Qué es más efectivo según la ciencia, estudiar mucho los últimos días o a lo largo del trimestre

Hace más de un siglo, Pavlov entrenó a su perro para asociar el sonido de una campana con la comida. Desde entonces, los científicos asumieron que el perro aprendía esto mediante la repetición: cuantas más veces escuchaba la campana y luego era alimentado, mejor aprendía que el sonido significaba que pronto llegaría la comida.

Ahora, científicos de la Universidad de California en San Francisco están refutando esta suposición centenaria sobre el aprendizaje asociativo. La nueva teoría afirma que depende menos de cuántas veces ocurre algo y más de cuánto tiempo pasa entre recompensas.

«Resulta que el tiempo entre estos emparejamientos señal-recompensa ayuda al cerebro a determinar cuánto aprender de esa experiencia», dijo Vijay Mohan K. Namboobidiri, PhD, profesor asociado de Neurología y autor principal del estudio, publicado en Nature Neuroscience.

Cuando las experiencias ocurren más cerca una de otra, el cerebro aprende menos de cada instancia, dijo Namboodiri, y agregó que esto podría explicar por qué a los estudiantes que estudian intensamente para los exámenes no les va tan bien como a los que estudiaron durante todo el semestre.

El papel de la dopamina

Los científicos han considerado tradicionalmente el aprendizaje asociativo como un proceso de ensayo y error. Una vez que el cerebro detecta que ciertas señales podrían conducir a recompensas, comienza a predecirlas. Los científicos han postulado que, al principio, el cerebro solo libera dopamina cuando llega una recompensa, como una comida sabrosa. Pero si la recompensa llega con la suficiente frecuencia, el cerebro comienza a anticiparla, liberando dopamina en cuanto recibe la señal.

La dosis de dopamina refina la predicción cerebral, reforzando el vínculo con la señal si la recompensa llega, o debilitándolo si no aparece

Estudio en laboratorio

Namboodiri y el investigador postdoctoral Dennis Burke entrenaron ratones para asociar un sonido breve con la obtención de agua azucarada, variando el tiempo entre los ensayos. Espaciaron los ensayos de 30 a 60 segundos para algunos ratones, y de 5 a 10 minutos, o más, para otros. El resultado fue que los ratones cuyos ensayos fueron más espaciados recibieron muchas más recompensas que aquellos cuyos ensayos fueron más espaciados en el mismo tiempo.

Si el aprendizaje asociativo dependiera únicamente de la repetición, los ratones con más intentos deberían haber aprendido más rápido. En cambio, los ratones que recibieron muy pocas recompensas aprendieron lo mismo que los que recibieron 20 veces más intentos durante el mismo tiempo.

«Lo que esto nos dice es que el aprendizaje asociativo es menos ‘la práctica hace al maestro’ y más ‘el tiempo lo es todo’», dijo Burke, el primer autor del estudio.

Cuando las recompensas estaban más espaciadas, los ratones necesitaron menos repeticiones antes de que sus cerebros comenzaran a responder al sonido con dopamina.

Luego, los investigadores probaron una variante diferente. Reprodujeron el sonido repetidamente, con intervalos de 60 segundos entre las señales, pero solo les dieron agua azucarada a los ratones el 10 % del tiempo. Estos ratones necesitaron muchas menos recompensas antes de empezar a liberar dopamina tras la señal, independientemente de si esta venía seguida de una recompensa.

Aplicado a la adicción y a la IA

Los hallazgos podrían cambiar la forma en que vemos el aprendizaje y la adicción. Fumar, por ejemplo, es intermitente y puede implicar señales, como la vista o el olor de cigarrillos, que aumentan el deseo de fumar. Debido a que un parche de nicotina administra nicotina constantemente, puede alterar la asociación del cerebro entre la nicotina y la recompensa de dopamina resultante, mitigando el deseo de fumar y facilitando dejar de fumar

A continuación, Namboodiri planea investigar cómo su nueva teoría podría acelerar la inteligencia artificial. Los sistemas de IA actuales aprenden con bastante lentitud, ya que se basan en el modelo predominante de aprendizaje asociativo, que realiza pequeños ajustes tras cada interacción entre miles de millones de puntos de datos.

«Un modelo que se base en lo que hemos descubierto podría potencialmente aprender más rápido con menos experiencias», dijo Namboodiri. «Sin embargo, por el momento, nuestros cerebros pueden aprender mucho más rápido que nuestras máquinas, y este estudio ayuda a explicar por qué».