Conexionismo e instrucción - Publicaciones

Transcripción

Conexionismo e instrucción
Rosa María Pons Parra*
José Manuel Serrano González-Tejero**
Recibido: Septiembre 2 de 2011
Aceptado: Septiembre 30 de 2011
Conexionism and instruction
Palabras clave: Conexionismo,
Resumen
,QWHOLJHQFLDDUWL¿FLDO
El estudio comienza con un análisis de los esfuerzos de la psicología cognitiva por
Procesamiento humano de la
entender cómo se representa el conocimiento sobre el mundo y cómo operan los
información, Simulación de
procesos cognitivos para alcanzar esa representación. Tras diferenciar entre proce-
procesos.
samiento simbólico (procesamiento serial de la información) y procesamiento no
simbólico y subsimbólico (procesamiento distribuido en paralelo), el trabajo se centra en este último desde la perspectiva conexionista, describiendo las unidades y los
procesos de procesamiento. A continuación, describe también el aprendizaje en el
modelo conexionista para abordar las implicaciones de este en la educación escolar
y fundamentalmente en la enseñanza universitaria, estableciendo un modelo hipotético que resalta la importancia del procesamiento paralelo a la hora de simular el
aprendizaje. Enseguida, compara los modelos de procesamiento serial y paralelo,
y concluye con la importancia que pueden tener en el momento actual los modelos
híbridos de procesamiento.
Key words: Conexionism,
Abstract
$UWL¿FLDOLQWHOOLJHQFH+XPDQ
This research aims to analyze of the ways cognitive psychology attempts to understand
information processing, Process
KRZNQRZOHGJHDERXWWKHZRUOGLVUHSUHVHQWHGDQGKRZFRJQLWLYHSURFHVVHVZRUN
simulation.
to achieve that representation. After differentiating between symbolic processing
(serial processing of information), and non-symbolic processing and subsymbolic
(parallel distributed processing), this paper focus on the latter from conexionism,
describing the units and prosecution processes. The following describes learning in
WKHFRQH[LRQLVPPRGHOWRWDFNOHLWVLPSOLFDWLRQVLQVFKRROHGXFDWLRQDQGPDLQO\
in higher education, by establishing a hypothetical model which highlights the
importance of parallel processing when stimulating learning. Finally, it compares
serial and parallel processing models, and sums up with the importance of the hybrid
processing models nowadays.
* Profesora contratada de la Universidad de Murcia. [email protected]
** Profesor titular de la Universidad de Murcia, España. [email protected]
Educ. Humanismo, Vol. 13 - No. 21 - pp. 51-82 - Diciembre, 2011 - Universidad Simón Bolívar - Barranquilla, Colombia - ISSN: 0124-2121
http://portal.unisimonbolivar.edu.co:82/rdigital/educacion/index.php/educacion
CONEXIONISMO E INSTRUCCIÓN
52
Introducción
plicar «lo que el sujeto hace», se puede plantear
La psicología cognitiva, como escuela psi-
en los términos del dualismo tradicional de cuer-
cológica o, mejor, como paradigma psicológico,
po y mente. De manera que el conductismo da
tiene una historia reciente. De hecho, aunque al-
poca importancia al cuerpo y a las predisposi-
JXQDVSURSXHVWDVGH¿QDOHVGHORVDxRV\GHOD
ciones genéticas de la conducta, aunque también
década de los 50 se puedan considerar como los
rechaza la mente, de la que prescinde de forma
primeros esbozos de esta forma de hacer psico-
explícita como elemento explicativo y, en mu-
logía, es a partir de los años 60 cuando realmen-
chos casos, incluso llega a combatirla. Podría-
te se empieza a extender por el mundo entero,
mos decir, entonces, que la psicología conductis-
compitiendo en los centros de estudio y de inves-
ta estudia la conducta para explicar la conducta.
WLJDFLyQ FRQ HO FRQGXFWLVPR DO TXH ¿QDOPHQWH
desbancó como paradigma dominante.
Esta idea del ambientalismo y del organismo
vacío entra en crisis en los años 60, cuando los
El conductismo supuso uno de los mayores
principios explicativos básicos que los susten-
esfuerzos de los psicólogos por hacer de su disci-
tan son ampliamente cuestionados, tanto por los
plina una ciencia. Los principios metodológicos
etólogos y por las investigaciones que emanan
que exigió a la ciencia psicológica (experimen-
desde las neurociencias como por los propios de-
tación, rechazo de la introspección, empleo de
sarrollos de la disciplina psicológica.
