Título: Análisis bayesiano del aprendizaje en comunidades de video juegos

Director: Esteban Mocskos
Co-director: Diego Fernández Slezak

Consejero de estudios: Hernán Melgratti

Jurados:

Dr. Daniel Ramos Castro – Universidad Autónoma de Madrid
Dra. Marcela Svarc – Universidad de San Andrés & CONICET
Dr. Mariano G. Beiró Facultad de Ingeniería, UBA & CONICET

Transmisión: https://youtube.com/live/HvNwM5Fmf9I?feature=share

Resumen:

Las especie humana tiene una singular capacidad de aprendizaje social,
que le permite acumular adaptaciones sucesivas en el tiempo que van
produciendo el inimaginablemente complejo sistema de información
cultural. Si bien el aprendizaje humano ocurre en los cuerpos
biológicos, el aprendizaje cultural es un fenómeno poblacional que
emerge de la interacción prolongada entre individuos y entre
generaciones. Entender las propiedades de los sistemas de información
cultural es uno de los problemas fundamentales de la antropología,
relevante para las ciencias de la computación y la inteligencia
artificial multi-agente. En particular, comprender las relaciones que
vinculan el nivel poblacional (como la dinámica y estructura de la red
de intercambios de información cultural) con el nivel individual (el
aprendizaje efectivo que se produce en los cuerpos), ha sido la pregunta
que motivó esta tesis de doctorado. Para ello, decidimos estudiar las
comunidades de video juegos en línea. Además de que ofrecen la
oportunidad de estudiar poblaciones grandes sin perder un alto grado de
detalle, ellas son un lugar privilegiado para estudiar cómo cambian las
estrategias en el tiempo. Algunas de las preguntas que nos propusimos
responder durante el doctorado fueron las siguientes. ¿Cuál es la mejor
forma de medir el aprendizaje de un individuo en el tiempo? ¿Cuál es la
relación entre la formación de equipos y el aprendizaje individual a
largo plazo? ¿Cuál es el efecto que la posición topológica de un
individuo en la red información cultural tiene sobre el aprendizaje
individual? ¿Cuáles son algunas de las propiedades generales del
aprendizaje?
Durante el doctorado en ciencias de la computación el enfoque bayesiano
de la probabilidad respondió las preguntas metodológicas y
epistemológicas más profundas que traía de mi formación previa en
ciencias antropológicas: cómo alcanzar acuerdos respecto a la correcta
evaluación de argumentos causales alternativos. Las reglas de la
probabilidad se conocen desde finales del siglo 18 y desde entonces se
las ha adoptado como sistema de razonamiento en todas las ciencias
empíricas. Si bien en todo este tiempo no se ha propuesto nada mejor en
términos prácticos, el costo computacional asociado a la evaluación de
todo el espacio de hipótesis ha limitado históricamente la aplicación
estricta de las reglas de la probabilidad (enfoque bayesiano). El
enfoque bayesiano se fue incorporando lentamente durante el transcurso
de la tesis, hasta transformarse en un protagonista.
En el primer trabajo usamos el modelo bayesiano de habilidad más
utilizado en la industria del video juego para estudiar una comunidad en
el que las personas podían jugar individualmente o en equipos. Mediante
test de hipótesis estadísticos detectamos que jugar en equipo está
asociado a mayor aprendizaje a largo plazo, y que mantener un equipo
estable está asociado a mayor velocidad de aprendizaje. Los estimadores
de habilidad disponibles, considerados estado del arte al inicio del
doctorado, no permiten sin embargo obtener estimaciones iniciales
fiables ni garantizar la comparabilidad entre estimaciones distantes en
el tiempo y el espacio. En el transcurso del doctorado descubrimos la
especificación matemática de un modelo conocido como TrueSkill Through
Time (TTT) que resolvı́a estos problemas realizando la inferencia en
única red bayesiana, propagando la información histórica correctamente.
Debido a que el modelo no se encontraba disponible en ningún lenguaje de
programación en el segundo trabajo resolvimos la matemática de este
modelo, la documentamos, la implementamos y la publicamos en los
lenguajes de programación Julia, Python y R. En un tercer trabajo,
estudiamos la evolución de una red de partidas en el juego de Go durante
un periodo de ocho años y encontramos,con el nuevo estimador, que la
posición de los individuos en la red tiene un efecto sobre el
aprendizaje en los personas que están en el medio del proceso de
aprendizaje, ausente entre novatas y expertas.

Palabras claves: Ciencias Sociales Computacionales, Inferencia
bayesiana, Cultura, Habilidad, Aprendizaje, Comunidades virtuales,
Videojuegos