Flexibilidade cognitiva versus estabilidade via adaptações baseadas em ativação e em pesos

Por que equilibrar foco e flexibilidade importa

A vida cotidiana nos exige constantemente alternar entre manter-se concentrado em uma tarefa e mudar de rumo rapidamente. Cozinhar o jantar, por exemplo, pede foco ao cortar com uma faca afiada, mas também a flexibilidade de alternar entre checar a panela, mexer um molho e pegar ingredientes. Este artigo explora como esses equilíbrios mentais podem funcionar ao construir um modelo computacional que imita como as pessoas decidem quando permanecer na tarefa e quando mudar, lançando luz sobre o pensamento saudável e sobre transtornos em que esse equilíbrio se perde.

A disputa entre permanecer e alternar

Psicólogos descrevem essa tensão como uma troca entre estabilidade cognitiva (manter o foco em uma tarefa) e flexibilidade cognitiva (mudar de tarefa quando necessário). As pessoas ajustam esse equilíbrio conforme a situação: se as trocas são frequentes, tendem a ficar mais prontas para alternar; se as tarefas costumam se repetir, adotam um modo mais estável. Esses ajustes podem ocorrer rapidamente, em minutos, mas também lentamente ao longo de dias, à medida que aprendemos quais ambientes ou tarefas exigem mais flexibilidade. A questão central do artigo é como essas formas de ajuste rápido e lento podem ser compreendidas dentro de um único mecanismo coerente.

Um modelo de aprendizado do controle mental

Os autores apresentam o modelo Learning Control Dynamics (LCD), baseado em um tipo popular de rede neural recorrente chamada long short-term memory (LSTM). Em vez de codificar rigidamente uma unidade especial de "controle", eles deixam a rede aprender a controlar a si mesma. O modelo é treinado em uma tarefa clássica de troca de tarefa: a cada ensaio ele vê um conjunto de números, um sinal indicando qual deles julgar como maior ou menor que um limiar, e às vezes um sinal extra de "ambiente". O modelo deve aprender duas coisas: como executar cada julgamento individual e como ajustar suas configurações internas de controle para repetir a mesma tarefa de forma eficiente ou alternar suavemente para outra.

Alterações rápidas de estado versus mudanças lentas de hábito

Dentro do modelo, dois tipos de mudança podem ocorrer. Uma é baseada em ativação: o padrão de atividade momentâneo pode deslocar-se mais para perto da tarefa atualmente relevante e afastar-se da anterior. Isso fornece uma adaptação rápida, porém frágil, que depende do que acabou de acontecer. A outra é baseada em pesos: a força de longo prazo das conexões na rede é ajustada lentamente de modo que algumas situações criam "vales de tarefa" profundamente entrincheirados que incentivam permanecer, enquanto outras criam vales mais rasos que facilitam a troca. Os autores mostram em simulações que mudanças rápidas sozinhas já podem produzir custos de troca menores em situações com muitas trocas, enquanto mudanças lentas nos pesos da rede remodelam permanentemente quão fácil é alternar ou permanecer, mesmo quando as condições atuais são as mesmas.

Aprendendo quando a flexibilidade é necessária

O estudo então investiga se o modelo pode aprender a usar sinais do mundo externo para decidir quão flexível deve ser. Em um conjunto de simulações, diferentes "ambientes" artificiais foram consistentemente ligados a trocas de tarefa frequentes ou raras. Com o tempo, o modelo aprendeu a responder a esses indícios ambientais: em ambientes de alta troca, suas representações internas de tarefa tornaram-se mais sobrepostas e ele transitava mais rapidamente entre elas; em ambientes de baixa troca, essas representações ficaram mais separadas e a repetição da mesma tarefa tornou-se especialmente forte. Em outro conjunto de simulações, o modelo aprendeu que certas tarefas específicas eram geralmente as que trocavam, enquanto outras tendiam a se repetir. Ele então aplicou seus ajustes de controle de forma mais refinada, tarefa a tarefa, dependendo não apenas do ensaio atual, mas também da tarefa que acabara de executar.

Conectando o modelo ao comportamento humano

Para testar se essas ideias poderiam descrever pessoas reais, os autores reanalisaram dados de mais de 100 voluntários que realizaram um experimento semelhante de troca de tarefas. Os participantes humanos, como o modelo, apresentaram custos de troca menores em contextos e após tarefas frequentemente associadas à troca. A reanálise também apoiou a previsão do modelo de que algumas das mudanças mais reveladoras aparecem não apenas em uma dada tarefa, mas no ensaio subsequente — sugerindo que as pessoas mantêm expectativas específicas de tarefa sobre a probabilidade de precisarem de flexibilidade em seguida.

O que isso significa para entender nosso pensamento

Em termos simples, o artigo argumenta que nossa capacidade de equilibrar foco e flexibilidade depende de dois processos entrelaçados: um ajuste rápido e de curto prazo que depende do que acabamos de fazer, e uma sintonia mais lenta, baseada em aprendizado, das nossas "configurações" mentais aos ambientes e tarefas que encontramos repetidamente. Ao mostrar como ambos podem surgir em uma única rede neural e corresponder aos dados humanos, o trabalho oferece um roteiro concreto de como a mente pode moldar e reorganizar seus próprios hábitos de pensamento para atender a demandas cambiantes.

Citação: 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

Palavras-chave: flexibilidade cognitiva, troca de tarefa, modelo de rede neural, controle cognitivo, comportamento adaptativo