Дослідники з Університету Магдебурга та Charité – Universitätsmedizin Berlin представили формальну структуру під назвою агентне поведінкове моделювання (ABM), яка використовує штучних агентів як генеративні гіпотези для людського пізнання. У статті, поданій до arXiv 30 квітня 2026 року, Дірк Оствальд, Расмус Брукнер, Франциска Узее, Белінда Флейшманн, Йорам Зох і Шон Малреді демонструють, як ABM може об'єднати теоретичну нейронауку, теорію рішень і ймовірнісне виведення для аналізу поведінкових даних.
Дослідження
Команда застосувала ABM до двох класичних лабораторних завдань: бінарного перцептивного завдання на розрізнення контрасту та симетричного завдання на навчання з двома ручками. Для кожного завдання вони формалізували систему завдання-агент-дані як модель спільної ймовірності та вивели явні умовні логарифмічні правдоподібності для поведінкового висновку. Вони перевірили різні варіанти моделей за допомогою симуляцій відновлення моделей і параметрів та протестували їх на емпіричних даних.
Ключові висновки включають агентно-орієнтовану інтерпретацію психометричної функції — кривої, що пов'язує інтенсивність стимулу з точністю сприйняття, — та виведення оптимальних політик для обох завдань. Примітно, що дослідники довели: у симетричних бандитах правило навчання Рескорли-Вагнера (класична модель асоціативного навчання) математично еквівалентне байєсівському висновку. Ця еквівалентність свідчить про те, що прості алгоритми навчання можуть апроксимувати оптимальне ймовірнісне міркування за певних умов.
Симуляції відновлення підтвердили, що ABM може точно відновлювати справжні параметри моделі з синтетичних поведінкових даних, що підтверджує її статистичну адекватність. Структура також показала хорошу відповідність емпіричним даним, хоча точні показники відповідності (наприклад, відношення правдоподібності) були наведені для демонстраційних цілей без конкретних числових значень.
Чому це важливо
ABM надає принциповий спосіб перевірки когнітивних теорій, розглядаючи ШІ-агентів як гіпотези. Замість того, щоб розробляти окремі моделі для кожного експерименту, дослідники тепер можуть оцінити, чи відповідають внутрішні механізми агента — такі як оновлення переконань або правила прийняття рішень — людській поведінці. Це може прискорити відкриття когнітивних алгоритмів, що лежать в основі сприйняття, навчання та прийняття рішень. Для розробників тестів IQ ABM пропонує статистичний інструмент для перевірки, чи вимірюють пункти тесту заплановані когнітивні конструкції, а не сторонні змінні.
Що ви можете зробити
Ви можете дослідити власні когнітивні здібності, пройшовши адаптивний IQ-тест, який використовує теорію відповіді на пункти — споріднену статистичну структуру. Щоб тренувати навички навчання та прийняття рішень, спробуйте ймовірнісні навчальні завдання, такі як завдання з двома ручками (доступні на платформах тренування мозку), і відстежуйте свою точність з часом.
Джерело: arXiv q-bio.NC
Цікавитесь власним мозком? Пройдіть наш безкоштовний адаптивний IQ-тест або спробуйте 306 рівнів тренування мозку.
