Resumo

Introdução: Nem sempre os seres humanos tomam decisões ótimas. Um experimento em que ilustra isto é o de escolha binária repetida, em que o sujeito deve tentar prever repetidas vezes se um estímulo irá aparecer do lado esquerdo ou direito da tela. O estímulo aparece de cada lado aleatoriamente com probabilidade maior de um lado do que do outro. A melhor estratégia, chamada de maximização, é prever sempre que o estímulo aparecerá do lado com maior probabilidade, mas seres humanos normalmente adotam a estratégia de “probability matching”: eles escolhem cada lado com frequência igual à probabilidade de o estímulo aparecer daquele lado. Uma possível explicação para este fenômeno é que o sujeito não percebe que a sequência de estímulos é aleatória e tenta encontrar um padrão no qual ela se encaixa. Objetivos: Testar se a repetição de padrões leva ao surgimento de probability matching em uma população de animais artificiais. Métodos: Animais artificiais possuem redes neurais alimentadas adiante com um nó de entrada, uma ou duas camadas ocultas de quatro nós cada e um nó de saída. Durante a vida, eles têm que prever o próximo elemento de uma sequência binária de comprimento 2916. Eles recebem feedback pelo nó de entrada a cada erro ou acerto que cometem e a rede neural tem capacidade de aprendizado pelo algoritmo hebbiano ou anti-hebbiano. A sequência é formada por um padrão de comprimento 3, 9, 27, 81, 243 ou 729 que se repete; por exemplo, 110110110110… Em cada padrão o número 1 aparece em 67% das posições e o 0 em 33% delas. Quanto melhor é o desempenho do animal em prever a sequência, maior é a sua probabilidade de se reproduzir para formar a próxima geração de animais. A simulação foi executada por 1000 gerações e os animais da última geração foram analisados pelo seu desempenho na sequência para o qual ele está adaptado e em uma sequência de mesmo comprimento e mesma frequência de 1 e 0, mas sem um padrão que se repete. Resultados: Os animais adaptados a sequências com padrões menores têm desempenho melhor (97% ou mais de acertos para o padrão de comprimento 3) do que animais adaptados a sequências com padrões maiores (68% de acertos para o padrão de comprimento 243). Os animais adaptados a padrões de comprimento 3 fazem probability matching na sequência com ou sem o padrão (escolhem 1 de 67 a 75% das vezes), enquanto que animais adaptados a padrões de comprimento maiores tendem a maximizar (escolhem 1 97% das vezes). Em relação aos padrões de comprimento 3 e 9, os animais com duas camadas ocultas tiveram desempenho melhor nas sequências com padrão que os animais com uma camada oculta (100% e 91% comparado a 97% e 84%). Além disso, quando a sequência não seguia o padrão, eles tiveram desempenho pior (2% menos acertos) e mais tendência a fazer probability matching (68% e 72% comparado a 75% e 80%). Conclusão: Quanto melhor animais artificiais aprendem um padrão, maior é a sua tendência em usar probability matching ao invés de maximização mesmo quando a sequência de estímulos não segue um padrão. Nossos resultados sugerem que a habilidade de reconhecer de padrões foi importante na evolução dos seres humanos. Ao tentar buscar um padrão mesmo em uma sequência aleatória, eles são levados a fazer probability matching.