Исследователи из Магдебургского университета и клиники Шарите – Берлинский университетский медицинский центр представили формальную структуру под названием агентное поведенческое моделирование (ABM), которая использует искусственные агенты как генеративные гипотезы о человеческом познании. В статье, поданной на arXiv 30 апреля 2026 года, Дирк Оствальд, Расмус Брукнер, Франциска Узе, Белинда Фляйшманн, Йорам Сох и Шон Малреди демонстрируют, как ABM может соединить теоретическую нейронауку, теорию принятия решений и вероятностный вывод для анализа поведенческих данных.
Исследование
Команда применила ABM к двум классическим лабораторным задачам: задаче бинарного перцептивного различения контраста и задаче симметричного обучения на двухруком бандите. Для каждой задачи они формализовали систему задача-агент-данные как совместную вероятностную модель и вывели явные условные логарифмы правдоподобия для поведенческого вывода. Они проверили различные варианты моделей с помощью симуляций восстановления модели и параметров и протестировали их на эмпирических данных.
Ключевые результаты включают агент-центрическую интерпретацию психометрической функции — кривой, связывающей интенсивность стимула с перцептивной точностью, — и вывод оптимальных политик для обеих задач. Примечательно, что исследователи доказали эквивалентность правила обучения Рескорлы–Вагнера (классической модели ассоциативного обучения) байесовскому выводу в симметричных бандитах. Эта эквивалентность предполагает, что простые алгоритмы обучения могут аппроксимировать оптимальное вероятностное рассуждение при определенных условиях.
Симуляции восстановления подтвердили, что ABM может точно восстанавливать истинные параметры модели из синтетических поведенческих данных, что подтверждает его статистическую адекватность. Структура также показала хорошую подгонку к эмпирическим данным, хотя точные метрики подгонки (например, отношения правдоподобия) были приведены в демонстрационных целях без конкретных числовых значений.
Почему это важно
ABM предоставляет принципиальный способ проверки когнитивных теорий, рассматривая ИИ-агентов как гипотезы. Вместо разработки отдельных моделей для каждого эксперимента исследователи теперь могут оценить, соответствуют ли внутренние механизмы агента — например, обновление убеждений или правила принятия решений — поведению человека. Это может ускорить открытие когнитивных алгоритмов, лежащих в основе восприятия, обучения и принятия решений. Для разработчиков тестов IQ ABM предлагает статистический инструмент для проверки, измеряют ли элементы теста намеченные когнитивные конструкты, а не смешивающие переменные.
Что вы можете сделать
Вы можете исследовать свои когнитивные способности, пройдя адаптивный тест IQ, использующий теорию ответов на пункты — смежную статистическую структуру. Чтобы тренировать навыки обучения и принятия решений, попробуйте вероятностные задачи обучения, такие как двухрукий бандит (доступны на платформах тренировки мозга), и отслеживайте свою точность с течением времени.
Источник: arXiv q-bio.NC
Хотите узнать свой мозг? Пройдите наш бесплатный адаптивный тест IQ или попробуйте 306 уровней тренировки мозга.
