¿Aprendemos como las redes neuronales artificiales?
En parte, sí.
Un estudio recién publicado en Nature Human Behaviour muestra que los humanos y las redes neuronales artificiales comparten un mismo dilema: cuanto más reutilizan lo aprendido para una nueva tarea, más riesgo tienen de olvidar lo anterior.
(Las redes neuronales artificiales son sistemas informáticos que aprenden de los datos, inspirados en cómo funciona el cerebro humano).
El trabajo se enmarca en el llamado aprendizaje continuo: la capacidad de incorporar nuevas habilidades sin perder las anteriores, aprendiendo algo nuevo sin que lo previo se borre o se distorsione.
Este equilibrio entre transferencia (aprovechar lo aprendido), interferencia (olvidar lo anterior) y estabilidad (mantener lo adquirido) se conoce como trade-off del aprendizaje continuo.
El experimento:
Más de 300 participantes realizaron dos tareas de clasificación de plantas. En la segunda, las reglas podían ser iguales, parecidas o totalmente distintas a la primera.
Con reglas similares, aprendían más rápido la nueva tarea (alta transferencia) pero olvidaban parte de la anterior (alta interferencia).
Con reglas muy diferentes, recordaban la primera, pero tardaban más en aprender la segunda.
Las redes neuronales, entrenadas con el mismo diseño, mostraron el mismo patrón.
Los autores describen dos estilos de aprendizaje:
Lumpers (agrupadores): integran lo nuevo con lo anterior; aprenden rápido, pero confunden las reglas.
Splitters (separadores): mantienen todo separado; recuerdan bien, pero avanzan más despacio.
Conclusión práctica:
El aprendizaje humano, como el de las redes neuronales, necesita equilibrar flexibilidad y estabilidad.
En educación, conviene diseñar secuencias de tareas que se relacionen sin solaparse demasiado: suficientemente parecidas para transferir, pero lo bastante distintas para no interferir.
Ejemplo claro: al estudiar dos lenguas muy parecidas, como español e italiano, el progreso inicial es rápido (alta transferencia), pero las palabras y estructuras tienden a mezclarse (alta interferencia).
Un apunte importante:
La tarea del estudio fue breve y artificial, realizada en línea. Aún no sabemos cómo se traduce este equilibrio en aprendizajes complejos o prolongados en contextos reales.