Variational Information-Cost Model позволяет интерпретировать ригидность не просто как «низкую гибкость», а как рациональный выбор: агент избегает обновления убеждений, когда информационная цена такого обновления слишком высока. Соответственно, тестирование ригидности в этой рамке — это, по сути, измерение того, насколько человек готов платить «цену KL-дивергенции» между старыми и новыми представлениями в конкретных задачах.[1][2][3]
Суть модели в терминах измерения
В вариационной постановке постериор выбирается как компромисс между:
- качеством подгонки к данным / выигрышу (expected utility, evidence-fit);
- штрафом за отклонение от приора \(D_{KL}(q \parallel p)\), который трактуется как информационный **cost**.[3][1]
Ригидность = высокая чувствительность к этому штрафу: даже при достаточно сильном сигнале человек предпочитает не сдвигать \(q\) далеко от \(p\), чтобы не платить высокий KL‑cost. В поведении это проявляется как систематическая недоадаптация убеждений/стратегий относительно того, что диктуют данные.[1]
Как связать модель с существующими тестами
Классические задачи на гибкость (WCST, task switching, Stroop, рабочая память со стабильностью vs обновлением) можно переписать в информационных терминах:
- стабильное правило = сильный prior;
- смена правила / контекстный сдвиг = данные, создающие высокую \(D_{KL}\) между старым и новым состоянием.[4][2]
В этом ключе важны не только ошибки/RT, а:
- насколько сильно человек остаётся в старой политике (персеверации), когда выгодно было бы перейти в новую;
- за какую «плату» (наградой, вероятностью успеха, снижением ошибок) он согласен сменить стратегию.[5][4]
Работы по «cost of cognitive stability vs flexibility» уже делают шаг к этому: они через дискаунтирование усилий оценивают субъективную стоимость режима стабильности и режима обновления. В информационной интерпретации это приближается к оценке цены «держаться за prior» против цены «перестроить posterior».[4]
Принципы проектирования теста под модель
Если строить тест ригидности именно в логике Variational Information-Cost Model, то в дизайн задач нужно явно вшивать:
- Явный prior:
- длительный период обучения одному правилу / модели среды;
- создание уверенности в нём (высокая субъективная вероятность).[2][1]
- Контролируемые «сигналы к обновлению»:
- ввод конфликтующей, но не абсолютно однозначной информации (байесовский апдейт с умеренным log‑likelihood);
- параметрически варьируемая сила сигнала, чтобы увидеть, на каком уровне доказательств испытуемый наконец «ломает» prior.[2][3]
- Явная цена за обновление:
- либо в виде дополнительного усилия (более сложное правило, новая инструкция),
- либо в виде временного/ошибочного штрафа за переключение.[4]
Из этого можно оценить «λ‑подобный» параметр: насколько сильно поведение испытуемого «штрафует» большие KL‑сдвиги относительно того, что было оптимально по данным.
Возможные метрики поверх стандартных задач
На базе уже существующих парадигм (switching, working-memory updating, social belief updating) можно извлечь показатели, интерпретируемые в терминах information-cost:
- Порог обновления: минимальная разница в вероятностях/наградных ожиданиях, при которой человек переключает стратегию (чем выше порог, тем выше условный λ).[5][4]
- Асимметрия между переходом «к новому» и возвратом «к старому»: ригидный агент легче возвращается к старой модели, чем принимает новую, при равной силе доказательств; это можно калибровать на последовательностях проб.[6][1]
- «Замороженность» после повторных подтверждений: если несколько блоков подтверждают один и тот же prior, то при смене среды часть людей будет демонстрировать сильно замедленное или почти отсутствующее обновление — то самое «эпистемическое запирание» (lock-in).[6][1]
Такое параметрическое извлечение, по сути, делает психометрию ригидности байесовско‑вариационной: ригидность = идентифицированный уровень penalization за KL‑сдвиг.
Валидность в этой рамке
- Конструктная валидность: тест, спроектированный под Variational Information-Cost Model, напрямую операционализует ключевое допущение — trade-off между evidence-fit и KL‑cost, а не использует ригидность как «чёрный ящик». Это повышает теоретическую валидность по сравнению с голыми RT/ошибками.[1][2]
- Критериальная валидность: ожидаются связи с клиническими и личностными показателями (ОКР, аутистический спектр, догматизм, поляризация), уже описанными как проявления ригидности; первые обзоры по гибкости показывают такие корреляции для self-report шкал и лабораторных задач.[6][5]
- Экологическая валидность: за счёт явного манипулирования «ценой обновления» модель ближе к реальным ситуациям (обучение в спорте, изменение тактики, социальное мнение), где цена изменения стратегии / убеждений — ключевой фактор поведения.[7][4]
Если интересен прикладной уровень для спорта, можно на базе одной из set‑shifting / updating парадигм сделать «тренировочный» протокол: варьировать стоимость смены решения (штрафы/выигрыши), фитить λ для игрока и смотреть, как он меняется под влиянием коучинга и экспозиции к нестабильным условиям.
[1](https://www.emergentmind.com/topics/cognitive-rigidity-hypothesis)
[2](https://pmc.ncbi.nlm.nih.gov/articles/PMC4151034/)
[3](http://socsci.uci.edu/~rfutrell/readings/zenon2019information.pdf)
[4](https://www.biorxiv.org/content/10.1101/743120v1.full)
[5](https://www.frontiersin.org/journals/human-neuroscience/articles/10.3389/fnhum.2024.1331960/full)
[6](https://pmc.ncbi.nlm.nih.gov/articles/PMC12450550/)
[7](https://www.nature.com/articles/s41467-017-01000-w)
[8](https://www.sciencedirect.com/science/article/abs/pii/S136466132500083X)
[9](https://resolve.cambridge.org/core/product/17716C0E12A3B1A747E21001E89BE868/core-reader)
[10](http://www.its.caltech.edu/~lpomatto/f_information.pdf)