Pesquisadores da Universidade de Magdeburg e da Charité – Universitätsmedizin Berlin apresentaram uma estrutura formal chamada modelagem comportamental agentiva (ABM) que usa agentes artificiais como hipóteses gerativas para a cognição humana. Em um artigo submetido ao arXiv em 30 de abril de 2026, Dirk Ostwald, Rasmus Bruckner, Franziska Usée, Belinda Fleischmann, Joram Soch e Sean Mulready demonstram como a ABM pode unir neurociência teórica, teoria da decisão e inferência probabilística para analisar dados comportamentais.
A Pesquisa
A equipe aplicou a ABM a duas tarefas laboratoriais clássicas: uma tarefa binária de discriminação de contraste perceptual e uma tarefa de aprendizado com bandit de dois braços simétrico. Para cada tarefa, formalizaram o sistema tarefa-agente-dados como um modelo de probabilidade conjunta e derivaram log-verossimilhanças condicionais explícitas para inferência comportamental. Validaram diferentes variantes do modelo usando simulações de recuperação de modelos e parâmetros e as testaram contra dados empíricos.
Principais descobertas incluem uma interpretação agente-cêntrica da função psicométrica — a curva que liga intensidade do estímulo à precisão perceptual — e a derivação de políticas ótimas para ambas as tarefas. Notavelmente, os pesquisadores provaram que em bandits simétricos, a regra de aprendizado de Rescorla-Wagner (um modelo clássico de aprendizado associativo) é matematicamente equivalente à inferência bayesiana. Essa equivalência sugere que algoritmos simples de aprendizado podem aproximar o raciocínio probabilístico ótimo sob certas condições.
As simulações de recuperação confirmaram que a ABM pode recuperar com precisão os verdadeiros parâmetros do modelo a partir de dados comportamentais sintéticos, apoiando sua adequação estatística. A estrutura também mostrou bom ajuste aos dados empíricos, embora métricas de ajuste exatas (por exemplo, razões de verossimilhança) tenham sido relatadas para fins de demonstração sem valores numéricos específicos.
Por Que Isso Importa
A ABM fornece uma maneira fundamentada de testar teorias cognitivas, tratando agentes de IA como hipóteses. Em vez de projetar modelos separados para cada experimento, os pesquisadores agora podem avaliar se os mecanismos internos de um agente — como atualização de crenças ou regras de decisão — correspondem ao comportamento humano. Isso pode acelerar a descoberta de algoritmos cognitivos subjacentes à percepção, aprendizado e tomada de decisão. Para designers de testes de QI, a ABM oferece uma ferramenta estatística para validar se os itens do teste medem construtos cognitivos pretendidos, e não variáveis de confusão.
O Que Você Pode Fazer
Você pode explorar suas próprias habilidades cognitivas fazendo um teste de QI adaptativo que usa teoria de resposta ao item — uma estrutura estatística relacionada. Para treinar suas habilidades de aprendizado e tomada de decisão, experimente tarefas de aprendizado probabilístico como o bandit de dois braços (disponível em plataformas de treinamento cerebral) e acompanhe sua precisão ao longo do tempo.
Fonte: arXiv q-bio.NC
Curioso sobre seu próprio cérebro? Faça nosso teste de QI adaptativo gratuito ou experimente 306 níveis de treinamento cerebral.
