Psicosis: percepción, creencias y contexto interpersonal

444.1. Una explicación computacional necesita un fenómeno definido

Una experiencia perceptiva inusual puede describirse por su modalidad, su claridad, su localización, su contenido y la relación que guarda con la situación en que aparece. Una creencia admite otro examen, centrado en su significado, en la convicción con que se sostiene, en su flexibilidad ante información nueva y en sus consecuencias. Convertir cualquiera de estos fenómenos en un parámetro de inferencia obliga a tomar decisiones que la descripción clínica no contiene. Un modelo será útil en la medida en que conserve aquello que pretende explicar y declare lo que deja fuera.

La inferencia perceptiva estudia cómo se combinan señales sensoriales y expectativas para estimar el estado del entorno. La actualización de creencias estudia cómo la información recibida modifica representaciones más generales. Ambos procesos pueden describirse con la misma regla probabilística, coincidencia formal que explica buena parte del atractivo de una explicación unificada. Compartir una ecuación, sin embargo, no demuestra que las manifestaciones clínicas cubiertas por ella sean equivalentes. El contenido interpersonal de una convicción, la experiencia de agencia o la cualidad vivida de una voz no se recuperan a partir de una probabilidad posterior.

Fletcher y Frith (2009) formularon la versión más conocida de esa unificación. Propusieron que alucinaciones y delirios podrían entenderse como expresiones de una misma alteración, situada en la actualización de inferencias que depende del error de predicción dentro de una jerarquía bayesiana, sin tratar la experiencia perceptiva y la formación de creencias como mecanismos separados. Casi una década después, Sterzer y colaboradores (2018) revisaron la evidencia reunida bajo el marco de la codificación predictiva y la encontraron heterogénea. Algunos estudios hallan expectativas previas debilitadas en la psicosis y otros las hallan reforzadas. Los autores consideraron por ello que alucinaciones y delirios podrían depender de alteraciones distintas, ubicadas en niveles jerárquicos o modalidades diferentes. Ambos trabajos formulan hipótesis sobre mecanismos. Leerlos con provecho exige distinguir el nivel de representación de cada afirmación y la tarea que la respalda.

El capítulo compara reglas de integración de información y modelos de fuentes sociales con parámetros sintéticos. Interesa saber qué patrones puede producir cada regla y qué observaciones permitirían distinguirlas, sin identificar una precisión alta o baja con un diagnóstico.

444.2. Precisión y peso de una observación

En un modelo gaussiano, la precisión es la inversa de la varianza y expresa cuán concentrada está una distribución alrededor de su media. Por definición no equivale a certeza subjetiva, rigidez, confianza interpersonal ni exactitud objetiva. Vincularla con alguna de esas nociones requiere una medición específica y una hipótesis que justifique la correspondencia.

Supongamos una variable latente continua $z$, una distribución previa con media $\mu_0$ y precisión $\pi_0$, y una observación sensorial $y$ con precisión $\pi_s$. Si la observación se genera como $y=z+\varepsilon$, con un ruido gaussiano independiente de la distribución previa, la distribución posterior también es gaussiana, con media y varianza

La media posterior es un promedio ponderado en que cada fuente pesa en proporción a su precisión. Si la observación es poco fiable, su peso disminuye. Si la distribución previa está muy concentrada, una observación discrepante desplaza poco la estimación. El resultado será razonable cuando las precisiones estipuladas reflejen la fiabilidad efectiva de cada fuente y problemático cuando esa calibración esté desajustada.

La fórmula no dice cómo se obtuvieron las precisiones ni si permanecen constantes. Una persona aprende sobre la fiabilidad de lo que percibe y modifica sus expectativas cuando cambia el contexto. Tratar esos procesos como parámetros fijos puede llevar a atribuir a un rasgo estable lo que depende de una situación particular.

El modelo tampoco representa la selección de observaciones. Si una creencia modifica la atención o la manera de relacionarse con otros, cambia también el flujo de información que más adelante la pondrá a prueba, aspecto que se retoma en la sección 444.11.

444.3. Dos integraciones con el mismo resultado

Fijemos una media previa igual a uno y una observación sensorial igual a menos uno con precisión cuatro. Con precisión previa unitaria, la media posterior es $(1-4)/5=-0{,}6$. Con precisión previa nueve, es $(9-4)/13=5/13\approx0{,}38462$. La misma observación produce estimaciones de signo contrario porque cambia el peso relativo de la información previa.

