Un modelo gr\u00e1fico de la investigaci\u00f3n realizada por Lynn et al. Cr\u00e9dito: Blevmore Labs <\/p>\n
El cerebro humano es un procesador de informaci\u00f3n muy avanzado compuesto por m\u00e1s de 86 mil millones de neuronas. Los humanos son expertos en reconocer patrones de redes complejas, como idiomas, sin ninguna instrucci\u00f3n formal. Anteriormente, los cient\u00edficos cognitivos intentaron explicar esta capacidad representando el cerebro como una computadora altamente optimizada, pero ahora hay una discusi\u00f3n entre los neurocient\u00edficos de que este modelo podr\u00eda no reflejar con precisi\u00f3n c\u00f3mo funciona el cerebro. <\/p>\n
Ahora, los investigadores de Penn han desarrollado un modelo diferente sobre c\u00f3mo el cerebro interpreta patrones de redes complejas. Publicado en Nature Communications, este nuevo modelo muestra que la capacidad de detectar patrones proviene en parte del objetivo del cerebro de representar las cosas de la manera m\u00e1s simple posible. Su modelo representa al cerebro equilibrando constantemente la precisi\u00f3n con la simplicidad al tomar decisiones. El trabajo fue realizado por la f\u00edsica Ph.D. estudiante Christopher Lynn, neurociencia Ph.D. el estudiante Ari Kahn y la profesora Danielle Bassett.<\/p>\n
Este nuevo modelo se basa en la idea de que las personas cometen errores al tratar de dar sentido a los patrones, y estos errores son esenciales para obtener una visi\u00f3n general. \u00abSi miras una pintura puntillista de cerca, puedes identificar correctamente cada punto. Si retrocedes 20 pies, los detalles se vuelven borrosos, pero obtendr\u00e1s una mejor idea de la estructura general\u00bb, dice Lynn.<\/p>\n
Para probar su hip\u00f3tesis, los investigadores realizaron una serie de experimentos similares a un estudio anterior de Kahn. Ese estudio encontr\u00f3 que cuando a los participantes se les mostraba la repetici\u00f3n de elementos en una secuencia, como ABCB, etc., autom\u00e1ticamente eran sensibles a ciertos patrones sin ser expl\u00edcitamente conscientes de que los patrones exist\u00edan. \u00abSi experimenta una secuencia de informaci\u00f3n, como escuchar un discurso, puede captar ciertas estad\u00edsticas entre elementos sin ser consciente de cu\u00e1les son esas estad\u00edsticas\u00bb, dice Kahn.<\/p>\n
Para entender c\u00f3mo el cerebro autom\u00e1ticamente entiende asociaciones tan complejas dentro de secuencias, a 360 participantes del estudio se les mostr\u00f3 una pantalla de computadora con cinco cuadrados grises correspondientes a cinco teclas en un teclado. Cuando dos de los cinco cuadrados cambiaron de gris a rojo, los participantes tuvieron que presionar las teclas de la computadora que correspond\u00edan a los cuadrados cambiantes. Para los participantes, el patr\u00f3n de cuadrados que cambiaban de color era aleatorio, pero las secuencias en realidad se generaron utilizando dos tipos de redes.<\/p>\n
Los investigadores descubrieron que la estructura de la red afectaba la rapidez con la que los participantes pod\u00edan responder a los est\u00edmulos, una indicaci\u00f3n de sus expectativas de los patrones subyacentes. Las respuestas fueron m\u00e1s r\u00e1pidas cuando a los participantes se les mostraron secuencias que se generaron utilizando una red modular en comparaci\u00f3n con las secuencias provenientes de una red de celos\u00eda.<\/p>\n
Si bien estos dos tipos de redes parecen diferentes para el ojo humano a gran escala, son en realidad estad\u00edsticamente id\u00e9nticos entre s\u00ed a peque\u00f1a escala. Hay el mismo n\u00famero de conexiones entre los nodos y los bordes, aunque la forma general es diferente. \u00abA una computadora no le importar\u00eda esta diferencia en la estructura a gran escala, pero el cerebro la capta. Los sujetos podr\u00edan comprender mejor la estructura subyacente de la red modular y anticipar la pr\u00f3xima imagen\u00bb, dice Lynn.<\/p>\n
Usando herramientas de la teor\u00eda de la informaci\u00f3n y el aprendizaje por refuerzo, los investigadores pudieron usar estos datos para implementar una m\u00e9trica de complejidad llamada entrop\u00eda. \u00abSer muy aleatorio es lo menos complejo que puedes hacer, mientras que si estuvieras aprendiendo la secuencia con mucha precisi\u00f3n, eso es lo m\u00e1s complejo que puedes hacer. El equilibrio entre errores y complejidad, o entrop\u00eda negativa, da lugar a las predicciones de que el ofrece el modelo\u00bb, dice Lynn.<\/p>\n
El modelo resultante de c\u00f3mo el cerebro procesa la informaci\u00f3n representa al cerebro equilibrando dos presiones opuestas: complejidad versus precisi\u00f3n. \u00abPuedes ser muy complejo y aprender bien, pero luego est\u00e1s trabajando muy duro para aprender patrones\u00bb, dice Lynn. \u00abO bien, tienes un proceso de menor complejidad, que es m\u00e1s f\u00e1cil, pero no vas a aprender los patrones tan bien\u00bb.<\/p>\n
