Diseño óptimo de experimentos para un análisis racional de la selección de preguntas en humanos

• Autores: Iguarán, Carlos Ignacio
• Año de publicación: 2017
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Salles, Alejo; Ruggeri, Azzurra
• Materia: MODELOS BAYESIANOS DE LA COGNICION; ANALISIS RACIONAL; DISEÑO OPTIMO DE EXPERIMENTOS; SELECCION DE PREGUNTAS; INFERENCIA CAUSAL; RECOLECCION DE INFORMACION; BAYESIAN MODELS OF COGNITION; RATIONAL ANALYSIS; OPTIMAL EXPERIMENTAL DESIGN; QUESTION SELECTION; CAUSAL INFERENCE; INFORMATION GATHERING
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

La Ciencia Cognitiva Computacional propone un marco para el estudio de la cognición humana como un problema de procesamiento de información, combinando métodos formales provenientes de la Ciencia de la Computación con métodos empíricos como la realización de experimentos conductuales con personas. Para entender el mundo que nos rodea es necesario recabar información, por ejemplo, eligiendo la pregunta más informativa en una situación. En la presente tesis, nos proponemos estudiar la manera en que los seres humanos seleccionamos preguntas en una tarea de inferencia causal, es decir, al intentar entender las relaciones de causa y efecto entre sucesos de la realidad. Para poder contrastar las teorías provenientes de la literatura y extenderlas, formalizamos la noción de experimentos y métricas de utilidad sobre los mismos. Esto nos permite utilizar técnicas de Diseño Óptimo de Experimentos, las cuales tienen por objetivo generar computacionalmente los mejores estímulos a fin de distinguir, entre las teorías consideradas, aquella que mejor describe el comportamiento humano. Qué teoría describe el comportamiento humano y con qué grado de precisión son dos preguntas que se responden en este trabajo. Diseñamos y llevamos a cabo un experimento en humanos. Para analizar los resultados consideramos distintos modelos probabilísticos basados en Inferencia Bayesiana con los que los participantes podrían estar representando el entorno. Nuestros resultados demuestran que el criterio de Information Gain modela las elecciones humanas independientemente de las potenciales variaciones de la utilidad según Probability Gain. Además, presentamos una cuantificación del grado de sensibilidad de los humanos a variaciones en la diferencia de Information Gain entre las preguntas. Finalmente, descubrimos que la conformidad de las elecciones de un sujeto con este criterio correlaciona positivamente con los conocimientos de probabilidad del mismo, vinculando de esta manera una habilidad entrenada con su uso inconsciente en la toma de decisiones. Concluimos la tesis presentando un modelo alternativo basado en árboles que considera la estructura de la tarea de inferencia causal en términos de las relaciones entre las causas y discutiendo líneas para investigación futura.
Computational Cognitive Science poses a framework for the study of human cognition as an information processing problem, combining formal methods from Computer Science with empirical methods such as behavioral experiments on human beings. To understand the world that surrounds us it is necessary to gather information, for example, by choosing the most informative question in a given situation. In this thesis, we study the way in which human beings select questions in a causal inference task, that is, when we try to understand the cause-effect relations between events. In order to contrast theories originated in literature and extend them, we formalize the notion of experiments and utility metrics over them. This allows us to apply Optimal Experimental Design techniques, which aim to automatically generate the best stimuli to distinguish the theory that better describes human behavior. This work answers two questions: which theory better describes human behavior and with which degree of precision. We design and carry out an experiment on human beings. To analyze the results, we consider probabilistic models based on Bayesian Inference which might be used by participants to model their environment. Our results show that Information Gain better models human choices, regardless of potential variations in utilities according to Probability Gain. Besides, we present a quantification of the degree of sensitiveness of humans to variations in Information Gain. Finally, we discovered that the compliance of the subject's choices to this criterion correlates with the subject's knowledge of probability, which links a trained, conscious ability with its use in decision making. We conclude this work by presenting an alternative model based on trees that considers the structure of the causal inference task in terms of the relations between possible causes and discussing future lines of research.
Fil: Iguarán, Carlos Ignacio. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.