Imagine un pequeño pueblo donde cada acción que alguien realiza, buena o mala, es seguida silenciosamente por vecinos siempre atentos y entrometidos. La reputación de un individuo se construye a través de estas acciones y observaciones, lo que determina cómo lo tratarán los demás. Ayudan a un vecino y es probable que reciban ayuda de otros a cambio; le dan la espalda a un vecino y se encuentran aislados. Pero, ¿qué sucede cuando las personas cometen errores, cuando las buenas acciones pasan desapercibidas o los errores conducen a culpas injustas?
Aquí, el estudio del comportamiento se cruza con el razonamiento bayesiano y abductivo, afirma Erol Akçay, biólogo teórico de la Facultad de Artes y Ciencias de la Universidad de Pensilvania.
El razonamiento bayesiano se refiere a un método para evaluar la probabilidad, en el que los individuos utilizan conocimientos previos combinados con nueva evidencia para actualizar sus creencias o estimaciones sobre una determinada condición, en este caso la reputación de otros aldeanos. Mientras que el razonamiento abductivo implica un enfoque simple de "lo que ves es lo que obtienes" para racionalizar y tomar una decisión, afirma Akçay.
En dos artículos, uno publicado en PLoS Computational Biology y el otro en el Journal of Theoretical Biology , investigadores del Departamento de Biología exploraron cómo estas estrategias de razonamiento pueden modelarse y aplicarse de manera efectiva para mejorar la comprensión de la dinámica social por parte de los biólogos.
La Biología Computacional PLoS El artículo investiga cómo se pueden utilizar los métodos estadísticos bayesianos para sopesar la probabilidad de errores y alinear los juicios de los actores dentro de una red social con una comprensión más matizada de la reputación. "Es algo que podemos hacer comúnmente cuando intentamos ofrecer una explicación para algunos fenómenos sin una solución obvia, directa o intuitiva", dice Akçay.
Bryce Morsky, coautor de ambos artículos y ahora profesor asistente en la Universidad Estatal de Florida, comenzó el trabajo durante su investigación postdoctoral en el laboratorio de Akçay. Dice que inicialmente creyó que tener en cuenta los errores de juicio podría mejorar sustancialmente el sistema de recompensa y castigo que sustenta la cooperación y que esperaba que una mejor comprensión de estos errores y su incorporación al modelo promovería una cooperación más efectiva. P>
"Básicamente, la hipótesis era que la reducción de errores conduciría a una evaluación más precisa de la reputación, lo que a su vez fomentaría la cooperación", afirma.
El equipo desarrolló un modelo matemático para simular el razonamiento bayesiano. Se trataba de un modelo de teoría de juegos en el que los individuos interactúan dentro de un marco de encuentros basados en donaciones. Otros individuos en la simulación evalúan la reputación de los actores en función de sus acciones, influenciados por varias normas sociales predefinidas.
En el contexto de la aldea, esto significa juzgar a cada aldeano por sus acciones, ya sea ayudar a otro (bueno) o no hacerlo (malo), pero también tener en cuenta su reputación histórica y el potencial que no evaluaste correctamente.
"Entonces, por ejemplo, si observas a alguien comportándose mal, pero antes pensabas que era bueno, mantienes una mente abierta que tal vez no viste correctamente. Esto permite un cálculo matizado de las actualizaciones de reputación", dice Morsky. Él y sus colegas utilizan este modelo para ver cómo los errores y el razonamiento afectarían la percepción y la dinámica social de los aldeanos.
Las cinco normas sociales clave que explora el estudio son:puntuar, evitar, mantenerse firme, quedarse y juzgar con severidad; cada uno afecta la reputación y el comportamiento posterior de los individuos de manera diferente, alterando los resultados evolutivos de las estrategias cooperativas.
"En algunos escenarios, particularmente bajo puntuación, el razonamiento bayesiano mejoró la cooperación, dice Morsky. "Pero bajo otras normas, como el juicio de Stern, generalmente resultó en menos cooperación debido a criterios de juicio más estrictos".
Morsky explica que en la puntuación se aplica una regla simple:es bueno cooperar (dar) y malo desertar (no dar), independientemente de la reputación del destinatario. Mientras que bajo el juicio Stern no sólo se consideran las acciones de los individuos, sino que sus decisiones también se evalúan críticamente en función de la reputación del destinatario.
