Módulo 27. Evolución, variación y restricciones
270.1. La afirmación que vamos a examinar
Consideremos la explicación según la cual la ansiedad sería un sistema de alarma moldeado por selección cuyas falsas alarmas reflejarían el costo elevado de no responder a una amenaza real. La idea puede formularse mediante teoría de detección de señales, pero su alcance necesita una auditoría cuidadosa.
El caso de este capítulo es metodológico y usa datos sintéticos. No describe a una persona real ni permite diagnosticar un trastorno. La pregunta es qué parte de una explicación evolutiva puede sostener un modelo de decisiones y qué parte necesita evidencia adicional.
Imaginemos una persona ficticia que anticipa amenazas con frecuencia, evita situaciones ambiguas y experimenta interferencia en actividades importantes. Alguien propone que su dificultad demuestra una adaptación útil porque prevenir un peligro puede compensar muchas precauciones innecesarias.
Esa afirmación combina varios niveles. El primero afirma que existen respuestas defensivas; el segundo propone una regla de regulación bajo incertidumbre. Un tercero intenta explicar la persistencia de síntomas en una persona concreta y un cuarto atribuye una historia adaptativa a un trastorno.
Nuestro análisis separará esas proposiciones. Un modelo puede mostrar que un umbral bajo de respuesta es razonable bajo ciertos costos sin demostrar que cualquier manifestación intensa de ansiedad sea beneficiosa ni que una categoría clínica haya evolucionado como unidad adaptativa.
Nesse desarrolló una formulación de detección de señales conocida como principio del detector de humo, centrada en la asimetría entre costos de defensa y costos de omitir peligros [1]. La usaremos como hipótesis formal sobre regulación; para probar una historia clínica o evolutiva particular haría falta más evidencia.
La resolución tendrá tres componentes. Primero construiremos un cálculo transparente de decisiones; después compararemos explicaciones alternativas para respuestas frecuentes. Finalmente especificaremos qué datos permitirían distinguirlas y qué conclusiones quedarían abiertas.
El criterio de éxito será identificar exactamente qué demuestra cada paso y evitar saltos entre un resultado matemático, una asociación experimental y una explicación histórica. Así la hipótesis sirve para investigar sin convertirse en una conclusión clínica o histórica establecida.
Esa cautela se justifica porque las interpretaciones evolutivas pueden influir en cómo se entiende el sufrimiento. Explicar una posible función de un sistema no elimina la realidad de sus costos actuales ni decide, sin otra evidencia, qué intervención resulta beneficiosa.
270.2. Definir la decisión, el peligro y los costos
Construyamos un mundo simplificado con dos estados, amenaza presente o ausente. El organismo recibe una señal imperfecta y puede activar una respuesta defensiva o no activarla.
Supongamos que activar la defensa cuesta una unidad, exista o no amenaza, y evita completamente un daño de cien unidades cuando la amenaza está presente. Si no se activa, el costo esperado es la probabilidad de amenaza multiplicada por cien.
Si p es la probabilidad de amenaza después de observar la señal, conviene activar la defensa cuando es decir, cuando p supera 0,01. Este umbral es propio de los costos y de la eficacia que acabamos de definir.
Si la respuesta no evita completamente el daño, habría que introducir su eficacia y el daño residual. Si el costo de responder cambia según el estado, también cambia la desigualdad. La fórmula no vale para toda defensa.
Las unidades miden pérdidas dentro del ejemplo; no forman una escala clínica ni establecen una equivalencia entre sufrimiento, supervivencia y reproducción. Para interpretar un modelo evolutivo tendríamos que traducirlas a consecuencias reproductivas; para una decisión sanitaria necesitaríamos otros objetivos y evidencia.
Una regla que maximiza la reproducción esperada en un modelo ancestral no define automáticamente lo que una persona debería elegir hoy. El bienestar, la autonomía y el funcionamiento requieren una consideración propia.
