Flessibilità cognitiva vs stabilità tramite adattamenti basati su attivazione e pesi

Perché è importante bilanciare attenzione e flessibilità

La vita quotidiana ci chiede continuamente di destreggiarci tra il rimanere concentrati su un compito e il cambiare rapidamente marcia. Cucinare, per esempio, richiede attenzione mentre si taglia con un coltello affilato, ma anche la capacità di passare flessibilmente dal controllare la pentola al mescolare una salsa e al prendere ingredienti. Questo articolo esplora come tali equilibri mentali possano funzionare costruendo un modello al computer che imita il modo in cui le persone decidono quando restare su un compito e quando cambiare, facendo luce sul pensiero sano e sui disturbi in cui questo equilibrio si rompe.

La tensione tra restare e cambiare

Gli psicologi descrivono questa tensione come un compromesso tra stabilità cognitiva (rimanere concentrati su un compito) e flessibilità cognitiva (passare a un altro compito quando necessario). Le persone aggiustano questo compromesso a seconda della situazione: se i cambiamenti sono frequenti, tendono a essere più pronte a passare; se i compiti si ripetono di solito, si assestano su una modalità più stabile. Questi aggiustamenti possono avvenire rapidamente nell’arco di minuti, ma anche lentamente nel corso di giorni mentre impariamo quali ambienti o compiti richiedono più flessibilità. La domanda centrale del lavoro è come queste forme di adattamento rapido e lento possano essere comprese all’interno di un unico meccanismo coerente.

Un modello di apprendimento del controllo mentale

Gli autori introducono il modello Learning Control Dynamics (LCD), basato su un tipo diffuso di rete neurale ricorrente chiamata long short-term memory (LSTM). Anziché codificare rigidamente un’unità di “controllo” speciale, lasciano che la rete impari a controllare se stessa. Il modello viene addestrato su un classico paradigma di cambio di compito: a ogni prova vede un insieme di numeri, un suggerimento che indica quale numero giudicare come maggiore o minore rispetto a una soglia, e talvolta un segnale ambientale aggiuntivo. Il modello deve apprendere due cose: come svolgere ciascun giudizio individuale e come regolare le proprie impostazioni di controllo interne in modo da ripetere efficacemente lo stesso compito o passare agevolmente a uno diverso.

Cambiamenti rapidi di stato vs modifiche lente dell’abitudine

All’interno del modello possono avvenire due tipi di cambiamento. Uno è basato sull’attivazione: il pattern di attività momento per momento può spostarsi più vicino al compito attualmente rilevante e allontanarsi da quello precedente. Questo fornisce una forma di adattamento rapida ma fragile che dipende da ciò che è appena avvenuto. L’altro è basato sui pesi: la forza a lungo termine delle connessioni nella rete viene sintonizzata lentamente in modo che alcune situazioni creino “valli” di compito profondamente radicate che incentivano la permanenza, mentre altre creano valli più superficiali che facilitano il cambio. Gli autori mostrano nelle simulazioni che i cambiamenti rapidi da soli possono già produrre costi di cambio più piccoli in contesti ad alta frequenza di switch, mentre le modifiche lente nei pesi della rete rimodellano in modo permanente quanto facilmente il modello cambia o resta, anche quando le condizioni attuali sono le stesse.

Imparare quando è necessaria la flessibilità

Lo studio poi indaga se il modello può imparare a usare segnali esterni per decidere quanto essere flessibile. In un set di simulazioni, diversi “ambienti” artificiali erano costantemente associati a cambi di compito frequenti o rari. Col tempo, il modello ha imparato a rispondere a questi segnali ambientali: negli ambienti ad alta frequenza di switch, le sue rappresentazioni di compito interne sono diventate più sovrapposte e si muoveva più rapidamente tra di esse; negli ambienti a bassa frequenza, queste rappresentazioni erano più separate e la ripetizione dello stesso compito diventava particolarmente forte. In un altro set di simulazioni, il modello ha imparato che alcuni compiti specifici erano solitamente quelli che cambiavano, mentre altri tendevano a ripetersi. Ha quindi applicato le proprie regolazioni di controllo in modo più granulare, compito per compito, che dipendeva non solo dalla prova corrente ma anche da quale compito aveva appena svolto.

Collegare il modello al comportamento umano

Per verificare se queste idee potessero descrivere persone reali, gli autori hanno rianalizzato dati di oltre 100 volontari che hanno eseguito un esperimento simile di cambio di compito. I partecipanti umani, come il modello, mostravano costi di cambio più piccoli in contesti e dopo compiti che erano spesso associati al cambio. La rianalisi ha anche sostenuto la previsione del modello che alcuni dei cambiamenti più rivelatori non compaiono semplicemente su un certo compito, ma nella prova che lo segue—suggerendo che le persone portano avanti aspettative specifiche per compito su quanto è probabile che avranno bisogno di flessibilità nella prova successiva.

Cosa significa per la comprensione del nostro pensiero

In termini semplici, l’articolo sostiene che la nostra capacità di bilanciare attenzione e flessibilità si basa su due processi intrecciati: un aggiustamento rapido e a breve termine che dipende da ciò che abbiamo appena fatto, e una sintonizzazione più lenta basata sull’apprendimento delle nostre “impostazioni” mentali agli ambienti e ai compiti che incontriamo ripetutamente. Mostrando come entrambi possano emergere in una singola rete neurale e corrispondere ai dati umani, il lavoro offre un progetto concreto di come la mente possa modellare e riorganizzare le proprie abitudini di pensiero per far fronte a esigenze in evoluzione.

Citazione: 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

Parole chiave: flessibilità cognitiva, cambio di compito, modello di rete neurale, controllo cognitivo, comportamento adattivo