Añadamos ahora una fuente social, independiente de las demás, que informa el valor $c=1$ con precisión $\pi_c=8$. Si la precisión previa vuelve a ser unitaria y se mantiene la observación sensorial, la media posterior coincide exactamente con la del caso de precisión previa nueve:

La coincidencia abarca también la varianza posterior, porque ambas combinaciones reúnen una precisión total de trece. Observar la media y la dispersión de la estimación final no basta, por tanto, para distinguir una expectativa individual muy ponderada de una expectativa más débil reforzada por información social concordante.

La equivalencia no depende de los números elegidos. Cuando la fuente social informa un valor igual a la media previa, una distribución previa de precisión $\pi_0$ combinada con esa fuente es indistinguible, para cualquier observación sensorial, de una distribución previa única de precisión $\pi_0+\pi_c$. En general, una distribución previa y una fuente independiente siempre pueden fundirse en una distribución previa efectiva, con precisión $\pi_0+\pi_c$ y media $(\pi_0\mu_0+\pi_c c)/(\pi_0+\pi_c)$. Mientras solo se observe la estimación final en una configuración fija, la procedencia de esa información previa efectiva queda sin identificar. La diferencia aparece cuando se modifica alguno de sus componentes o cuando se mide por separado.

La fuente social podría ser independiente, derivar de la misma información previa o repetir un mensaje anterior. Cada posibilidad exige asignarle un peso distinto. El cálculo anterior presupone independencia condicional y precisiones conocidas. Si ese supuesto falla, la suma de precisiones cuenta varias veces una misma evidencia, problema que formaliza la sección siguiente.

La comparación sugiere observaciones capaces de discriminar. Variar la fiabilidad de la fuente, informar sobre su procedencia o examinar las respuestas cuando la información social y la sensorial discrepan puede aportar más que repetir una pregunta global sobre convicción, siempre que se verifique qué información recibió y comprendió la persona en cada condición.

Una distribución concentrada puede estar mal calibrada si la precisión asignada a una fuente excede su fiabilidad real. Evaluar la calibración exige conocer el resultado relevante y compararlo con lo predicho, algo que una tarea experimental permite y que en los acontecimientos interpersonales complejos suele quedar incompleto o en disputa. La evaluación clínica debe identificar qué parte del acontecimiento es verificable y qué parte permanece como interpretación, sin convertir la autoridad de quien observa en una referencia infalible.

444.4. Fuentes sociales que comparten un origen

Considérese un conjunto de $k$ mensajes sobre la misma variable latente, generados como $c_i=z+b+e_i$. El término $b$ es una perturbación común a todos los mensajes, con varianza $\sigma_b^2$, que puede representar por ejemplo un error del informante original. Los términos $e_i$ son ruidos independientes con varianza $\sigma_e^2$. La matriz de covarianza de los errores es

Con esta estructura todos los mensajes merecen el mismo peso, de modo que la mejor combinación lineal es su promedio simple. La varianza de ese promedio es $\sigma_b^2+\sigma_e^2/k$ y su precisión efectiva es

Aumentar el número de mensajes reduce el componente independiente sin afectar el compartido. Cuando $k$ crece, la precisión efectiva tiende a $1/\sigma_b^2$ y no supera ese techo. Si todos los mensajes proceden de una misma observación inicial, su repetición no aporta lo que aportarían fuentes independientes. El modelo representa esa diferencia sin decidir de antemano si el mensaje es verdadero o falso.

Con varianza independiente de 0,25 y varianza compartida unitaria, un mensaje aislado tiene precisión $1/1{,}25=0{,}8$, mientras que el límite para muchos mensajes es uno. Si se ignorara la dependencia, se sumaría una precisión de 0,8 por mensaje y el peso de la fuente social crecería sin cota.

Tratar información correlacionada como si fuera independiente no es un rasgo exclusivo de la psicosis. Enke y Zimmermann (2019) mostraron en experimentos con población general que muchos participantes descuidan la correlación entre informes derivados de una misma señal, con creencias que oscilan en exceso hacia esa señal compartida. Los autores atribuyeron el sesgo sobre todo a la dificultad de razonar con correlaciones en entornos moderadamente complejos. En la investigación sobre esquizofrenia existe una hipótesis emparentada, la inferencia circular, según la cual la evidencia sensorial o la información previa reverberan en la jerarquía de procesamiento y se cuentan más de una vez. Jardri y colaboradores (2017) compararon a 25 personas con esquizofrenia y 25 controles en una tarea no social que manipulaba por separado información previa y evidencia sensorial. El sobreconteo de la evidencia sensorial fue mayor en el grupo con esquizofrenia y, dentro de él, mostró una asociación moderada y de significación limítrofe con los síntomas positivos. Como ese modelo describe bucles internos de procesamiento y no fuentes sociales dependientes, su parentesco con el ejemplo de esta sección es formal.