Tampoco hemos demostrado que un organismo calcule probabilidades de manera explícita. Una regla conductual puede aproximar una decisión sensible a costos sin representar conscientemente la ecuación. El modelo describe una relación funcional que podría implementarse de diversas maneras.
El primer resultado es, por tanto, condicional; si los costos, la eficacia y la probabilidad están bien representados, un umbral bajo puede reducir pérdidas esperadas. La palabra «si» contiene supuestos que deberán contrastarse.
Este paso ayuda a evitar dos errores opuestos. Que haya muchas respuestas innecesarias es insuficiente para probar que el sistema esté mal calibrado; la posibilidad de un umbral bajo tampoco demuestra que un sistema concreto esté bien calibrado en su ambiente actual.
La convención de costos debe conservarse durante todo el cálculo. Aquí la defensa cuesta una unidad incluso cuando evita una amenaza verdadera. Si solo cobrásemos un costo por falsas alarmas y asignáramos costo cero a las respuestas correctas, el umbral pasaría a ser uno dividido por ciento uno.
La diferencia numérica es pequeña en este ejemplo, pero cambiar sin aviso la tabla de consecuencias puede producir fórmulas incompatibles bajo el mismo nombre. Una auditoría debería comenzar por escribir qué pérdida corresponde a cada combinación de estado y acción.
También podemos expresar la decisión mediante la razón entre probabilidades de la señal bajo amenaza y seguridad. Con prevalencia previa q, costo de defensa C y daño D, responder requiere que esa razón supere C por uno menos q, dividido por q por la diferencia D menos C, siempre que D sea mayor que C.
Con q igual a 0,01, C igual a uno y D igual a cien, el umbral de esa razón es uno. La señal positiva del ejemplo tiene razón ocho y la negativa tiene razón dos novenos. La primera favorece la respuesta y la segunda no.
Esta formulación muestra cómo se combinan la información y la prevalencia. Una señal puede conservar exactamente su calidad y dejar de justificar una respuesta cuando cambia la frecuencia previa de amenazas.
270.3. Resolver un ejemplo con diez mil situaciones
Supongamos diez mil situaciones independientes, de las cuales cien contienen una amenaza (una prevalencia de uno por ciento). Una señal positiva aparece en el ochenta por ciento de las amenazas y en el diez por ciento de las situaciones seguras.
Tendremos ochenta señales positivas ante amenaza y veinte amenazas con señal negativa. Entre las nueve mil novecientas situaciones seguras, habrá novecientas noventa señales positivas y ocho mil novecientas diez negativas.
La señal positiva aparece en mil setenta situaciones, pero solo ochenta incluyen amenaza. Por tanto, la probabilidad posterior de amenaza ante una señal positiva es
Ese valor supera el umbral de 0,01, de modo que nuestra regla activa la defensa. Ante una señal negativa, la probabilidad de amenaza es veinte dividido por ocho mil novecientos treinta, aproximadamente 0,00224, por debajo del umbral.
La política consiste entonces en responder a señales positivas. Su costo total esperado en este conjunto es de mil setenta unidades por las respuestas, más dos mil por las veinte amenazas omitidas, en total tres mil setenta.
Si nunca respondemos, las cien amenazas generan diez mil unidades de daño. Si respondemos siempre, pagamos diez mil unidades de defensa y evitamos todos los daños. En este ejemplo, usar la señal reduce pérdidas frente a ambas políticas extremas.
Sin embargo, novecientas noventa de las mil setenta respuestas, más del noventa y dos por ciento, ocurren cuando no hay amenaza. Esa proporción alta es compatible con una política útil bajo los supuestos definidos.
El resultado no significa que las falsas alarmas sean gratuitas. Cada una cuesta una unidad y forma parte del balance. La política resulta favorable porque los daños grandes que evita compensan el costo de las respuestas innecesarias.
