Durante décadas, los científicos han tratado de comprender cómo los humanos toman decisiones, ya sea eligiendo qué comer en el almuerzo o navegando por tratamientos clínicos de alto riesgo. Los modelos computacionales tradicionales de toma de decisiones a menudo se basan en suposiciones fijas sobre cómo las personas aprenden de las recompensas y los castigos. Sin embargo, estos supuestos pueden tener dificultades para reflejar las formas ricas y adaptativas en que los humanos realmente se comportan.
En un esfuerzo por abordar esta complejidad, Dezfouli y sus colegas introdujeron en su artículo un marco novedoso basado en redes neuronales recurrentes (RNN): Modelos que aprenden cómo aprenden los humanos: El caso de la toma de decisiones y sus trastornos.
Su enfoque tiene como objetivo capturar los procesos matizados detrás del aprendizaje humano entrenando a un RNN para imitar la siguiente acción que tomaría un participante en una tarea de toma de decisiones. Fundamentalmente, los investigadores probaron este modelo tanto en individuos sanos como en aquellos que viven con depresión unipolar o bipolar.
Al comparar estos grupos, el estudio no solo reveló la capacidad de la RNN para modelar comportamientos complejos con mayor precisión que los métodos tradicionales de aprendizaje por refuerzo, sino que también abrió…