A vibração elétrica de nossas memórias de trabalho reflete nossa incerteza sobre seu conteúdo. Estudos neurocientíficos sugerem que, quando invocamos uma memória para usá-la, nossa incerteza sobre sua precisão faz parte da lembrança.
No momento entre ler um número de telefone e digitá-lo em seu telefone, você pode descobrir que os dígitos misteriosamente se extraviaram – mesmo que você tenha gravado os primeiros em sua memória, os últimos ainda podem se confundir inexplicavelmente. O 6 foi antes do 8 ou depois dele? Tem certeza?
Manter esses fragmentos de informação por tempo suficiente para agir sobre eles se baseia em uma habilidade chamada memória de trabalho visual. Durante anos, os cientistas debateram se a memória de trabalho tem espaço para apenas alguns itens de cada vez, ou se tem espaço limitado para detalhes: talvez a capacidade de nossa mente esteja espalhada por algumas lembranças cristalinas ou uma infinidade de coisas mais duvidosas. fragmentos.
A incerteza na memória de trabalho pode estar ligada a uma maneira surpreendente como o cérebro monitora e usa a ambiguidade, de acordo com um artigo recente na Neuron de pesquisadores de neurociência da Universidade de Nova York. Usando o aprendizado de máquina para analisar varreduras cerebrais de pessoas envolvidas em uma tarefa de memória, eles descobriram que os sinais codificavam uma estimativa do que as pessoas pensavam ter visto – e a distribuição estatística do ruído nos sinais codificava a incerteza da memória. A incerteza de suas percepções pode ser parte do que seu cérebro está representando em suas lembranças. E esse senso de incertezas pode ajudar o cérebro a tomar melhores decisões sobre como usar suas memórias.
As descobertas sugerem que “o cérebro está usando esse ruído”, disse Clayton Curtis, professor de psicologia e neurociência da NYU e autor do novo artigo.
O trabalho se soma a um crescente corpo de evidências de que, mesmo que os humanos não pareçam adeptos de entender estatísticas em suas vidas cotidianas, o cérebro interpreta rotineiramente suas impressões sensoriais do mundo, tanto atuais quanto lembradas, em termos de probabilidades. O insight oferece uma nova maneira de entender quanto valor atribuímos às nossas percepções de um mundo incerto.
Previsões baseadas no passado
Neurônios no sistema visual disparam em resposta a visões específicas, como uma linha inclinada, um padrão específico, ou mesmo carros ou rostos, enviando um clarão para o resto do sistema nervoso. Mas, por si só, os neurônios individuais são fontes barulhentas de informação, então “é improvável que neurônios únicos sejam a moeda que o cérebro está usando para inferir o que vê”, disse Curtis.
Mais provavelmente, o cérebro está combinando informações de populações de neurônios. É importante, então, entender como ele faz isso. Pode, por exemplo, ser a média das informações das células: se alguns neurônios disparam mais fortemente ao ver um ângulo de 45 graus e outros a 90 graus, então o cérebro pode ponderar e calcular a média de suas entradas para representar um ângulo de 60 graus. no campo de visão dos olhos. Ou talvez o cérebro tenha uma abordagem em que o vencedor leva tudo, com os neurônios de disparo mais fortes tomados como indicadores do que é percebido.
“Mas há uma nova maneira de pensar sobre isso, influenciada pela teoria bayesiana”, disse Curtis.
A teoria bayesiana – nomeada em homenagem ao seu desenvolvedor, o matemático do século XVIII Thomas Bayes, mas descoberta e popularizada de forma independente mais tarde por Pierre-Simon Laplace – incorpora a incerteza em sua abordagem da probabilidade. A inferência bayesiana aborda com que confiança se pode esperar que um resultado ocorra, dado o que se sabe das circunstâncias. Aplicada à visão, essa abordagem pode significar que o cérebro dá sentido aos sinais neurais construindo uma função de probabilidade: com base em dados de experiências anteriores, quais são as visões mais prováveis de terem gerado um determinado padrão de disparo?
