O forrageamento de informações visuoespaciais descreve o comportamento de busca no aprendizado de recursos ambientais latentes

Scientific Reports volume 13, Número do artigo: 1126 (2023) Citar este artigo

1906 acessos

11 Altmétrica

Detalhes das métricas

No mundo real, fazer sequências de decisões para atingir objetivos geralmente depende da capacidade de aprender aspectos do ambiente que não são diretamente perceptíveis. Aprender esses chamados recursos latentes requer buscar informações sobre eles. Esforços anteriores para estudar o aprendizado de recursos latentes geralmente usavam decisões únicas, usavam poucos recursos e falhavam em distinguir entre busca de recompensa e busca de informações. Para superar isso, projetamos uma tarefa na qual humanos e macacos faziam uma série de escolhas para procurar formas escondidas em uma grade. Em nosso trabalho, os efeitos dos resultados de recompensa e informações da descoberta de partes de formas podem ser desvendados. Os membros de ambas as espécies aprenderam habilmente as formas e preferiram selecionar os ladrilhos que deveriam ser informativos mais cedo nos testes do que os anteriormente recompensadores, pesquisando uma parte da grade até que seus resultados caíssem abaixo do resultado médio da informação - um padrão consistente com o comportamento de forrageamento. Além disso, a rapidez com que os humanos aprenderam as formas foi prevista pelo quão bem suas sequências de escolha correspondiam ao padrão de forrageamento, revelando uma conexão inesperada entre forrageamento e aprendizado. Essa busca adaptativa por informações pode ser a base da capacidade de humanos e macacos de aprender características latentes para apoiar o comportamento direcionado a objetivos a longo prazo.

Todos os animais devem aprender características latentes de seus ambientes, aquelas que devem ser inferidas a partir de observações. Muitos estudos em psicologia e disciplinas relacionadas investigam como os animais podem aprender associações entre recursos e recompensas. Embora as características perceptíveis no ambiente possam ser observadas e diretamente reforçadas pelos resultados das escolhas de um indivíduo, as características latentes nos ambientes não podem ser tão facilmente reforçadas - elas devem primeiro ser aprendidas1,2,3,4,5,6,7,8, 9,10. Essas características latentes geralmente capturam a estrutura estatística de situações no ambiente através de estímulos, ações, tempo, espaço e uma série de variáveis internas ao organismo, como humor ou estado cognitivo11. Muitos contextos envolvem aprender características latentes com base nas observáveis, variando do mundano, como determinar o amadurecimento de uma fruta, a característica latente, de sua cor, cheiro ou suavidade observáveis12, até o esotérico, como derrotar um videogame, onde os jogadores devem aprender a estrutura de cada nível, os recursos latentes, a partir de diferentes sequências de pressionamento de botões e resultados observáveis13. Apesar da relevância para muitos aspectos da cognição, como os humanos e outros animais aprendem essas características latentes é apenas recentemente um foco de pesquisa em psicologia e neurociência.

As características latentes são muitas vezes aprendidas com os resultados das escolhas. A aprendizagem baseada em resultados de características latentes é tipicamente estudada usando recompensas como comida ou água para fornecer feedback que pode ser usado para aumentar o comportamento14,15,16. No mundo real, no entanto, muitos comportamentos não são recompensados momentaneamente e, ainda assim, o aprendizado ainda ocorre17. Concentrar-se apenas em recompensas recentes, portanto, falha em capturar totalmente o aprendizado. Além da recompensa, os resultados das escolhas também fornecem informações, aqui entendidas como mudanças nas probabilidades de ocorrência de características ou causas observáveis no ambiente. Essas informações também podem ser usadas para aprendizado; especificamente, a aquisição de informações pode ajudar a identificar uma característica latente. Uma vez que o conhecimento das características latentes pode ser crítico para desenvolver e aplicar estratégias eficientes para obter recompensa e evitar resultados aversivos a longo prazo, a busca por informações pode ser uma força motivadora para o comportamento.

A busca de informações deve frequentemente ser equilibrada com a busca de recompensas. Exemplos de trocas de informações sobre recompensas são comuns em ambientes humanos e animais. Por exemplo, macacos-de-cauda-comprida às vezes renunciam a comer recompensas observáveis para descobrir e consumir as escondidas antes de retornar para comer as observáveis18. Os seres humanos mudarão suas escolhas para refletir sua incerteza epistêmica sobre o ambiente, selecionando opções que fornecerão informações quando souberem que terão a oportunidade de usar essas informações para fazer novas escolhas, mesmo que a recompensa potencial seja menor19. Compreender como os resultados das recompensas ou da informação impactam o aprendizado é, consequentemente, importante para entender como o aprendizado ocorre na confusa complexidade de muitos ambientes.

0, all p's < 1 × 10–6; βmean = − 0.0071 ± 0.0044, t(df = 4) = − 1.6173, p > 0.1). We view this variability in monkey behavior as a boon for future investigation of the neural circuits underlying this learning. Humans showed quicker convergence to optimal numbers of choices by at least an order of magnitude (Fig. 2C; mean across shapes and subjects: β = − 0.2673 ± 0.0722, Student's t-test: t(df = 4) = − 3.7025, p < 0.05)./p> 0.3, ρ = 0.1545, not shown). During learning, human information forager scores (mean forager score FS = 0.67 ± 0.016) were not significantly different from M1 (one-sample t-test; M1 = 0.67; t(df = 38) = 0.36, p > 0.7) and marginally different from M2 (one-sample t-test; M2 = 0.70; t(df = 38) = − 1.90, p > 0.05). After learning, humans (mean FS = 0.56 ± 0.042) had significantly lower information foraging scores than both monkeys (one-sample t-tests; M1 = 0.72, t(df = 37) = − 3.82, p < 5 × 10–4; M2 = 0.72, t(df = 37) = − 3.84, p < 5 × 10–4). Further, humans foraged for information significantly more during learning compared to after shapes had been learned (Student's t-test, t(df = 75) = 2.63, p < 0.05) whereas monkeys marginally increased (M1: 0.67 during learning, 0.72 after; M2: 0.70 during, 0.72 after). Human reward forager scores during learning (mean forager score FS = 0.3233 ± 0.0115) were significantly lower than after learning (mean forager score FS = 0.3879 ± 0.0223; Student's t-test, t(df = 75) = − 2.5901, p < 0.05). Humans also showed significantly lower reward forager scores during and after learning than M1 (during learning FS = 0.4082, one-sample t-test, t(df = 38) = − 7.3662, p < 1 × 10–8; after learning FS = 0.4387, one-sample t-test, t(df = 38) = − 2.2276, p < 0.05), and no significant difference during learning but significantly higher forager score after learning than M2 (during learning FS = 0.3063, one-sample t-test, t(df = 38) = 1.4780, p > 0.1; after learning FS = 0.2765, one-sample t-test, t(df = 38) = 4.9921, p < 0.0001). In sum, better information foraging in humans predicted faster learning (as judged by their last changepoint) and humans ceased information foraging after learning./p>