6. Modelli di simulazione statistica: Modello Globale

6.a) Simulazione statistica dell’evoluzione dell’intelligenza

• Valori reali e valori osservati

Il Modello Sociale o Modello Individuale riformulato ci è servito per determinare che il gene significativo o informazione genetica dell’intelligenza è quello di potenziale minore.  Dunque, se il modello generico proposto dalla Teoria dell’Evoluzione Condizionata della Vita (TGECV) è corretto, dovremmo poter eseguire una simulazione statistica di processi di trasmissione biologica ereditaria in grado di creare una variabile artificiale W di coefficienti intellettuali che si comporti come i dati statistici osservati nello studio longitudinale.

La seconda grande sorpresa è stata per me il fracasso del modello dell’intelligenza sociale semplificato per raggiungere questo obiettivo di simulazione statistica dei processi e dei meccanismi di ereditarietà biologica.
L’introduzione dell’evoluzione nel senso apportato dalla Teoria dell’Evoluzione Condizionata della Vita e della capacità di generare variabili quantitative con perturbazioni che le avvicinano alle variabili reali, definisce un nuovo modello, che chiamerò Modello Globale, per facilitare i riferimenti allo stesso ed il ragionamento.

Il risultato tipico della variabile generata W è osservabile nel grafico q350. Considerando che W ha componenti aleatori (generati con numeri aleatori), il grafico rappresenta la media di 10 stime per le correlazioni corrispondenti della simulazione statistica di QI.

La correlazione della variabile di coefficienti artificiali d’intelligenza W è superiore di molto alle variabili naturali, l’indice di correlazione multidimensionale (ICM), che è stato moltiplicato per 3 a fini comparativi, è superiore a 25.

Simulazione statistica del QI
Quozienti d'intelligenza artificiali  

Gráficas	Tema	Observaciones
q350	ICMW	Muy alto
q360	ICMW	Similar a ICMG

Come sappiamo, le differenze nei valori corrispondenti alle misurazioni del quoziente d’intelligenza delle stesse persone possono essere molto grandi. Esistono comunque deviazioni dovute alla diversa espressione della capacità in ogni momento, ed a maggior ragione, in anni diversi.

Un ulteriore fattore che provoca o può provocare lo stesso tipo di deviazioni è il test particolare utilizzato e persino ogni prova specifica all’interno di un test di intelligenza standard.

Possiamo di conseguenza introdurre negli algoritmi genetici della simulazione statistica un fattore addizionale di aleatorietà per queste cause, allo scopo di migliorare la simulazione dei processi reali. Sebbene le differenze osservate siano superiori al 10% rispetto alla media in alcuni casi, introdurrò, con l’ausilio di numeri aleatori, una deviazione media di un 3% verso l’alto e di un 3% verso il basso.

Per la stessa ragione per cui ho introdotto elementi d’errore nelle variabili F dei figli, occorre impiegare lo stesso modello d’errore nelle variabili M delle madri e P dei padri nella simulazione statistica dei processi orientati alla famiglia per l’ereditarietà genetica dei geni maschili e femminili.

Tuttavia, la correlazione della variabile statistica oggetto della simulazione nel Modello Globale non si riduce sensibilmente.

6.b) Complessità della simulazione statistica con algoritmi d’ottimizzazione  

Bisogna introdurre più elementi affinché i modelli di simulazione statistica dell’evoluzione dell’intelligenza siano accettabili. Cominciano, però, ad apparire livelli di complessità elevati negli algoritmi d’ottimizzazione statistica e l’obiettivo non è facile da raggiungere, poiché deve diminuire la correlazione nei gruppi non ordinati, soprattutto nei gruppi piccoli. Allo stesso tempo, nei gruppi ordinati si deve abbassare la correlazione nei gruppi piccoli e mantenerla in quelli grandi.

6.b.1. Affinità genetica

Occorre prima di tutto cercare di eliminare le semplificazioni effettuate nel ragionamento teorico del modello d’evoluzione dell’intelligenza nella Teoria Generale dell’Evoluzione Condizionata della Vita.

A tal fine, si può includere negli algoritmi del modello di simulazione statistica d’evoluzione dell’intelligenza l’interessante effetto filtro sull’affinità genetica dei genitori citato dalla stessa teoria, detto altrimenti il potenziale risultante dalla combinazione genetica sarà uguale all’intersezione dei potenziali e non al potenziale del gene minore o cromosoma.

Ovviamente la diminuzione dovuta alla mancanza di affinità genetica non sarà probabilmente fissa in tutti i casi e quindi verrà trattata nella simulazione dei processi come una variabile statistica aleatoria, creeremo cioè, con numeri aleatori, un altro margine di un 3% in più o meno per il possibile effetto indotto dai genitori.

Dopo aver considerato l’effetto filtro o affinità genetica, la correlazione è diminuita nuovamente, ma non di molto. Da parte sua, la complessità degli algoritmi d’ottimizzazione della simulazione statistica dell’evoluzione dell’intelligenza aumenta un po’ per volta.