FDWHJRUtDV H[SOLFDWLYDV GH¿QLGDV RSHUDFLRQDOmente, etc.) fueron un adelanto y una conquista
Por parte de la psicología cognitiva, la críti-
que la mayoría de los psicólogos consideran, hoy
ca se referirá básicamente al olvido de la mente.
día, irrenunciables. Sin embargo, estos triunfos
En efecto, sabemos que la psicología cognitiva
se vieron claramente empañados en dos cuestio-
resultó atractiva, fundamentalmente, porque in-
nes fundamentales:
trodujo de nuevo en la psicología temas como
(OFRQGXFWLVPRHUDXQDSVLFRORJtDVLQVXMHWR
el de la atención, la percepción, la memoria, el
SVLFRORJtDGHORUJDQLVPRYDFtR
pensamiento y el lenguaje, que son al parecer
6X SUHWHQVLyQ WHyULFD IXQGDPHQWDO FRQVLV-
irrenunciables para toda psicología que busque
tía en explicar toda la conducta a partir del
ser completa y que el conductismo a duras pe-
aprendizaje, por lo que para esta teoría son
nas pudo incluir en sus investigaciones. Y como
los refuerzos y los estímulos presentes en la
compendio de todas estas capacidades y activi-
vida de los organismos los que determinan su
dades, la psicología cognitiva resaltó el valor
modo de relacionarse con el medio y de resol-
de la mente. De nuevo la mente entra, así, en la
ver sus problemas adaptativos.
psicología, y, además, es explicada con métodos
que se heredan del conductismo y que albergan
Esta paradójica «renuncia al sujeto» para ex-
la tan manida pretensión de objetividad, por
ROSA MARÍA PONS PARRA, JOSÉ MANUEL SERRANO GONZÁLEZ-TEJERO
53
cuanto la psicología cognitiva rechaza la intros-
vidades mentales que no son cogniciones, es de-
pección como acceso privilegiado a lo psíquico
cir, las actividades mentales que no consisten en
y favorece los informes objetivos obtenidos en
informar o describir el mundo, solo pueden en-
ODERUDWRULR6LPSOL¿FDQGRVLHOPHQWDOLVPRWUD-
WUDUFRQHQRUPHVGL¿FXOWDGHVHQHOSURJUDPDGH
dicional pretende estudiar la mente mirando a la
investigación cognitivo (y aquí hay que incluir
mente, la psicología cognitiva busca estudiar la
fundamentalmente el mundo de las emociones y
mente mirando la conducta. En este sentido, la
el de la motivación): estar triste no es tener un
psicología cognitiva considera irrenunciable la
estado informativo determinado, desear no es te-
referencia a la mente como causa de la conducta,
ner una representación del mundo, aunque, evi-
pero también considera irrenunciable la obser-
dentemente, el problema es que la información
vación objetiva de la conducta para el descubri-
PDQHMDGDSRUHOVXMHWRWLHQHXQDFODUDLQÀXHQFLD
miento de las estructuras y procesos mentales,
tanto en la emoción y en el sentimiento, como
supuestamente elicitadores de la conducta.
en el deseo y la voluntad. En términos clásicos,
la psicología cognitiva estudia la dimensión in-
Pero la diferencia con otros mentalismos no
solo radica en el método sino en los conceptos
telectual de la psique, pero no la emotiva y la
volitiva.
y categorías fundamentales con los que intenta comprender la mente, es decir, la diferencia
esencial está en la idea de mente.
En su forma de entender la información y en
el modo de procesarla, fueron importantes cierWDV LGHDV ¿ORVy¿FDV \ ORV DYDQFHV WHFQROyJLFRV
La categoría explicativa básica que utiliza el
en informática. En primer lugar, y mirando de
paradigma cognitivo es la de información: «la
FDUDD OD ¿ORVRItD OD LQÀXHQFLD PiV FODUDWLHQH
mente es una entidad capaz de recibir, almace-
que ver con las tesis racionalistas. En segundo
nar y procesar de diversos modos la información
lugar, por la importancia que se le da a las re-
y de generar una conducta en virtud de dichas
presentaciones, ya que el trato con las cosas está
actividades». Podemos decir así que “lo más ge-
determinado por el conocimiento que el sujeto
neral y común que podemos decir de la psico-
tiene del mundo, conocimiento que ha de estar
ORJtD FRJQLWLYD HV TXH UH¿HUH OD H[SOLFDFLyQ GH
presente de algún modo en él para que su con-
la conducta a entidades mentales, a estados, a
GXFWDUHVXOWHH¿FD]$HVWDIRUPDYLFDULDGH©VHU
procesos y a disposiciones de naturaleza mental,
mundo» se le suele llamar representación, y la
para los que reclama un nivel de discurso pro-
investigación de su estatus y de sus peculiari-
pio” (Rivière, 1987, p. 21). Esta tesis primordial
dades es precisamente uno de los temas princi-
tiene importantísimas consecuencias en la idea
pales en el paradigma cognitivo. Las entidades
de mente y de psicología propuesta por este pa-
WLHQHQFRQWHQLGRVHPiQWLFRVLJQL¿FDQDOJRSRU
radigma. Por ejemplo, parece claro que las acti-
HMHPSOR FRQFHSWRV ¿JXUDV IRUPDV iQJXORV
54
notas, propiedades, etc.) y gracias a dicho signi-
computador como metáfora del funcionamien-
¿FDGRVRQUHIHUHQFLDVDOPXQGR'HHVWHPRGR
to cognitivo humano” (Pozo, 2010, p. 43). Esta
las representaciones se convierten en las uni-
analogía está basada en el test de Turing, según
dades informativas que maneja el sujeto, cuyo
el cual, si la ejecución de dos sistemas de pro-
procesamiento determina la conducta. Pero las
cesamiento, en una determinada tarea, alcanza
representaciones se combinan unas con otras si-
XQ LVRPRU¿VPR TXH GL¿FXOWD OD GLVWLQFLyQ HQ-
guiendo reglas y el rendimiento de cada una de
tre ambos, los dos sistemas deben considerarse
las facultades mentales (percepción, memoria,
idénticos.
