6.c) Esnuka e gli algoritmi genetici del modello di simulazione globale

Dopo aver introdotto nel Modello Sociale l'evoluzione, nel senso apportato dalla Teoria dell'Evoluzione Condizionata della Vita, le limitazioni funzionali risultate dei problemi di genetica e dopo averlo dotato di processi statistici con la capacità di generare variabili quantitative con perturbazioni aleatorie che le avvicinino alle variabili di dati osservati, il modello completo dell'ereditarietà genetica dell'intelligenza funziona in modo soddisfacente, come si può constatare con i grafici di correlazione e regressione multipla che vengono qui presentati.

La terza sorpresa dello studio statistico EDI è stata che, dopo averlo convalidato, il modello completo o Modello Globale contiene esattamente gli stessi parametri di ereditarietà biologica, evoluzione e problemi di genetica di cui si serve il gioco gratis del biliardo Esnuka (1991). Ovvero, gli algoritmi genetici utilizzati nella simulazione di processi sono gli stessi. Avevo rinunciato ad introdurre alcuni di questi algoritmi genetici nella regressione lineare perché non pensavo che fossero necessari e che sarebbe stato molto difficile giustificarli.

Infatti, per dimostrare il carattere ereditario dell'intelligenza e la presenza del metodo VIG, non è necessario nessun algoritmo genetico di generazione della variabile R quando la regressione lineare viene fatta direttamente su M e P.

Esnuka è un gioco di biliardo in cui il colore delle bilie dipende dagli stati evolutivi, in funzione delle carambole riuscite, secondo gli algoritmi genetici dedotti dalla Teoria Generale dell'Evoluzione Condizionata della Vita. Nell'Esnuka non erano necessarie così tante variabili aleatorie nei processi di simulazione dell'evoluzione, poiché non avvenivano errori nell'espressione e neanche nella misurazione e l'evoluzione si stabilisce in una percentuale costante.

Tutti questi grafici di correlazione e di regressione multipla corrispondono al Modello Globale di ereditarietà multifunzionale, comprese le limitazioni funzionali derivate dai problemi di genetica. Ovviamente, per ottenere un effetto visivo soddisfacente delle variabili quantitative, sono stati scelti i grafici della simulazione di processi in cui W si adatta maggiormente a una delle F o variabili osservate dei figli.

6.c.1. Variabili originali. (Test d'intelligenza scala Wechsler e Stanford-Binet)

Le variabili individuali originali fornite dallo Young Adulthood Study non migliorano sempre il loro adattamento con gli algoritmi genetici implementati o simulati nel Modello Globale, a differenza da quelle centrate. Per il caso dell'ordine (M+P)/2 si potrebbe intendere facilmente perché questo criterio non risponde ai cambi nei parametri d'evoluzione interna che non sono gli unici che cambiano R e M1P1, caso in cui si definiscono R ° e M1P1 ° per facilitare i ragionamenti

Oltre ai problemi di genetica, ci possono essere ancora elementi da precisare, ma la struttura principale del Modello Globale e degli algoritmi genetici che implica è a mio parere del tutto valida. Potrebbe anche darsi che la sensibilità del modello con così tante variabili aleatorie non sia capace di scoprire l'effetto limitato dei parametri d'evoluzione interna sui suddetti elementi e ciò di cui ha bisogno questo modello sia una maggior precisione quantitativa degli elementi coinvolti.

È ancora presto per giungere a conclusioni specifiche, mi viene in mente per esempio che, alla luce di questi grafici, in cui le tre variabili F si comportano a volte in un modo molto simile ed a volte in modo molto diverso, potrebbe rivelarsi che i diversi test applicati misurino caratteristiche diverse e rispondano dunque in modo diverso quando la prospettiva d'analisi cambia.

MODELLO GLOBALE: T1, T4 y WB
(Test d'intelligenza scala Wechsler, Stanford-Binet)
Ordine Funzione obiettivo
M & P
Grafici ICMG r² max. Grafici ICMG r² max.
(M+P)/2 q151° 11,73 0,62 q152 13,05 0,80
M1P1° q153° 10,91 0,79 q154° 13,04 0,79
q155° 10,83 0,73 q156° 12,63 0,94
WB q157° 12,26 0,89 q158 14,68 0,99

Già lo sapevamo, ma l'aspetto nuovo sarebbe in questo caso l'analisi quantitativa da questo punto di vista.

In altre parole, potrebbe darsi che certe funzioni elementari che costituiscono l'intelligenza appartengano ad un nucleo duro su cui non influirà normalmente l'evoluzione interna di un’unica generazione. In concreto, potrebbe migliorare il modello l'apporto di una costante d'intelligenza minima umana, di 50 o 60 punti, sebbene ci possano sempre essere eccezioni per gravi alterazioni cerebrali per problemi di genetica.

Eppure le correlazioni ottenute con le variabili individuali raggiungono lo 0,89 per la funzione R ° definita dalla TGECV e lo 0,99 se viene fatta su M e P; però quest’ultimo risultato è lo stesso del Modello Globale di ereditarietà genetica senza evoluzione, poiché i parametri dell'evoluzione non alterano né M & P né il criterio statistico d'ordine WB.

Inoltre, quando si utilizza la variabile R ° come criterio statistico d'ordine, si ottiene lo 0,94, che non è un cattivo risultato. E lo 0,79 quando il criterio è M1P1 ° per entrambe le funzioni contemplate.

Un altro aspetto che non bisogna dimenticare è il miglioramento della variabile W in tutti loro. Credo che solo osservando i grafici con la simulazione di processi di ereditarietà biologica ed evoluzione ci si rende conto che il modello non può essere un grande sbaglio.

6.c.2. Variabili centrate. (Medie di test d'intelligenza scala Wechsler e Stanford-Binet)

Con le variabili centrate nel Modello Globale di simulazione dell'evoluzione viene mantenuto il loro miglior adattamento in rapporto a quelle individuali, che esisteva nel modello dell'Intelligenza Sociale.

MODELLO GLOBALE: T1-d, X3 y X6
Ordine Funzione obiettivo
M & P
Grafici ICMG r² max. Grafici ICMG r² max.
(M+P)/2 q161° 14,70 0,77 q162 16,03 0,80
M1P1° q163° 15,61 0,89 q164° 17,77 0,89
q165° 15,55 0,84 q166° 17,40 0,97
X6 q167° 15,05 0,91 q168 17,20 0,88

Si potrebbe dire che i grafici di correlazione e di regressione multipla sono ancora molto eloquenti.

Rispetto alle stesse variabili centrate senza gli algoritmi genetici dei processi di simulazione dell'evoluzione interna ed i problemi di genetica, si osserva un aumento dell'ICMG maggiore quando la funzione obiettivo è M & P di quando è R °, è però importante in entrambe, e maggiore con il criterio M1P1 ° che con R °, situandosi a 1,70 e 1,52 punti rispettivamente.

Sia per la funzione obiettivo R ° che per la M & P i risultati con un’impostazione quantitativa del modello di simulazione sono superiori quando si utilizzano i criteri d'ordine R ° e M1P1 °.