La procedencia de los mensajes forma parte del dato. Una formulación interpersonal necesita distinguir observaciones independientes, interpretaciones compartidas y simples repeticiones. Sin esa distinción, un modelo puede atribuir una convicción a una precisión previa elevada cuando parte de su mantenimiento procede de la manera en que están organizadas las fuentes disponibles.

444.5. Código de las comparaciones

El código siguiente reproduce las dos comparaciones. La primera parte verifica la equivalencia de la sección 444.3. La segunda calcula la precisión de los mensajes dependientes por dos vías, la expresión matricial $\mathbf 1^\top R^{-1}\mathbf 1$ y la fórmula cerrada, para luego comparar la media posterior resultante con la que se obtendría suponiendo independencia.

import numpy as np

def posterior(prior_mean, prior_precision, sensory, sensory_precision,
              social_mean=0.0, social_precision=0.0):
    precision = prior_precision + sensory_precision + social_precision
    mean = (prior_mean*prior_precision + sensory*sensory_precision
            + social_mean*social_precision)/precision
    return mean, 1/precision

weak = posterior(1,1,-1,4)[0]
strong = posterior(1,9,-1,4)[0]
social = posterior(1,1,-1,4,1,8)[0]
assert np.isclose(weak,-0.6)
assert np.isclose(strong,5/13)
assert np.isclose(strong,social)
print('Prior débil, fuerte y fuente social:', weak,strong,social)

for k in [1,5,20]:
    covariance = 0.25*np.eye(k)+np.ones((k,k))
    ones = np.ones(k)
    precision = ones @ np.linalg.solve(covariance,ones)
    formula = k/(0.25+k)
    assert np.isclose(precision,formula)
    independent_precision = k/1.25
    correct = posterior(0,1,-0.5,4,1,precision)[0]
    incorrect = posterior(0,1,-0.5,4,1,independent_precision)[0]
    print(k,round(precision,6),round(correct,6),round(incorrect,6))

En esta segunda comparación se usa una media previa nula, precisión previa unitaria y una observación sensorial de −0,5 con precisión cuatro, mientras los mensajes sociales informan el valor uno. Con un solo mensaje ambos cálculos coinciden. Desde cinco mensajes en adelante, suponer independencia invierte el signo de la estimación, que se aleja más de la correcta con cada repetición.

El cálculo matricial y la fórmula cerrada coinciden en todos los casos. Esa verificación confirma una propiedad de la combinación gaussiana estipulada, sin validar una medida clínica de confianza ni establecer que una red interpersonal concreta tenga esa estructura de dependencia.

444.6. Qué aporta un experimento de percepción condicionada

Powers, Mathys y Corlett (2017) estudiaron alucinaciones inducidas mediante condicionamiento pavloviano. Los participantes debían detectar un tono de 1 kHz, presentado en ruido blanco al mismo tiempo que un tablero visual. Tras estimar el umbral de cada persona, las primeras fases presentaban a menudo el tono en el umbral para establecer la asociación. Después aumentaban los ensayos con el tono bajo el umbral o ausente. Se consideró alucinación condicionada la respuesta de haber oído el tono cuando no se había presentado.

El estudio reclutó cuatro grupos que combinaban de manera ortogonal el diagnóstico de un trastorno del espectro psicótico y la experiencia diaria de voces. Participaron 15 personas con diagnóstico y voces, 14 con diagnóstico sin voces, 15 sin diagnóstico que oían voces a diario y 15 sin ninguna de las dos condiciones. El diseño permitió separar en parte ambos ejes en lugar de tratarlos como equivalentes.