OHQJXDMHDWHQFLyQHWFHVHQFLDOPHQWHHVGH¿nido a partir de las distintas reglas de transfor-
La tecnología existente estableció el modo
mación y combinación de las representaciones.
concreto de concebir las formas de instanciar
De este modo, reglas y representaciones son dos
la representación y de procesar la información.
de los elementos conceptuales básicos del cog-
Aunque en los primeros años de la informáti-
nitivismo y dan lugar a uno de los programas de
ca, hubo algunos intentos de construir sistemas
investigación más característicos de este para-
DUWL¿FLDOHV GH SURFHVDPLHQWR TXH UHSURGXMHVHQ
digma: el procesamiento de la información.
algunos aspectos muy abstractos del cerebro (el
perceptrón1 o el adaline2, por ejemplo), el mo-
De esta manera, podemos considerar el pro-
delo que sin embargo tuvo más éxito fue el del
cesamiento de la información como un sistema
ordenador Von Neumann, al punto que los orde-
representacional que se organiza en tres niveles
nadores actuales son ejemplos de este modelo.
(Ballesteros, 1992, p. 345):
Sus características principales son las siguientes:
a) El nivel semántico, que explica por qué este
/DLQIRUPDFLyQHVWiORFDOL]DGDHQSDUWHVItVL-
VLVWHPDVDEHFXiOHVVRQVXVREMHWLYRV
cas concretas: si guardo en el disco duro de
E (OQLYHOVLPEyOLFRTXHFRGL¿FDPHGLDQWHH[-
mi ordenador lo que ahora estoy escribiendo,
presiones simbólicas el contenido semántico,
la información se almacenará físicamente en
al tiempo que dicta las reglas que permiten
un lugar preciso, al que el ordenador sabrá
PDQLSXODUGLFKRVVtPERORV\
acceder mediante un sistema preciso de diUHFFLRQHV
c) El nivel físico que actúa como soporte material del sistema.
/DLQIRUPDFLyQVHSURFHVD³en serie”: si hago
“La concepción del ser humano como «pro-
cesador de la información» se basa, pues, en la
2
aceptación de la analogía entre la mente humana y el funcionamiento de un computador. Para
ser más exactos, se adaptan los programas de
(OSHUFHSWUyQHVXQWLSRGHQHXURQDDUWL¿FLDORHQVXFDVRGH
UHGQHXURQDODUWL¿FLDO
El adaline (de ADAptative LINear Element, aunque originalmente el nombre correspondía a ADAptative LInear NEuron)
HV XQ WLSR GH UHG QHXURQDO DUWL¿FLDO /D GLIHUHQFLD HQWUH HO
adaline y el perceptrón estándar es que el perceptrón solo tieQH FDSDFLGDG SDUD FODVL¿FDU \D TXH XWLOL]D XQD IXQFLyQ XPbral sobre la suma ponderada de las entradas, a diferencia del
adaline, que es capaz de estimar una salida real.
55
que “corra” un programa en mi ordenador, las
gía cognitiva consiste, por tanto, en determinar
instrucciones de que este consta se realizarán
cómo se representa el conocimiento. El número
siguiendo un orden, y una en cada unidad de
GHWHRUtDVTXHWUDWDGHH[SOLFDUFyPRVHFRGL¿FD
tiempo, nunca dos (o más) en el mismo mo-
almacena y recupera el conocimiento ha demos-
PHQWRXQ~QLFRSURFHVDGRU
trado una falta de acuerdo y una dispersión con-
/DLQIRUPDFLyQFRQODTXHWUDEDMDHORUGHQD-
ceptual que ha generado una serie de constructos
GRUHVVLJQL¿FDWLYDDOPHQRVHQHOQLYHOGHO
distintos y diferenciados, a la hora de explicar
programador: una palabra, una letra, una lí-
este proceso de representación. Por ello, algunos
QHDXQiQJXORXQD¿JXUDHWF
autores proponen albergar este subparadigma en
(O RUGHQDGRU FRQVWD GH SDUWHV ItVLFDPHQWH
un paradigma más general, como es el construc-
diferenciadas para tareas realmente diferen-
tivista, que, además, permita incluir los elemen-
tes: grandes estructuras como la memoria, los
tos emotivos y volitivos (Serrano y Pons, 2008,
periféricos, la unidad lógico-matemática, la
2011).