El ejemplo muestra también por qué la precisión positiva depende de la prevalencia. Una señal con sensibilidad de ochenta por ciento puede producir muchas falsas alarmas cuando el peligro es raro. Evaluar el sistema exige combinar sensibilidad, especificidad, frecuencia de amenazas y costos.
La conclusión demostrada es estrecha. Una alta proporción de respuestas innecesarias no refuta una explicación funcional mientras no se compare el costo total con alternativas bajo condiciones bien especificadas.
270.4. Cambiar condiciones puede invertir la comparación
Consideremos otra política basada en una señal más estricta. Detecta cincuenta de las cien amenazas y genera noventa y nueve falsas alarmas entre las situaciones seguras. Su sensibilidad es menor, pero también lo es su tasa de falsas alarmas.
Con un costo de defensa de una unidad, activa ciento cuarenta y nueve respuestas y omite cincuenta amenazas. Su costo total es ciento cuarenta y nueve más cinco mil, igual a cinco mil ciento cuarenta y nueve. Resulta peor que la política anterior, que costaba tres mil setenta.
Aumentemos ahora el costo de defensa a cinco unidades, manteniendo todo lo demás. La primera política cuesta cinco mil trescientas cincuenta unidades por respuestas y dos mil por daños, en total siete mil trescientas cincuenta.
La política estricta cuesta setecientas cuarenta y cinco unidades por respuestas y cinco mil por daños, en total cinco mil setecientas cuarenta y cinco. El orden entre las políticas se invierte.
Solo hemos comparado dos reglas concretas, sin calcular la política óptima entre todas las posibles señales y umbrales. Si se dispone de una señal continua, podría existir otra política con menor costo que ambas.
La prevalencia también puede cambiar la decisión. Supongamos ahora cien amenazas entre cien mil situaciones, manteniendo sensibilidad de ochenta por ciento y tasa de falsas alarmas de diez por ciento para la señal amplia.
Habrá ochenta verdaderos positivos y nueve mil novecientos noventa falsos positivos. La probabilidad de amenaza ante una señal positiva será ochenta dividido por diez mil setenta, aproximadamente 0,00794. Queda por debajo del umbral de 0,01 cuando la defensa cuesta uno.
Responder a todas esas señales costaría diez mil setenta unidades, más dos mil por amenazas omitidas, en total doce mil setenta. No responder costaría diez mil. En este escenario simplificado, la misma regla deja de mejorar el resultado.
Estos cambios demuestran que una política no es adaptativa de manera independiente del contexto. Sus costos y beneficios dependen de prevalencia, calidad de señales, eficacia y consecuencias de responder. Una explicación de desajuste debe medir qué condiciones cambiaron.
Tampoco basta con afirmar que el ambiente moderno es distinto. Hay que identificar la diferencia relevante y mostrar cómo altera la comparación. De otro modo, el desajuste se convierte en una explicación compatible con cualquier resultado y difícil de contrastar.
270.5. Separar calibración, aprendizaje y generalización
Una frecuencia elevada de respuestas puede surgir por mecanismos diferentes. La persona puede estimar amenazas como más probables, usar un umbral de decisión más bajo, percibir señales de manera distinta o generalizar experiencias previas a estímulos nuevos.
Estas posibilidades no son equivalentes. Un umbral bajo con probabilidades bien estimadas describe una sensibilidad a costos, mientras que una estimación inflada de peligro describe un problema diferente; una generalización amplia, por su parte, modifica qué estímulos se tratan como informativos.
Supongamos que dos participantes responden en el setenta por ciento de los ensayos. Uno distingue bien peligro y seguridad, pero considera muy costoso omitir amenazas. Otro distingue mal las señales y atribuye peligro a muchos estímulos seguros. La misma frecuencia de respuesta no identifica qué mecanismo opera.
