Luminosidade)

  • O que era: Escolher qual de dois quadrados estava mais claro ou mais escuro.
  • O "Gancho": Sem pontos, sem prêmios, sem feedback. Era apenas uma tarefa simples.
  • Resultado: Aqui, as pessoas agiram como se tivessem um Chefe e um Analista (Teoria Hierárquica). Elas decidiam primeiro e só depois avaliavam a certeza. O modelo de "corrida" falhou miseravelmente em explicar isso.

3. A Grande Descoberta: O Cérebro é Flexível

O mais interessante não é que uma teoria está certa e a outra errada. O segredo é que o cérebro muda de estratégia dependendo do contexto.

• Quando há recompensa e feedback (como no trabalho ou jogos competitivos): O cérebro otimiza tudo de uma vez. Ele mistura a decisão e a confiança numa "corrida" rápida para ganhar pontos. É eficiente e direto.
• Quando não há pressão ou recompensa (como numa tarefa chata): O cérebro volta ao modo "padrão". Toma a decisão e depois faz uma verificação mental separada para ver se está certo.

Analogia Final: O GPS do Cérebro

Pense na confiança como o GPS do seu carro:

1. No modo "Corrida" (Tarefa com Prêmios): Você está dirigindo em uma pista de corrida. O GPS não diz "vire à esquerda" e depois "estou 90% certo". Ele simplesmente aponta para a curva de vitória. A decisão de virar e a certeza de que é o caminho certo são a mesma coisa. É tudo integrado para velocidade e precisão.
2. No modo "Hierárquico" (Tarefa sem Prêmios): Você está dirigindo pelo bairro, sem pressa. Você vira à esquerda (decisão) e depois pensa: "Hmm, será que é aqui mesmo? Deveria ter olhado a placa?". A confiança é uma verificação posterior, separada da ação de virar.

Conclusão

O estudo nos ensina que não existe uma única "máquina de confiança" no cérebro. A forma como avaliamos nossas próprias decisões é adaptável. Se o ambiente pede rapidez e recompensa, fundimos a decisão com a certeza. Se o ambiente é relaxado ou sem consequências, separamos a decisão da avaliação.

Isso mostra que a mente humana é incrivelmente versátil, mudando sua própria arquitetura interna para se adequar às regras do jogo que estamos jogando.

Resumo técnico

Título: Contraste entre Contas Probabilísticas e Intencionais da Confiança em Decisões Perceptivas

1. Problema e Contexto

A capacidade de avaliar os próprios estados de conhecimento (metacognição) é frequentemente estudada através de paradigmas onde os participantes tomam uma decisão e, subsequentemente, relatam sua confiança. A literatura predominante adota uma arquitetura hierárquica, onde a confiança é calculada por um processo metacognitivo distinto que "lê" as variáveis de decisão após a escolha ser feita (estimando a probabilidade de estar correto).

No entanto, essa visão enfrenta desafios, especialmente em tarefas de relato simultâneo (onde escolha e confiança são comunicadas ao mesmo tempo), pois os modelos hierárquicos raramente especificam o tempo necessário para o processo de "leitura" metacognitiva. Uma alternativa baseada na neurobiologia da decisão sugere uma arquitetura intencional (ou integrada), onde a confiança não é um julgamento de segunda ordem, mas uma dimensão intrínseca do processo de acumulação de evidências. Neste modelo, a escolha e a confiança emergem simultaneamente de uma competição entre múltiplos acumuladores de evidência.

O objetivo deste estudo é adjudicar empiricamente entre essas duas contas (Hierárquica vs. Integrada) utilizando dados comportamentais de duas tarefas perceptivas distintas.

2. Metodologia

Tarefas Experimentais:
Os autores utilizaram dois paradigmas com quatro participantes em cada um:

1. Tarefa de Discriminação de Movimento (Random Dots Motion):
   • Os participantes julgavam a direção do movimento de pontos (esquerda/direita).
   • Relato Simultâneo: A escolha e a confiança (Alta/Baixa) eram relatadas simultaneamente movendo um manipulador robótico para um de quatro alvos espaciais.
   • Incentivo: A confiança era incentivada por uma estrutura de recompensa assimétrica (pontos positivos/negativos variavam dependendo da precisão e do nível de confiança). Feedback era fornecido a cada tentativa.
2. Tarefa de Discriminação de Luminância:
   • Os participantes comparavam a luminosidade de duas manchas (esquerda/direita), selecionando a mais brilhante ou a mais escura.
   • Relato Simultâneo: Escolha e confiança eram relatadas via teclado.
   • Sem Incentivo: Não havia feedback sobre a precisão nem incentivos monetários para a confiança.

Modelos Computacionais:
Dois modelos foram ajustados aos dados (escolha, tempo de resposta e confiança) para maximizar a verossimilhança conjunta:

• Modelo Hierárquico (Probabilístico):
  • Baseado em um modelo de difusão com deriva (DDM) de duas dimensões (acumuladores para Esquerda e Direita).
  • A escolha ocorre quando um acumulador atinge um limite.
  • A confiança é derivada de um mapa de confiança bidimensional que mapeia o estado do acumulador perdedor e o tempo de decisão para a probabilidade posterior de estar correto.
• Modelo Integrado (Intencional/Plano):
  • Baseado no modelo RTCON (Ratcliff e Starns).
  • Implementa uma "corrida" (race) entre quatro processos de difusão independentes, correspondendo a todas as combinações: (Esquerda-Alta, Esquerda-Baixa, Direita-Baixa, Direita-Alta).
  • A taxa de deriva de cada acumulador é determinada pela partição da distribuição de evidência latente.
  • A decisão, o tempo de resposta e a confiança emergem simultaneamente quando um dos quatro acumuladores atinge seu limite.

Análise Estatística:

• Regressões de efeitos mistos para analisar padrões comportamentais.
• Critérios de Informação de Akaike (AIC) e Bayesiano (BIC) para comparar o ajuste dos modelos, penalizando a complexidade.

3. Resultados Principais

Padrões Comportamentais:

• Ambos os tarefas mostraram correlações qualitativas semelhantes entre força do estímulo, tempo de resposta e confiança (maior força do estímulo = maior precisão, menor tempo de resposta e maior confiança).
• Diferença Crítica 1: Na tarefa de movimento (incentivada), a confiança aumentava com a força do estímulo tanto em tentativas corretas quanto erradas. Na tarefa de luminância (sem incentivo), a confiança aumentava com a força do estímulo apenas em tentativas corretas, não nas erradas.
• Diferença Crítica 2: A proporção de respostas de "Alta Confiança" foi significativamente maior na tarefa de movimento (76%) do que na de luminância (28%), apesar da precisão ser similar em ambas.

Comparação de Modelos:

• Tarefa de Movimento (Incentivada): O Modelo Integrado forneceu um ajuste superior para a maioria dos participantes (3 de 4). Ele capturou com sucesso a forte correlação positiva entre confiança e força do estímulo em tentativas erradas e a relação entre confiança e tempo de resposta. O modelo hierárquico falhou em reproduzir o aumento de confiança em erros e superestimou o impacto da confiança na precisão.
• Tarefa de Luminância (Sem Incentivo): O Modelo Hierárquico foi fortemente favorecido (AIC e BIC) para ambos os participantes. O modelo integrado falhou completamente em capturar os dados.
  • Motivo da falha do modelo integrado: Para gerar respostas de alta confiança rápidas, o modelo integrado exige que o acumulador correspondente tenha uma taxa de deriva maior ou um limite menor. Isso inevitavelmente prediz uma alta frequência de respostas de alta confiança. Como a tarefa de luminância tinha baixa frequência de alta confiança, o modelo não conseguiu ajustar-se sem violar outras restrições comportamentais.
• Viés de Evidência Positiva (PEB): Na tarefa de luminância, foi observado que as flutuações de luminância no patch selecionado tinham um impacto assimétrico na confiança (dependendo da instrução "Escolher Mais Brilhante" vs. "Escolher Mais Escuro"). Embora o modelo hierárquico padrão não capture essa assimetria de baixo nível, sua arquitetura superior de alto nível foi suficiente para explicar a estrutura geral da decisão e confiança nesta tarefa.

4. Contribuições Chave

1. Dependência do Contexto da Arquitetura de Confiança: O estudo demonstra que não existe um único mecanismo computacional universal para a confiança. A implementação pode adaptar-se às demandas específicas da tarefa.
2. Validação de Modelos Intencionais: O modelo integrado (plano) é capaz de explicar dados complexos de confiança simultânea quando há incentivos claros para a confiança, sugerindo que o cérebro pode transformar uma avaliação metacognitiva de segunda ordem em uma competição de primeira ordem entre ações.
3. Limites dos Modelos Integrados: O estudo revela uma limitação estrutural dos modelos integrados em tarefas sem incentivos, onde a frequência de confiança e o tempo de resposta estão dissociados de forma que o modelo "plano" não consegue acomodar.
4. Implicações Neurofisiológicas: Os resultados apoiam a ideia de que, em tarefas incentivadas, a atividade neural em áreas de preparação de ação (como o córtex intraparietal lateral em primatas) pode refletir diretamente a acumulação de evidências para combinações de escolha-confiança, em vez de um processo sequencial de decisão seguida de avaliação.

5. Significado e Conclusão

A conclusão central do artigo é que a computação da confiança não é rigidamente fixa em uma única arquitetura (seja puramente hierárquica ou puramente integrada). Em vez disso, o cérebro exibe flexibilidade estratégica:

• Em contextos onde a confiança é recompensada e monitorada (Tarefa de Movimento), o sistema pode adotar uma estratégia integrada, onde a confiança é uma dimensão intrínseca da decisão motora.
• Em contextos sem incentivos explícitos (Tarefa de Luminância), o sistema parece recorrer a uma arquitetura hierárquica, onde a confiança é uma avaliação subsequente baseada no estado da decisão.

Isso sugere que a estrutura algorítmica do cérebro para resolver problemas que são computacionalmente hierárquicos pode ser "achatada" (transformada em competição direta) sob condições específicas, desafiando a visão de que a metacognição é sempre um processo separado e posterior à decisão. O estudo abre caminho para investigações futuras sobre como incentivos, feedback e o tipo de estímulo moldam a arquitetura neural da metacognição.