📄 Mostrando la versión "Simple" — "Avanzado" aún no está lista. Añádelo a favoritos para ayudar a priorizarla. Pedir el análisis completo

Cada vez que dudas ante un paso arriesgado —si invertir en acciones o esperar—, en tu cabeza se desarrolla un diálogo interno. Normalmente, los científicos intentan reconstruir el curso de ese diálogo basándose únicamente en la elección final, como si un detective reconstruyera una conversación entre dos personas mirando una foto del lugar del encuentro. Esa imagen a menudo no es suficiente: las mismas acciones pueden nacer de reflexiones muy diferentes.

Los autores del trabajo propusieron grabar el diálogo en sí. Los participantes verbalizaban sus pensamientos durante un juego en el que debían elegir entre una ganancia segura y una lotería arriesgada. Luego, esas grabaciones, junto con las elecciones, se entregaban a un programa que busca la mejor explicación para el comportamiento. El resultado sorprendió: los modelos entrenados con esa "transcripción" predijeron las decisiones de las personas en nuevos ejemplos de manera notablemente más precisa. Además, para el 69% de los participantes, la propia arquitectura del modelo cambió. Sin las pistas, el programa construía un modelo de "comparación explícita" —como si la persona pusiera las opciones en los platillos de una balanza y observara cuál pesa más—. Con los datos del habla, el modelo pasaba a la "utilidad integrada" —como si todos los pros y los contras se fundieran en una única sensación de conveniencia, y la decisión naciera de esa fusión—.

Entonces, las palabras pronunciadas en el momento de la duda no son solo ruido. Llevan la huella de cómo llegamos exactamente a la decisión, y esa huella se puede descifrar. Este enfoque promete no solo modelos más precisos, sino también la posibilidad de vislumbrar esos mecanismos del pensamiento que no se ven solo con las acciones.

Resumen original

tal como lo escribieron los autores, en inglés arXiv:2605.05091

Computational cognitive models discovered using large language models have so far relied solely on behavioral data. However, it is well-known that models produced from the behavioral trajectory alone are typically under-determined. In this work, we explore the use of Think Aloud traces as an additional form of data constraint during automated model discovery. When applied to the domain of risky decision-making, we find that the models discovered with think-aloud achieve significantly improved predictive performance on held-out data. Additionally, we find that the discovered models belong to different structural classes than those discovered from behavior alone for the majority of participants (69.4\%), specifically, it shifts from Explicit comparator towards Integrated utility. These results suggest that process-level language data not only improve model fit, but also systematically reshape the structure of the discovered cognitive models, enabling the identification of mechanisms that are not recoverable from behavior alone.