Estudo computacional e empírico do aprendizado probabilístico de sequências binárias markovianas em um contexto de decisão coletiva (2022)
- Authors:
- Autor USP: COSTA, BERNARD LOURENÇO - ICB
- Unidade: ICB
- Sigla do Departamento: BMB
- DOI: 10.11606/D.42.2022.tde-22072025-144554
- Subjects: FISIOLOGIA; NEUROCIÊNCIAS; TOMADA DE DECISÃO; PROCESSOS COGNITIVOS; ESTÍMULOS; PROBABILIDADE APLICADA; APRENDIZADO COMPUTACIONAL
- Keywords: Group decision making; Neurociências. Tomada de decisão em grupo. Aprendizado probabilístico. Escolhas binárias repetidas. Modelagem computacional; Neurosciences; Probabilistic learning; Repeated binary choice. Computational modelling
- Language: Português
- Abstract: O ciclo percepção-ação é entendido como um ciclo ininterrupto de computação neural em um contínuo fluxo de informação gerado pelos processamentos sensorial e motor. A tomada de decisão consiste na escolha de uma única ação, entre muitas, de um repertório de possíveis ações geradas a partir de estímulos sensoriais de diferentes origens, processo este bastante plástico e passível de aprendizado. Um dos procedimentos mais simples e poderosos no estudo de processos decisionais dependentes de um aprendizado probabilístico é o de escolhas binárias repetidas (EBR). Em procedimentos de EBR, o agente deve predizer cada evento em uma sequência temporal, determinística ou estocástica, recebendo uma recompensa/punição, simbólica ou material (monetária, por exemplo), a cada predição correta/incorreta, respectivamente. Paradoxalmente, humanos tendem a adotar estratégias que não maximizam seus ganhos, em um desempenho subótimo quando comparado ao comportamento de animais de várias outras espécies (como peixes e ratos, por exemplo). Um dos objetivos do presente projeto consiste, de forma ainda inédita, em estender o procedimento de EBR ao estudo da interação de dois ou mais indivíduos, investigando-se como essa interação poderia modular a dinâmica do aprendizado probabilístico e/ou estratégias decisionais tanto individuais quanto coletivas. Para essa finalidade, através de um estudo computacional e empírico, voluntários foram submetidos, tanto individualmente quanto em um grupo interagente composto por um número ímpar de participantes, a um procedimento de aprendizado probabilístico de sequências binárias markovianas.Tendo como linha de base inicial o desempenho individual de cada participante, foi possível contrastar as sequências de predições desses mesmos participantes quando interagindo em um ambiente de decisão coletiva, onde recompensas ou punições virão como consequência da decisão da maioria, e não mais do indivíduo. Neste cenário, recompensas/punições materiais (por exemplo, monetárias) advindas da decisão coletiva não estarão necessariamente acopladas a recompensas/punições abstratas (de natureza afetiva), associadas às escolhas individuais (já que estas, por construção de procedimento, poderão ser diferentes da escolha majoritária). Também foi possível explorar como o aprendizado probabilístico pôde ser modulado pela relação temporal da interação social. Nas simulações computacionais, grupos constituídos por combinações de um número crescente de agentes submetidos a EBR tenderam a alcançar uma melhor desempenho do que seria alcançado por uma estratégia de maximização, mas ainda pior do que o definido por um observador ideal. No experimento social, não houve diferença entre a acurácia dos agentes reais isoladamente e a acurácia do grupo na predição da sequência. O mesmo se mostrou com a autocorrelação ou correlação cruzada. Mas olhando para a estocasticidade da sequência prevista pelos agentes reais e comparando-a com a sequência a ser prevista, encontramos grandes semelhanças entre elas. Observando apenas a precisão dos agentes reais, chegaríamos à conclusão de que não houve aprendizado por parte desses agentes. A precisão parece ser uma medida muito sensível a flutuações. Como as sequências a serem previstas não são muito longas, quaisquer diferenças na previsão pelo agente real levariam a uma precisão muito diferente. Mas olhando para a estocasticidade da sequência prevista, temos uma noção muito melhor do aprendizado do agente.
- Imprenta:
- Data da defesa: 15.08.2022
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
COSTA, Bernard Lourenço. Estudo computacional e empírico do aprendizado probabilístico de sequências binárias markovianas em um contexto de decisão coletiva. 2022. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2022. Disponível em: https://www.teses.usp.br/teses/disponiveis/42/42137/tde-22072025-144554/. Acesso em: 09 fev. 2026. -
APA
Costa, B. L. (2022). Estudo computacional e empírico do aprendizado probabilístico de sequências binárias markovianas em um contexto de decisão coletiva (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/42/42137/tde-22072025-144554/ -
NLM
Costa BL. Estudo computacional e empírico do aprendizado probabilístico de sequências binárias markovianas em um contexto de decisão coletiva [Internet]. 2022 ;[citado 2026 fev. 09 ] Available from: https://www.teses.usp.br/teses/disponiveis/42/42137/tde-22072025-144554/ -
Vancouver
Costa BL. Estudo computacional e empírico do aprendizado probabilístico de sequências binárias markovianas em um contexto de decisão coletiva [Internet]. 2022 ;[citado 2026 fev. 09 ] Available from: https://www.teses.usp.br/teses/disponiveis/42/42137/tde-22072025-144554/
Informações sobre o DOI: 10.11606/D.42.2022.tde-22072025-144554 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