Con su nuevo modelo, los investigadores tambi\u00e9n pudieron cuantificar este equilibrio utilizando un par\u00e1metro beta. Si beta es cero, el cerebro comete muchos errores pero minimiza la complejidad. Si la beta es alta, entonces el cerebro est\u00e1 tomando precauciones para evitar cometer errores. \u00abTodo lo que hace la versi\u00f3n beta es sintonizar cu\u00e1l domina\u00bb, dice Lynn. En este estudio, el 20 % de los participantes ten\u00eda una beta peque\u00f1a, el 10 % ten\u00eda valores beta altos y el 70 % restante se encontraba en alg\u00fan punto intermedio. \u00abVes esta amplia variedad de valores beta entre las personas\u00bb, dice.<\/p>\n
Kahn dice que esta idea de equilibrar las fuerzas no fue sorprendente, dada la enorme cantidad de informaci\u00f3n que el cerebro tiene que procesar bajo un cantidad limitada de recursos y sin gastar demasiado tiempo en decisiones simples. \u00abEl cerebro ya est\u00e1 utilizando una gran cantidad de costos metab\u00f3licos, por lo que realmente desea maximizar lo que obtiene\u00bb, dice. \u00abSi piensas en algo tan b\u00e1sico como la atenci\u00f3n, hay una compensaci\u00f3n inherente en maximizar la precisi\u00f3n frente a todo lo dem\u00e1s que est\u00e1s ignorando\u00bb.<\/p>\n
\u00bfY qu\u00e9 pasa con el papel de cometer errores? Su modelo respalda la idea de que el cerebro humano no es una m\u00e1quina de aprendizaje \u00f3ptima, sino que cometer errores y aprender de ellos juega un papel muy importante en el comportamiento y la cognici\u00f3n. Parece que ser capaz de observar sistemas complejos de manera m\u00e1s amplia, como alejarse de una pintura puntillista, le da al cerebro una mejor idea de las relaciones generales.<\/p>\n
\u00abComprender la estructura, o c\u00f3mo estos elementos se relacionan entre s\u00ed , puede surgir de una codificaci\u00f3n imperfecta de la informaci\u00f3n. Si alguien fuera perfectamente capaz de codificar toda la informaci\u00f3n entrante, no necesariamente entender\u00eda el mismo tipo de agrupaci\u00f3n de experiencias que entiende si hay un poco de confusi\u00f3n, \u00ab, dice Kahn.<\/p>\n
\u00abLo mejor es que los errores en la forma en que las personas aprenden y perciben el mundo est\u00e1n influyendo en nuestra capacidad para aprender estructuras. As\u00ed que estamos muy divorciados de c\u00f3mo actuar\u00eda una computadora\u00bb, dice Lynn.<\/p>\n
Los investigadores ahora est\u00e1n interesados en qu\u00e9 hace que la red modular sea m\u00e1s f\u00e1cil de interpretar para el cerebro y tambi\u00e9n est\u00e1n realizando estudios de resonancia magn\u00e9tica funcional para comprender en qu\u00e9 parte del cerebro se forman estas asociaciones de redes. Tambi\u00e9n sienten curiosidad por saber si el equilibrio de complejidad y precisi\u00f3n de las personas es fluido, si las personas pueden cambiar por s\u00ed mismas o si est\u00e1n \u00abestablecidas\u00bb, y tambi\u00e9n esperan hacer experimentos usando entradas de lenguaje en alg\u00fan momento en el futuro.<\/p>\n
\u00abDespu\u00e9s de comprender mejor c\u00f3mo los humanos adultos sanos construyen estos modelos de red de nuestro mundo, estamos emocionados de pasar al estudio de condiciones psiqui\u00e1tricas como la esquizofrenia en la que los pacientes construyen modelos inexactos o alterados de sus mundos\u00bb, dice Bassett. \u00abNuestro trabajo inicial allana el camino para nuevos esfuerzos en el campo emergente de la psiquiatr\u00eda computacional\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Nuestra capacidad para detectar patrones podr\u00eda deberse al deseo del cerebro de representar las cosas de la manera m\u00e1s simple posible. M\u00e1s informaci\u00f3n:<\/strong> Christopher W. Lynn et al, Surgen representaciones abstractas de eventos de errores mentales en el aprendizaje y la memoria, Nature Communications (2020). DOI: 10.1038\/s41467-020-15146-7 Informaci\u00f3n de la revista:<\/strong> Nature Communications <\/p>\n Proporcionado por la Universidad de Pensilvania Cita<\/strong>: Investigadores desarrollan un nuevo modelo de c\u00f3mo funciona el cerebro procesa informaci\u00f3n compleja (8 de mayo de 2020) recuperado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020-05-brain-complex.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Un modelo gr\u00e1fico de la investigaci\u00f3n realizada por Lynn et al. Cr\u00e9dito: Blevmore Labs El cerebro humano es un procesador de informaci\u00f3n muy avanzado compuesto por m\u00e1s de 86 mil millones de neuronas. Los humanos son expertos en reconocer patrones de redes complejas, como idiomas, sin ninguna instrucci\u00f3n formal. Anteriormente, los cient\u00edficos cognitivos intentaron explicar … Continuar leyendo \u00abInvestigadores desarrollan un nuevo modelo sobre c\u00f3mo el cerebro procesa informaci\u00f3n compleja\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-27564","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/27564","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=27564"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/27564\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=27564"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=27564"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=27564"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}