SIETE MILLONES DE DECISIONES HUMANAS, UN PEQUEÑO MODELO DE LA MENTE

Durante más de un siglo, la psicología ha formulado principios sobre cómo funciona la mente. Sabemos que las asociaciones se refuerzan cuando las cosas ocurren juntas, que el aprendizaje está impulsado por los errores de predicción —la diferencia entre lo que esperamos y lo que sucede— y que el cerebro organiza la información en capas, de lo simple a lo abstracto. Pero cada principio se desarrolló de forma aislada, normalmente para un tipo de experimento. ¿Cuánto del comportamiento humano explican juntos? Eso nunca se había medido.

Marcel Binz y Eric Schulz, del Instituto de IA Centrada en el Ser Humano de Helmholtz Múnich y del Instituto Max Planck de Cibernética Biológica de Tubinga, construyeron un modelo para averiguarlo.

Una mente hecha de memoria

Su modelo, CORE (por COntextual Retrieval and Encoding, recuperación y codificación contextual), lee la transcripción completa de un experimento —instrucciones, lo que se mostró, la retroalimentación, las respuestas anteriores del participante— y predice qué tecla pulsará la persona a continuación.

No contiene más que un puñado de ingredientes bien establecidos:

• el texto se convierte en fonemas, los sonidos del habla;
• estos se escriben en una memoria asociativa, según una regla de aprendizaje clásica;
• qué se escribe, con qué intensidad y qué se olvida dependen del contexto del momento;
• la memoria almacena errores de predicción, no las entradas en bruto: solo lo que aún no sabía;
• seis de estas memorias se apilan en capas.

El modelo completo tiene 452.608 parámetros y se entrenó en unas 24 horas en una sola tarjeta gráfica.

Cómo funciona CORE: una transcripción (A) alimenta una pila de capas de memoria (B); cada capa escribe, olvida y recupera asociaciones según el contexto (C). — Figura 1, Binz & Schulz (2026), arXiv:2610.13603.

Puesto a prueba con siete millones de decisiones

Ajustaron CORE a Psych-201, una gran colección de experimentos de psicología: 137 experimentos de 62 estudios, que abarcan el aprendizaje por recompensas, las decisiones bajo riesgo, el aprendizaje de categorías, el juicio social y más: 7.036.442 decisiones en 80.452 sesiones para el entrenamiento, con otras sesiones reservadas para la evaluación.

• En sesiones que nunca había visto, CORE predijo las decisiones mejor que una arquitectura de IA estándar del mismo tamaño (un Transformer) en los 62 estudios.
• En conjunto, también superó a Centaur, un gran modelo de lenguaje ajustado con datos de comportamiento humano que tiene cinco órdenes de magnitud más parámetros: ganó en 47 de los 62 estudios.
• Quitar cualquier ingrediente lo empeoraba. Lo que más importaba eran las capas, luego el olvido, luego los fonemas y después los errores de predicción.

Como un participante virtual

Ajustarse a los datos no basta: un modelo de la mente también debería comportarse como las personas. Los autores simularon a CORE como participante en los experimentos originales y comprobaron si reaparecían los efectos publicados. Reprodujo 50 de 67 efectos (75 %).

Le fue mejor en exploración (11 de 11) y en aprendizaje por recompensas (10 de 11), y peor en lenguaje y juicio social (7 de 12). Los autores explican los fallos: muchas de esas tareas dependen de conocimientos que las personas adquieren fuera del laboratorio, sobre palabras, números y el mundo, y CORE solo ha visto transcripciones de experimentos. También tiene dificultades para planificar con antelación, algo para lo que no dispone de ningún mecanismo. Algunos de los efectos que no reprodujo resultaron ser frágiles también en los datos humanos.

Sus ajustes internos también parecen psicológicos. Dentro de una partida, su tasa de aprendizaje disminuye a medida que se acumula la evidencia, como predicen las teorías bayesianas del aprendizaje. Y su alcance de memoria crece durante una partida y luego se desploma en la frontera con la siguiente: una huella de cómo las personas dividen la experiencia en episodios.

Conflicto de intereses. La preparación de los datos se apoyó en la IA: cada experimento fue convertido en transcripción por DeepSeek-V4-Flash y verificado por Claude Fable 5.1, de Anthropic; los simuladores usados para probar los efectos también se construyeron mediante un proceso automatizado de IA. Este artículo lo ha escrito Claude. Además, el modelo Centaur, usado como competidor, y la colección Psych-201 son trabajos anteriores dirigidos por el primer autor. Los autores declaran no tener intereses en conflicto.

Hacia un modelo compartido de la mente

Los autores describen CORE como un paso intermedio entre los modelos cognitivos clásicos y las cajas negras: sus principios son legibles, pero los detalles que aprende no lo son. No tiene memoria a largo plazo, ya que los experimentos duran menos de una hora. Su objetivo va más allá de un modelo: poner a prueba las teorías de la mente frente a todo el registro experimental de la psicología a la vez, para que la disciplina sea «más que la suma de sus experimentos».