O padre presbiteriano Thomas Bayes não tinha ideia de que faria uma contribuição duradoura para a história humana. Nascido na Inglaterra no início do século 18, Bayes era um homem quieto com uma mente curiosa. Durante sua vida, ele publicou apenas duas obras: "The Goodness of the Lord" em 1731 em defesa de Deus e da monarquia britânica, bem como um artigo anônimo em apoio aos cálculos de Isaac Newton em 1736. No entanto, um argumento apresentado por Bayes antes de sua morte em 1761 determinou o curso da história. Ele ajudou Alan Turing a quebrar o criptografador Enigma alemão, a Marinha dos Estados Unidos a rastrear os submarinos soviéticos e os estatísticos a identificar os Documentos Federalistas. E hoje, com a ajuda dele, eles resolvem os segredos da mente.
Tudo começou em 1748, quando o filósofo David Hume publicou The Inquiry into Human Cognition e, entre outras coisas, questionou a existência de milagres. De acordo com Hume, a probabilidade de erro por pessoas que afirmam ter visto a ressurreição de Cristo supera a probabilidade de que esse evento realmente aconteceu. Mas o reverendo Bayes não gostou dessa teoria.
Aparelho de criptografia "Enigma"
Foto: AFP 2016, Timothy A. Clary
Determinado a provar que Hume estava errado, Bayes tentou quantificar a probabilidade de um evento. Para começar, ele propôs um cenário simples: imagine uma bola atirada em uma mesa plana atrás das costas. Você pode fazer suposições sobre onde ele pousou, mas é impossível dizer sem olhar o quão preciso você foi. Em seguida, peça a um colega para lançar outra bola e dizer se ela está à direita ou à esquerda da primeira. Se a segunda bola estiver à direita, é mais provável que a primeira tenha caído no lado esquerdo da mesa (por essa suposição, há mais espaço à direita da bola para a segunda bola). A cada nova bola, seu palpite sobre a localização da primeira bola será atualizado e refinado. De acordo com Bayes, várias evidências para a ressurreição de Cristo também indicam a confiabilidade deste evento,e não podem ser desconsiderados, como fez Hume.
Em 1767, Richard Price, amigo de Bayes, publicou Sobre o significado do cristianismo, suas evidências e possíveis objeções, que usou as idéias de Bayes para desafiar os argumentos de Hume. De acordo com o historiador e estatístico Stephen Stigler, no artigo de Price, "a ideia probabilística básica era que Hume subestimou a importância do número de testemunhas independentes de um milagre, e os resultados de Bayes mostraram como um aumento na quantidade de evidência, mesmo que não fosse confiável, poderia ser mais forte do que pequena o grau de probabilidade do evento e, portanto, o transforma em um fato."
As estatísticas que surgiram do trabalho de Price e Bayes foram poderosas o suficiente para lidar com uma ampla gama de incertezas. Na medicina, o teorema de Bayes ajuda a considerar as ligações entre doenças e possíveis causas. Na batalha, ele estreita o espaço para localizar as posições inimigas. Na teoria da informação, ele pode ser usado para descriptografar mensagens. E nas ciências cognitivas, permite compreender o significado dos processos sensoriais.
Vídeo promocional:
O teorema de Bayes foi aplicado ao cérebro no final do século XIX. O físico alemão Hermann von Helmholtz usou as ideias de Bayes para apresentar a ideia de transformar dados sensoriais, como a consciência do espaço, em informação por meio de um processo que ele chamou de inferência inconsciente. A estatística bayesiana tornou-se popular, e a ideia de que cálculos mentais inconscientes eram inerentemente prováveis não parecia mais rebuscada. De acordo com a hipótese do cérebro bayesiano, o cérebro continuamente faz inferências bayesianas para compensar a falta de informação sensorial, assim como cada bola subsequente jogada na mesa bayesiana preenche informações sobre a localização da primeira bola. O cérebro bayesiano forma um modelo interno do mundo: expectativas (ou suposições) sobrecomo diferentes objetos parecem, sentem, soam, se comportam e interagem. Este sistema recebe sinais sensoriais e simula aproximadamente o que está acontecendo ao redor.
Por exemplo, visão. A luz é refletida nos objetos ao nosso redor e atinge a superfície da retina, e o cérebro deve de alguma forma criar uma imagem tridimensional a partir de dados bidimensionais. Muitas imagens tridimensionais podem ser obtidas a partir deles, então como o cérebro decide o que nos mostrar? Provavelmente aplica o modelo bayesiano. Parece quase inacreditável que o cérebro tenha evoluído tanto que se tornou capaz de fazer cálculos estatísticos próximos do ideal. Nossos computadores não conseguem lidar com um número tão grande de probabilidades estatísticas, e parece que fazemos isso o tempo todo. Mas talvez o cérebro ainda não seja capaz disso. De acordo com a teoria da amostragem, os métodos de consciência podem se aproximar da inferência bayesiana: em vez de emitir simultaneamente todas as suposições que podem explicar qualquer sinal sensorial,o cérebro leva em consideração apenas alguns deles, selecionados aleatoriamente (o número de vezes que cada uma das hipóteses é escolhida baseia-se na frequência dos casos correspondentes no passado).
