233 meneos
1918 clics
El cerebro establece una tasa de aprendizaje única para cada actividad mediante la auto-adaptación al medio
Un estudio dirigido por Dartmouth College, en Hanover, Nuevo Hampshire, Estados Unidos, revela que no hay una sola tasa de aprendizaje para todo actividad que se realiza, ya que el cerebro puede auto-ajustarse sus tasas de aprendizaje utilizando un mecanismo sináptico llamado metaplasticidad. Los resultados, publicados en 'Neuron', refutan la teoría de que el cerebro siempre se comporta de manera óptima. Se ha pensado durante mucho tiempo que la forma en que el cerebro ajusta el aprendizaje es impulsada por el sistema de recompensas del cerebro y su objetivo de optimizar las recompensas obtenidas del medio ambiente o por un sistema más cognitivo responsable de aprender la estructura del medio ambiente.
|
comentarios cerrados
De lo que yo entiendo es que se refieren a que en situaciones de estabilidad, donde las circunstancias cambian muy poco, el cerebro reduce la sensibilidad a los resultados por lo que los cambios de nuestro comportamiento no serán bruscos por un resultado negativo ni tampoco por uno positivo. Por contra en situaciones de alta incertidumbre somos más sensibles a los cambios de resultados para afinar de forma más brusca, con menos precisión, para obtener un resultado aceptable lo más rápidamente posible y entiendo aspirar a una situación de mayor estabilidad que permita ya sí entonces refinar lo aprendido con mayor precisión.
Y parece que indican que eso ocurre de forma independiente en las distintas actividades, de forma que se valora si algunas actividades están en un entorno más estable que otras para afectar a su sensibilidad de aprendizaje.
Para llevarlo de nuevo a tu comentario entiendo que al aprender un lenguaje de programación por primera vez el aprendizaje será más brusco, menos detallado, para obtener a grandes trazos un resultado aceptable. Y ya con la estabilidad de conocer el entorno, el medio, irás aprendiendo de forma más detallada y afinando mejor los conceptos. Al tener ya aprendidos otros lenguajes y tener éstos mucho en común quizá sí te estés saltando parte del aprendizaje brusco para ir casi directamente a los detalles. Lo que indica el articulo es que el hecho que estés en ese proceso de aprendizaje fino en ese entorno de programación no te impide que en otras áreas de mayor incertidumbre tu cerebro esté en modo menos detallado, más brusco, para ese ámbito.
Aunque se pueda interpretar que no es un comportamiento optimo del cerebro para el aprendizage, sobretodo desde el punto de vista de mi jefe, personalmente creo que si. Desechar gilipolleces es optimizar.
Al menos está el resumen en ese enlace al artículo original que dijo #1 , el cual paso a traducir:
----------------
Resumen
La toma de decisiones basada en resultados a menudo conlleva la integración de los resultados de recompensa, pero esto se vuelve considerablemente más desafiante si las asignaciones de recompensas a las opciones alternativas son probabilísticas y no estacionarias.
A pesar de la existencia de varios modelos para integrar la recompensa bajo incertidumbre de forma óptima, los mecanismo neuronales subyacentes son todavía desconocidos. Aquí proponemos que la metaplasticidad dependiente de recompensa (RDMP) puede proporcionar un mecanismo plausible tanto para integración de la recompensa bajo incertidumbre como para la estimación de la misma incertidumbre. Mostramos que un modelo basado en RDMP puede realizar de forma robusta la tarea de aprendizaje probabilístico inverso a través del ajuste dinámico del aprendizaje basado en la retroalimentación, mientras los cambios en su actividad señalan una incertidumbre inesperada. El modelo predice tasas de aprendizaje dependientes del tiempo y específicas a la elección, las cuales dependen fuertemente de la historia de recompensas. Las predicciones clave de este modelo fueron confirmadas con datos de comportamiento de primates no humanos.
En términos generales, nuestros resultados sugieren que la metaplasticidad puede proporcionar un sustrato neuronal para el aprendizaje adaptativo y la elección bajo incertidumbre.
--------------------
Summary
Value-based decision making often involves integration of reward outcomes over time, but this becomes considerably more challenging if reward assignments on alternative options are probabilistic and non-stationary. Despite the existence of various models for optimally integrating reward under uncertainty, the underlying neural mechanisms are still unknown. Here we propose that reward-dependent metaplasticity (RDMP) can provide a plausible mechanism for both integration of reward under uncertainty and estimation of uncertainty itself. We show that a model based on RDMP can robustly perform the probabilistic reversal learning task via dynamic adjustment of learning based on reward feedback, while changes in its activity signal unexpected uncertainty. The model predicts time-dependent and choice-specific learning rates that strongly depend on reward history. Key predictions from this model were confirmed with behavioral data from non-human primates. Overall, our results suggest that metaplasticity can provide a neural substrate for adaptive learning and choice under uncertainty.
Edito (#10) lo explica mejor que el juntaletras