Un experimento puede combinar elecciones, estimaciones explícitas de probabilidad y medidas de discriminación. Manipular costos manteniendo señales constantes ayuda a estudiar el criterio de respuesta; manipular la semejanza entre estímulos permite estudiar la generalización.
Lissek y colaboradores observaron mayor generalización de miedo condicionado en participantes con trastorno de ansiedad generalizada frente a controles en una tarea experimental [2]. Compararon a veintidós pacientes y veintiséis controles mediante estímulos visuales graduados en semejanza, respuestas de sobresalto y estimaciones de riesgo. El estudio muestra una asociación bajo ese diseño, insuficiente para concluir que ese patrón sea la causa de todos los casos, una adaptación histórica o una propiedad exclusiva del diagnóstico. Su diseño tampoco establece la dirección causal entre generalización y dificultades clínicas.
La generalización también puede ser útil en ciertos ambientes. Si amenazas diferentes comparten señales, responder a semejanzas puede evitar daños. Su conveniencia depende de la estructura real de esas semejanzas y de los costos de extender la respuesta.
Una respuesta amplia puede volverse persistente si las experiencias disponibles no corrigen las expectativas. Demostrar ese mecanismo requiere estudiar el aprendizaje y la observación; suponerlo a partir de la evitación sería una inferencia sin respaldo. Las trayectorias pueden diferir según la persona y el contexto.
La distinción entre mecanismos orienta las predicciones. Si el problema principal es el criterio de decisión, cambiar los costos debería modificar las elecciones de una manera determinada. Si es la discriminación, mejorar la información puede producir otro patrón; si es el aprendizaje, la secuencia de experiencias será relevante.
El modelo evolutivo plantea preguntas sobre por qué podrían existir ciertos sesgos. La explicación de su funcionamiento actual necesita evidencia experimental y clínica específica. Mantener separados ambos niveles permite relacionarlos sin que uno sustituya al otro.
La calibración de probabilidades puede evaluarse agrupando situaciones con predicciones semejantes. Si un sistema asigna probabilidad 0,1 a muchas situaciones comparables, esperaríamos amenazas en aproximadamente una décima parte a largo plazo. Esa correspondencia es distinta de la decisión de responder.
En cien situaciones independientes con probabilidad real 0,1, el número esperado de amenazas es diez y su varianza es nueve. Observar doce, como dato aislado, no demostraría una mala calibración. La comparación debe incorporar variabilidad y un número suficiente de observaciones.
Un sistema perfectamente calibrado puede usar un criterio de decisión costoso para la persona. A la inversa, un sistema con estimaciones imperfectas puede producir decisiones razonables en un intervalo limitado si sus errores se compensan con otro parámetro. Evaluar solo elecciones puede ocultar esas diferencias.
Las estimaciones verbales tampoco reflejan las creencias de manera directa y sin error. Pueden depender de la comprensión de probabilidades, la memoria y el formato de respuesta. Conviene combinar medidas y comprobar su consistencia antes de atribuir un parámetro psicológico estable a cada participante.
270.6. Comparar explicaciones para el caso ficticio
Volvamos a la persona ficticia con preocupación frecuente, evitación e interferencia. Una primera hipótesis sostiene que responde a riesgos reales y elevados de su entorno. En ese caso, una frecuencia alta podría deberse a la exposición, sin que la regulación sea inadecuada.
Una segunda hipótesis propone una estimación excesiva de amenaza bajo las condiciones actuales. Una tercera atribuye parte del patrón a un umbral bajo por el costo subjetivo de equivocarse; una cuarta considera una generalización amplia o un aprendizaje que mantiene las expectativas.
Otra posibilidad es que varias de esas contribuciones actúen juntas. La persona puede vivir bajo riesgos reales y, además, extender respuestas a situaciones que no comparten esos riesgos. Una explicación única puede perder información relevante.
La hipótesis evolutiva de defensa se sitúa en otro nivel, porque propone razones históricas para la existencia y la regulación de capacidades defensivas. Como es compatible con varias de las explicaciones próximas anteriores, no discrimina entre ellas sin compromisos adicionales.
