Por Emily Singer
Publicado na Quanta Magazine
Os seres humanos muitas vezes tomam decisões ruins. Se você gosta de Snickers mais do que de Milk Way, parece óbvio qual barra de chocolate você escolherá, dada uma escolha dos dois. Modelos econômicos tradicionais seguem esta intuição lógica, sugerindo que as pessoas atribuem um valor a cada escolha – digamos, Snickers: 10, Milk Way: 5 – selecionado o melhor pontuador. Mas o nosso sistema de tomada de decisões está sujeito a falhas.
Em um experimento recente, Paul Glimcher, neurocientista da Universidade de Nova York, e colaboradores, pediram às pessoas para escolher entre uma variedade de barras de doces, incluindo os seus favoritos – digamos, um Snickers. Ofereceram-lhes entre um Snickers, um Milk Way e um Almond Joy, com os participantes sempre escolhendo os Snickers. Mas quando eram oferecidos 20 barras de chocolate, incluindo um Snickers, a escolha tornava-se menos clara. Eles, às vezes, pegavam alguns que não eram o Snickers, embora ainda fosse seu favorito. Quando Glimcher removia todas as opções, exceto os Snickers e os doces selecionados, os participantes se perguntavam por que eles não tinham escolhido o seu favorito.
Os economistas passaram mais de 50 anos catalogando escolhas irracionais como estas. Prêmios Nobel foram adquiridos; milhões de cópias da Freakonomics foram vendidas [sobre o assunto]. Mas os economistas ainda não tinham certeza do por que elas aconteciam. “Havia um grande esforço para explicá-los, e muitas tentativas para abandonarmos isto”, disse Eric Johnson, psicólogo e co-diretor do Centro de Ciências da Decisão da Universidade de Columbia. Mas nenhuma das meia-dúzia de explicações foram claramente vencedoras, disse ele.
Nos últimos 15 a 20 anos, os neurocientistas começaram a espiar diretamente no cérebro em busca de respostas. “Saber algo sobre como a informação é representada no cérebro e os princípios computacionais do cérebro ajuda a entender o por que as pessoas tomam decisões como elas o fazem”, disse Angela Yu, neurocientista teórica da Universidade da Califórnia, em San Diego.
Glimcher está usando tanto o cérebro quanto o comportamento para tentar explicar a nossa irracionalidade. Ele combinou os resultados de estudos e o experimento da barra de chocolate com os dados da neurociência – medições da atividade elétrica no cérebro de animais sobre como eles tomam decisões – para desenvolver uma teoria de como tomamos decisões e por que isso pode nos levar a erros.
Glimcher tem sido uma das forças motrizes no campo ainda jovem da neuroeconomia. Sua teoria mescla uma pesquisa de longo alcance na atividade cerebral, redes neurais, fMRI e o comportamento humano. “Ele é famoso por argumentar que a neurociência e a economia devem estar juntas”, disse Nathaniel Daw, neurocientista da Universidade de Princeton. Uma das contribuições mais importantes de Glimcher, disse Daw, foi descobrir como quantificar noções abstratas, tais como valor, e estudá-las em laboratório.
Em um novo artigo sobre seu trabalho, Glimcher e seus co-autores – Kenway Louie, também da Universidade de Nova York, e Ryan Webb, da Universidade de Toronto – argumentam que seu modelo baseado na neurociência supera a teoria econômica padrão em explicar como as pessoas se comportam quando confrontadas com muitas escolhas. “O modelo neural, descrito na biologia e testada nos neurônios, funciona bem em descrever algo que economistas não conseguiam explicar”, disse Glimcher.
No cerne do modelo encontra-se o insaciável apetite do cérebro. O cérebro é o tecido mais metabolicamente custoso do corpo. Ele consome 20 por cento de nossa energia, apesar de ter apenas de 2 a 3 por cento da nossa massa. Por causa dos neurônios serem tão famintos por energia, o cérebro é um campo de batalha, onde a precisão e a eficiência são adversários. Glimcher argumenta que os custos de aumentar nossa precisão em decisões superam os benefícios. Assim, ficamos confusos nas escolhas no corredor de um supermercado ao comprar de barras de cereais americanas modernas.
A proposta de Glimcher atraiu o interesse tanto de economistas quanto de neurocientistas, mas nem todo mundo os vê com bons olhos. “Eu acho que é algo emocionante, mas neste momento continua a ser uma hipótese”, disse Camillo Padoa-Schioppa, neurocientista da Universidade de Washington, em St. Louis. A neuroeconomia ainda é um campo novo; cientistas nem sequer concordam sobre qual parte do cérebro toma decisões, e muito menos como.
Até agora, Glimcher mostrou que sua teoria funciona em condições específicas, como aquelas do experimento da barra de chocolate. Ela tem o objetivo de expandir a linha, em busca de outros erros econômicos anormais – e usa-os para testar seu modelo. “Nós estamos apontando para uma grande teoria unificada de escolha”, disse ele.