XQLGDGGHSURFHVDPLHQWRFHQWUDOHWF
/D LQIRUPDFLyQ HVWi FRQWURODGD GHVGH XQD
Esta es la razón por la que los chunks3 del
parte privilegiada del ordenador: la unidad
procesamiento humano de la información o las
central de procesamiento (CPU), unidad que
unidades representacionales que utiliza este
se encarga de establecer las jerarquías en la
subparadigma de la psicología cognitiva, se pue-
DFWXDFLyQ\HOFRQWUROGHOVLVWHPD
den agrupar en un conjunto amplio de estructu-
/DVUHJODVGHSURFHVDPLHQWRGHVFULEHQWUDQV-
ras como: las redes semánticas (Quillian, 1968),
formaciones que atienden a restricciones ló-
los sistemas de producción (Anderson, 1983),
gicas, semánticas y sintácticas.
los esquemas (Rumelhart, 1989), los guiones o
scripts 6FKDQN ODV imágenes mentales
La teoría psicológica cognitiva clásica tomó
estas ideas y las trasladó a la psicología, de ma-
(Serrano, 2008), los modelos mentales (JohnsonLaird, 1980) y los marcos0LQVN\
nera que, partiendo de la idea de que la mente
era como un programa informático y el cerebro
Una «red semántica4» o «esquema de repre-
como el hardware del ordenador, intentó descri-
sentación en red» es una forma de explicación
ELUHOÀXMRGHODLQIRUPDFLyQFRQODLGHDGHTXH
del conocimiento en la que los conceptos y sus
la mente procesa la información a través de «ma-
interrelaciones se designan mediante un grafo.
croestructuras» que la transforman a su manera.
De este modo, la investigación debía centrarse
en buscar el auténtico modo en el que se produ-
cen las representaciones (Pons y Serrano, 2011).
El principal problema actual de la psicolo-
4
8Q FKXQN HV XQ IUDJPHQWR GH LQIRUPDFLyQ (Q FRPSXWDFLyQ
distribuida, es un conjunto de datos que se envía a un
procesador o cada una de las partes en que descompone el
problema para su paralelización.
Conviene no confundir ‘red semántica’ semantic network con
‘web semántica’ semantic web.
56
En un grafo (o red semántica), los elementos se-
to en que la primera fue seleccionada. Un siste-
mánticos se representan por nodos. Cierto tipo de
ma de producción es parcialmente conmutativo
relaciones no simétricas requieren grafos direc-
si existe un conjunto de reglas que al aplicarse
FLRQDOHVTXHXVDQÀHFKDVHQOXJDUGHOtQHDVSRU
en una secuencia particular transforma un estado
tanto, dos elementos semánticos entre los que se
‘A’ en otro ‘B’, y si con la aplicación de cual-
admite que se da la relación semántica que re-
quier permutación posible de dichas reglas se
presenta la red, estarán unidos siempre mediante
puede lograr el mismo resultado. Un sistema de
XQDOtQHDXQDÀHFKDXQHQODFHRXQDDULVWD(Q
producción es conmutativo, si es monotónico y
caso de que no existan ciclos, estas redes pueden
parcialmente conmutativo.
ser visualizadas como árboles. Las redes semánticas son usadas a la hora de elaborar, entre otras
cosas, mapas conceptuales y mentales.
Una «imagen mental» es una experiencia
que, en muchas ocasiones, se asemeja considerablemente a la experiencia de percibir un objeto,
Un «sistema de producción» es una estructu-
suceso o escena, con la diferencia de que puede
ra que facilita la descripción y la ejecución de un
producirse cuando ese elemento no se encuentra
proceso de búsqueda, y consiste en:
realmente expuesto a los sentidos.
D 8QFRQMXQWRGHIDFLOLGDGHVSDUDODGH¿QLFLyQ
GHUHJODV
b) Mecanismos para acceder a una o más bases
GHFRQRFLPLHQWRV\GDWRV
Un «guión» (script) es un archivo de órdenes
o de procesamiento por lotes que por lo regular
se almacena en un archivo de texto plano. Los
F 8QD HVWUDWHJLD GH FRQWURO TXH HVSHFL¿FD HO
scripts son casi siempre interpretados, pero no
orden en el que las reglas son procesadas, y
todo programa interpretado es considerado un
OD IRUPD GH UHVROYHU ORV FRQÀLFWRV TXH SXH-
script. El uso habitual de los scripts implica la
den aparecer cuando varias reglas coinciden
realización de diversas tareas como combinar
VLPXOWiQHDPHQWH\
componentes y/o interactuar con el sistema ope-
d) Un mecanismo que se encarga de ir aplicando
las reglas.
rativo o con el usuario. Por este uso, es frecuente
que los shells sean a la vez intérpretes de este
tipo de programas.