6.b.2. Analisi della sensibilità – Il Modello Globus  

Uno degli obiettivi dello Studio EDI era provare i meccanismi genetici di carattere funzionale o modo d’agire della natura nella trasmissione dell’informazione genetica dell’intelligenza. Sinceramente, non pensavo che il modello statistico potesse avere una sensibilità così alta, ma mi sbagliavo e a mio avviso ciò conferma chiaramente le previsioni della TGECV.

Una delle semplificazioni apportate si riferisce al modello teorico della Teoria Generale dell’Evoluzione Condizionata della Vita, che ci segnala che l’evoluzione esiste, che effettivamente l’ambiente circostante influisce, ma in modo più generale; ovvero, la capacità cresce nel corso della vita e viene trasmessa alla discendenza.

Abbiamo inoltre la possibilità di introdurre elementi asimmetrici negli algoritmi della simulazione statistica in modo tale che ci aiuti a raggiungere il nostro scopo. Possiamo distinguere fra evoluzione interna ed evoluzione esterna. L’evoluzione interna avverrà solo nei geni maschili, che sono i geni che si rinnovano costantemente in natura. Mi dispiace, ma la TGECV, in consonanza con ciò che mi hanno insegnato da piccolo, ricorda che gli ovuli sono fissi fin dai primi anni di vita delle bambine, sembra quindi complicato che i geni femminili possano incorporare molte modifiche.

Per di più, seguendo questo modello, si può differenziare fra evoluzione interna diretta e indiretta; nella prima, il potenziale crescerà in una percentuale sullo stesso valore, mentre nella seconda la crescita di potenziale di un gene maschile sarà legata al potenziale del gene femminile corrispondente e viceversa. Ciò implicherà un’asimmetria addizionale e farà diminuire un po’ di più la correlazione nel modello di simulazione statistica che nel caso della variazione proporzionale al potenziale dello stesso gene.

Si può quindi dire che stiamo raggiungendo livelli di complessità statistica molto elevati. Ciononostante, bisogna ricordare che la potenza dei computer attuali semplifica notevolmente la creazione dei modelli di simulazione statistica di questi processi genetici dell’evoluzione dell’intelligenza.

Allo stesso modo, con gli algoritmi di ottimizzazione è stato provato un fattore logico di evoluzione interna minima, che è poi stato scartato poiché peggiorava gli adattamenti ottenuti.

Considerando che i parametri d’evoluzione interna avranno ripercussioni sulla funzione obiettivo R° e sulla variabile quantitativa M1P1° d’ordine previo del campione, l’effetto sulle correlazioni dei cambiamenti in questi parametri ci dovrebbe indicare la bontà delle specificazioni e, mediante l’analisi di sensibilità dei parametri, la sua magnitudine ottima.

Tutti questi meccanismi dei modelli di simulazione statistica dell’evoluzione dell’intelligenza che permettono l’analisi della sensibilità sono ciò che definisco algoritmi d’ottimizzazione. La loro complessità è dovuta sia alle funzioni matematiche necessarie per il trattamento statistico, sia alla grande accumulazione di piccoli concetti ed innovazioni.

In un’altra sezione ho già detto che saranno stati calcolati approssimativamente 500 milioni di coefficienti di correlazione in tutto lo Studio EDI sull’evoluzione e sul disegno dell’intelligenza.

Per fare riferimento a questo tipo di algoritmi d’ottimizzazione e di analisi della sensibilità e alla loro presentazione grafica diversa da quella del Modello Globale, gli ho assegnato un nuovo nome: Modello Globus.

MODELO GLOBUS
(Grafici Modello Globale parametrizzato)

ALGORITMOS DE OPTIMIZACIÓN
DE LA EVOLUCIÓN INTERNA DE LA INTELIGENCIA  

Parametri Evo. interna°		T1-d, X3 y X6 e criteri d’ordine M1P1°
		Funzione obiettivo
Diretta.	Indiretta.	R°			M & P
Madri		Grafici	ICMG	r² máx.	Grafici	ICMG	r² máx.
5	5	q371°	14,14	0,72	q372°	14,46	0,72
3	3		14,21	0,82		14,81	0,82
1	1		13,49	0,80		13,89	0,80
Nulla
0	0	q323	14,98	0,92	q324	16,07	0,92
Padri
1	1		14,06	0,83		16,10	0,87
2	3		14,79	0,87		16,10	0,87
3	3		15,33	0,84		16,47	0,84
4	4		15,09	0,84		16,73	0,84
5	5	q363°	15,61	0,89	q364°	17,77	0,89
6	6		14,30	0,95		16,74	0,95
7	7		13,25	0,83		15,56	0,83
°I parametri dell’evoluzione interna hanno ripercussioni sulla funzione obiettivo R e sull’ordine M1P1

L’analisi con variabili originali non è così concludente come quello svolto con variabili centrate, poiché queste ultime danno luogo a risultati più precisi.

Il quadro mostra le variazioni dei risultati in funzione dei parametri d’evoluzione. In particolare, si può osservare come l’adattamento migliore viene ottenuto per un valore di 5 per i parametri d’evoluzione interna sia diretta che indiretta. È opportuno sottolineare che la differenza negli ICMG è, secondo me, sufficientemente significativa.

