Al aprender patrones de probabilidad, tendemos a simplificar lo complejo y complicar lo simple

Cuando las personas intentan aprender un patrón a partir de ejemplos, no siempre copian lo que tienen delante. Un estudio publicado en Nature Communications sugiere que, al reconstruir distribuciones de probabilidad, solemos desplazarlas hacia una complejidad intermedia: si el patrón real es muy simple, tendemos a verlo más fragmentado de lo que es; si ya es complejo, tendemos a resumirlo demasiado.

La pregunta importa porque buena parte de la vida cotidiana exige aprender regularidades sin que nadie las explique de forma explícita. Eso pasa al estimar riesgos, interpretar rachas, sacar conclusiones a partir de pocos casos o tratar de anticipar qué podría ocurrir después. Los investigadores quisieron medir cómo se forman esas representaciones internas y hasta qué punto se apartan de la estructura estadística real.

Para hacerlo diseñaron tareas en las que los participantes debían inferir la forma general de una distribución a partir de muestras limitadas. El trabajo reunió ocho experimentos conductuales, entre ellos uno preregistrado, y usó dos modalidades de prueba. En conjunto, los participantes lograron captar bastante bien la densidad global de los datos, pero apareció un sesgo repetido: reportaron demasiados grupos cuando la distribución real era una sola campana y muy pocos cuando incluía muchos grupos distintos.

El equipo también comparó varios modelos de aprendizaje para intentar explicar de dónde sale ese desvío. Su conclusión es que la representación interna no parece crecer en complejidad al mismo ritmo que el mundo observado. A medida que el patrón se vuelve más intrincado, la mente tendería a frenarlo, como si operara bajo un presupuesto limitado de memoria o de capacidad para sostener estructuras más detalladas. En vez de reproducir fielmente toda la información, construye una versión manejable.

Ese resultado no significa que las personas razonen mal en general, sino que aprenden bajo restricciones. En muchos contextos eso puede ser útil, porque simplificar evita quedar paralizado por el ruido. Pero también ayuda a entender por qué a veces vemos más orden del que existe en datos simples o, al revés, perdemos matices importantes cuando el entorno realmente tiene varias capas. Para disciplinas como la psicología cognitiva, la educación o el diseño de sistemas que comunican riesgo e incertidumbre, saber que ese sesgo existe puede ser tan relevante como medir su tamaño.

El estudio tiene límites claros. Se basó en tareas experimentales controladas y no en decisiones reales tomadas en escenarios abiertos, de modo que todavía falta saber cuánto se traslada este sesgo a ámbitos como la salud, las finanzas o la vida política. Además, el trabajo describe una tendencia promedio, no una regla idéntica para todas las personas o todos los contextos. Aún así, ofrece una idea útil: aprender del mundo no consiste solo en registrar datos, también implica comprimirlos, y esa compresión puede torcer de manera sistemática la forma en que entendemos la incertidumbre.