Atualização Bayesiana com Limite de Energia: Um Modelo Eficaz de Crença Dependente de Recursos

A inferência bayesiana fornece uma estrutura normativa para atualização de crenças, no entanto, as formulações padrão abstraem os custos dos recursos de implementação. Por que a mesma evidência produz revisões de crença sistematicamente diferentes sob cargas cognitivas variáveis, pressão do tempo ou estado motivacional? Este artigo propõe um modelo computacional restrito de atualização de crenças sob limitações de recursos, fundamentado na Teoria da Eficiência Energética (EET). Introduzimos uma razão de recurso latente η = E˙ resp/E˙ main, onde E˙ resp denota alocação relacionada à resposta (processamento de evidências e provocação de mudanças) e E˙ main denota alocação relacionada à manutenção (estabilizando representações atuais). Dentro de uma estrutura variacional restrita, isso produz um posterior efetivo q(H) ∝ p(E | H) λp0(H), onde a taxa de aprendizado é dada pelo mapeamento fixo λ = η/(1 +η). A atualização bayesiana padrão é recuperada como um caso limitante. A estrutura ainda distingue a atualização paramétrica dentro de uma estrutura representacional fixa da revisão estrutural do espaço de hipóteses em si, modelada como um processo de transposição de barreiras governado por uma resistência efetiva Eb. Derivamos previsões discriminativas do modelo e delineamos uma perspectiva de medição na qual as variáveis latentes são restringidas por múltiplos proxies fisiológicos e comportamentais. Este artigo fornece uma explicação formal testável e restrita da dinâmica de crenças sob limitações de recursos.