El sacerdote presbiteriano Thomas Bayes no tenía idea de que haría una contribución duradera a la historia de la humanidad. Nacido en Inglaterra a principios del siglo XVIII, Bayes era un hombre tranquilo con una mente inquisitiva. Durante su vida, publicó sólo dos obras: "La bondad del Señor" en 1731 en defensa de Dios y la monarquía británica, así como un artículo anónimo en apoyo de los cálculos de Isaac Newton en 1736. Sin embargo, un argumento que hizo Bayes antes de su muerte en 1761 determinó el curso de la historia. Ayudó a Alan Turing a descifrar el cifrado del Enigma alemán, a la Armada de los Estados Unidos a rastrear los submarinos soviéticos y a los estadísticos a identificar las Notas Federalistas. Y hoy, con su ayuda, resuelven los secretos de la mente.
Todo comenzó en 1748, cuando el filósofo David Hume publicó The Inquiry into Human Knowledge y, entre otras cosas, cuestionó la existencia de los milagros. Según Hume, la probabilidad de error de las personas que afirman haber visto la resurrección de Cristo es mayor que la probabilidad de que este evento realmente haya sucedido. Pero al reverendo Bayes no le gustó esta teoría.
Aparato de cifrado "Enigma"
norte
Foto: AFP 2016, Timothy A. Clary
Decidido a demostrar que Hume estaba equivocado, Bayes intentó cuantificar la probabilidad de un evento. Para empezar, se le ocurrió un escenario simple: Imagine una pelota lanzada sobre una mesa plana detrás de su espalda. Puede hacer conjeturas sobre dónde aterrizó, pero es imposible saberlo sin mirar qué tan preciso fue. Luego pídale a un colega que lance otra pelota y le diga si está a la derecha oa la izquierda de la primera. Si la segunda bola está a la derecha, es más probable que la primera haya aterrizado en el lado izquierdo de la mesa (según este supuesto, hay más espacio a la derecha de la bola para la segunda bola). Con cada nueva bola, su conjetura sobre la ubicación de la primera bola se actualizará y mejorará. Según Bayes, varias evidencias de la resurrección de Cristo indican de manera similar la confiabilidad de este evento,y no se pueden descartar, como hizo Hume.
En 1767, el amigo de Bayes, Richard Price, publicó Sobre la importancia del cristianismo, su evidencia y sus posibles objeciones, en el que utilizó las ideas de Bayes para desafiar los argumentos de Hume. Según el historiador y estadístico Stephen Stigler, en el artículo de Price, “la idea probabilística básica era que Hume subestimó el número de testigos independientes de un milagro, y los resultados de Bayes mostraron cómo aumentar la cantidad de evidencia, incluso si no es confiable, podría ser más fuerte que una pequeña el grado de probabilidad de un evento y así lo convierte en un hecho”.
Las estadísticas que surgieron del trabajo de Price y Bayes se volvieron lo suficientemente poderosas como para manejar una amplia gama de incertidumbres. En medicina, el teorema de Bayes ayuda a considerar los vínculos entre enfermedades y posibles causas. En batalla, reduce el espacio para localizar posiciones enemigas. En teoría de la información, se puede utilizar para descifrar mensajes. Y en la ciencia cognitiva, permite comprender el significado de los procesos sensoriales.
Video promocional:
El teorema de Bayes se aplicó al cerebro a finales del siglo XIX. El físico alemán Hermann von Helmholtz utilizó las ideas de Bayes para presentar la idea de transformar los datos sensoriales, como la conciencia del espacio, en información a través de un proceso que llamó inferencia inconsciente. La estadística bayesiana se hizo popular y la idea de que los cálculos mentales inconscientes eran inherentemente probables ya no parecía descabellada. De acuerdo con la Hipótesis del Cerebro Bayesiano, el cerebro continuamente hace inferencias bayesianas para compensar la falta de información sensorial, al igual que cada bola subsecuente lanzada sobre la mesa bayesiana llena los huecos en la ubicación de la primera bola. El cerebro bayesiano forma un modelo interno del mundo: expectativas (o suposiciones) sobrecómo se ven, sienten, suenan, se comportan e interactúan los diferentes objetos. Este sistema recibe señales sensoriales y simula aproximadamente lo que sucede a su alrededor.
Por ejemplo, visión. La luz rebota en los objetos que nos rodean y golpea la superficie de la retina, y el cerebro de alguna manera debe crear una imagen tridimensional a partir de datos bidimensionales. Se pueden obtener muchas imágenes tridimensionales de ellos, entonces, ¿cómo decide el cerebro qué mostrar? Probablemente aplica el modelo bayesiano. Parece casi increíble que el cerebro haya evolucionado tanto que se haya vuelto capaz de hacer cálculos estadísticos cercanos al ideal. Nuestras computadoras no pueden manejar una cantidad tan grande de probabilidades estadísticas, y parece que lo hacemos todo el tiempo. Pero tal vez el cerebro todavía no sea capaz de hacer esto. Según la teoría del muestreo, los métodos de la conciencia pueden acercarse a la inferencia bayesiana: en lugar de emitir simultáneamente todos los supuestos que pueden explicar cualquier señal sensorial,el cerebro tiene en cuenta solo algunos de ellos, seleccionados al azar (el número de veces que se elige cada uno de los supuestos se basa en la frecuencia de los casos correspondientes en el pasado).
