WEBVTT Kind: captions Language: es 00:00:00.590 --> 00:00:01.590 De acuerdo, genial, gracias. 00:00:01.590 --> 00:00:06.560 Así que el título de mi charla es - este es también el título de una propuesta que 00:00:06.560 --> 00:00:10.570 también pusimos en el programa PIPPque Mark [Lurie] acaba de mencionar - este es el trabajo 00:00:10.570 --> 00:00:11.690 que estoy haciendo con mis co-PIs Kathleen Carley, Christian Lebiere, y Mark Orr. 00:00:11.690 --> 00:00:15.780 Estoy en IHMC y también hemos involucrado a investigadores de la Universidad Carnegie 00:00:15.780 --> 00:00:17.779 Mellon y la Universidad de Virginia. 00:00:17.779 --> 00:00:20.539 Nuestro Gran Desafío propuesto es realmente alrededor del desarrollo de nuevas teorías 00:00:20.539 --> 00:00:25.279 computacionales y modelos de flujo de información, comportamiento humano, y la transmisión y 00:00:25.279 --> 00:00:26.510 evolución de patógenos. 00:00:26.510 --> 00:00:33.250 Nuestro trabajo se basa en la investigación de una variedad de campos, sobre todo centrado 00:00:33.250 --> 00:00:37.620 en las ciencias cognitivas, por lo que implica la investigación sobre los sistemas sociales 00:00:37.620 --> 00:00:43.570 y organizativos, análisis de redes sociales en línea, aprendizaje automático, procesamiento 00:00:43.570 --> 00:00:51.000 de lenguaje natural, con un gran enfoque en cómo reunir todo eso en el modelado cognitivo 00:00:51.000 --> 00:00:52.420 computacional de las personas. 00:00:52.420 --> 00:00:56.720 Esto es una especie de resumen del tipo de trabajo que hemos estado haciendo y el tipo 00:00:56.720 --> 00:00:57.899 de centro que estamos tratando de reunir. 00:00:57.899 --> 00:01:01.200 Recopilamos datos de una gran variedad de fuentes, incluidos los medios sociales en 00:01:01.200 --> 00:01:03.364 línea y los datos de las encuestas que se han hecho públicos. 00:01:03.364 --> 00:01:10.790 Estamos investigando el tipo de investigación de la que Mark está hablando sobre dónde 00:01:10.790 --> 00:01:13.310 queremos emplear plataformas móviles para recopilar no solo datos de distanciamiento 00:01:13.310 --> 00:01:15.290 social, sino también evaluaciones ecológicas momentáneas de lo que las personas están 00:01:15.290 --> 00:01:17.280 haciendo y lo que están pensando. 00:01:17.280 --> 00:01:23.920 A partir de todos estos datos, estamos desarrollando una variedad de métodos analíticos para 00:01:23.920 --> 00:01:28.510 inferir las percepciones, actitudes, creencias e intenciones de las personas en diferentes 00:01:28.510 --> 00:01:29.510 áreas geográficas. 00:01:29.510 --> 00:01:34.960 Usamos eso para ver algo que llamamos agentes psicológicamente válidos, que se basan en 00:01:34.960 --> 00:01:38.560 una teoría neurocognitiva computacional de la que hablaré un poco más. 00:01:38.560 --> 00:01:43.729 El objetivo de eso es realmente tratar de entender los perfiles de respuesta de comportamiento 00:01:43.729 --> 00:01:53.540 de las personas en estas diferentes regiones - es decir, dado el estado actual del mundo, 00:01:53.540 --> 00:01:54.930 ¿cómo son el distanciamiento social? 00:01:54.930 --> 00:01:55.930 ¿Están usando máscaras? 00:01:55.930 --> 00:01:58.030 ¿Están tomando decisiones para vacunar o no? 00:01:58.030 --> 00:01:59.030 Y así sucesivamente. 00:01:59.030 --> 00:02:05.560 Esos agentes entran en una especie de población sintética o modelo basado en agentes en el 00:02:05.560 --> 00:02:16.709 que lo principal que estamos tratando de predecir es la dinámica de tiempo de estos comportamientos. 