/RVVLVWHPDVGHSURGXFFLyQVHGH¿QHQFRPR
un conjunto de características que permiten vi-
Se denomina «marco» (frame) a una estructu-
sualizar la mejor forma en que pueden ser imple-
ra de datos que contiene una descripción general
mentados. Se dice que un sistema de producción
de un objeto, que se deriva de conceptos básicos
es monotónico si la aplicación de una regla no
\ GH OD H[SHULHQFLD (Q ,QWHOLJHQFLD $UWL¿FLDO
evita que más tarde se pueda aplicar otra que
es básicamente una estructura de conocimiento
también pudo ser aplicada en el mismo momen-
que contiene una secuencia estereotipada de ac-
57
ciones. Un marco encierra toda la información
se organiza en torno a prototipos. Ello permite su
descriptiva y de comportamiento concerniente
ajuste a una gran variedad de situaciones a partir
DXQFRQFHSWRGHPDQHUDFRPSDFWDFRGL¿FDGD
GH XQD VHULH GH HOHPHQWRV ¿MRV FRQ OR FXDO VH
y fácilmente accesible (por ejemplo, la palabra
logra una gran economía cognitiva.
«elefante» nos hace evocar un marco que contieQHODLPDJHQJUi¿FDGHHVWHDQLPDOSHURWDPELpQ
Los esquemas se construyen gracias a una
su peso y la vegetación tropical de su hábitat na-
poderosa maquinaria inductiva especializada
tural).
HQ DSUHVDU UHJXODULGDGHV D¿UPDFLRQHV \ GLIHrencias (negaciones) en las situaciones, compor-
$SDUWLUGHODLGHDLQLFLDOGH0LQVN\VHKDQ
tamientos e ideas que perciben las personas en
desarrollado dos corrientes opuestas: los marcos
su entorno. Esta maquinaria opera siguiendo los
como prototipos y los marcos como clases. La
principios del aprendizaje implícito, que es la
SULPHUDD¿UPDTXHHOKRPEUHDSUHQGHDSDUWLUGH
forma más común de cognición humana y a tra-
ejemplos particulares que luego generaliza: un
vés de la cual detectamos y procesamos incons-
prototipo incluye la descripción completa de un
cientemente información sobre posibles covaria-
individuo particular, representativo de una cate-
ciones entre características o sucesos del mundo
goría (por ejemplo, el ruiseñor es un prototipo de
circundante. Por esta razón, los esquemas, se
ave). En la aproximación de clases, un marco es
construyen inadvertidamente y su contenido es
la descripción general, esquemática, de una cla-
difícil de verbalizar.
se y constituye una descripción incompleta que
incluye solo los atributos comunes a todos los
Finalmente, un «modelo mental» es una re-
individuos de esa clase. Las clases se relacionan
presentación episódica que incluye personas, ob-
formando una jerarquía que parte de una clase
jetos y sucesos enmarcados en unos parámetros
general y se va especializando (por ejemplo, el
espaciales, temporales, intencionales y causales
marco ‘ave’, como especialización de la clase
PX\VLPLODUHVDORVXWLOL]DGRVSDUDFRGL¿FDUVL-
vertebrados, contiene información común a to-
tuaciones reales (De Vega, Díaz y León, 1999).
das las aves: vuela, tiene plumas, etc.). En este
esquema, aprender es ubicar un nuevo conoci-
Conexionismo
miento en la posición adecuada de la jerarquía.
En la segunda mitad de los años 80, surge
XQD PRGL¿FDFLyQ VXVWDQFLDO HQ HO SDUDGLJPD
Los «esquemas» son estructuras complejas
cognitivo con el desarrollo de una variación pa-
de datos que representan los conceptos genéri-
radigmática que utiliza una nueva arquitectura
cos almacenados en la memoria. La organiza-
no simbólica y que se conoce con el nombre de
ción interna de este conocimiento en la memoria
conexionismo. De manera concreta, en 1986, D.
semántica sigue principios de tipicidad, esto es,
E. Rumelhart y J. L. McClelland editan Parallel
58
distributed processing, obra considerada como
la idea de ‘cómputo’, consideran que el mode-
la “Biblia” del conexionismo y que supuso el
lo del computador no responde al conocimien-
cambio de rumbo en la psicología cognitiva. Es
to que, en el momento actual, se tiene sobre el
común señalar la radicalidad de dicho cambio,
funcionamiento del cerebro, ya que parece muy
hasta el punto de que algunos autores dicen que
poco probable que nuestro cerebro implemente
con el conexionismo se da realmente un cambio
programas que puedan funcionar de manera ‘se-
de paradigma.
