CPEA–TAE-TR Transition Recognition and Prediction

Javi, estas dos preguntas constituyen el núcleo experimental de la línea que estamos desarrollando en METFI–TAE–CPEA. Nos permiten pasar de una arquitectura conceptual a un programa de investigación capaz de producir resultados medibles, reproducibles y potencialmente refutables.

La hipótesis central es que la reorganización de las representaciones neuronales puede anticipar determinadas transiciones conductuales y que un modelo de IA, si integra correctamente esas señales, puede predecirlas mejor que un control aleatorio y que otros modelos de referencia.

Hay dos cuestiones diferentes que debemos demostrar: la precedencia temporal de los cambios neuronales y la capacidad predictiva adicional de la IA. Una no demuestra automáticamente la otra.

¿los cambios neuronales preceden a las reorganizaciones conductuales?

Nivel neural: cambio de representación

La actividad distribuida de una población neuronal modifica su patrón de organización. Puede cambiar la geometría de las representaciones, la conectividad funcional o la estabilidad de los estados neuronales.

Nivel predictivo: transición de estado

El sistema puede mostrar mayor incertidumbre, sorpresa ante un acontecimiento o una desviación respecto de las trayectorias neuronales previamente aprendidas.

Nivel conductual: reorganización observable

Cambia la estrategia elegida, el tiempo de respuesta, la precisión, la adaptación a una regla nueva o la forma de resolver una tarea.

¿Qué sabemos? y ¿qué falta demostrar?

• Evidencia: las representaciones neuronales cambian con el aprendizaje, el contexto, la memoria y las exigencias de una tarea. La dinámica poblacional puede contener información relacionada con decisiones y movimientos antes de su ejecución.
• Inferencia: ciertos cambios representacionales podrían funcionar como indicadores anticipados de una reorganización conductual, especialmente cuando una persona necesita abandonar una estrategia que ya no funciona.
• Hipótesis CPEA–TAE: las transiciones neuronales que anuncian una excepción relevante podrían permitir identificar el momento en que un sistema deja de adaptar incrementalmente su comportamiento y comienza a reorganizar su estrategia.

La distinción esencial es temporal. Si el cambio neuronal aparece después de que la conducta ya ha cambiado, puede ser una consecuencia o una señal de retroalimentación, no un predictor anticipado.

Además, una señal que precede a la conducta no necesariamente la causa. Para investigar causalidad harían falta diseños adicionales, idealmente con perturbaciones controladas cuando sean éticas y técnicamente viables.

¿puede la IA anticipar esos cambios mejor que los controles aleatorios?

Sí, es una hipótesis científicamente comprobable y con fundamento en la investigación actual, pero no podemos darla por demostrada para nuestro sistema CPEA–TAE.

La literatura ya ofrece precedentes relevantes:

• Un estudio publicado en Nature Neuroscience en 2024 identificó firmas de actividad neuronal relacionadas con transiciones conductuales y mostró que podían distinguir periodos de transición de controles temporales. nature.com
• Una revisión de Nature Reviews Neuroscience, publicada en diciembre de 2025, analiza cómo la IA permite modelar conjuntamente la dinámica cerebral y la conducta. nature.com
• En sentido contrario, los estudios metodológicos advierten que la contaminación entre entrenamiento y prueba puede inflar artificialmente la capacidad predictiva de los modelos neuronales. nature.compubmed.ncbi.nlm.nih.gov

La pregunta específica para nuestro proyecto es si la IA detecta una reorganización futura utilizando información neural disponible antes de que se manifieste la conducta, y si esa ventaja persiste frente a controles exigentes.

CPEA–TAE-TR

Transition Recognition and Prediction

(Propuesta)

Objetivo: determinar si los cambios en las representaciones neuronales preceden a las transiciones conductuales y si una arquitectura de IA mejora su predicción fuera de muestra. 

Diseño general

1. Adquisición sincronizada

EEG + eventos de tarea + respuestas conductuales

2. Representaciones neuronales

Embeddings temporales, dinámica de estados y conectividad

3. Detección de transición

Cambio de estado, sorpresa y desviación de la trayectoria previa

4. Predicción prospectiva

IA frente a controles aleatorios y modelos de referencia

Fase A. Adquisición de datos

Utilizaríamos una tarea de aprendizaje por excepciones: el participante aprende una regla, recibe señales que inicialmente son compatibles con ella y, posteriormente, encuentra situaciones en las que la regla deja de funcionar.

Registraríamos simultáneamente:

• EEG y sus cambios espectrales y temporales.
• Respuestas conductuales: elección, precisión y tiempo de respuesta.
• Momento de aparición de la excepción.
• Momento de detección de la excepción por el participante.
• Momento de cambio efectivo de estrategia.

La última distinción es fundamental: descubrir que una regla ha fallado no equivale necesariamente a reorganizar la conducta.

Para un primer piloto, podemos emplear una tarea informatizada con EEG convencional. No hace falta comenzar con magnetometría, hipótesis cuánticas ni instrumentación especializada: primero hay que establecer si el fenómeno predictivo existe.

Fase B. Variables y medidas

Nivel	Variable	Medida propuesta
Neural	Cambio representacional	Distancia entre embeddings y detección de puntos de cambio
Neural	Organización temporal	Estabilidad de estados, transiciones y conectividad funcional
Predictivo	Incertidumbre	Entropía predictiva y calibración
Predictivo	Anticipación	Probabilidad de transición futura
Conductual	Reorganización	Cambio de estrategia, precisión y latencia
Integración	Ventaja de IA	Rendimiento incremental sobre los controles

La sorpresa puede estimarse mediante la improbabilidad de una observación bajo el modelo previo. No debemos confundirla con la entropía: una observación inesperada y una distribución globalmente incierta son conceptos diferentes.