Isso poderia explicar a origem das ilusões visuais: o cérebro escolhe o “melhor palpite” de acordo com as regras da inferência bayesiana, e acaba sendo falso, pois o sistema de visualização preenche lacunas de informação com uma seleção de um modelo interno inadequado. Por exemplo, parece que dois quadrados em um tabuleiro de xadrez têm diferentes tons de cor, ou que o círculo parece côncavo no início e se torna convexo após uma rotação de 180 graus. Nesses casos, o cérebro inicialmente faz a suposição errada sobre algo tão simples como a iluminação.
Também ajuda a explicar por que quanto mais informações são recebidas, mais forte é o impacto sobre a pessoa com suas memórias, impressões, decisões, explica Alan Sanborn (Adam Sanborn), que estuda problemas de comportamento na Universidade de Warwick. Potencialmente, as pessoas preferem comprar do primeiro vendedor que encontram. Os slots têm mais probabilidade de continuar o jogo se ele começar com uma vitória. A primeira impressão costuma ser difícil de refutar, mesmo que seja fundamentalmente errada. “Depois de obter as informações iniciais, você fará suposições que concordam com elas”, esclarece Sanborn.
Essa variabilidade vai até o nível de nêutrons. "A ideia é que a atividade dos nêutrons é uma variável aleatória que você está tentando derivar", diz Máté Lengyel, neurocientista de Cambridge. Em outras palavras, a variabilidade da atividade neural é um indicador da probabilidade de um evento. Vamos considerar um exemplo simplificado - um neurônio responsável pelo conceito de "tigre". O neurônio vai oscilar entre dois níveis de atividade, alto quando há sinal da presença de um tigre e baixo, o que significa que não há tigre. O número de vezes que o neurônio está altamente ativo aumenta a probabilidade de um tigre estar presente. “Em essência, neste caso, podemos dizer que a atividade de um neurônio é uma amostra de uma distribuição de probabilidade”, diz o cientista. - Acontece que se você desenvolver essa ideia de uma forma mais realista e menos simplificada,então, inclui muitas coisas que sabemos sobre os neurônios e a variabilidade de suas respostas."
Um dos colegas de Sanborn, Thomas Hills, explica que a forma como escolhemos entre as imagens mentais é um tanto semelhante a como procuramos objetos físicos no espaço. Se você costuma ir buscar leite no supermercado, a primeira coisa a fazer é ir até a nova loja para comprar leite. Isso não é diferente de procurar imagens internas no cérebro. “Pode-se imaginar a memória como uma espécie de registro da frequência racional dos acontecimentos no mundo. As memórias são codificadas em imagens mentais em proporção às experiências anteriores. Então, se eu lhe perguntar sobre seu relacionamento com sua mãe, você pode começar a pensar: aqui está uma memória de uma interação positiva, aqui está outra memória de uma interação positiva e aqui está uma negativa. Mas, em média, as memórias do seu relacionamento com sua mãe são boas, então você diz bem,”- diz Thomas Hills. O cérebro é uma espécie de mecanismo de busca que seleciona memórias, criando o que Hills chama de "estruturas de crença" - a ideia de conexão com os pais, definições de "cachorro", "amigo", "amor" e tudo mais.
Se o processo de pesquisa der errado, ou seja, o cérebro faz uma seleção a partir de informações que não são representativas da experiência humana, se houver uma incompatibilidade entre as expectativas e o sinal sensorial real, surgem depressão, síndrome obsessivo-compulsiva, distúrbios pós-traumáticos e uma série de outras doenças.
Isso não quer dizer que a hipótese do cérebro bayesiano não tenha oponentes. “Acho que a estrutura bayesiana, como uma espécie de linguagem matemática, é um meio poderoso e útil de expressar teorias psicológicas. Mas é importante analisar quais partes da teoria realmente fornecem uma explicação”, diz Matt Jones, da Universidade do Colorado em Boulder. Em sua opinião, os defensores do "cérebro bayesiano" confiam muito na parte da teoria que fala de análise estatística. “Por si só, não explica a diversidade de comportamentos. Faz sentido apenas em combinação com o que na verdade acaba sendo uma suposição livre sobre a natureza da representação do conhecimento: como organizamos conceitos, procuramos informações na memória, usamos o conhecimento para raciocinar e resolver problemas.
Em outras palavras, nossas afirmações sobre o processamento psicológico da informação que a ciência cognitiva tradicionalmente faz mostram como as estatísticas bayesianas são aplicadas à função cerebral. O modelo traduz essas teorias para a linguagem matemática, mas essa interpretação é baseada na psicologia conservadora. Em última análise, pode ser que outros modelos bayesianos ou não bayesianos se ajustem melhor à variedade de processos mentais subjacentes à nossa percepção sensorial e pensamento superior.
Sanborn pode discordar das visões de Jones sobre a hipótese do cérebro bayesiano, mas ele entende que o próximo passo é diminuir a variedade de modelos em ação. “Poderíamos dizer que a própria amostragem é útil para compreender a atividade cerebral. Mas existem muitas opções. O quanto eles concordam com a teoria Bayesiana ainda está para ser visto. No entanto, já podemos dizer que a defesa do cristianismo no século 18 ajudou os cientistas a alcançarem grande sucesso no século 21.