Se si osservano i grafici corrispondenti, si potrà facilmente capire quest’affermazione con la preparazione del modello di quadri statistici per l’analisi della sensibilità del modello d’evoluzione dell’intelligenza ai parametri d’evoluzione interna. Con i grafici, la complessità statistica degli algoritmi d’ottimizzazione si trasforma in un’immediata percezione visiva dei rapporti sottostanti al modello.

Indipendentemente dal fatto che si possano visualizzare tutti i grafici, mostreremo qui quello che riporta un adattamento migliore per la funzione R°

In primo luogo bisogna notare che il miglioramento è molto più evidente per le variabili statistiche di valori X3 e X6, poiché la T1-d peggiora un po’ rispetto a R°, ma non rispetto a M&P.  Dà l’impressione che questa perda qualcosa della propria personalità perché le sono stati tolti i valori più alti.

La figura seguente mostra gli stessi risultati del modello di simulazione statistica del quadro Algoritmi d’ottimizzazione dell’evoluzione interna con la forma grafica del modello Globus.

Dato l’elevato grado di sensibilità sociale che può avere quest’aspetto e la complessità tecnica di cui abbiamo parlato prima, nel modello di simulazione statistica dell’evoluzione è stato verificato se il principio contrario funzionerebbe ugualmente, in altre parole, supponendo che solo le donne cambino i geni. Nello stesso quadro si possono osservare i risultati degli algoritmi d’ottimizzazione; com’era prevedibile, gli adattamenti sono addirittura peggiori che con una situazione d’evoluzione nulla.

La TGECV, teoria alla base di quest’analisi statistica, spiega nel dettaglio il ragionamento basico che, a mio parere, annulla ogni interpretazione sessista dei risultati, data la diversa funzione biologica dell’uomo e della donna.

È interessante esaminare a parte la variabile X3 e poi la variabile X6 che, indubbiamente, sono molto più chiare e dovrebbero essere più vicine alla realtà.

La punta che si osserva per l’evoluzione nulla o ciò che ne sarebbe statisticamente equivalente, che entrambi i sessi contribuissero all’evoluzione interna nella stessa percentuale, ha una spiegazione davvero difficile dal punto di vista della genetica. Ma se commentiamo la complessità di questi algoritmi d’ottimizzazione, mi viene in mente un’idea un po’ azzardata, fra le altre cose potrebbe trattarsi della possibilità che non tutti gli uomini portino avanti il miglioramento dei geni per mancanza di fiducia della natura di fronte a determinati indicatori, ad esempio se esistono poche modifiche.

In questo teorico caso, data la sensibilità del modello di simulazione statistica dell’evoluzione e delle variabili normalizzate, la prima deviazione dell’uno per cento falserebbe le correlazioni, mentre quando ci avviciniamo al valore ottimo, l’effetto di una giusta percentuale d’evoluzione interna supererebbe quello precedente.

Ad ogni modo, il punto ottimo del 5% dell’evoluzione interna diretta e di un altro 5% d’evoluzione indiretta dei geni trasmessi dagli uomini si manifesta in modo abbastanza chiaro.

Il tema non è così grave come potrebbe sembrare, se si comprende un po’ la TGECV, la differenziazione sessuale significa differenze, specializzazione, ecc. Le donne hanno il compito importante e difficile dello sviluppo iniziale dei figli che implica una specializzazione in tecnologia dei materiali.

A tal fine si usa il parametro d’evoluzione esterna endogena negli algoritmi genetici della simulazione statistica, che raccoglie quest’effetto evolutivo generato dalle donne; in concreto, potrebbe supporre una media d’incremento del 5% con distribuzione aleatoria, sebbene la sua verifica non possa essere per il momento effettuata, poiché la sua variazione non incide né sulle funzioni obiettivo né sui criteri d’ordine degli algoritmi d’ottimizzazione.

Un’altra possibilità logica è che l’incremento generato dagli uomini raccolga anche certi cambiamenti dovuti al miglioramento dei materiali disponibili grazie al miglioramento nella qualità della loro costruzione quando si trovavano nel ventre materno.

D’altra parte è realmente possibile che i loro geni svolgano sia la funzione di copia di sicurezza che quella di massimizzare la garanzia di viabilità del nuovo essere. In caso contrario, la natura sarebbe il primo buon programmatore a non creare una copia dei suoi preziosi programmini quando acquisiscono un certo grado di complessità e di lavoro accumulato.

Infatti è questo il risultato più spettacolare sui parametri della simulazione dell’evoluzione di questo studio. Direi che, se non si può controbattere, significherebbe più o meno che si debba accettare la Teoria Generale dell’Evoluzione Condizionata della Vita (TGECV), almeno nella sua idea principale dell’esistenza di un’evoluzione finalista e l’abbandono della teoria della mutazioni aleatorie e quindi della selezione naturale come meccanismo prioritario dell’evoluzione.

La complessità degli algoritmi d’ottimizzazione nel modello di simulazione statistica dell’evoluzione biologica dell’intelligenza non dovrebbe essere una scusa per non riconoscere l’evidenza statistica.