Durante años, la ciencia ha sugerido que aprendemos a través de un sistema de premios y castigos, similar al entrenamiento animal o la programación robótica. Sin embargo, una investigación reciente propone una visión radicalmente distinta: nuestras decisiones cotidianas y hábitos podrían estar guiados por mecanismos mucho más complejos y menos automáticos de lo que creíamos.
La Dra. Anne G. E. Collins, del prestigioso Instituto de la Universidad de California, Berkeley, ha presentado un nuevo modelo que desafía la comprensión tradicional del aprendizaje por refuerzo en humanos. Según sus hallazgos, publicados en la prestigiosa revista Nature Human Behaviour, la memoria de trabajo y los hábitos juegan un papel mucho más significativo en la toma de decisiones, especialmente cuando se trata de recompensas, desplazando el paradigma predominante en neurociencia y psicología.
Redefiniendo el Aprendizaje por Refuerzo
El modelo clásico de aprendizaje por refuerzo (RL, por sus siglas en inglés) postula que tanto humanos como animales aprenden asociando acciones con resultados positivos o negativos, un principio básico para la inteligencia artificial. Este proceso se basa en la comparación entre la expectativa y el resultado real, donde la dopamina actúa como un marcador de éxito o fracaso.
No obstante, la Dra. Collins señala que los seres humanos somos más complejos que una máquina o una mascota. «Nuestro cerebro posee una variedad de mecanismos de aprendizaje que operan simultáneamente, incluso en tareas sencillas», afirma la investigadora. Ante la complejidad, como tener que recordar llaves para múltiples puertas, tendemos a recurrir a hábitos, lo que puede llevarnos a decisiones más impulsivas.
La Memoria de Trabajo y los Hábitos: Pilares del Aprendizaje Humano
Al reexaminar diversos experimentos sobre aprendizaje mediante juegos informáticos, Collins observó que la memoria de trabajo es crucial para tareas sencillas, permitiendo un aprendizaje rápido al manejar un número limitado de elementos. Sin embargo, cuando la carga de información excede nuestra capacidad de procesamiento consciente, los hábitos toman protagonismo.
Un ejemplo claro es seguir la misma ruta diaria al trabajo, aun cuando existan opciones más eficientes. Ante un error, mientras la memoria de trabajo y el RL sugerirían evitar la acción, los hábitos tienden a perpetuar la repetición, independientemente del resultado. El análisis computacional confirmó que el comportamiento humano se alinea más con hábitos que apoyan la memoria de trabajo, que con un RL puro.
Implicaciones para la Educación y la Inteligencia Artificial
El hallazgo principal de este estudio reside en la sinergia entre la memoria de trabajo y los hábitos, superando la rigidez de los modelos basados únicamente en recompensas y castigos. A pesar de sus limitaciones, esta combinación permite un aprendizaje flexible y efectivo: la memoria de trabajo guía la atención hacia las acciones correctas, y los hábitos las consolidan hasta convertirlas en procesos automáticos, similar a aprender a andar en bicicleta.
Collins destaca que, si bien el RL tradicional tiene su lugar, la memoria de trabajo y los hábitos son a menudo más determinantes en nuestra vida diaria. «Es notable que, en las situaciones analizadas, el RL no sea indispensable para explicar el aprendizaje, a pesar de ser el modelo predominante», señala.
Estas conclusiones abren nuevas vías para el desarrollo de modelos computacionales y educativos más realistas, alineados con el funcionamiento humano. Comprender la interacción entre estos procesos cerebrales podría ser la clave para mejorar tanto la inteligencia artificial como las metodologías de enseñanza. Futuras investigaciones explorarán la naturaleza de los hábitos en condiciones experimentales frente a la vida real, y cómo las diferencias individuales impactan el aprendizaje.
Fuente: Infobae