Quienes oían voces, con o sin diagnóstico, informaron más alucinaciones condicionadas y las sostuvieron con mayor confianza. Las diferencias aparecieron en los ensayos sin tono y en los de baja probabilidad de detección. Para modelar la conducta, los autores emplearon un filtro gaussiano jerárquico (HGF) cuyos niveles representaban la creencia sobre la presencia del tono en cada ensayo, la asociación entre estímulo visual y tono y la volatilidad de esa asociación. Un parámetro del modelo regulaba el peso de la creencia previa frente a la evidencia sensorial. Su valor fue mayor en quienes oían voces, de nuevo con independencia del diagnóstico.

El nivel superior del modelo arrojó un resultado distinto. En las personas con diagnóstico psicótico, las creencias sobre volatilidad cambiaron menos a medida que las contingencias se volvían inestables, efecto que siguió la línea del diagnóstico y no la de las voces. Los autores señalaron que el patrón admite dos lecturas, una expectativa firme de que las contingencias son fijas o una expectativa débil acerca de la volatilidad.

Estos resultados pertenecen a una tarea definida y a una familia concreta de modelos. Una detección falsa de un tono condicionado no reproduce necesariamente el contenido verbal, la identidad atribuida, el significado personal o el sufrimiento asociados a las voces. El estudio tampoco manipuló información social ni fuentes interpersonales. Los modelos de fuentes de este capítulo son una construcción propia. Mantener separadas ambas procedencias impide presentar una hipótesis interpersonal como si fuera un resultado del experimento perceptivo.

444.7. Jerarquía y precisiones que pueden cambiar en direcciones distintas

Un modelo jerárquico representa varios niveles de inferencia. Un nivel puede estimar características de una señal y otro las regularidades de la situación, mientras un tercero evalúa cuán estables son esas regularidades. La precisión asignada en cada nivel cumple una función diferente, organización que se pierde cuando se habla globalmente de expectativas demasiado fuertes.

El experimento de Powers y colaboradores muestra que la distinción tiene consecuencias empíricas. El peso de la creencia perceptiva previa se asoció con las voces y la actualización de las creencias sobre volatilidad con el diagnóstico, de modo que dos parámetros de un mismo modelo se separaron según ejes clínicos distintos. En principio, una expectativa débil sobre señales inmediatas también podría coexistir con una explicación de nivel superior muy estable, de modo que ciertos acontecimientos se vivirían como inesperados y quedarían ordenados, a la vez, por una interpretación general. Que tal combinación sea formalmente posible no demuestra que esté presente en un caso dado.

Sterzer y colaboradores (2018) proponen que la precisión podría regularse con relativa independencia en distintos niveles de la jerarquía y en distintas modalidades sensoriales. Si así fuera, buscar una única alteración de precisión que explique toda la psicosis sería un planteamiento equivocado. Un parámetro puede tener sentido dentro de un modelo sin conservar la misma interpretación en otro.

El diseño de una tarea debe precisar qué relación se está aprendiendo. Variar la intensidad de una señal informa sobre la sensibilidad a la evidencia sensorial, en tanto que variar la probabilidad de una contingencia informa sobre el aprendizaje de regularidades. Para estudiar expectativas sobre volatilidad hace falta modificar la frecuencia con que esas contingencias cambian. En una formulación individual conviene usar la jerarquía con moderación, porque añadir niveles permite acomodar resultados contradictorios sin generar predicciones nuevas. Cada nivel propuesto necesita una función observable y una indicación de qué datos lo distinguirían de una alternativa más simple.

444.8. Actualización dinámica y volatilidad

La combinación gaussiana anterior supone que la cantidad estimada no cambia durante la observación. Si el estado puede variar, una observación antigua pierde parte de su relevancia para el presente. El filtro de Kalman (Kalman, 1960) representa este caso añadiendo, antes de incorporar cada medida, una varianza de proceso que expresa cuánto puede haber cambiado el estado.

Sea $P_t$ la varianza posterior en el momento $t$ y $Q$ la varianza del cambio entre momentos, de modo que la predicción para el momento siguiente tiene varianza $P_t+Q$. Con un ruido de observación de varianza $R$, la ganancia de actualización, la media y la varianza posteriores son

Con las demás cantidades fijas, esperar más variación del estado aumenta el peso de la observación reciente, mientras que esperar estabilidad favorece una acumulación más lenta de la evidencia. Un mismo cambio en la respuesta puede deberse, por tanto, a una estimación distinta de la volatilidad o a una fiabilidad sensorial distinta.