Dividir e conquistar
O cérebro é um órgão com fome de energia; neurônios estão constantemente enviando mutuamente informações sob a forma de pulsos elétricos, conhecidos como picos ou potenciais de ação. Assim como com uma explosão elétrica, preparar e disparar esses sinais toma uma grande quantidade de energia.
Nos anos 1960, os cientistas propuseram que o cérebro lida com esse desafio através da codificação de informações de forma tão eficiente quanto possível, um modelo chamado de hipótese de codificação eficiente. Ela prevê que os neurônios irá codificar os dados utilizando o menor número de picos possíveis, assim como redes de comunicação se esforçam para transmitir a informação nos bits de menor número.
Na década de 1990 e início dos anos 2000, cientistas mostraram que este princípio, de fato, funciona no sistema visual. O cérebro codifica de forma eficiente o sistema visual, ignorando informações previsíveis e incidindo surpreendentemente sobre o material. Se a parte de uma parede é amarela, é provável que o resto também seja amarelo, e os neurônios podem encobrir os detalhes dessa seção. Mas uma mancha vermelha gigante na parede é algo inesperado, e os neurônios darão atenção especial a isto.
Glimcher propõe que os mecanismos de tomada de decisão do cérebro funcionam da mesma maneira. Imagine um simples cenário de tomada de decisão: um macaco que escolhe entre dois copos de suco. Para simplificar, suponha que o cérebro do macaco represente cada escolha com um único neurônio. Quanto mais atraente a escolha for, mais rápido os neurônios disparam. O macaco, em seguida, irá comparar as taxas de disparo de neurônios para fazer sua seleção.
A primeira coisa que o experimentador fez foi apresentar ao macaco uma escolha fácil: uma colher de chá de um saboroso suco contra uma jarra inteira. O neurônio da colher de chá disparou um pico por segundo enquanto o neurônio da jarra disparou 100 picos por segundo. Nesse caso, foi fácil dizer a diferença entre as duas opções; Um neurônio soa como um relógio, eles batem de acordo com situações.
A situação fica confusa quando oferecem ao macaco a escolha entre um jarro cheio de suco e um que está quase cheio. Um neurônio pode representar a mais recente oferta com 80 picos por segundo. É muito mais difícil para o macaco distinguir entre um neurônio disparando 80 picos por segundo e 100 por segundo. Isso é como fazer a diferença entre a vibração de uma libélula e o zumbido de um gafanhoto.
Glimcher propõe que o cérebro evita este problema, recalibrando a escala para melhor representar a nova escolha. O neurônio representa o jarro quase completo – agora com a pior das duas opções – com escalas para baixo a uma taxa de disparo muito menor. Mais uma vez, é fácil para o macaco diferenciar entre as duas escolhas.
O modelo de Glimcher, com base em um modelo anterior conhecido como normalização de divisão, explicita a matemática por trás deste processo de recalibração. Ele propõe que os neurônios podem enviar mensagens mais eficientes se codificar, em sua sequência de picos, apenas as diferenças relativas entre as escolhas. “Conjuntos de escolhas tem um monte de informações compartilhadas; elas não são aleatórias e independentes”, disse Glimcher. “A normalização está sugando a informação redundante para que a informação que saia seja tão relevante quanto possível, desperdiçando o mínimo de energia possível”. Ele observa que os engenheiros, que estão acostumados a trabalhar com sistemas adaptativos, não estão surpreendidos com esta ideia. Mas as pessoas que estudam escolhas muitas vezes ficam assim.
De acordo com Daw, “o que é incrível sobre a normalização da divisão é que ela leva esses princípios que conhecemos, partindo da visão, e os aplica ao valor, de forma que faça sentido, mas esteja fora do padrão”.
O exemplo acima do suco é teórico, mas Glimcher e colaboradores registraram a atividade elétrica do cérebro de macacos quando eles fizeram diferentes tipos de escolhas. Estes estudos mostraram que os neurônios, quando em decisão, se comportam como o modelo prediz. Se os cientistas aumentassem o valor de uma escolha, o equivalente a trocar o Milk Way com um Snickers, os neurônios que representam essa escolha aumentariam a sua taxa de disparo. (E os cientistas já sabiam sobre esse padrão).
Se você aumentar o valor das outras opções – “opções não-Snickers de tamanho gigante”, irá diminur o valor relativo dos Snickers – o modelo prevê que a sua taxa de disparo deva diminuir. Glimcher e colaboradores mostraram que os neurônios, em uma parte do cérebro chamada de córtex parietal, de fato se comporta desta forma, adicionando suporte fisiológico para o modelo. “A função da normalização da divisão fez um excelente trabalho descrevendo os dados em todas as condições”, disse Glimcher. “Ela suporta a ideia de que os neurônios estão fazendo algo idêntico, ou muito parecido, a normalização divisiva”.