rial’: si se tiene en cuenta que una neurona necesita de unos pocos milisegundos para realizar
(Q HO FRQH[LRQLVPR FRQÀX\H XQ FRQMXQWR
una función y que una tarea de un cierto nivel de
de enfoques de los ámbitos de la inteligencia
complejidad puede realizarse en unos cientos de
DUWL¿FLDO SVLFRORJtD FRJQLWLYD FLHQFLD FRJQLWL-
milisegundos, el cerebro solo podría pasar por
YDQHXURFLHQFLD\¿ORVRItDGHODPHQWH(QHVHQ-
unos cien pasos discretos para realizar la tarea,
cia, este concepto presenta los fenómenos de la
lo que Feldman (1985) llamó el programa de
mente y del comportamiento como procesos que
los 100 pasos. Por esta razón, para que pueda
emergen de redes formadas por unidades senci-
pasar a través de los miles de pasos de informa-
llas interconectadas. En Psicología, esta nueva
FLyQFRGL¿FDGDHQXQSURJUDPDGHRUGHQDGRUHV
forma de estudiar y explicar la mente y la con-
necesario que funcione en paralelo. Además, el
ducta recibe el nombre de deconexionismo (aun-
modelo conexionista niega la necesidad de un
TXH RWURV SUH¿HUHQ HO WpUPLQR ³QHRFRQH[LRQLV-
programa almacenado y de un lenguaje interior
mo”, para distinguirlo del antiguo conexionismo
(constituido por la manipulación de símbolos),
propuesto por Alexander Bain en la segunda mi-
por lo que el conexionismo está constituido por
tad del siglo XIX, autor que también subrayó la
modelos no simbólicos o subsimbólicos en los
importancia de las conexiones entre neuronas, y
que la actividad surge por la fuerza de las co-
ODLQYHVWLJDFLyQ\H[SHULPHQWDFLyQ¿VLROyJLFD
nexiones entre las unidades del sistema, no de
ORVVtPERORVFRGL¿FDGRVdentro del sistema (los
Dado que, para este paradigma, el procesa-
pesos de las conexiones determinarán el funcio-
miento y el almacenamiento de la información
namiento de las redes). Finalmente, como cada
recaen en amplios conjuntos de elementos sim-
unidad de procesamiento corresponde a un ras-
ples (las unidades de las redes conexionistas), el
go (letra, número, palabra, etc.) las representa-
modelo de procesamiento conexionista se llama
ciones en los sistemas conexionistas se encuen-
también Procesamiento Distribuido en Parale-
tran distribuidas entre las distintas unidades de
lo (o PDP).
la red. En términos generales, podríamos decir
que la perspectiva conexionista tiene como ob-
En efecto, aunque los conexionistas ofrecen
jetivo investigar los niveles subsimbólicos que
una explicación del procesamiento basada en
subyacen a los formalismos de alto nivel, tales
59
como esquemas, sistemas de producción, etc.,
ma manera que otros semejantes que ya exis-
que son utilizados por el paradigma cognitivo
ten en el sistema.
6PROHQVN\ /RV FRQH[LRQLVWDV SLHQVDQ
7LHQHQODFDSDFLGDGGHFRPSOHWDUXQSDWUyQ
que la representación mental no puede ser expli-
TXHVHHQFXHQWUDHVSHFL¿FDGRGHPDQHUDLQ-
cada adecuadamente apelando a la analogía con
completa, proporcionando las activaciones
las características computacionales de una má-
correspondientes en los nodos que carecen de
quina Turing-Von Neumann y, en contraste con
ellas.
los enfoques proposicionales simbólicos clási-
7ROHUDQLPSHUIHFFLRQHVGHPDQHUDTXHFXDQ-
FRVD¿UPDQTXHHOFRQRFLPLHQWRQRSXHGHHVWDU
do se ‘lesionan’ algunas unidades, su funcio-
localizado, ya que no se encuentra almacenado
namiento se resiente, pero no se imposibilita.
como tal.
En los enfoques de procesamiento distribuido
(OHQIRTXHFRQH[LRQLVWDGH¿HQGHTXHHOFR-
en paralelo, los conceptos input/output se repre-
nocimiento es el resultado de la activación de
sentan como diferentes patrones de activación
una red de conexiones entre unidades muy sim-
sobre el mismo conjunto de unidades. De mane-
SOHV QHXURQDV DUWL¿FLDOHV VLPLODUHV SHUR QR
ra que es posible asociar conceptos similares y
LGHQWL¿FDEOHVDODVQHXURQDV'HPDQHUDTXHHQ
generalizar propiedades al compartir los mismos
una red conexionista, el proceso computacional
subpatrones de actividad.
total está descrito en términos de las interacciones entre miles de procesadores restringidos y la
Redes neuronales
representación de conocimiento está distribuida
(Q ,QWHOLJHQFLD $UWL¿FLDO ORV PpWRGRV GH
a través de estas redes formadas por unidades y
computación basados en redes neuronales se in-
conexiones (Iza y Ezquerro, 1999). Por tanto,
cluyen en un campo de computación que pres-
recuperar un determinado contenido representa-
cinde del enfoque algorítmico tradicional y toma
cional supone una reconstrucción5. Una cuestión
FRPRPRGHORORVVLVWHPDVELROyJLFRVHVWDQXH-
LPSRUWDQWHVLQHPEDUJRHVFyPRVHFRGL¿FDHQ
va forma de computación incluye, entre otras, la
tales sistemas el input y el output.
lógica borrosa, las redes neuronales y el razonamiento aproximado, y recibe los nombres de
Las redes conexionistas están dotadas de las
computación cognitiva, computación del mundo
siguientes propiedades:
real o «Computación Soft», para distinguirlo del
7LHQHQ FDSDFLGDG GH DXWRJHQHUDUVH \D TXH
enfoque algorítmico tradicional o «Computación
nuevos inputsSXHGHQFODVL¿FDUVHGHODPLV-
Hard». Así, en Psicología, se le llama conexionismo al paradigma (o subparadigma) que utiliza
«redes neuronales» para comprender y explicar
5
Esta concepción está inspirada en la realización de una
máquina de Boltzmann (Rumelhart y McClelland, 1986).
la vida psíquica y la conducta.