En el régimen estacionario esta equivalencia se vuelve exacta. Cuando $Q$ y $R$ permanecen constantes, la ganancia converge a un valor que depende únicamente del cociente $q=Q/R$,

donde $s^{*}$ es la varianza predictiva estacionaria expresada en unidades de $R$. Si $Q$ y $R$ se multiplican por un mismo factor, la ganancia no cambia. Con $q=0{,}1$ se obtiene $K^{*}\approx0{,}270$, tanto si $Q=0{,}1$ y $R=1$ como si $Q=1$ y $R=10$. Una persona que cambia rápidamente de respuesta no asigna necesariamente poca precisión a toda expectativa previa, porque puede estar considerando que la situación cambia. Otra que mantiene su respuesta puede disponer de información histórica pertinente que el experimentador no representó. La doble lectura que Powers y colaboradores propusieron para su hallazgo sobre volatilidad responde a este mismo problema.

Para contrastar estas hipótesis conviene variar por separado el ruido de observación y los cambios del entorno. Si ambas propiedades cambian juntas, los parámetros se compensan y resultan difíciles de recuperar, problema que se retoma en la sección 444.15.

La varianza de proceso sigue siendo una cantidad matemática. Su correspondencia con una experiencia de imprevisibilidad, con una expectativa consciente o con un mecanismo neural no queda establecida por el hecho de llamarla volatilidad.

444.9. Percibir una señal y comunicar una detección

Un experimento registra respuestas y no accede directamente a toda la experiencia perceptiva. Una mayor frecuencia de respuestas positivas puede proceder de cambios en la sensibilidad, en las expectativas o en ese criterio de comunicación, alternativas que el modelo debe representar cuando puedan producir el mismo patrón.

La teoría de detección de señales distingue la capacidad de separar la distribución de la señal de la del ruido y el criterio con que se responde. La distinción no resuelve por sí sola si una respuesta corresponde a una experiencia perceptiva vívida o a una decisión bajo incertidumbre. Un modelo bayesiano puede añadir una regla de decisión posterior a la inferencia, de modo que se informe presencia cuando la estimación supera un umbral. Cambiar ese umbral modifica las respuestas aunque la distribución perceptiva permanezca igual. Atribuir todas las diferencias de respuesta a la precisión previa sería una restricción del modelo que debe ponerse a prueba en vez de darse por supuesta.

El estudio de Powers y colaboradores abordó este problema en dos planos. Su análisis de detección de señales mostró criterios más liberales y menor sensibilidad perceptiva en los grupos que oían voces. Los autores advirtieron que ese análisis es descriptivo y no permite separar percepciones aberrantes de decisiones. Su modelo computacional incluía un modelo de respuesta con un parámetro de ruido de decisión que no difirió entre grupos, de modo que las diferencias quedaron situadas en el componente perceptivo. Las conclusiones siguen condicionadas a la familia de modelos considerada. Que un parámetro de respuesta no difiera dentro de la tarea no demuestra que los procesos de respuesta sean idénticos fuera de ella.

En la evaluación clínica, preguntar cómo se experimentó una señal y cómo se decidió describirla puede aclarar discrepancias, porque la duda o la necesidad de comunicar malestar influyen en el relato sin reducirse a un error de medición.

444.10. Convicción, contenido y consecuencias

La convicción puede graduarse, pero su intensidad no define por sí sola la naturaleza de una creencia. Hay convicciones firmes bien fundamentadas y creencias inciertas con consecuencias importantes. La evaluación necesita examinar el contenido, el contexto, la relación con la evidencia y el modo en que la experiencia organiza la vida de la persona.

Una probabilidad escalar representa una parte limitada de esa organización. No especifica por qué un acontecimiento adquiere significado personal, cómo se relaciona con la identidad ni qué acciones parecen necesarias. Dos personas pueden expresar la misma certeza y diferir ampliamente en preocupación, sufrimiento y conducta.

La flexibilidad tampoco equivale a cambiar de respuesta ante cualquier información contradictoria, porque la fuente puede ser poco fiable o la información ambigua. Para interpretar una actualización hay que conocer qué evidencia considera pertinente la persona y qué razones ofrece para aceptarla o rechazarla. El desacuerdo con un evaluador no constituye por sí mismo una alteración inferencial.

