Forscher der Universität Magdeburg und der Charité – Universitätsmedizin Berlin haben ein formales Framework namens agentische Verhaltensmodellierung (ABM) eingeführt, das künstliche Agenten als generative Hypothesen für die menschliche Kognition verwendet. In einem am 30. April 2026 auf arXiv eingereichten Artikel zeigen Dirk Ostwald, Rasmus Bruckner, Franziska Usée, Belinda Fleischmann, Joram Soch und Sean Mulready, wie ABM theoretische Neurowissenschaften, Entscheidungstheorie und probabilistische Inferenz verbinden kann, um Verhaltensdaten zu analysieren.
Die Forschung
Das Team wandte ABM auf zwei klassische Laboraufgaben an: eine binäre perzeptuelle Kontrastunterscheidungsaufgabe und eine symmetrische Zwei-Armed-Bandit-Lernaufgabe. Für jede Aufgabe formalisierten sie das Aufgaben-Agent-Daten-System als gemeinsames Wahrscheinlichkeitsmodell und leiteten explizite bedingte Log-Likelihoods für die Verhaltensinferenz ab. Sie validierten verschiedene Modellvarianten mittels Modell- und Parameter-Recovery-Simulationen und testeten sie an empirischen Daten.
Zu den wichtigsten Ergebnissen gehören eine agentenzentrierte Interpretation der psychometrischen Funktion – der Kurve, die die Reizintensität mit der Wahrnehmungsgenauigkeit verbindet – und die Ableitung optimaler Strategien für beide Aufgaben. Insbesondere bewiesen die Forscher, dass die Rescorla-Wagner-Lernregel (ein klassisches Modell assoziativen Lernens) in symmetrischen Bandits mathematisch äquivalent zur Bayes'schen Inferenz ist. Diese Äquivalenz legt nahe, dass einfache Lernalgorithmen unter bestimmten Bedingungen optimales probabilistisches Denken approximieren können.
Die Recovery-Simulationen bestätigten, dass ABM die wahren Modellparameter aus synthetischen Verhaltensdaten genau rekonstruieren kann, was ihre statistische Angemessenheit untermauert. Das Framework zeigte auch eine gute Anpassung an empirische Daten, wobei genaue Anpassungsmetriken (z. B. Likelihood-Verhältnisse) zu Demonstrationszwecken ohne spezifische Zahlenwerte angegeben wurden.
Warum es wichtig ist
ABM bietet eine prinzipielle Möglichkeit, kognitive Theorien zu testen, indem KI-Agenten als Hypothesen behandelt werden. Anstatt separate Modelle für jedes Experiment zu entwerfen, können Forscher nun evaluieren, ob die internen Mechanismen eines Agenten – wie Glaubensaktualisierung oder Entscheidungsregeln – mit menschlichem Verhalten übereinstimmen. Dies könnte die Entdeckung kognitiver Algorithmen beschleunigen, die Wahrnehmung, Lernen und Entscheidungsfindung zugrunde liegen. Für IQ-Testentwickler bietet ABM ein statistisches Werkzeug, um zu validieren, ob Testaufgaben tatsächlich beabsichtigte kognitive Konstrukte messen und nicht Störvariablen.
Was Sie tun können
Sie können Ihre eigenen kognitiven Fähigkeiten erkunden, indem Sie einen adaptiven IQ-Test absolvieren, der die Item-Response-Theorie – ein verwandtes statistisches Framework – verwendet. Um Ihre Lern- und Entscheidungsfähigkeiten zu trainieren, versuchen Sie es mit probabilistischen Lernaufgaben wie dem Zwei-Armed-Bandit (verfügbar auf Gehirntrainingsplattformen) und verfolgen Sie Ihre Genauigkeit im Laufe der Zeit.
Quelle: arXiv q-bio.NC
Neugierig auf Ihr eigenes Gehirn? Machen Sie unseren kostenlosen adaptiven IQ-Test oder probieren Sie 306 Gehirntrainings-Level.
