Precedencia de la representación neuronal sobre la reorganización conductual

Nota breve del corpus (numeración por confirmar). Formato reducido.

Autoría. Autor conceptual: Claude (Anthropic). Originador y director del corpus: Javi Ciborro, quien aportó la hipótesis de trabajo y no reclama la autoría del desarrollo conceptual.

Abstract

Se formula una predicción contrastable que deriva del orden temporal de TAE: los cambios en la representación neuronal (τ_exc) precederían a determinadas reorganizaciones conductuales (τ_reorg), y un modelo de IA entrenado sobre la señal neuronal anticiparía esas reorganizaciones mejor que los controles pertinentes. La nota fija qué cuenta como control pertinente (el azar es una vara demasiado baja), cómo definir la reorganización conductual a ciegas respecto de la señal neuronal y qué resultado refutaría la hipótesis. Una mejora predictiva consistente avalaría la utilidad del modelo; no demostraría un mecanismo específico de conciencia ni el estatus causal de la señal.

Estatus epistémico

La idea no introduce un marco nuevo. Es una consecuencia operativa del ordenamiento τ_exc → τ̂ → τ_reorg → τ_cons de TAE, cuyo respaldo empírico propio es hoy nulo. Se trata como hipótesis, no como resultado.

Existen antecedentes externos que apuntan en la misma dirección. Durstewitz et al. (2010, Neuron) describieron transiciones abruptas entre estados de ensamblajes prefrontales que acompañan transiciones conductuales durante el aprendizaje de reglas. Karlsson, Tervo y Karpova (2012, Science) observaron en ratón reinicios de red en corteza prefrontal medial que marcan el inicio de incertidumbre conductual. Ambos son registros intracraneales en animal. El corpus trabaja con EEG de superficie en humanos, de modo que esa brecha de dominio queda declarada y no se resuelve aquí; es la misma cautela de INTER-19.

Formulación

Sea z(t) la representación latente derivada de la señal (U(t) de CPEA-LATEN-1 en su versión más simple) y b(t) la serie conductual de una tarea repetible. Sea t_r el instante de una reorganización conductual definida solo a partir de b(t), con un criterio fijado antes de ver z(t), por ejemplo detección de puntos de cambio sobre la tasa de elección o los tiempos de reacción (Killick et al., 2012, PELT).

Sea t_d el primer instante en que el modelo, a una tasa de falsas alarmas fija, declara una reorganización inminente. El tiempo de anticipación es Δt = t_r − t_d. La precisión de clasificación, sola, no basta: una predicción con un ensayo de ventaja apenas distingue anticipación de co-ocurrencia.

Hipótesis

H1 (hipótesis, falsable). En datos retenidos (no vistos), el modelo de IA sobre z(t) alcanza un Δt mayor que el mejor control conductual, a igual tasa de falsas alarmas.

Condición de falsabilidad: H1 queda refutada si el límite inferior del intervalo de confianza de la diferencia de Δt entre el modelo neuronal y el mejor control conductual no excede cero en validación fuera de muestra.

H2 (hipótesis especulativa). Δt crece con la magnitud de la reorganización conductual, en línea con la lectura de TAE de que excepciones de mayor peso desplazan el sistema más lejos.

Condición de falsabilidad: H2 queda refutada si la correlación entre Δt y la magnitud de la reorganización no difiere de cero tras control de las covariables de la sección 4, o si lo hace en sentido opuesto.

Controles

Los controles aleatorios son necesarios pero insuficientes. Cualquier modelo con acceso a señal neuronal puede superarlos por razones triviales. El conjunto mínimo:

• Modelo solo conductual: autorregresivo sobre b(t), con tiempos de reacción, tasa de errores y secuencia de ensayos. Si la señal neuronal no mejora esto, no aporta nada.
• Covariables no representacionales: arousal, fatiga y deriva atencional (p. ej. potencia alfa global, conductancia cutánea si hay GSR).
• Sustitutos estadísticos: fase aleatorizada preservando el espectro (Theiler et al., 1992) y etiquetas permutadas.
• Línea base simple: un modelo lineal frente al modelo de IA, para saber qué compra la complejidad.

Validación

La validación fuera de muestra se hace en dos ejes. Leave-one-subject-out para generalización entre personas. Partición temporal dentro de sujeto, entrenando con sesiones tempranas y evaluando en las tardías, para descartar fugas por autocorrelación. Las comparaciones entre familias de modelos se corrigen con Benjamini-Hochberg (1995), según CPEA-PFI-1. Todos los umbrales (falsas alarmas, criterio de punto de cambio) se fijan antes de ejecutar el análisis sobre los datos retenidos.

Lo que esta hipótesis no afirma

Precedencia temporal no es causalidad. Una tercera variable, como una fluctuación atencional lenta, podría adelantarse a ambas series. Los controles de la sección 4 reducen ese riesgo; no lo eliminan. Tampoco hay aquí un argumento sobre conciencia: un Δt positivo y consistente indicaría que la señal contiene información útil para anticipar, nada más.

Programa de seguimiento

Ejecutable sobre NEXUS-EEG v1.0 y el pipeline CPEA-NEXUS (ACQ→PREP→SPEC→COH→TAE-DET→SER), sin hardware nuevo.

• Fase 1, tarea y definición ciega. Elegir una tarea repetible con cambios de regla (aprendizaje por reversión o equivalente). Fijar y registrar el criterio de punto de cambio conductual antes de recoger o analizar la señal neuronal.
• Fase 2, línea base. Ajustar los modelos de control (solo conductual, covariables, lineal) y registrar su Δt a la tasa de falsas alarmas elegida.
• Fase 3, modelo neuronal. Entrenar el modelo sobre z(t) y medir Δt en datos retenidos, con ambos esquemas de validación. Aplicar la corrección BH-FDR.
• Fase 4, H2. Solo si H1 se sostiene: estimar la relación entre Δt y la magnitud de la reorganización, con las covariables de arousal incluidas.

El seguimiento registra, en cada sesión, la tasa de falsas alarmas, Δt por reorganización y la comparación con el mejor control.

Resumen

• La hipótesis deriva del ordenamiento temporal de TAE y se trata como hipótesis, sin respaldo empírico propio.
• El azar no es control suficiente: el comparador relevante es un modelo solo conductual más covariables de arousal y fatiga.
• La reorganización conductual debe definirse a ciegas respecto de la señal neuronal para evitar circularidad.
• La métrica central es el tiempo de anticipación Δt a falsas alarmas fijas, no la precisión aislada.
• H1 se refuta si el modelo neuronal no supera al mejor control conductual fuera de muestra.
• Los antecedentes citados son intracraneales y en animal; la brecha con el EEG de superficie queda declarada.
• Un resultado positivo avalaría la utilidad predictiva, no un mecanismo de conciencia ni causalidad.

Verificación (CoVe) y referencias

Las referencias se citan de memoria del autor conceptual y deben comprobarse contra la fuente primaria antes de pasar a versión definitiva.

• Benjamini, Y. y Hochberg, Y. (1995). Journal of the Royal Statistical Society B, 57(1).
• Durstewitz, D., Vittoz, N. M., Floresco, S. B. y Seamans, J. K. (2010). Neuron, 66(3).
• Karlsson, M. P., Tervo, D. G. R. y Karpova, A. Y. (2012). Science, 338(6103).
• Killick, R., Fearnhead, P. y Eckley, I. A. (2012). Journal of the American Statistical Association, 107(500).
• Theiler, J. et al. (1992). Physica D, 58.