00:02:16.709 --> 00:02:20.819 Hasta ahora nos hemos centrado principalmente en la movilidad, en predecir la movilidad 00:02:20.819 --> 00:02:26.209 y en predecir el uso de máscaras. 00:02:26.209 --> 00:02:31.410 Por supuesto, todo eso está relacionado con las tasas de casos y las tasas de mortalidad 00:02:31.410 --> 00:02:33.090 como Mark estaba indicando. 00:02:33.090 --> 00:02:40.090 En lo que me voy a centrar es en un corte muy delgado a través de esto que se centra 00:02:40.090 --> 00:02:44.120 en esta idea de usar modelos cognitivos computacionales para hacer inferencias sobre la toma de decisiones 00:02:44.120 --> 00:02:45.310 de la gente. 00:02:45.310 --> 00:02:51.560 Voy a centrarme en esto porque creo que es probablemente novedoso en este espacio. 00:02:51.560 --> 00:02:55.209 Estamos trabajando con una teoría neurocognitiva computacional llamada ACT-R. 00:02:55.209 --> 00:03:00.349 Esta es una teoría que se ha desarrollado desde hace algunas décadas. 00:03:00.349 --> 00:03:07.769 Es en parte una teoría de cómo funciona la mente y también es una teoría de cómo 00:03:07.769 --> 00:03:14.340 se implementa en el cerebro, por lo que cubre una gran variedad - cientos de experimentos 00:03:14.340 --> 00:03:18.220 en psicología cognitiva - pero también hace predicciones sobre el funcionamiento del cerebro. 00:03:18.220 --> 00:03:25.860 Por ejemplo, los datos FMRI y los datos EEG que se recopilan como personas hacen varios 00:03:25.860 --> 00:03:27.019 tipos de tareas. 00:03:27.019 --> 00:03:31.750 Se ha utilizado en aplicaciones en el desarrollo de sistemas de tutoría cognitiva. 00:03:31.750 --> 00:03:34.220 Se utiliza mucho en la interacción humano-computadora. 00:03:34.220 --> 00:03:39.200 Detrás de estos modelos hay un montón de ecuaciones dinámicas muy complicadas que 00:03:39.200 --> 00:03:44.180 no voy a entrar, pero cubren cosas como cómo funciona la memoria, cómo funciona el olvido, 00:03:44.180 --> 00:03:46.380 cómo funciona la práctica y la formación de hábitos, etc. 00:03:46.380 --> 00:03:56.200 Es una unificación de todos estos diversos aspectos de la cognición en una sola teoría 00:03:56.200 --> 00:03:59.090 en la que podemos hacer simulaciones. 00:03:59.090 --> 00:04:03.019 Para los propósitos de esta charla, voy a centrarme en un subconjunto de los mecanismos 00:04:03.019 --> 00:04:07.760 que están involucrados en la toma de decisiones que provienen de esta teoría cognitiva. 00:04:07.760 --> 00:04:13.060 A veces se les llama aprendizaje basado en instancias o mezcla de memoria. 00:04:13.060 --> 00:04:18.680 Este es un tipo particular de toma de decisiones que pensamos que vemos con frecuencia en las 00:04:18.680 --> 00:04:22.849 personas que toman decisiones en el mundo real, donde están tomando decisiones basadas 00:04:22.849 --> 00:04:29.729 en una generalización de sus recuerdos y experiencias de situaciones anteriores. 00:04:29.729 --> 00:04:33.860 Esto aprovecha principalmente los mecanismos cognitivos que conocemos alrededor de la memoria 00:04:33.860 --> 00:04:38.700 - así que cómo la información decae en la memoria, cómo el ensayo aumenta la retención 00:04:38.700 --> 00:04:44.860 de esos recuerdos, cómo funciona el cebado - y aprovecha una variedad de mecanismos cognitivos 00:04:44.860 --> 00:04:48.570 que están involucrados en lo que se llama coincidencia de patrones. 