La tesis de que un trastorno completo es una adaptación va más lejos. Para sostenerla habría que identificar la unidad fenotípica, demostrar consecuencias pertinentes y explicar cómo variantes heredables del conjunto fueron favorecidas por esos efectos. La utilidad de algunas respuestas no satisface automáticamente esos requisitos.
Las categorías clínicas agrupan manifestaciones según criterios de evaluación y utilidad asistencial. No debemos asumir que cada categoría corresponde a una unidad evolutiva separada ni que toda manifestación dentro de una categoría comparta el mismo mecanismo.
Una explicación de subproducto podría proponer que ciertos costos aparecen como consecuencia de un sistema general de aprendizaje o anticipación. Una explicación de restricción podría señalar compromisos inevitables entre sensibilidad y falsas alarmas. Ambas necesitarían predicciones propias.
Para avanzar, habría que caracterizar situaciones, consecuencias, historia de aprendizaje y funcionamiento actual. La información relevante incluye, junto con el recuento de síntomas, qué respuestas ocurren, ante qué señales y con qué efectos sobre la vida de la persona.
La explicación inicial plantea una posibilidad funcional general, pero sin más datos no identifica el mecanismo del caso ni demuestra que sus dificultades actuales sean beneficiosas. Tras esta comparación, la explicación sigue incompleta.
270.7. Un diseño que podría distinguir mecanismos
Propongamos un experimento seguro de laboratorio con resultados simbólicos y pérdidas monetarias pequeñas previamente acordadas. Los participantes observan señales que predicen eventos con probabilidades conocidas y eligen una respuesta que tiene un costo definido.
El diseño manipula por separado la prevalencia de eventos, la calidad de la señal y el costo de responder. Así podemos comprobar si las elecciones cambian en la dirección predicha por el modelo. No es necesario provocar peligros reales para estudiar la lógica de decisión.
La respuesta a estímulos nuevos con distintos grados de semejanza a las señales aprendidas permite estimar un gradiente de generalización. Las estimaciones de probabilidad ayudan a separar creencias de criterios de elección, aunque también tienen error.
Las condiciones deben presentarse con un orden que permita evaluar aprendizaje y posibles efectos de arrastre. Un participante que acaba de experimentar una fase de amenaza frecuente puede mantener expectativas al inicio de una fase segura. Ese efecto transitorio no equivale necesariamente a una diferencia estable.
Las predicciones se fijan antes del análisis. Un modelo de criterio sensible a costos predice cambios sistemáticos cuando cambia el costo de omitir o responder. Un modelo de discriminación deficiente predice dificultades para separar señales aun cuando los costos se mantengan constantes.
Un modelo de aprendizaje lento predice dependencia de la secuencia y demora en ajustarse después de cambios. Un modelo de generalización amplia predice respuestas extendidas hacia estímulos semejantes, con una forma de gradiente que debe especificarse.
Comparar modelos requiere verificar que sus parámetros sean identificables. Diferentes combinaciones de creencias y costos pueden producir elecciones similares. Simular datos con parámetros conocidos y comprobar su recuperación ayuda a reconocer qué puede inferirse del diseño.
La evaluación fuera de muestra debe usar ensayos o condiciones no empleados para ajustar. Un modelo flexible puede describir datos observados sin explicar el mecanismo. Las predicciones ante cambios nuevos son una prueba más exigente.
Una tarea de laboratorio no reproduce toda la vida cotidiana; su valor está en aislar procesos y generar medidas controladas. Relacionar esas medidas con dificultades clínicas exige validación adicional, seguimiento y atención a la heterogeneidad de los participantes.
Un análisis útil puede comparar modelos sobre predicciones concretas, como la elección después de un cambio de prevalencia. Si un modelo usa solo la última experiencia y otro integra muchas experiencias, sus respuestas iniciales después del cambio deberían diferir de forma calculable.
