El objetivo principal de este sistema es minimizar el "error de predicción", es decir, la discrepancia entre el insumo previsto y el real. Si el error de predicción es pequeño, puede que no sea necesario revisar el modelo que da lugar a la predicción. Si, por el contrario, el error de predicción es grande, es probable que el modelo no capte las causas de los insumos y, por tanto, deba ser revisado. En este sentido, el cerebro no codifica todos los insumos, sólo los inesperados. El comportamiento de las neuronas dopaminérgicas del cuerpo estriado es un buen ejemplo en el ámbito del procesamiento de recompensas: su ritmo de activación se corresponde con los cambios en el valor de una recompensa próxima que sean inesperados (por ejemplo, porque se aumente o se disminuya la cantidad de zumo de frutas que se administra al animal tras el sonido de una campanilla) y no con la cuantía de la recompensa en sí.
La teoría de la minimización de errores de predicción postula que los modelos generados por el cerebro no sólo se evalúan en función de lo bien que se ajustan a la realidad, es decir, lo bien que predicen la información en cuestión, sino también en función de su probabilidad inicial, es decir, la "probabilidad previa" de que tal fuera la información (Bayes). Cuando el cerebro interpreta la nueva información o insumo, no empieza de cero, sino que actualiza el modelo en relación con la probabilidad previa más elevada para acomodar la nueva información.
Además, la teoría de la minimización de errores de predicción implica que estos modelos están organizados jerárquicamente. En el nivel más bajo de la jerarquía, las neuronas codifican características como superficies, bordes y colores. Estas características de bajo nivel se agrupan en un nivel jerárquico superior en forma de objetos, y en un nivel jerárquico aún más alto, estos objetos se agrupan en forma de escenas más grandes que incluyen múltiples objetos.
Por ejemplo, cuando se ve una taza de té roja, las neuronas del sistema visual que codifican los bordes reaccionan y representan los bordes en un lugar determinado del campo visual. Además, habrá una reacción por parte de las neuronas que codifican las superficies, y otra por parte de las neuronas que codifican el enrojecimiento, que representarán una superficie y el color rojo en una zona concreta del campo visual. De un milisegundo a otro, no habrá muchos cambios en estas informaciones, y las neuronas del nivel jerárquico más bajo (que representan los bordes, las superficies y los colores) pueden, por defecto, no predecir ningún cambio en los insumos. Sin embargo, si se mueve la taza, los insumos, informaciones o señales cambiarán. Y lo que es más importante, cambiarán de forma coherente, dado que todas las características son de la misma taza: si uno de los bordes se desplaza un poco hacia la izquierda, también lo harán los demás bordes y la superficie roja. Para aprovechar estas regularidades al anticipar las informaciones, el cerebro, en un nivel jerárquico superior al de la representación de características de bajo nivel como superficies, bordes y colores, representa la taza como un objeto. Además, para anticiparse a los cambios en escalas de tiempo más largas, los modelos de nivel jerárquico superior integran el objeto en escenas más amplias, como por ejemplo, una reunión social para tomar el té, y generan así predicciones relativas a los objetos y a las escenas en general de forma dependiente del contexto (en lugar de características de bajo nivel como los bordes, las superficies y los colores). Así, al integrar la taza en un modelo de una reunión para tomar el té, será posible predecir aproximadamente de qué manera se moverá la taza, por quién y hacia dónde. Por otro lado, dado que también perdemos detalle y precisión a medida que ascendemos en la jerarquía, los niveles jerárquicos inferiores siguen siendo necesarios para hacer predicciones específicas.
Por último, la teoría de la minimización de errores de predicción propone que el cerebro tiene dos opciones para reducir el error de predicción. La primera opción es revisar su modelo del mundo hasta que el error de predicción disminuya satisfactoriamente ("inferencia perceptiva"). La segunda opción es cambiar el mundo para que coincida con el modelo ("inferencia activa"). Si, por ejemplo, uno espera ver su taza de té encima del escritorio ante el que está sentado, pero resulta que no está allí, podría simplemente concluir que se ha equivocado (es decir, cambiar el modelo). pero podría también mover la cabeza o el cuerpo hasta ver la taza, por ejemplo, situada detrás del ordenador o tapada por una pila de libros. En este caso, uno ha cambiado el mundo en el sentido de cambiar la posición de su cuerpo en el mundo. Más radicalmente, uno podría ir a buscar la taza de té y ponerla exactamente en la parte del escritorio donde uno esperaba que estuviera. De nuevo, esto equivaldría a cambiar el mundo para que coincida con el modelo que uno tiene de él
Leon de Bruin/John Michael Prediction Error Minimization as a Framework for Social Cognition Research, 2018
No hay comentarios:
Publicar un comentario