00:04:48.570 --> 00:04:54.870 Es decir, cómo se recuperan los recuerdos de acuerdo con la forma en que coinciden con 00:04:54.870 --> 00:04:56.199 la situación actual. 00:04:56.199 --> 00:05:01.510 También está [relacionado con] este mecanismo llamado mezcla que esencialmente se generaliza 00:05:01.510 --> 00:05:07.310 sobre estas experiencias para producir el mejor resultado para la situación actual. 00:05:07.310 --> 00:05:12.290 Y los sesgos individuales en la toma de decisiones resultan del hecho de que las personas tienen 00:05:12.290 --> 00:05:21.180 diferentes tipos de experiencias y la forma en que estos mecanismos cognitivos realmente 00:05:21.180 --> 00:05:22.180 funcionan. 00:05:22.180 --> 00:05:28.300 Por lo tanto, para darle un boceto en miniatura de cómo funciona la teoría en la simulación 00:05:28.300 --> 00:05:33.600 - la idea es: cada experiencia, cada mensaje, va a la memoria como lo que técnicamente 00:05:33.600 --> 00:05:34.600 se llama un trozo. 00:05:34.600 --> 00:05:38.569 Un trozo es solo una cosa unitaria que captura las características de su experiencia particular 00:05:38.569 --> 00:05:40.740 o memoria y las almacena lejos. 00:05:40.740 --> 00:05:45.509 Para los propósitos de esta charla, por supuesto, con el tiempo tienes muchas experiencias que 00:05:45.509 --> 00:05:51.400 pueden estar interrelacionadas con respecto a alguna situación o alguna decisión. 00:05:51.400 --> 00:05:57.360 En el momento en que se necesita una nueva decisión, se realiza este tipo de memoria, 00:05:57.360 --> 00:06:02.030 recuperación de memoria muy rápida, que esencialmente generaliza y resume toda esa 00:06:02.030 --> 00:06:07.740 experiencia pasada basada en la probabilidad de que se recuperaría en este contexto particular, 00:06:07.740 --> 00:06:13.740 así como la similitud y la ínter-similitud de estas experiencias con la situación particular 00:06:13.740 --> 00:06:18.759 sobre la que está tomando una decisión. 00:06:18.759 --> 00:06:20.669 Usamos estos mecanismos para modelar actitudes y comportamientos. 00:06:20.669 --> 00:06:25.500 Esta no es una tarifa estándar para cómo se ha hecho este tipo de modelado en esta 00:06:25.500 --> 00:06:26.500 comunidad. 00:06:26.500 --> 00:06:31.410 Así que esta aplicación bastante novedosa - para tratar de hacer predicciones sobre 00:06:31.410 --> 00:06:35.970 las actitudes de las personas y cómo influye en el comportamiento. 00:06:35.970 --> 00:06:42.319 La teoría de la actitud realmente proviene de la psicología social y hay muchas teorías 00:06:42.319 --> 00:06:43.319 de la actitud. 00:06:43.319 --> 00:06:48.669 Aquí tienes una teoría canónica para darte una idea de cómo funciona. 00:06:48.669 --> 00:06:56.270 La idea es que sus decisiones conductuales, ya sea que vaya a usar una máscara o distancia 00:06:56.270 --> 00:06:59.460 social, están influenciadas por lo que se llama intenciones. 00:06:59.460 --> 00:07:01.840 Sus intenciones pueden variar en fuerza. 00:07:01.840 --> 00:07:06.610 Esas intenciones están relacionadas con sus actitudes hacia la probabilidad de que un 00:07:06.610 --> 00:07:11.780 resultado va a suceder y el valor de ese resultado. 00:07:11.780 --> 00:07:15.810 También está influenciado por normas subjetivas - ¿qué están haciendo otras personas? 00:07:15.810 --> 00:07:18.430 ¿Qué piensan otras personas sobre lo que estás haciendo? 