Una formulación clínica puede distinguir la experiencia inicial, la interpretación propuesta y las consecuencias conductuales. Esa desagregación permite preguntar si un modelo explica la aparición de una percepción, la estabilización de una explicación o su mantenimiento mediante acciones posteriores, procesos que difícilmente representa un mismo parámetro. Sterzer y colaboradores (2018) recogen, por ejemplo, propuestas según las cuales los delirios se asociarían con expectativas perceptivas débiles durante su aparición y con expectativas conceptuales más firmes una vez consolidados. Las presentan como hipótesis candidatas, no como hallazgos establecidos. El modelo computacional rinde más cuando conserva una pregunta delimitada, mientras la descripción fenomenológica aporta las dimensiones que permiten juzgar si la explicación parcial se refiere realmente al fenómeno presentado.

444.11. Conducta que modifica la información disponible

Una creencia orienta la atención, la búsqueda de información y la participación social. Esas acciones cambian las observaciones posteriores y convierten la actualización en un circuito entre inferencia y selección de experiencias. Sterzer y colaboradores (2018) señalaron que las versiones canónicas de la codificación predictiva aplicadas a la psicosis han dado poco lugar a la inferencia activa, es decir, al modo en que las acciones seleccionan las sensaciones que luego se interpretan.

Supóngase que alguien interpreta ciertas interacciones como hostiles y reduce el contacto con quienes podrían ofrecerle aclaraciones. La información disponible puede quedar concentrada en situaciones ambiguas o en fuentes que comparten esa interpretación. Esta secuencia es una hipótesis sobre el mantenimiento de la creencia. No debe atribuirse automáticamente a toda experiencia de suspicacia ni usarse para negar una hostilidad real. Cabe también que el entorno contenga efectivamente rechazo o amenazas, o que experiencias adversas reales se hayan generalizado a situaciones diferentes, posibilidades que solo pueden compararse con datos sobre acontecimientos, fuentes y cambios de contexto.

El modelo de fuentes dependientes representa una parte del problema, pues varias confirmaciones pueden proceder de un mismo origen. No explica por qué se seleccionaron esas fuentes ni qué significado tienen para la persona. Una extensión dinámica tendría que representar cómo las acciones alteran el acceso a la información, la confianza en los informantes y las oportunidades de contraste. La dirección de la influencia no debería decidirse por el orden en que los hechos aparecen narrados en una entrevista.

444.12. Contexto interpersonal y realidad compartida

La información social no es un canal uniforme. Su interpretación depende de las relaciones previas, de la credibilidad atribuida, de los intereses en juego y de experiencias anteriores de confianza o de daño. Una misma afirmación pesa distinto según quién la formula y en qué condiciones, por lo que representar todas las fuentes con una precisión constante oculta esa dependencia. Fletcher y Frith (2009) recordaron a propósito de la folie à deux que personas sin enfermedad mental pueden llegar a compartir la convicción delirante de alguien cercano y abandonarla cuando se separan de esa persona o cuando esta recibe tratamiento. Los mismos autores sugirieron que el conflicto social y el aislamiento podrían contribuir a mantener los delirios o a modelar su expresión.

La evaluación debe distinguir hechos observables de interpretaciones. Que una conversación se interrumpa cuando alguien entra en una habitación es un acontecimiento compatible con varias explicaciones. La idea de que se hablaba de esa persona añade una hipótesis que nadie puede zanjar sin acceso al contenido de la conversación.

Investigar no consiste en imponer una interpretación alternativa sin examinar evidencias, sino en reconstruir las circunstancias y explorar cómo cambiaría la conclusión ante distintos resultados. El contexto afecta además la disposición a comunicar. Una entrevista percibida como poco segura puede producir respuestas breves o defensivas. Leerlas como rigidez de la creencia confunde un dato relacional con una propiedad estable, porque quien evalúa forma parte del procedimiento de observación.

Una formulación computacional puede ayudar a separar la fiabilidad de las fuentes, su dependencia mutua y la actualización. Las relaciones, la historia y el significado pueden incorporarse como variables adicionales o quedar declarados como límites de la representación.

444.13. Un caso hipotético con señales ambiguas

El caso que sigue es simulado. Se construyó con fines didácticos y no corresponde a ninguna persona real. Alguien refiere que en ciertos momentos escucha palabras entre los ruidos del edificio y que algunas parecen dirigidas a él. La descripción inicial debe aclarar las condiciones acústicas, la forma de la experiencia, su contenido, su frecuencia y el grado de atribución externa. Importa también saber qué ocurre en ambientes distintos y qué consecuencias tiene la experiencia sobre sus actividades.

