Flexibilidad cognitiva frente a estabilidad mediante adaptaciones basadas en activación y en pesos

Por qué importa equilibrar enfoque y flexibilidad

La vida cotidiana nos pide constantemente alternar entre mantenernos concentrados en una tarea y cambiar de rumbo con rapidez. Cocinar la cena, por ejemplo, exige atención al cortar con un cuchillo afilado, pero también la capacidad de cambiar con flexibilidad entre vigilar la olla, remover una salsa y coger ingredientes. Este artículo explora cómo pueden funcionar esos equilibrios mentales construyendo un modelo informático que imita cómo las personas deciden cuándo seguir en una tarea y cuándo cambiar, arrojando luz sobre el pensamiento sano y los trastornos en los que este equilibrio falla.

La lucha entre aferrarse y cambiar

Los psicólogos describen esta tensión como un intercambio entre estabilidad cognitiva (mantenerse enfocado en una tarea) y flexibilidad cognitiva (cambiar de tarea cuando es necesario). Las personas ajustan este intercambio según la situación: si los cambios son frecuentes, tienden a estar más dispuestas a cambiar; si las tareas se repiten habitualmente, adoptan un modo más estable. Esos ajustes pueden ocurrir rápidamente en minutos, pero también de forma lenta a lo largo de días conforme aprendemos qué entornos o tareas suelen exigir más flexibilidad. La cuestión central del artículo es cómo entender estas formas de ajuste rápidas y lentas dentro de un único mecanismo coherente.

Un modelo de aprendizaje del control mental

Los autores presentan el modelo Learning Control Dynamics (LCD), basado en un tipo popular de red neuronal recurrente llamada memoria a largo y corto plazo (LSTM). En lugar de codificar de forma rígida una unidad especial de “control”, dejan que la red aprenda a controlarse a sí misma. El modelo se entrena en una tarea clásica de cambio de tarea: en cada ensayo ve un conjunto de números, una señal que indica cuál debe juzgarse como mayor o menor que un umbral, y a veces una señal adicional de “entorno”. El modelo debe aprender dos cosas: cómo ejecutar cada juicio de forma individual y cómo ajustar sus parámetros de control internos para poder repetir la misma tarea de forma eficiente o cambiar sin problemas a otra distinta.

Cambios rápidos de estado frente a cambios lentos de hábito

Dentro del modelo pueden producirse dos tipos de cambio. Uno es basado en activación: el patrón de actividad momento a momento puede desplazarse más hacia la tarea actualmente relevante y alejarse de la anterior. Esto proporciona una forma de adaptación rápida pero frágil que depende de lo que acaba de ocurrir. El otro es basado en pesos: la fuerza a largo plazo de las conexiones en la red se ajusta lentamente para que algunas situaciones creen “valles de tarea” profundamente arraigados que fomentan mantenerse en lo mismo, mientras que otras generen valles más superficiales que facilitan el cambio. Los autores muestran en simulaciones que los cambios rápidos por sí solos ya pueden producir costes de cambio menores en situaciones con muchos cambios, mientras que las variaciones lentas en los pesos de la red remodelan de forma permanente la facilidad con la que el modelo cambia o se mantiene, incluso cuando las condiciones actuales son idénticas.

Aprender cuándo se necesita flexibilidad

El estudio pregunta luego si el modelo puede aprender a usar señales del mundo exterior para decidir cuánta flexibilidad adoptar. En un conjunto de simulaciones, diferentes “entornos” artificiales se asociaron de forma consistente con cambios de tarea frecuentes o raros. Con el tiempo, el modelo aprendió a responder a estas señales de entorno: en entornos con muchos cambios, sus representaciones internas de tarea se volvieron más solapadas y se desplazó más rápido entre ellas; en entornos con pocos cambios, esas representaciones estuvieron más separadas y la repetición de la misma tarea se volvió especialmente fuerte. En otro bloque de simulaciones, el modelo aprendió que ciertas tareas concretas solían ser las que cambiaban, mientras que otras tendían a repetirse. Entonces aplicó sus ajustes de control de manera más detallada, tarea por tarea, dependiendo no sólo del ensayo actual sino también de qué tarea acababa de realizar.

Relacionando el modelo con el comportamiento humano

Para probar si estas ideas podrían describir a personas reales, los autores reanalizaron datos de más de 100 voluntarios que realizaron un experimento similar de cambio de tarea. Los participantes humanos, como el modelo, mostraron costes de cambio menores en contextos y tras tareas que con frecuencia se asociaban con cambios. La reanálisis también respaldó la predicción del modelo de que algunos de los cambios más reveladores aparecen no simplemente en una tarea dada, sino en el ensayo que le sigue, lo que sugiere que las personas mantienen expectativas específicas de tarea sobre la probabilidad de necesitar flexibilidad a continuación.

Qué significa esto para entender nuestro pensamiento

En términos sencillos, el artículo sostiene que nuestra capacidad para equilibrar enfoque y flexibilidad se basa en dos procesos entrelazados: un ajuste rápido y de corto plazo que depende de lo que acabamos de hacer, y una afinación más lenta, basada en el aprendizaje, de los “ajustes” mentales hacia los entornos y tareas que encontramos repetidamente. Al mostrar cómo ambos pueden surgir en una única red neuronal y coincidir con datos humanos, el trabajo ofrece un modelo concreto de cómo la mente puede esculpir y reordenar sus propios hábitos de pensamiento para afrontar demandas cambiantes.

Cita: Xu, S., Verguts, T. & Braem, S. Cognitive flexibility versus stability via activation-based and weight-based adaptations. Commun Psychol 4, 58 (2026). https://doi.org/10.1038/s44271-026-00397-9

Palabras clave: flexibilidad cognitiva, cambio de tarea, modelo de red neuronal, control cognitivo, comportamiento adaptativo