00:07:18.430 --> 00:07:25.750 También está relacionado con lo que se llama control conductual percibido o lo que a menudo 00:07:25.750 --> 00:07:32.220 se llama autoeficacia, que es su creencia o confianza y su capacidad para hacer algo. 00:07:32.220 --> 00:07:38.460 Así que esas cosas se combinan para hacer predicciones sobre actitudes y en la implementación 00:07:38.460 --> 00:07:43.400 de comportamientos implementamos esto usando este conjunto de mecanismos llamados aprendizaje 00:07:43.400 --> 00:07:44.400 basado en instancias. 00:07:44.400 --> 00:07:49.530 La idea básica es que tienes un montón de experiencias que son positivas alrededor de 00:07:49.530 --> 00:07:51.199 algunos comportamientos, a veces negativos. 00:07:51.199 --> 00:07:54.060 Estás recibiendo información social, estás recibiendo información de mensajería. 00:07:54.060 --> 00:07:58.800 En el momento en que usted tiene que tomar la decisión de exhibir para ejecutar un comportamiento 00:07:58.800 --> 00:08:04.950 o no - todas esas piezas de información y memoria y experiencias se están combinando 00:08:04.950 --> 00:08:10.110 en esa decisión en particular para, por ejemplo, usar una máscara o no. 00:08:10.110 --> 00:08:17.560 Aquí hay este tipo de simulación de juguete solo para darle una idea del impacto de los 00:08:17.560 --> 00:08:23.120 mensajes y las experiencias en las intenciones y la toma de decisiones. 00:08:23.120 --> 00:08:30.000 Así que esto es solo una simulación de juguete en la que asumimos que no hay ningún valor 00:08:30.000 --> 00:08:33.700 real que se coloca en la máscara de usar. 00:08:33.700 --> 00:08:37.390 Pero luego recibes mensajes en puntos discretos en el tiempo que dicen que es altamente valorado. 00:08:37.390 --> 00:08:42.209 Esos mensajes se almacenan como trozos e influyen en sus inferencias sobre el valor subjetivo 00:08:42.209 --> 00:08:44.370 de usar una máscara. 00:08:44.370 --> 00:08:50.630 Si los efectos acumulativos de esos mensajes y el momento de esos efectos de los mensajes 00:08:50.630 --> 00:08:55.160 afectan su intención general y sus expectativas, entonces eso tiene un impacto en su toma de 00:08:55.160 --> 00:08:58.330 decisiones sobre si ejecutar ese comportamiento o no. 00:08:58.330 --> 00:09:03.269 Solo para pasar por otra cosa que influye en el comportamiento - esta noción de autoeficacia. 00:09:03.269 --> 00:09:08.589 La idea es que usted construye confianza cada vez que ejecuta positivamente un comportamiento, 00:09:08.589 --> 00:09:14.730 cuando usted piensa que puede no tener suficiente confianza o puede tener alguna dificultad 00:09:14.730 --> 00:09:17.500 que podría poner esfuerzo intencional adicional. 00:09:17.500 --> 00:09:23.779 Así que con el tiempo, cuando haces algo como usar una máscara o distancia social, 00:09:23.779 --> 00:09:25.670 tu autoeficacia se acumula. 00:09:25.670 --> 00:09:31.399 La cantidad de esfuerzo intencional adicional que usted tiene que poner en va hacia abajo, 00:09:31.399 --> 00:09:34.910 y en general la probabilidad de que el comportamiento sube. 00:09:34.910 --> 00:09:39.790 Entonces, ¿cómo se combina todo esto en algunos fenómenos que vemos en cosas como 00:09:39.790 --> 00:09:43.730 el uso de máscaras en reacción a la COVID? 