60
/DVUHGHVQHXURQDOHVDUWL¿FLDOHVGHQRPLQD-
través de una función logística sobre la base
das habitualmente como RNA o, por sus siglas
de la suma de las entradas de cada unidad.
en inglés ANN) son los modelos conexionistas
(ODOJRULWPRGHDSUHQGL]DMHFDGDWLSRGHUHG
PiV XWLOL]DGRV KR\ HQ GtD \ SRGUtDQ GH¿QLUVH
PRGL¿FD VXV FRQH[LRQHV GH GLVWLQWD IRUPD
como «un retículo que “colabora” para producir
(por lo general, cualquier cambio matemáti-
un estímulo de salida». Muchas investigaciones
FDPHQWHGH¿QLGRTXHVHGpHQORVSHVRVGHODV
en las que se utilizan redes neuronales son de-
FRQH[LRQHVDORODUJRGHOWLHPSRVHUiGH¿QL-
nominadas con el nombre más genérico de “co-
do como un “algoritmo de aprendizaje”).
nexionistas”. Aunque hay gran variedad de modelos de redes neuronales, casi siempre siguen
Los conexionistas están de acuerdo en que
dos principios básicos relativos a la mente:
las redes neuronales recurrentes (en las cuales
&XDOTXLHU HVWDGR PHQWDO SXHGH VHU GHVFULWR
las conexiones de la red pueden formar un ci-
como un vector (N)-dimensional de los valo-
clo dirigido) son un modelo del cerebro mejor
res numéricos de activación en las unidades
que las redes neuronales feedforward (redes sin
neurales de una red.
ciclos dirigidos). Muchos modelos recurrentes
/DPHPRULDVHFUHDFXDQGRVHPRGL¿FDQORV
conexionistas también incorporan la teoría de
valores que representan la fuerza de las co-
los sistemas dinámicos y son bastantes los inves-
nexiones entre las unidades neurales. La fuer-
WLJDGRUHVFRPR3DXO6PROHQVN\TXHKDQDUJX-
za de las conexiones, o “pesos”, son general-
mentado que los modelos conexionistas evolu-
mente representados como una matriz de (N
cionarán hacia sistemas dinámicos no lineales
× N) dimensiones.
con un enfoque plenamente continuo y de múltiples dimensiones.
La mayoría de los distintos modelos de redes
neuronales se caracterizan por:
La rama de las redes neuronales del conexio-
/D LQWHUSUHWDFLyQ GH VXV XQLGDGHV VH SXH-
nismo sugiere que el estudio de la actividad
den interpretar como neuronas individuales o
mental es en realidad el estudio de los sistemas
como grupos de estas.
neurales. Esto permite enlazar el conexionismo
/D GH¿QLFLyQGHODDFWLYDFLyQKD\PXOWLWXG
con la neurociencia y con modelos que implican
de formas de describirla. Por ejemplo, en una
diferentes grados de realismo biológico. Por lo
6
máquina de Boltzmann la activación se in-
general, los trabajos conexionistas no necesitan
terpreta como la probabilidad de generar un
ser biológicamente realistas, pero algunos inves-
pico de potencial de acción, y se determina a
tigadores de redes neuronales, los neurocientí¿FRV FRPSXWDFLRQDOHV SRU HMHPSOR LQWHQWDQ
modelar los aspectos biológicos de los sistemas
6
Una máquina de Boltzmann es un tipo de red neuronal capaz
de aprender mediante representaciones internas.
naturales neuronales muy cerca de las denomi-
61
QDGDV³UHGHVQHXURPyU¿FDV´$PXFKRVDXWRUHV
Los elementos presentes en la mayoría de los
les atrae del conexionismo la clara relación que
modelos conexionistas, pueden sintetizarse en el
se puede encontrar entre la actividad neuronal y
siguiente decálogo (Raimínguez, 2009).
la cognición, aunque estos planteamientos han
1. La red es un conjunto de unidades de proce-
sido duramente criticados por ser excesivamente
reduccionistas.
samiento (neuronas) muy simples.
2. Las neuronas interactúan entre sí mediante
las conexiones que las asocian.
En una primera aproximación, podríamos
3. Tanto los estímulos que afectan a las unida-
GH¿QLU ODV UHGHV QHXURQDOHV FRPR FRQMXQWRV GH
des de entrada, como las señales de salida se
unidades interconectadas masivamente capaces
expresan en términos cuantitativos.
de procesar y almacenar información median-
7RGD XQLGDG GH OD UHG YLHQH GH¿QLGD SRU
WH OD PRGL¿FDFLyQ GH VXV HVWDGRV $XQTXH OD
un nivel de activación expresado de forma
VLJXLHQWH D¿UPDFLyQ H[LJLUtD LPSRUWDQWHV SUH-
cuantitativa.
