Por qué la expectativa por aprender impulsaría el esfuerzo mental, según un estudio

Investigadores del Instituto de Neurociencia de Princeton llevaron a cabo un estudio para analizar cómo las personas determinan cuánta energía mental invertir en el aprendizaje.

El experimento evaluó la respuesta de los participantes frente a tareas con distintos grados de dificultad. Los hallazgos indican que el cerebro incrementa el esfuerzo cuando percibe una oportunidad real de adquirir nuevos conocimientos.

En la prueba, primero se asignaron actividades sencillas y después otras más complejas. Aquellos que obtuvieron buenos resultados en los ejercicios fáciles mostraron mayor disposición a esforzarse ante retos posteriores. En contraste, quienes comenzaron con tareas muy difíciles y no lograron progresar redujeron su motivación y dedicaron menos empeño en la siguiente fase.

Según el estudio difundido por la Universidad de Princeton, este patrón sugiere que la expectativa de éxito desempeña un papel central al momento de decidir cuánto esfuerzo aplicar. Javier Masís, autor principal, explicó que las personas tienden a invertir más recursos mentales cuando consideran que realmente pueden aprender algo útil. Este comportamiento podría representar una estrategia adaptativa para administrar la energía cognitiva de manera eficiente.

Los datos mostraron que quienes experimentaron avances iniciales mantuvieron una actitud más perseverante. Por el contrario, la falta de progreso en tareas complejas llevó a una disminución del esfuerzo posterior, reforzando la idea de que la percepción de aprendizaje posible impulsa la motivación.

Jonathan Cohen, codirector de la iniciativa Mentes Naturales y Artificiales del Laboratorio de IA de Princeton, destacó que estos resultados también tienen implicaciones para el diseño de sistemas de inteligencia artificial. Señaló que, aunque los algoritmos pueden ejecutar tareas sofisticadas, no siempre identifican qué necesitan aprender ni cómo distribuir su esfuerzo.

A partir de esta idea, los investigadores propusieron incorporar el concepto de esfuerzo en los modelos de IA. En un experimento adicional, desarrollaron agentes artificiales capaces de simular todo su proceso de entrenamiento antes de decidir cuánta energía computacional dedicar, de forma similar a cómo un estudiante organiza su tiempo según la importancia de cada examen.

Rodrigo Carrasco Davis explicó que este enfoque permite que el sistema no solo optimice cada paso aislado, sino que evalúe la trayectoria completa de aprendizaje antes de actuar. Las pruebas mostraron que integrar esta variable mejora el rendimiento y acelera la adquisición de conocimientos.

Masís sostuvo que, al igual que el cerebro humano intensifica su esfuerzo cuando anticipa un aprendizaje valioso, los sistemas de IA podrían volverse más autónomos y adaptables si adoptan un mecanismo similar. La hipótesis es que trasladar estos principios humanos a las máquinas favorecería un aprendizaje más eficiente.

El estudio subraya la relevancia de comprender cómo las personas regulan su energía mental, tanto para la neurociencia como para el avance tecnológico. Según los autores, el futuro del aprendizaje automático podría beneficiarse de incorporar procesos de motivación y autorregulación inspirados en el comportamiento humano.

Como concluyó Carrasco Davis, uno de los grandes retos en inteligencia artificial es “aprender a aprender”. El trabajo de Masís y su equipo abre nuevas posibilidades para investigar cómo optimizar ese proceso tanto en el cerebro como en las máquinas.

Noticias del tema