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

En el almacén hay cajas con manzanas y peras. Hay muchas manzanas y pocas peras. Pero cuando el encargado dice «fruta con piel lisa», por alguna razón recordamos más a menudo la rara pera que la frecuente manzana. Eso es el efecto de la tasa base inversa: un fallo persistente en cómo el cerebro resuelve la ambigüedad entre categorías.

Durante mucho tiempo se pensó que la causa era el error de predicción: el cerebro se equivoca, recibe una señal de discrepancia y reajusta sus expectativas. Pero los autores del trabajo fueron más allá: eliminaron de los experimentos la propia posibilidad de ese error. Primero pasaron al aprendizaje por observación (la persona simplemente mira, sin hacer predicciones), y luego quitaron por completo las pistas con los nombres de las categorías. El efecto no desapareció.

Así nació el modelo OSCAR. Funciona con retroalimentación autogenerada, algo así como una completación interna de la imagen. Al ver parte de los rasgos, el sistema completa el todo por sí mismo y aprende de esa respuesta interna. El modelo no solo reprodujo los resultados con datos antiguos, sino que también predijo las diferencias individuales entre las personas y, por primera vez, explicó los movimientos oculares antes incomprendidos registrados en los experimentos.

Resumen original

tal como lo escribieron los autores, en inglés arXiv:2608.06149v1

The inverse base-rate effect is a robust bias in how people resolve ambiguity between competing categories, and the most prominent theories explain it through prediction error. Across two experiments we progressively removed the elements of the predictive-learning design that supply such error signals: first by moving to observational learning, then to an unsupervised procedure in which category labels were not presented. The effect persisted--the irrational bias is independent of supervised learning procedures. We propose a new theory, OSCAR, that integrates core computational principles of the best-validated models and operates on self-generated feedback akin to pattern completion. OSCAR extends the learning dynamics underlying the response bias to observational and unsupervised procedures. Evaluated on a large preexisting supervised dataset in addition to the two new experiments reported here, OSCAR performs competitively against alternatives, and is the first model that reproduces the pattern of individual differences seen in humans across all three procedures. The model provides an explanation of hitherto unexplained eye-tracking data, something none of the alternative accounts provide.