Esto podría explicar el origen de las ilusiones visuales: el cerebro elige la “mejor conjetura” según las reglas de la inferencia bayesiana, y resulta falsa, ya que el sistema de visualización llena los vacíos de información con una selección de un modelo interno inadecuado. Por ejemplo, parece que dos cuadrados en un tablero de ajedrez tienen diferentes tonos de color, o que el círculo parece cóncavo al principio y se vuelve convexo después de una rotación de 180 grados. En tales casos, el cerebro inicialmente hace una suposición incorrecta sobre algo tan simple como la iluminación.
norte
También ayuda a explicar por qué cuanto antes se recibe la información, más fuerte es su impacto en la persona con sus recuerdos, impresiones y decisiones, explica Alan Sanborn (Adam Sanborn), quien estudia problemas de conducta en la Universidad de Warwick. Potencialmente, las personas prefieren comprarle al primer vendedor que encuentran. Es más probable que los jugadores de tragamonedas continúen el juego si comenzó con una victoria. La primera impresión suele ser difícil de refutar, incluso si es fundamentalmente errónea. “Una vez que obtenga la información inicial, hará suposiciones que concuerden con ella”, aclara Sanborn.
Esta variabilidad llega hasta el nivel de neutrones. “La idea es que la actividad de los neutrones es una variable aleatoria que se está intentando derivar”, dice Máté Lengyel, neurocientífica con sede en Cambridge. En otras palabras, la variabilidad de la actividad neuronal es un indicador de la probabilidad de un evento. Consideremos un ejemplo simplificado: una neurona responsable del concepto de "tigre". La neurona oscilará entre dos niveles de actividad, alto cuando hay una señal de presencia de un tigre y bajo, lo que significa que no hay tigre. El número de veces que la neurona está muy activa aumenta la probabilidad de que haya un tigre. “En esencia, en este caso, podemos decir que la actividad de una neurona es una muestra de una distribución de probabilidad”, dice el científico. - Resulta que si desarrollas esta idea de una manera más realista y menos simplificada,luego incluye muchas cosas que sabemos sobre las neuronas y la variabilidad de sus respuestas ".
Uno de los colegas de Sanborn, Thomas Hills, explica que la forma en que elegimos entre imágenes mentales es algo similar a cómo buscamos objetos físicos en el espacio. Si normalmente recoge la leche de la parte trasera del supermercado, lo primero que debe hacer es ir allí cuando vaya a una nueva tienda a comprar leche. Esto no es diferente de buscar imágenes internas en el cerebro. “Uno puede imaginar la memoria como una especie de registro de la frecuencia racional de eventos en el mundo. Los recuerdos se codifican en imágenes mentales en proporción a las experiencias pasadas. Entonces, si te pregunto sobre tu relación con tu mamá, puedes empezar a pensar: aquí hay un recuerdo de una interacción positiva, aquí hay otro recuerdo de una interacción positiva y aquí hay uno negativo. Pero en promedio, los recuerdos de tu relación con tu mamá son buenos, así que dices "bueno" "- dice Thomas Hills. El cerebro es una especie de motor de búsqueda que selecciona recuerdos, creando lo que Hills llama "estructuras de creencias": la idea de conexión con los padres, definiciones de "perro", "amigo", "amor" y todo lo demás.
Si el proceso de búsqueda sale mal, es decir, el cerebro hace una selección a partir de información que no es representativa de la experiencia humana, si hay una discrepancia entre las expectativas y la señal sensorial real, entonces surgen depresión, síndrome obsesivo-compulsivo, trastornos postraumáticos y una serie de otras enfermedades.
Esto no quiere decir que la hipótesis del cerebro bayesiano no tenga oponentes. “Creo que el marco bayesiano, como una especie de lenguaje matemático, es un medio poderoso y útil para expresar teorías psicológicas. Pero es importante analizar qué piezas de la teoría proporcionan realmente una explicación”, dijo Matt Jones de la Universidad de Colorado en Boulder. En su opinión, los partidarios del "cerebro bayesiano" confían demasiado en la parte de la teoría que habla de análisis estadístico. “Por sí solo, no explica la diversidad de comportamientos. Tiene sentido sólo en combinación con lo que en realidad resulta ser un supuesto libre sobre la naturaleza de la representación del conocimiento: cómo organizamos conceptos, buscamos información en la memoria, usamos el conocimiento para argumentar y resolver problemas”.
En otras palabras, nuestras afirmaciones sobre el procesamiento psicológico de la información que la ciencia cognitiva ha hecho tradicionalmente muestran cómo se aplican las estadísticas bayesianas a la función cerebral. El modelo traduce estas teorías al lenguaje de las matemáticas, pero esta interpretación se basa en la psicología conservadora. En última instancia, puede ser que otros modelos bayesianos o no bayesianos encajen mejor en la variedad de procesos mentales que subyacen a nuestra percepción sensorial y pensamiento superior.
Sanborn puede no estar de acuerdo con las opiniones de Jones sobre la hipótesis del cerebro bayesiano, pero comprende que el siguiente paso es reducir la variedad de modelos en acción. “Podríamos decir que el muestreo en sí es útil para comprender la actividad cerebral. Pero hay muchas opciones . Queda por ver en qué medida están de acuerdo con la teoría bayesiana. Sin embargo, ya podemos decir que la defensa del cristianismo en el siglo XVIII ayudó a los científicos a lograr un gran éxito en el XXI.