Laplace reconheceu que as probabilidades condicionais são a maneira mais precisa de falar sobre qualquer observação e, em 1867, o médico e físico Hermann von Helmholtz as conectou aos cálculos que nossos cérebros podem fazer durante a percepção. No entanto, poucos neurocientistas deram muita atenção a essas ideias até os anos 1990 e início dos anos 2000, quando os pesquisadores começaram a descobrir que as pessoas faziam algo como inferência probabilística em experimentos comportamentais, e os métodos bayesianos começaram a se mostrar úteis em alguns modelos de percepção e controle motor.
“As pessoas começaram a falar sobre o cérebro como sendo bayesiano”, disse Wei Ji Ma, professor de neurociência e psicologia da NYU e outro dos autores do novo artigo da Neuron.
Em uma revisão de 2004, Alexandre Pouget (agora professor de neurociência na Universidade de Genebra) e David Knill, da Universidade de Rochester, defenderam uma “hipótese de codificação bayesiana“, que postula que o cérebro usa distribuições de probabilidade para representar informações sensoriais .
Escaneando Memórias
Na época, quase não havia evidências disso em estudos de neurônios. Mas em 2006, Ma, Pouget e seus colegas da Universidade de Rochester apresentaram fortes evidências de que populações de neurônios simulados poderiam realizar cálculos de inferência bayesiana ideais. Outros trabalhos de Ma e outros pesquisadores nos últimos doze anos ofereceram confirmações adicionais de eletrofisiologia e neuroimagem de que a teoria se aplica à visão usando programas de aprendizado de máquina chamados decodificadores Bayesianos para analisar a atividade neural real.
Os neurocientistas usaram decodificadores para prever o que as pessoas estão vendo a partir de exames de fMRI (ressonância magnética funcional) de seus cérebros. Os programas podem ser treinados para encontrar as ligações entre uma imagem apresentada e o padrão de fluxo sanguíneo e atividade neural no cérebro que resulta quando as pessoas a veem. Em vez de fazer uma única suposição – que o sujeito está olhando em um ângulo de 85 graus, por exemplo – os decodificadores Bayesianos produzem uma distribuição de probabilidade. A média da distribuição representa a previsão mais provável do que o sujeito está olhando. Acredita-se que o desvio padrão, que descreve a largura da distribuição, reflita a incerteza do sujeito sobre a visão (é 85 graus ou poderia ser 84 ou 86?).
No estudo recente, Curtis, Ma e seus colegas aplicaram essa ideia à memória de trabalho. Primeiro, para testar se o decodificador Bayesiano poderia rastrear as memórias das pessoas em vez de suas percepções, eles fizeram sujeitos em uma máquina de fMRI olharem para o centro de um círculo com um ponto em seu perímetro. Depois que o ponto desapareceu, os voluntários foram solicitados a desviar o olhar para onde eles se lembravam do ponto.
Os pesquisadores deram ao decodificador imagens fMRI de 10 áreas do cérebro envolvidas na visão e na memória de trabalho tiradas durante a tarefa de memória. A equipe analisou se os meios das distribuições de atividade neural se alinhavam com a memória relatada – onde os sujeitos pensavam que o ponto estava – ou se refletiam onde o ponto realmente estava. Em seis das áreas, os meios se aproximaram mais da memória, o que possibilitou um segundo experimento.
A hipótese de codificação bayesiana sugere que a largura das distribuições de pelo menos algumas dessas áreas do cérebro deve refletir a confiança das pessoas no que elas lembram. “Se é muito plano, e você tem a mesma probabilidade de desenhar dos extremos e do meio, sua memória deve ser mais incerta”, disse Curtis.
Para avaliar a incerteza das pessoas, os pesquisadores pediram que fizessem uma aposta sobre a localização lembrada do ponto. Os sujeitos tinham um incentivo para serem precisos e precisos – eles ganhavam mais pontos se adivinhassem um intervalo menor de locais e nenhum ponto se perdessem a localização real. As apostas eram, na verdade, uma medida autorrelatada de sua incerteza, para que os pesquisadores pudessem procurar correlações entre as apostas e o desvio padrão da distribuição do decodificador. Em duas áreas do córtex visual, V3AB e IPS1, o desvio padrão da distribuição foi consistentemente ligado à magnitude da incerteza dos indivíduos.