En el contexto del escenario de vecinos entrometidos, si un aldeano decide ayudar a otro, esta acción se anota positivamente en Puntuación, independientemente de quién reciba la ayuda o su posición en la aldea. Por el contrario, según el Juzgado Stern, si un aldeano decide ayudar a alguien con mala reputación, se considera negativo, dicen los investigadores.
Añade que la falta de cooperación fue particularmente evidente en normas en las que el razonamiento bayesiano conducía a una menor tolerancia a los errores, lo que podía exacerbar los desacuerdos sobre la reputación en lugar de resolverlos. Esto, junto con el conocimiento de que los humanos no sopesan toda la información relevante antes de decidir con quién trabajar, llevó a Akçay y Morsky a investigar otras formas de razonamiento.
Mientras trabajaba en el laboratorio de Akçay, Morsky reclutó a Neel Pandula, entonces estudiante de segundo año de secundaria. "Nos conocimos a través del programa Penn Laboratory Experience en Ciencias Naturales", dice Morsky. "A la luz del modelo de razonamiento bayesiano, Neel propuso el razonamiento abductivo como otro enfoque para modelar el razonamiento, por lo que comenzamos a escribir ese artículo para el Journal of Theoretical Biology. , del que se convirtió en el primer autor."
Pandula, ahora estudiante de primer año en la Facultad de Artes y Ciencias, explica que él y Morsky utilizaron la teoría de Dempster-Shafer (un marco probabilístico para inferir las mejores explicaciones) para formar la base de su enfoque.
"La clave aquí es que la teoría de Dempter-Shafer permite un poco de flexibilidad en el manejo de la incertidumbre y permite integrar nueva evidencia en los sistemas de creencias existentes sin comprometerse completamente con una única hipótesis a menos que la evidencia sea sólida", dice Pandula.
Por ejemplo, explican los investigadores, en una aldea, ver a una buena persona ayudar a otra buena persona se alinea con las normas sociales y es fácilmente aceptado por los observadores. Sin embargo, si se ve a un aldeano conocido como malo ayudando a una buena persona, eso contradice estas normas, lo que lleva a los observadores a cuestionar la reputación involucrada o la precisión de su observación. Luego utilizan las reglas del razonamiento abductivo, específicamente la teoría de Dempster-Shafer, considerando tasas de error y comportamientos típicos para determinar la verdad más probable detrás de la acción inesperada.
El equipo anticipó que el razonamiento abductivo manejaría los errores en las evaluaciones de reputación de manera más efectiva, especialmente en entornos públicos en los que las personas pueden ser presionadas de una forma u otra, lo que resulta en discrepancias y errores. Según la puntuación y otras normas, descubrieron que el razonamiento abductivo podía fomentar mejor la cooperación que el bayesiano en entornos públicos.
Akçay dice que fue un poco sorprendente ver que al navegar por las redes sociales, un mecanismo de razonamiento tan simple "cognitivamente 'barato y perezoso' demuestra ser efectivo para enfrentar los desafíos asociados con la reciprocidad indirecta".
Morsky señala que en ambos modelos los investigadores optaron por no tener en cuenta ningún coste de la carga cognitiva. "Uno esperaría que realizar una tarea exigente como recordar qué individuos hicieron qué y usarlo para informarle sobre lo que probablemente harán a continuación produzca algún resultado positivo y prosocial. Sin embargo, incluso si hace que este esfuerzo no tenga costo, según el método bayesiano razonamiento, generalmente socava la cooperación."
Como seguimiento, los investigadores están interesados en explorar cómo los métodos de razonamiento de bajo costo, como el razonamiento abductivo, pueden favorecerse evolutivamente en círculos sociales más grandes y complejos. Y están interesados en aplicar estos métodos de razonamiento a otros sistemas sociales.
Más información: Bryce Morsky et al, Reciprocidad indirecta con razonamiento y sesgos bayesianos, PLOS Computational Biology (2024). DOI:10.1371/journal.pcbi.1011979
Neel Pandula et al, Reciprocidad indirecta con razonamiento abductivo, Revista de biología teórica (2023). DOI:10.1016/j.jtbi.2023.111715
Información de la revista: Revista de Biología Teórica , Biología Computacional PLoS
Proporcionado por la Universidad de Pensilvania