Estudio descifra el sorprendente enfoque que los ratones adoptan al aprender
Estudio descifra enfoque sorprendente de ratones al aprender
.fav_bar { float:left; border:1px solid #a7b1b5; margin-top:10px; margin-bottom:20px; } .fav_bar span.fav_bar-label { text-align:center; padding:8px 0px 0px 0px; float:left; margin-left:-1px; border-right:1px dotted #a7b1b5; border-left:1px solid #a7b1b5; display:block; width:69px; height:24px; color:#6e7476; font-weight:bold; font-size:12px; text-transform:uppercase; font-family:Arial, Helvetica, sans-serif; } .fav_bar a, #plus-one { float:left; border-right:1px dotted #a7b1b5; display:block; width:36px; height:32px; text-indent:-9999px; } .fav_bar a.fav_print { background:url(‘/images/icons/print.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_print:hover { background:url(‘/images/icons/print.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.mobile-apps { background:url(‘/images/icons/generic.gif’) no-repeat 13px 7px #FFF; background-size: 10px; } .fav_bar a.mobile-apps:hover { background:url(‘/images/icons/generic.gif’) no-repeat 13px 7px #e6e9ea; background-size: 10px} .fav_bar a.fav_de { background: url(/images/icons/de.gif) no-repeat 0 0 #fff } .fav_bar a.fav_de:hover { background: url(/images/icons/de.gif) no-repeat 0 0 #e6e9ea } .fav_bar a.fav_acm_digital { background:url(‘/images/icons/acm_digital_library.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_acm_digital:hover { background:url(‘/images/icons/acm_digital_library.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_pdf { background:url(‘/images/icons/pdf.gif’) no-repeat 0px 0px #FFF; } .fav_bar a.fav_pdf:hover { background:url(‘/images/icons/pdf.gif’) no-repeat 0px 0px #e6e9ea; } .fav_bar a.fav_more .at-icon-wrapper{ height: 33px !important ; width: 35px !important; padding: 0 !important; border-right: none !important; } .a2a_kit { line-height: 24px !important; width: unset !important; height: unset !important; padding: 0 !important; border-right: unset !important; border-left: unset !important; } .fav_bar .a2a_kit a .a2a_svg { margin-left: 7px; margin-top: 4px; padding: unset !important; }

Los neurocientíficos del Instituto de Tecnología de Massachusetts (MIT) estudiaron el comportamiento de los ratones en una situación de aprendizaje y recompensa, con el objetivo de enseñar a los ratones a girar una rueda hacia la izquierda o hacia la derecha para recibir una recompensa.
En la tarea, el lado recompensado cambiaba cada 15-25 giros.
El equipo se dio cuenta de que los ratones estaban utilizando más de una estrategia en cada “bloque” del juego.
Para desentrañar la estrategia que se estaba utilizando, el equipo utilizó un Modelo de Markov Oculto (HMM), que puede determinar computacionalmente cuándo un estado no visto está produciendo un resultado en comparación con otro estado no visto.
- 15 Formas de Utilizar ChatGPT para Marketing
- Comprendiendo la Afinación Fina de LLM Adaptando Grandes Modelos de...
- 3 Formas en las que la IA puede ayudar a los freelancers a alcanzar...
El equipo tuvo que adaptar primero el HMM para explicar las transiciones de elección a lo largo de los bloques.
Las simulaciones computacionales del rendimiento de la tarea utilizando el “blockHMM” adaptado mostraron que el algoritmo es capaz de inferir los verdaderos estados ocultos de un agente artificial.
Los autores utilizaron esta técnica para demostrar que los ratones mezclaban persistentemente múltiples estrategias, logrando niveles variados de rendimiento. Desde MIT News Ver artículo completo
Derechos de autor de los resúmenes © 2023 SmithBucklin, Washington, D.C., EE. UU.