Investigadores de la Universidad de Magdeburgo y Charité – Universitätsmedizin Berlin han presentado un marco formal llamado modelado conductual agentivo (ABM) que utiliza agentes artificiales como hipótesis generativas para la cognición humana. En un artículo enviado a arXiv el 30 de abril de 2026, Dirk Ostwald, Rasmus Bruckner, Franziska Usée, Belinda Fleischmann, Joram Soch y Sean Mulready demuestran cómo ABM puede unir la neurociencia teórica, la teoría de decisiones y la inferencia probabilística para analizar datos conductuales.
La Investigación
El equipo aplicó ABM a dos tareas clásicas de laboratorio: una tarea binaria de discriminación de contraste perceptual y una tarea de aprendizaje simétrico de dos brazos (two-armed bandit). Para cada tarea, formalizaron el sistema tarea-agente-datos como un modelo de probabilidad conjunta y derivaron log-verosimilitudes condicionales explícitas para la inferencia conductual. Validaron diferentes variantes del modelo mediante simulaciones de recuperación de modelos y parámetros, y las probaron con datos empíricos.
Los hallazgos clave incluyen una interpretación agentiva de la función psicométrica —la curva que vincula la intensidad del estímulo con la precisión perceptual— y la derivación de políticas óptimas para ambas tareas. En particular, los investigadores demostraron que en bandidos simétricos, la regla de aprendizaje Rescorla-Wagner (un modelo clásico de aprendizaje asociativo) es matemáticamente equivalente a la inferencia bayesiana. Esta equivalencia sugiere que algoritmos de aprendizaje simples pueden aproximar el razonamiento probabilístico óptimo bajo ciertas condiciones.
Las simulaciones de recuperación confirmaron que ABM puede recuperar con precisión los verdaderos parámetros del modelo a partir de datos conductuales sintéticos, lo que respalda su adecuación estadística. El marco también mostró un buen ajuste a los datos empíricos, aunque las métricas de ajuste exactas (por ejemplo, razones de verosimilitud) se informaron con fines de demostración sin valores numéricos específicos.
Por Qué es Importante
ABM proporciona una forma fundamentada de probar teorías cognitivas al tratar a los agentes de IA como hipótesis. En lugar de diseñar modelos separados para cada experimento, los investigadores ahora pueden evaluar si los mecanismos internos de un agente —como la actualización de creencias o las reglas de decisión— coinciden con el comportamiento humano. Esto podría acelerar el descubrimiento de algoritmos cognitivos subyacentes a la percepción, el aprendizaje y la toma de decisiones. Para los diseñadores de pruebas de CI, ABM ofrece una herramienta estadística para validar si los ítems de la prueba miden constructos cognitivos intencionados en lugar de variables de confusión.
Qué Puedes Hacer
Puedes explorar tus propias capacidades cognitivas realizando un test de IQ adaptativo que utiliza la teoría de respuesta al ítem —un marco estadístico relacionado. Para entrenar tus habilidades de aprendizaje y toma de decisiones, prueba tareas de aprendizaje probabilístico como el bandido de dos brazos (disponible en plataformas de entrenamiento cerebral) y sigue tu precisión a lo largo del tiempo.
Fuente: arXiv q-bio.NC
¿Curioso sobre tu propio cerebro? Realiza nuestro test de IQ adaptativo gratuito o prueba 306 niveles de entrenamiento cerebral.