Una primera hipótesis destaca expectativas perceptivas que influyen cuando la señal es ambigua. Otra considera una fuente ambiental identificable. Cabe también que el significado interpersonal se haya desarrollado después de la experiencia perceptiva, a través de interpretaciones y conversaciones posteriores. Estas alternativas pueden coexistir en parte. Ninguna se resuelve asignando un valor de precisión a partir del relato.

El seguimiento puede comparar condiciones de ruido, registrar la experiencia antes de que la persona reciba comentarios de terceros y reconstruir de dónde proceden las confirmaciones sociales. Si varios informantes repiten la interpretación de una sola persona, su concordancia no equivale a observaciones independientes de la señal, que es la situación formalizada en la sección 444.4.

Si una modificación del ruido redujera la experiencia, ese resultado favorecería una contribución de las condiciones sensoriales, aunque no identificaría los procesos de significado. La persistencia en otros ambientes obligaría a ampliar la investigación.

El caso no contiene información suficiente para una clasificación diagnóstica ni para orientar decisiones terapéuticas. Sirve para mostrar cómo una hipótesis computacional genera preguntas concretas. La formulación debe dejar constancia de qué se observó, qué se infirió y qué dato podría modificar cada interpretación.

444.14. Predicciones que discriminan entre modelos

Dos modelos pueden producir una respuesta posterior semejante y diferir cuando cambia la fiabilidad de las fuentes. El modelo con precisión previa elevada anticipa una influencia escasa de la observación sensorial aislada en cualquier condición. El modelo con apoyo social adicional predice que la estimación se moverá cuando se modifique la disponibilidad o la credibilidad de esa fuente. La equivalencia de la sección 444.3 se rompe en cuanto el contraste afecta de manera distinta a sus componentes.

El diseño debe evitar modificar varias propiedades a la vez, porque si una fuente más fiable transmite además un mensaje más intenso, la respuesta no indica cuál de las dos diferencias fue decisiva. Importa también comprobar la comprensión. Si la persona no advierte que una fuente cambió de fiabilidad, un modelo que presupone conocimiento perfecto atribuirá su respuesta a un parámetro perceptivo cuando el problema reside en la información disponible.

Las predicciones deben evaluarse en observaciones reservadas. Ajustar una precisión distinta para cada condición describe los datos sin someter a prueba una hipótesis común, mientras que un modelo con parámetros compartidos anticipa cómo deberían cambiar las respuestas ante una manipulación definida. Un resultado favorable puede respaldar una operación computacional sin validar una explicación diagnóstica completa. Relacionar la tarea con experiencias clínicas requiere examinar correspondencia, estabilidad y asociación con fenómenos bien definidos, sin suponer que una diferencia entre grupos caracteriza del mismo modo a cada individuo.

444.15. Recuperación de parámetros y modelos rivales

Antes de interpretar un parámetro estimado conviene comprobar si el procedimiento lo recupera cuando se conocen los valores que generaron los datos. Wilson y Collins (2019) recomiendan simular respuestas con parámetros fijados, ajustar el modelo a esas respuestas y comparar los valores recuperados con los originales en el rango pertinente para los datos reales. Cuando dos parámetros se compensan, la recuperación muestra correlaciones entre sus estimaciones. Un buen ajuste puede coexistir así con una recuperación deficiente. Los mismos autores advierten que una recuperación exitosa representa el escenario más favorable posible, porque la conducta real rara vez se genera exactamente según el modelo.

La recuperación depende también del diseño. Si todas las observaciones confirman la expectativa previa, su precisión puede resultar inseparable de un criterio de respuesta favorable. Si las fuentes sociales nunca cambian de fiabilidad, su peso se confunde con una constante individual.

La comparación debe incluir modelos rivales plausibles, basados por ejemplo en la precisión previa, en el aprendizaje de la volatilidad o en cambios de criterio. Evaluarlos solo por su ajuste dentro de la muestra favorece al más flexible. Wilson y Collins proponen además simular datos con cada modelo candidato y ajustarlos con todos, para construir una matriz de confusión que indique con qué frecuencia el procedimiento identifica el modelo que generó los datos. Una vez elegido un modelo, conviene simular la conducta con los parámetros ajustados y verificar que reproduce los efectos observados, sin conformarse con la comparación de ajustes.