La validación debe incluir recuperación de modelos, además de recuperación de parámetros. Podemos generar datos con cada mecanismo candidato y comprobar si el procedimiento identifica cuál los produjo. Si los confunde con frecuencia, una preferencia pequeña entre modelos en datos reales no justifica una interpretación fuerte.
También conviene evaluar la estabilidad de los resultados frente a decisiones de análisis como la exclusión de ensayos, el tratamiento de respuestas omitidas o la forma de medir la semejanza. Una conclusión que depende de una única elección arbitraria necesita mayor cautela que otra consistente bajo alternativas razonables.
La comparación entre grupos no elimina la heterogeneidad individual. Dos grupos pueden diferir en promedio y solaparse ampliamente. Usar esa diferencia como marcador diagnóstico para una persona exige evidencia adicional sobre desempeño individual y contexto de uso.
Estas comprobaciones ayudan a mantener la conclusión en su escala, pues un patrón experimental puede apoyar una hipótesis de mecanismo sin convertirse automáticamente en una explicación completa de una categoría clínica.
270.8. El problema de los resultados que no observamos
Las respuestas defensivas pueden modificar la información disponible. Si una persona evita una situación, no observa directamente qué habría ocurrido al permanecer. La ausencia de daño después de evitar puede atribuirse a la protección aunque la situación fuera segura.
Este problema es contrafactual, porque para una misma ocasión no observamos simultáneamente el resultado de responder y el de no responder. La interpretación requiere comparaciones o modelos que distingan el riesgo inicial del efecto de la acción.
En nuestro ejemplo matemático conocemos el estado de amenaza por construcción, mientras que en la vida real esa información puede ser incompleta. Clasificar una respuesta como falsa alarma exige saber que no había peligro relevante, algo que la mera ausencia de daño no garantiza.
Una defensa eficaz puede impedir precisamente el resultado que habría confirmado el riesgo. Por eso, una baja tasa de daños entre quienes responden, considerada aisladamente, no demuestra que sus respuestas fueran innecesarias ni que fueran necesarias.
Los estudios observacionales pueden estar afectados por selección, ya que quienes perciben más riesgo pueden responder más y quienes responden pueden exponerse menos. Comparar sus resultados sin considerar esas diferencias mezcla mecanismo de decisión, exposición y efecto de la acción.
Un experimento controlado puede resolver parte de esa ambigüedad en un dominio limitado. En contextos cotidianos, los registros longitudinales y las medidas de exposición pueden dar información, pero la incertidumbre causal puede persistir.
La historia evolutiva tiene una dificultad adicional, porque muchos estados y consecuencias del pasado no son observables directamente. Una explicación debe combinar fuentes y reconocer qué partes se infieren. Demostrar que algo es posible no equivale a reconstruir una secuencia histórica.
También hay selección de relatos. Si buscamos retrospectivamente una utilidad para cada síntoma, podemos encontrar alguna historia compatible. Para evitarlo necesitamos predicciones previas, comparaciones con alternativas y evidencia que pueda contar en contra.
La auditoría concluye aquí que el modelo del detector es útil para organizar costos y errores, pero no elimina los problemas de identificación. Las variables que el modelo conoce deben medirse o estimarse en la aplicación; de esa diferencia depende la fuerza de la conclusión.
270.9. Qué puede concluirse y qué no decide el modelo
El cálculo demuestra que un sistema sensible puede producir muchas falsas alarmas y aun reducir pérdidas esperadas. También demuestra que cambios en prevalencia o costos pueden invertir la ventaja de una política. Estas son conclusiones matemáticas bajo supuestos explícitos.
El estudio experimental citado es evidencia sobre la generalización de miedo en un grupo y una tarea determinados. Esa evidencia puede ayudar a formular mecanismos próximos. No verifica la historia evolutiva completa propuesta para la ansiedad ni convierte una asociación grupal en explicación individual.
