Esta capacidad, a menudo denominada « aprender a aprender » o « metacognición », se ha estudiado en psicología educativa. Debido al estrecho acoplamiento entre el metanivel superior y los sistemas cognitivos de nivel de objeto inferior, un enfoque de reducción convencional tiene dificultades para comprender la base neural de la metacognición. Para superar esta limitación, los investigadores emplearon un enfoque de investigación novedoso en el que compararon la metacognición de la inteligencia artificial (IA) con la de los humanos.
En primer lugar, demostraron que el sistema metacognitivo de la IA, cuyo objetivo es maximizar las recompensas y minimizar los castigos, puede regular eficazmente la velocidad de aprendizaje y la retención de la memoria en respuesta al entorno y la tarea. En segundo lugar, demostraron el comportamiento metacognitivo del aprendizaje motor humano, lo que demuestra que proporcionar retroalimentación monetaria en función de la memoria puede promover o suprimir el aprendizaje motor y la retención de la memoria. Esto constituye la primera demostración empírica de la regulación bidireccional de las habilidades de aprendizaje motor implícitas por factores económicos. En particular, mientras que la IA exhibió habilidades metacognitivas iguales para la recompensa y el castigo, los humanos exhibieron una respuesta asimétrica a la ganancia y pérdida monetaria; los humanos ajustan su retención de memoria en respuesta a la ganancia y su velocidad de aprendizaje en respuesta a la pérdida. Esta propiedad asimétrica puede proporcionar información valiosa sobre los mecanismos neuronales que subyacen a la metacognición humana.
Los investigadores anticipan que estos hallazgos podrían aplicarse de manera efectiva para mejorar las habilidades de aprendizaje de las personas que practican nuevos deportes o actividades relacionadas con la motricidad, como el entrenamiento de rehabilitación posterior al accidente cerebrovascular.
Este trabajo fue apoyado por la Sociedad Japonesa para la Promoción de la Ciencia KAKENHI (JP19H04977, JP19H05729 y JP22H00498). TS recibió el apoyo de una beca de investigación JSPS para científicos jóvenes y KAKENHI (JP19J20366). NS fue apoyado por NIH R21 NS120274.