00:09:43.730 --> 00:09:49.450 Una de las cosas que hemos estado modelando específicamente es esta idea de que su conciencia 00:09:49.450 --> 00:09:57.220 de lo que está pasando en la pandemia a su alrededor y los mensajes que está recibiendo 00:09:57.220 --> 00:10:03.700 a través de los medios de comunicación y las redes sociales tienen un impacto en su 00:10:03.700 --> 00:10:07.520 conciencia del estado de la pandemia. 00:10:07.520 --> 00:10:11.290 Eso entonces modula su comportamiento, que a su vez modula las velocidades de transmisión. 00:10:11.290 --> 00:10:12.720 Este número de transmisión efectivo. 00:10:12.720 --> 00:10:16.360 Sin embargo, hay retrasos en cómo se propaga todo esto. 00:10:16.360 --> 00:10:22.920 Así que hay un retraso entre un momento en que la gente se infecta, que los síntomas 00:10:22.920 --> 00:10:31.570 se hacen evidentes, a las muertes, y luego a nuestra conciencia de todo eso. 00:10:31.570 --> 00:10:38.410 Eso resulta en una especie de dinámica oscilatoria que se puede ver en los propios datos. 00:10:38.410 --> 00:10:43.340 Este es el número de transmisión efectivo en diez estados cuidadosamente seleccionados. 00:10:43.340 --> 00:10:51.100 Lo que ven es que esto es sobre las primeras tres oleadas de la pandemia COVID. 00:10:51.100 --> 00:10:58.850 Hay un gran pico en la transmisión que luego se reduce y oscila alrededor de uno. 00:10:58.850 --> 00:11:03.649 Nuestras simulaciones pueden reproducir ese tipo de comportamiento oscilatorio. 00:11:03.649 --> 00:11:09.139 En la esquina inferior derecha hay una especie de diagrama basado en fases donde la tasa 00:11:09.139 --> 00:11:16.700 de infección en el tiempo T se relaciona con la probabilidad de personas que usan una 00:11:16.700 --> 00:11:17.700 máscara. 00:11:17.700 --> 00:11:25.920 La idea de que la gente usa una máscara en reacción a su conciencia de que las cosas 00:11:25.920 --> 00:11:32.680 han empeorado y luego pueden retroceder cuando piensan que las cosas están mejorando. 00:11:32.680 --> 00:11:44.110 Una forma de pensar en esto es como si un péndulo se balanceara hacia adelante y hacia 00:11:44.110 --> 00:11:45.110 atrás. 00:11:45.110 --> 00:11:53.810 A medida que el péndulo oscila en una dirección hay un comportamiento que lo empuja hacia 00:11:53.810 --> 00:12:02.130 atrás en la otra dirección, luego cuando se balancea en la otra dirección hay un comportamiento 00:12:02.130 --> 00:12:06.579 que lo empuja hacia el centro, lo que hace que oscile alrededor de este número de transmisión 00:12:06.579 --> 00:12:08.120 efectivo de uno. 00:12:08.120 --> 00:12:15.240 Ahora, cuando miras los datos en realidad es un poco más complicado que eso. 00:12:15.240 --> 00:12:28.670 Así que este es el mismo tipo de diagrama basado en fases en el que estamos viendo los 00:12:28.670 --> 00:12:43.740 valores de Rt en un momento en el tiempo relacionado con los valores de Rt alrededor de dos o tres 00:12:43.740 --> 00:12:44.990 semanas en el futuro. 00:12:44.990 --> 00:12:50.850 Se ve este tipo de oscilación alrededor de uno, pero también hay este tipo de espiral 00:12:50.850 --> 00:12:55.560 donde también se está moviendo hacia arriba un poco. 00:12:55.560 --> 00:13:01.510 Si miramos la relación real entre las tasas de transmisión y las personas que usan máscaras 00:13:01.510 --> 00:13:09.959 un poco más adelante en el futuro, vemos una imagen aún más complicada donde hay 00:13:09.959 --> 00:13:19.940 este tipo de oscilación que a medida que los valores de Rt suben, la gente parece usar 00:13:19.940 --> 00:13:26.220 máscaras, lo que lo trae de vuelta, columpios lleva de un lado a otro. 00:13:26.220 --> 00:13:34.850 Pero también está en general aumentando de nuevo sobre las tres olas de COVID tales 00:13:34.850 --> 00:13:41.200 que las reacciones de la gente por la tercera onda son que cuando los valores de Rt suben, 00:13:41.200 --> 00:13:46.210 casi inmediatamente comienzan a usar máscaras y más personas usan máscaras. 