Medições de ruído
Os padrões de atividade observados podem significar que o cérebro usa as mesmas populações neurais que codificam a memória de um ângulo para codificar a confiança nessa memória, em vez de armazenar as informações de incerteza em uma parte separada do cérebro. “É um mecanismo eficiente”, disse Curtis. “Isso é o que é realmente notável, porque é codificado em conjunto na mesma coisa.”
Ainda assim, “uma coisa a perceber é que as correlações reais são muito baixas”, disse Paul Bays, neurocientista da Universidade de Cambridge que também estuda a memória de trabalho visual. Em comparação com o córtex visual, as varreduras de fMRI são muito granuladas: cada ponto de dados em uma varredura representa a atividade de milhares, talvez até milhões de neurônios. Dadas as limitações da tecnologia, é notável que os pesquisadores conseguiram fazer os tipos de observações neste estudo.
“Estamos usando uma medição muito barulhenta para separar uma coisa muito pequena”, disse Hsin-Hung Li, pesquisador de pós-doutorado da NYU e primeiro autor do novo artigo. Estudos futuros, disse ele, podem esclarecer as correlações, causando uma gama mais ampla de incertezas durante a tarefa, com algumas imagens das quais os sujeitos podem ter certeza e outras que os tornam bastante inseguros.
Por mais intrigantes que sejam as descobertas, elas só podem ser uma resposta preliminar e parcial à questão de como a incerteza é codificada. “Este artigo está defendendo uma explicação específica disso, que é efetivamente que a incerteza está codificada no nível de atividade [em grupos de neurônios]”, disse Bays. “Mas há muito que você pode fazer com fMRI para demonstrar que é isso que está acontecendo.”
Outras interpretações também podem ser possíveis. Talvez uma memória e sua incerteza não sejam armazenadas pelos mesmos neurônios – os neurônios da incerteza podem estar próximos. Ou talvez algo diferente do disparo de neurônios individuais se correlacione mais fortemente com a incerteza, mas não pode ser resolvido pelas técnicas atuais. Idealmente, uma variedade de tipos de evidências – comportamentais, computacionais e neuronais – devem se alinhar e apontar para a mesma conclusão.
Mas a ideia de que estamos andando com distribuições de probabilidade em nossas cabeças o tempo todo tem uma certa beleza. E provavelmente não é apenas a visão e a memória de trabalho que são estruturadas assim, de acordo com Pouget. “Esta teoria bayesiana é extremamente geral”, disse ele. “Existe um fator computacional geral que está em ação aqui”, se o cérebro está tomando uma decisão, avaliando se você está com fome ou navegando em uma rota.
No entanto, se as probabilidades de computação são uma parte tão integral de como percebemos e pensamos sobre o mundo, por que os humanos ganharam a reputação de serem ruins em probabilidade? Descobertas bem conhecidas, principalmente da economia e da ciência comportamental, mostraram que as pessoas cometem inúmeros erros de estimativa, levando-as a superestimar a probabilidade de algumas coisas perigosas acontecerem e desconsiderar outras. “Quando você pede às pessoas que estimem a probabilidade explícita e verbalmente, elas são uma merda. Não há outra palavra”, disse Pouget.
Mas esse tipo de estimativa, que pode ser expressa em problemas de palavras e diagramas, depende de um sistema cognitivo no cérebro que evoluiu muito mais recentemente do que o sistema usado para tarefas como a deste estudo, disse Ma. os comportamentos foram aperfeiçoados por um processo muito mais longo de seleção natural, no qual não identificar um predador ou julgar mal o perigo significava a morte. Por eras, a capacidade de fazer um julgamento rápido de uma percepção lembrada, talvez incluindo uma estimativa de sua incerteza, manteve nossos ancestrais vivos.
Publicado em 23/01/2022 12h17
Artigo original:
Estudo original: