The Socio-Evolutionary Algorithm: trust, imitation and exploration in repeated adaptive decisions

Resumo Técnico: O Algoritmo Socioevolutivo (SEA)

Definição do Problema
Decisões adaptativas repetidas exigem que os indivíduos equilibrem estabilidade com diversidade: decidir em quem confiar, o que imitar e quando explorar alternativas. Abordagens existentes frequentemente isolam mecanismos específicos, como aprendizagem por reforço, atualização de crenças bayesianas, aprendizagem social ou busca evolutiva. No entanto, o comportamento adaptativo em populações heterogêneas provavelmente depende da interação desses componentes. Especificamente, em domínios como a gestão de dívidas, os indivíduos frequentemente se desviam de alocações de pagamento normativamente eficientes mesmo quando isso é custoso, sugerindo que modelos padrão podem não capturar plenamente a interação entre influência social e exploração.

Metodologia
Este estudo introduz o Algoritmo Socioevolutivo (SEA) como um framework transparente para formalizar essas interações. O framework distingue duas formulações:

1. Core SEA: Uma implementação de parâmetros fixos que integra dinâmica de confiança indexada por pares, imitação limitada e exploração estocástica.
2. Adaptive SEA: Uma extensão de nível de framework que permite cronogramas adaptativos de aprendizagem e exploração.

O estudo utiliza um conjunto de dados bloqueado de 1.622 participantes em dez coortes heterogêneas (variando por nacionalidade, idade e contexto financeiro) engajados em uma tarefa repetida de alocação de dívida. A avaliação foca em cinco resultados pré-especificados: dívida total, dívida líquida final, alocação média não otimizada, valor total de poupança e frequência de poupança.

A abordagem analítica inclui:

• Estimativa de heterogeneidade de efeitos aleatórios para considerar a variabilidade entre coortes.
• Aumento por Bootstrap com Testes de Um Lado Duplos (TOST) para teste de equivalência (usando uma margem de ±0,10 DP).
• Ablação de componentes para isolar os efeitos da atualização direcionada ao social/confiança versus baselines não sociais ou puramente baseadas em mutação.
• Benchmarks de comparadores externos contra outros modelos de aprendizagem (ex: aprendizagem por regra delta).
• Diagnósticos de robustez, incluindo sensibilidade de exclusão de uma coorte por vez (leave-one-cohort-out) e verificações de sensibilidade de semente (seed).

Principais Contribuições

• Definição de Framework: O artigo define o SEA não como um otimizador prescritivo, mas como um modelo interpretável para avaliar como a confiança ponderada por credibilidade, a imitação limitada e a exploração estocástica moldam decisões repetidas.
• Validação Consciente da Heterogeneidade: Fornece uma conta reprodutível da estrutura empírica de nível de resultado através de diversas populações, reconhecendo explicitamente que as coortes não são amostras homogêneas.
• Isolamento de Mecanismo: Através de estudos de ablação, o estudo demonstra que a aprendizagem social não é uniformemente benéfica; sua eficácia depende de se a influência dos pares é ponderada por credibilidade em vez de ser aleatória ou puramente baseada em mutação.

Resultados

• Heterogeneidade: Observou-se heterogeneidade substancial entre coortes em todos os cinco resultados (estimativas de $I^2$ variando de 82,21% a 93,65%), confirmando que as coortes não podem ser tratadas como um grupo homogêneo único.
• Equivalência: O aumento por Bootstrap preservou as distribuições marginais agrupadas sob a margem de equivalência pré-especificada, mas a equivalência dentro das coortes foi menos consistente (apenas 2 de 50 comparações passaram), sugerindo que o aumento é mais forte na distribuição do nível do conjunto de dados.
• Comparação de Modelos (Adaptive vs. Core): O Adaptive SEA mostrou um refinamento descritivo modesto sobre o Core SEA (ex: menor Diferença Média Padronizada Absoluta de 1,300 vs. 1,343; menor Log-Verossimilhança Negativa). No entanto, após a correção de Benjamini–Hochberg, o contraste Adaptive-versus-Core não atingiu significância estatística ($q < 0,05$) nas métricas de distância primárias. A evidência apoia a superioridade descritiva, mas não inferencial, do Adaptive SEA.
• Importância dos Componentes: Variantes direcionadas à confiança permaneceram competitivas, enquanto as baselines não sociais e apenas de mutação tiveram desempenho substancialmente inferior (ex: DSM Absoluto de ~1,62 para não social vs. ~1,30 para direcionada à confiança). Isso indica que a atualização ponderada por credibilidade é central para o alinhamento do framework.
• Exploração Estocástica: As variantes sem exploração estocástica foram competitivas sob várias métricas, sugerindo que a exploração é sensível ao contexto e não uniformemente benéfica.
• Comparadores Externos: O Adaptive SEA apresentou o melhor alinhamento de média padronizada entre as famílias externas, embora alguns modelos alternativos tenham capturado formas distributivas específicas de maneira mais próxima.

Significância e Alegações
O artigo afirma que o Algoritmo Socioevolutivo oferece um framework competitivo, interpretável e reprodutível para modelar decisões adaptativas repetidas. Os autores declaram explicitamente que o estudo não reivindica prova causal ou supremacia preditiva uniforme. Em vez disso, a significância reside em demonstrar que regras transparentes para influência ponderada por credibilidade e imitação limitada podem explicar a estrutura empírica de nível de resultado através de populações heterogêneas.

Os achados sugerem que desvios de regras de decisão normativas não devem ser vistos apenas como irracionalidade individual, mas podem representar uma adaptação limitada à informação filtrada socialmente. O estudo posiciona o SEA como um complemento, e não um substituto, para abordagens preditivas convencionais, com seu valor primário sendo a capacidade de rastrear ajustes comportamentais através de regras de atualização explícitas em vez de inferi-los de predições de "caixa-preta". Os autores observam limitações quanto à falta de pré-registro formal e a necessidade de trabalhos futuros para testar a portabilidade em outros domínios e trajetórias temporais mais granulares.