00:13:46.210 --> 00:13:53.100 Creemos que esto es un reflejo del hecho de que hay este tipo de efecto de aprendizaje 00:13:53.100 --> 00:13:54.740 que la gente está exhibiendo. 00:13:54.740 --> 00:14:00.680 Fundamentalmente, se remonta a esta noción de que las personas están acumulando autoeficacia 00:14:00.680 --> 00:14:05.720 y también están construyendo algunos hábitos sobre cómo hacer eso, que está perfectamente 00:14:05.720 --> 00:14:07.270 capturado dentro del modelo. 00:14:07.270 --> 00:14:12.120 Ese es uno de los fenómenos que estamos viendo. 00:14:12.120 --> 00:14:17.180 Estamos viendo muchos otros aspectos de cómo las personas reaccionan de manera conductual 00:14:17.180 --> 00:14:18.959 a la información en su entorno. 00:14:18.959 --> 00:14:24.640 Esto, de nuevo, es solo mostrar estos datos en un formato ligeramente diferente. 00:14:24.640 --> 00:14:33.970 Los dos primeros gráficos muestran los valores de Rt en 3.000 condados en las tres primeras 00:14:33.970 --> 00:14:34.970 oleadas de COVID. 00:14:34.970 --> 00:14:43.330 Así que la parte superior izquierda es la primera y segunda ola y se puede ver que todos 00:14:43.330 --> 00:14:48.670 ellos se centran alrededor de uno y son básicamente los mismos a través de esas dos olas. 00:14:48.670 --> 00:14:53.019 Puedes ver el mismo patrón cuando pasas de la onda dos a la onda tres en el gráfico 00:14:53.019 --> 00:14:54.019 superior derecho. 00:14:54.019 --> 00:15:00.060 Pero si miran los gráficos a continuación, este es el porcentaje de personas que usan 00:15:00.060 --> 00:15:07.820 máscaras sobre estas tres olas y pueden ver como van de la ola uno a la onda dos, el uso 00:15:07.820 --> 00:15:12.560 de máscaras sube dramáticamente y luego un poco más cuando van de la onda dos a la 00:15:12.560 --> 00:15:13.560 onda tres. 00:15:13.560 --> 00:15:18.070 Bien, estamos haciendo trabajo adicional como dije, prediciendo otros tipos de comportamientos. 00:15:18.070 --> 00:15:23.170 Estamos viendo el uso de máscaras, el distanciamiento social, y ahora nos dirigimos hacia un análisis 00:15:23.170 --> 00:15:29.370 de las actitudes y decisiones de las vacunas, así como las actitudes de las personas hacia 00:15:29.370 --> 00:15:31.199 tratamientos alternativos además de las vacunas. 00:15:31.199 --> 00:15:34.390 Así que estamos analizando las discusiones sobre vacunación en medios masivos y redes 00:15:34.390 --> 00:15:36.800 sociales segmentadas geográficamente en todo Estados Unidos usando una variedad de aprendizaje 00:15:36.800 --> 00:15:39.500 automático y procesamiento de lenguaje natural para identificar estas creencias y actitudes. 00:15:39.500 --> 00:15:43.829 También estamos muy interesados en juicios de credibilidad sobre cómo la gente percibe 00:15:43.829 --> 00:15:47.050 las fuentes de esta información y luego tirar todo eso en estos agentes psicológicamente 00:15:47.050 --> 00:15:48.779 válidos que se construyen en ACT-R. 00:15:48.779 --> 00:15:48.930 Y eso es todo, gracias.