Investigación de Omar Pérez sobre estudio del comportamiento y toma de decisiones publicada en prestigiosos journals internacionales

Incorporado recientemente a nuestro estamento académico, Omar Pérez, investigador dedicado al estudio del comportamiento y la toma de decisiones desde un punto de vista interdisciplinario usando herramientas de psicología, economía y neurociencias, publicó dos papers en importantes revistas internacionales.

El primero de ellos, “Subsampling of cues in associative learning”, fue publicado en la revista científica Learning & Memory. En este artículo, incluido en la portada, Omar y sus coautores de Florida International University y e la Universidad de Talca preguntaron qué pasa cuando existen objetos que predicen una recompensa o utilidad, pero que se presentan en conjunto y son difíciles de identificar.

“Idealmente, por ejemplo, si una persona observa una canasta de bienes en una venta de bodega y le gustan los tazones de café, debiera llevarse todos los que vea en ella. Sin embargo, si estos están entre muchos otros bienes y no son fáciles de encontrar -a menos que se busque secuencialmente en la canasta- ¿será la persona capaz de buscar lo suficiente para llevárselos o se quedará con el primero que encuentre?”, expone Omar.

Enfrentados a esta interrogante, los autores de este artículo encontraron lo último, es decir, la gente satisface su búsqueda sin considerar lo que podrían estar perdiendo. En esta línea y recientemente, Omar y algunos investigadores del Departamento han estado diseñando experimentos que prueban estas ideas (en un contexto de conducta del consumidor y utilizando productos reales).

El segundo trabajo, “Ambiguity drives higher-order Pavlovian learning” fue publicado en PLOS Computational Biology. En este artículo, escrito en colaboración con investigadores de Caltech y UCLA, Omar estudió lo que se conoce como predicciones de segundo orden, esto es, anticipar la recompensa o utilidad de un objeto o estimulo cuando existe otro que previamente experimentado determina la probabilidad de que la recompensa venga o no y fenómeno que no había sido probado empíricamente.

“Encontramos evidencia de que las personas pueden anticipar una recompensa basadas en estas relaciones de segundo orden y postulamos un modelo computacional que permite explicar cómo se aprenden tales relaciones”, detalla Omar.