O sistema funciona bem na maior parte do tempo. Mas, assim como a cegueira temporária que experimentamos ao sair de um cinema escuro para a luz solar brilhante, nossa máquina de tomada de decisões às vezes pode ficar sobrecarregada. Isso pode ser particularmente verdadeiro com a variedade impressionante de escolhas que são muitas vezes confrontadas com o mundo moderno. Glimcher e colaboradores usaram esses tipos de erros para testar seu modelo. Os investigadores estão agora examinando se esses mesmos algoritmos podem prever erros humanos em outros cenários onde as pessoas tendem a fazer escolhas ruins.
Insurgência Econômica
Neuroeconomia ainda é um campo novo, cheio de dúvidas e controvérsias. Glimcher não é o único neurocientista a encontrar sinais de valor econômico no cérebro. Cientistas mediram essas assinaturas neurais em diferentes regiões do cérebro, usando tanto a imagiologia cerebral não invasiva em humanos quanto gravações diretas do cérebro em animais. Mas os pesquisadores discordam sobre qual parte do cérebro faz a decisão real. Qual parte do cérebro conclui que os níveis dos Snickers são mais elevados do que os do Milk Way? “Não existe um conceito único aceito de onde e como as decisões – a comparação dos valores – são feitas”, disse Padoa-Schioppa.
Os experimentos de gravação neural de Glimcher ocorreram no córtex parietal, mas Padoa-Schioppa é “cético sobre o córtex parietal ter algo a ver com as decisões econômicas”. Danificar o córtex parietal não prejudica escolhas baseadas em valores, disse ele, enquanto danificar o lóbulo frontal faz. Por essa razão, Padoa-Schioppa duvida um pouco do modelo de Glimcher. Quando se trata de um modelo baseado na neurociência das escolhas, “neste momento, ninguém tem uma teoria convincente”, disse Padoa-Schioppa.
Outros cientistas concordam com esse conceito geral de normalização da divisão, mas sugerem que ele pode ser refinado para explicar os aspectos mais complexos da tomada de decisões humanas. Yu, por exemplo, diz que funciona bem para decisões simples, mas pode falhar sob condições mais sofisticadas. “O modelo de normalização de divisão faz sentido, mas a configuração experimental em que eles estavam sondando a tomada de decisão é muito simplista”, disse Yu. “Para explicar uma gama mais ampla de fenômenos de tomadas de decisão humana, precisamos aumentar o modelo e olhar para cenários de tomada de decisão mais complexas”.
O quadro da normalização de divisão surgiu do trabalho no sistema visual. Yu sugere que aplicá-lo para a tomada de decisão é mais complexo. Os cientistas sabem bastante sobre as informações que o sistema visual está tentando codificar: uma cena bidimensional pintada em cor, luz e sombra. Cenas naturais em conformidade com um conjunto geral, propriedades fáceis de calcular, onde o cérebro pode usá-lo para filtrar informações redundantes. Em termos simples, se um pixel é verde, os seus pixels vizinhos são mais propensos a ser verdes, em vez de vermelhos.
Mas o sistema de tomada de decisão opera sob restrições mais complexas e tem de considerar muitos tipos diferentes de informações. Por exemplo, uma pessoa pode escolher qual casa comprar dependendo de sua localização, tamanho ou estilo. Mas a importância relativa de cada um desses fatores, bem como o seu valor ideal – urbana ou rural, ao estilo vitoriano ou moderno – é fundamentalmente subjetivo. Isso varia de pessoa para pessoa e pode até mudar no mesmo indivíduo, dependendo do seu estágio social. “Não é simples, nem fácil, medir de forma quantitativamente matemática uma redundância de decisão, que os cientistas universalmente concordam sobre ser um fator-chave na comparação de alternativas concorrentes”, disse Yu.
Ela sugere que a incerteza em como nós valorizamos diferentes opções está por trás de algumas das nossas más decisões. “Se você comprou um monte de casas, você vai avaliar casas de forma diferente do que se você comprou uma pela primeira vez”, disse Yu. “Ou se seus pais compraram uma casa durante uma crise de habitação, isto pode, mais tarde, afetar a forma como você compra uma casa”.
Além disso, Yu argumenta, os sistemas visuais e de tomada de decisão têm diferentes fins objetivos. “A visão é um sistema sensorial, cujo trabalho é recuperar o máximo de informações possíveis do mundo”, disse ela. “A tomada de decisão é sobre a tentativa de tomar uma decisão que você vai desfrutar. Eu acho que o objetivo computacional não é apenas informação, é algo mais comportamentalmente relevante, como o total prazer”.
Para muitos de nós, a principal preocupação sobre a tomada de decisão é prática – então como podemos tomar decisões melhores? Glimcher diz que sua pesquisa tem ajudado a desenvolver estratégias específicas. “Ao invés de escolher o que eu espero ser o melhor, em vez disso, agora sempre começaremos por eliminar o pior elemento de um conjunto de escolhas”, disse ele, reduzindo o número de opções para algo controlável, como três. “Acho que isso realmente funciona, e deriva de nosso estudo da matemática. Às vezes, você aprende algo simples a partir do material mais complexo, e isso realmente pode melhorar a sua tomada de decisão”.