Para el caso ficticio, la afirmación de que las dificultades actuales son una adaptación útil no queda demostrada. Falta identificar riesgos, costos, mecanismos de aprendizaje y consecuencias, puntos que la explicación general del sistema defensivo no resuelve.
Tampoco queda demostrado lo contrario, es decir, que no exista ninguna función defensiva. La resolución adecuada mantiene separados los niveles, porque una capacidad puede tener una historia funcional y manifestarse hoy de maneras costosas, desajustadas o heterogéneas.
Las decisiones de atención no se deducen del origen evolutivo. Que una respuesta haya tenido una función no determina que deba mantenerse en toda intensidad o contexto. Evaluar una intervención exige evidencia sobre beneficios, daños y objetivos de la persona en el presente.
El modelo no prescribe un tratamiento ni permite decidir cuándo cambiarlo. Su aportación es conceptual; ayuda a distinguir protección, error, contexto y costo, así como a formular preguntas que pueden mejorar la investigación.
Una comunicación responsable evitaría decir que el sufrimiento es necesario porque la evolución lo diseñó así. También evitaría prometer que identificar una función ancestral resolverá el problema actual. Ambas frases exceden la evidencia y atribuyen finalidad al proceso.
La formulación más precisa sería que ciertos modelos evolutivos permiten entender por qué la regulación defensiva puede tolerar falsas alarmas, mientras que la evaluación de dificultades concretas requiere estudiar mecanismos y consecuencias actuales.
Esta conclusión deja trabajo empírico abierto y precisamente por eso es útil; señala qué datos faltan y qué comparación podría ser informativa, de modo que no cierra la explicación con una narración difícil de refutar.
270.10. Resolución del caso y cierre del módulo
La explicación inicial contiene una idea formalmente válida y una extrapolación no justificada. La idea válida es que una asimetría grande entre costos de omitir una amenaza y costos de responder puede favorecer umbrales bajos y numerosas falsas alarmas.
La extrapolación consiste en pasar de esa posibilidad a afirmar que cualquier ansiedad intensa, o un trastorno completo, es una adaptación beneficiosa, algo que el modelo no demuestra. Para evaluar esa afirmación harían falta definiciones, mecanismos y evidencia histórica adicionales.
El caso queda resuelto como una auditoría de inferencias. Hemos separado probabilidades de amenaza, criterios de decisión, aprendizaje, generalización y consecuencias. También hemos mostrado que una misma política puede ser favorable o costosa según el contexto.
La lección del módulo sobre evolución es mantener conectadas variación, transmisión y reproducción sin atribuir finalidad. Los modelos de deriva, mutación, desarrollo y redes neutrales explican posibilidades distintas que deben compararse antes de aceptar una historia adaptativa.
En psiquiatría, esa disciplina exige además distinguir rasgos, experiencias, categorías clínicas y objetivos de atención. Una explicación del origen de una capacidad no sustituye el conocimiento de sus manifestaciones actuales ni la evaluación de lo que ayuda a una persona.
El siguiente módulo estudiará juegos evolutivos y cooperación. Allí la aptitud dependerá de interacciones entre individuos y de la frecuencia de estrategias. Se mantendrá la misma exigencia de escribir reglas, calcular consecuencias y contrastar mecanismos antes de interpretar un resultado como una solución adaptativa.
Referencias
[1] Nesse, R. M. (2005). Natural selection and the regulation of defenses: A signal detection analysis of the smoke detector principle. Evolution and Human Behavior, 26(1), 88–105. DOI.
[2] Lissek, S., Kaczkurkin, A. N., Rabin, S., Geraci, M., Pine, D. S., y Grillon, C. (2014). Generalized anxiety disorder is associated with overgeneralization of classically conditioned fear. Biological Psychiatry, 75(11), 909–915. DOI.