4. Cómo demostrar la precedencia temporal

Definimos:

• \(t_N\): instante estimado del cambio representacional neural.
• \(t_B\): instante estimado de la reorganización conductual.

La anticipación temporal se expresa como:

\[ \Delta t=t_B-t_N \]

Interpretación:

• \(\Delta t>0\): el cambio neural precede al conductual.
• \(\Delta t\approx0\): ambos cambios son prácticamente simultáneos dentro de la resolución de medida.
• \(\Delta t<0\): el cambio conductual precede al neural.

No bastaría con encontrar un promedio positivo. Estimaríamos la distribución de \(\Delta t\), su intervalo de confianza y la proporción de transiciones con precedencia neural, utilizando procedimientos que respeten la dependencia entre ensayos de un mismo participante.

También compararíamos la separación temporal observada con distribuciones nulas obtenidas mediante desplazamientos temporales y permutaciones apropiadas. Así podríamos comprobar si la asociación es mayor que la esperable por coincidencia, autocorrelación o tendencias temporales compartidas.

¿Cómo demostrar la ventaja predictiva de la IA?

Compararía cuatro sistemas:

Control 1. Predicción aleatoria

Predicciones aleatorias con la misma prevalencia de transiciones que los datos reales. Controla la ventaja trivial de acertar siempre la clase mayoritaria.

Control 2. Modelo estadístico

Regresión logística o modelo autorregresivo con variables temporales básicas. Permite comprobar si una IA compleja aporta algo más que una tendencia sencilla.

Modelo 3. IA neural

Clasificador temporal o modelo secuencial que utiliza únicamente datos anteriores al instante de predicción.

Modelo 4. IA integrada CPEA–TAE

Combina dinámica representacional, incertidumbre, historial de excepciones y contexto de la tarea.

La comparación principal sería el rendimiento de la IA integrada frente al modelo estadístico y los controles aleatorios. Además, incluiría una ablación: retirar las variables de cambio representacional y comprobar cuánto empeora la predicción.

Si la IA integrada supera a los controles, pero no mejora al modelo estadístico, la complejidad adicional no estaría justificada.

Métricas primarias

• AUROC y, especialmente si las transiciones son infrecuentes, AUPRC.
• Puntuación de Brier y calibración de las probabilidades.
• Anticipación útil en segundos o ensayos.
• Sensibilidad a transiciones reales y tasa de falsas alarmas.
• Rendimiento incremental respecto al mejor control.

La evaluación debe separar participantes o sesiones completas entre entrenamiento y prueba. También debe evitar que los datos posteriores a la transición entren en las variables predictoras. Estos controles son indispensables para evitar las formas de fuga de información documentadas en neuroimagen y EEG. nature.compubmed.ncbi.nlm.nih.gov

Criterios de falsación

Antes de examinar los resultados, fijaríamos los siguientes criterios:

Hipótesis	Resultado que la debilitaría o refutaría
H1. El cambio neural precede a la conducta	No existe precedencia temporal reproducible frente a los controles nulos.
H2. La IA anticipa mejor que el azar	Su rendimiento no supera el control aleatorio en datos no utilizados durante el entrenamiento.
H3. La IA aporta información adicional	No mejora al modelo estadístico ni al modelo basado en el historial conductual.
H4. Las variables TAE identifican excepciones	Retirarlas no empeora la predicción o su contribución no se replica.
H5. La anticipación generaliza	La ventaja desaparece en participantes, sesiones o reglas nuevas.

Los criterios deben concretarse con tamaños de efecto mínimos relevantes, intervalos de confianza y un plan estadístico preregistrado. Un resultado no significativo no demuestra por sí solo que el efecto sea inexistente: también hay que evaluar la potencia estadística y la precisión de la estimación.

¿Qué significaría para METFI–TAE–CPEA?

Esta propuesta permitiría separar tres niveles de afirmación:

Nivel 1 · Empírico

Dinámica neural predictiva

Determinar si las representaciones neuronales contienen información sobre una transición conductual futura.

Nivel 2 · Arquitectónico

Reconfiguración adaptativa TAE

Comprobar si las medidas de excepción e incertidumbre permiten identificar transiciones no explicadas adecuadamente por la adaptación incremental.

Nivel 3 · Integración

Coherencia predictiva CPEA

Evaluar si un sistema humano–IA que utiliza esas señales consigue anticipaciones más fiables y una adaptación más robusta que los controles.

Una precisión importante: incluso un resultado positivo en los tres niveles no demostraría por sí solo METFI como modelo electromagnético del sistema Tierra, ni establecería mecanismos cuánticos de la conciencia. Para ello serían necesarios experimentos independientes y predicciones específicas de esos mecanismos.

Empezaría con una tarea de aprendizaje por excepciones, EEG sincronizado y predicción prospectiva, sin introducir todavía mecanismos especulativos. Es el diseño más directo para responder a ambas preguntas con datos.

La primera prueba de éxito sería observar una secuencia reproducible:

1. Se detecta un cambio representacional antes de la reorganización conductual.
2. La IA utiliza ese cambio para anticipar la transición.
3. La ventaja persiste en datos independientes y supera controles estadísticos razonables.
4. La contribución de las variables de excepción se confirma mediante ablaciones.

Si se cumplen esas condiciones, tendríamos evidencia inicial para formalizar el componente de transición predictiva de CPEA–TAE y justificar una fase experimental más ambiciosa.

La cuestión decisiva no es si la IA puede interpretar una reorganización una vez ocurrida, sino si puede anticiparla de forma fiable cuando todavía no es observable en la conducta. Ese es el criterio que distinguiría un sistema explicativo retrospectivo de uno genuinamente predictivo.