Un parámetro puede ser reproducible y tener aun así una interpretación limitada, porque la estabilidad de una estimación no establece que represente una entidad clínica específica. La presentación de resultados debe informar la incertidumbre y la sensibilidad a las decisiones analíticas. Si la interpretación cambia al utilizar otra regla de respuesta razonable, esa dependencia forma parte del hallazgo.

444.16. Qué información añade una formulación individual

Una formulación individual puede reunir experiencia, contexto y predicciones sin reducirlos a una causa única. Puede proponer, por ejemplo, que ciertas condiciones sensoriales favorecen una percepción ambigua y que una interpretación interpersonal aumenta su relevancia, siempre que cada relación conserve el grado de apoyo que efectivamente tiene. La descripción puede bastar para reconocer sufrimiento o interferencia aunque los mecanismos permanezcan abiertos. Una explicación computacional no es requisito para que una experiencia merezca atención clínica. Su utilidad consiste en precisar preguntas y evaluar si hipótesis distintas anticipan resultados diferentes.

La formulación debe reconocer también la información que podría contradecirla, sea una fuente ambiental que explique de forma reproducible la señal o una confirmación social que resulte independiente y bien documentada. El modelo no debe usarse para proteger una interpretación clínica frente a cualquier evidencia discordante.

La evolución puede cambiar la relación entre los componentes. Una experiencia perceptiva puede disminuir mientras persiste la preocupación por su significado, o a la inversa. Un indicador global oculta esas diferencias, mientras que seguir por separado la frecuencia de las experiencias, la convicción, el malestar, la conducta y el funcionamiento permite revisar mecanismos parciales sin exigir que todos los componentes cambien al mismo tiempo.

444.17. Alcance de los cálculos

Los ejemplos muestran que una misma estimación puede surgir de combinaciones distintas de información y que ignorar la dependencia entre fuentes altera de forma importante una actualización. Muestran también que, en un filtro lineal estacionario, la volatilidad del estado y el ruido de observación solo se identifican a través de su cociente. Las ecuaciones hacen visibles estos compromisos y permiten derivar contrastes, aunque sus parámetros no constituyen medidas diagnósticas.

La evidencia sobre percepción condicionada respalda preguntas específicas sobre expectativas y señales. En el estudio de Powers y colaboradores separó un componente asociado con las voces de otro asociado con el diagnóstico. Los modelos de fuentes sociales presentados aquí son hipótesis formales, emparentadas con trabajos sobre el descuido de la correlación y la inferencia circular, que este capítulo no somete a contraste empírico. Aplicarlos requeriría observaciones sobre la procedencia de la información, la conducta y el contexto interpersonal.

Una explicación computacional de la psicosis tiene que mantener a la vista la distancia entre una operación formal y el fenómeno clínico completo. Los diseños que vinculan variables con experiencias y contrastan predicciones pueden acortar esa distancia, aunque ajustar una curva no la elimina. Conviene, por eso, que cada formulación indique qué parte del fenómeno representa y qué dimensiones quedan a cargo de la descripción clínica y de otros métodos.

Referencias

Enke, B., y Zimmermann, F. (2019). Correlation neglect in belief formation. The Review of Economic Studies, 86(1), 313–332. DOI.

Fletcher, P. C., y Frith, C. D. (2009). Perceiving is believing: A Bayesian approach to explaining the positive symptoms of schizophrenia. Nature Reviews Neuroscience, 10(1), 48–58. DOI.

Jardri, R., Duverne, S., Litvinova, A. S., y Denève, S. (2017). Experimental evidence for circular inference in schizophrenia. Nature Communications, 8, 14218. DOI.

Kalman, R. E. (1960). A new approach to linear filtering and prediction problems. Journal of Basic Engineering, 82(1), 35–45. DOI.

Powers, A. R., Mathys, C. D., y Corlett, P. R. (2017). Pavlovian conditioning–induced hallucinations result from overweighting of perceptual priors. Science, 357(6351), 596–600. DOI.

Sterzer, P., Adams, R. A., Fletcher, P., Frith, C., Lawrie, S. M., Muckli, L., Petrovic, P., Uhlhaas, P., Voss, M., y Corlett, P. R. (2018). The predictive coding account of psychosis. Biological Psychiatry, 84(9), 634–643. DOI.

Wilson, R. C., y Collins, A. G. E. (2019). Ten simple rules for the computational modeling of behavioral data. eLife, 8, e49547. DOI.