cisiones, en general se puede decir que el psi-
5. Toda conexión viene caracterizada por un va-
cólogo conexionista considera que ha explicado
lor de fuerza del trazo o peso de la conexión,
un fenómeno psicológico (el reconocimiento de
también expresado de forma cuantitativa.
formas, la producción de lenguaje, la memoria,
6. El procesamiento y almacenamiento de la in-
etc.) cuando el modelo neuronal que construye
formación se realiza de forma paralela y dis-
se comporta del mismo modo que los seres hu-
tribuida.
manos cuando realizan la misma tarea. No hay
7. Existen reglas o funciones que computan la
que olvidar que el conexionismo participa de
información en distintos niveles del proce-
una idea común con la psicología cognitiva clá-
VDPLHQWR SDUD OD PRGL¿FDFLyQ GHO QLYHO GH
sica: para ambos la mente es un sistema capaz de
activación a partir de las entradas, para la
procesar información, un sistema capaz de reci-
producción de la salida a partir del nivel de
bir señales de entrada, almacenar información y
activación, etc.).
provocar información de salida, a partir, tanto de
8. Existen reglas o funciones de aprendizaje que
la información de entrada, como de la informa-
OHSHUPLWHQDODUHGPRGL¿FDUORVSHVRVGHODV
ción almacenada y los mecanismos de cómpu-
conexiones para acomodar de modo cada vez
to. Dada esta suposición de que los fenómenos
más perfecto la información de entrada a la
mentales y la conducta son consecuencia de ele-
salida requerida.
mentos internos al sujeto, el conexionismo con-
9. La función de cada unidad es simplemen-
sidera adecuada la explicación cuando la red que
te realizar cálculos con las entradas que re-
construye es capaz de realizar, a partir del vector
ciben y producir la información que envían a
de entrada, los distintos cómputos que provocan
las unidades con las que están conectadas.
el vector de salida deseado.
10. Dado que toda la actividad de la red no es
62
otra cosa que cálculos o transformaciones de
Unidades de entrada: Les correspon-
Q~PHURV VH SXHGH D¿UPDU TXH HQ UHDOLGDG
de este nombre por recibir información de
la red neural es un dispositivo para compu-
fuentes externas a la propia red. Si la red
tar una función, es decir, un sistema capaz de
dispone de sensores (por ejemplo, un es-
transformar la información de entrada en in-
cáner), la información externa es informa-
formación de salida. La función presente en
FLyQVHQVRULDOVLODUHGHVWiFRQHFWDGDFRQ
la red y que realiza el cómputo es básicamen-
otras redes, las unidades de entrada reci-
te el patrón o conjunto de pesos sinápticos de
EHQGDWRVGHODVVDOLGDVGHODVRWUDVUHGHV
las unidades.
en otros casos, simplemente, las unidades
de entrada reciben los datos que el usua-
En la Tabla 1, se resumen los elementos y
mecanismos básicos para el procesamiento de
rio de la red introduce manualmente en el
ordenador.
las redes conexionistas:
Unidades de salida: Ofrecen las señaLos elementos básicos de procesamiento de
les o información al exterior de la red y,
la información en el cerebro son las neuronas
por lo tanto, dan la respuesta del sistema.
y dado que los modelos conexionistas son mode-
Si la red dispone de conexiones con sis-
los de inspiración biológica, también a las unida-
temas motores (robots, por ejemplo), su
des básicas encargadas del procesamiento en las
respuesta será la intervención en el mundo
redes conexionistas se las llama habitualmente
ItVLFR VL OD UHG HVWi FRQHFWDGD FRQ RWUDV
neuronas. Aunque también podemos encontrar
redes, su respuesta se compondrá de datos
en la literatura los términos “células”, “unida-
GH HQWUDGD SDUD HVWDV ~OWLPDV UHGHV \ VL
GHV´³QHXURQDVDUWL¿FLDOHV´³QRGRV´\HOHPHQ-
simplemente, son redes que utilizamos en
tos de procesamiento (PE’s) o simplemente “ele-
nuestro ordenador, las unidades de salida
mentos” (Figura 1). Cada una de estas unidades
ofrecen datos al usuario para su posterior
representa una variable, un rasgo, un concepto,
tratamiento.
etc. Las unidades no tienen existencia física real
y se implementan mediante programas de orde-
Unidades ocultas: Aunque no todas
nador. La función de estas unidades se relaciona
las redes poseen este tipo de unidades, las
esencialmente con la recepción y tratamiento de
UHGHVPtQLPDPHQWHVR¿VWLFDGDVODVLQFOX-
la información: recibir información a partir de
yen. Estas unidades no tienen una relación
las conexiones que mantienen con otras neuro-
directa ni con la información de entrada
nas, elaborar o transformar la información reci-
ni con la de salida, por lo que no son “vi-
bida y emitir información de salida hacia otras
sibles” al ambiente exterior a la red (de
neuronas. Existen tres tipos de unidades:
ahí su nombre). Su función es procesar la
63
Tabla 1
Elementos de la estructura conexionista
Conceptos y mecanismos
básicos para el
procesamiento en las redes
conexionistas
La entrada (input) total
Un conjunto de n unidades de procesamiento (neuronas
DUWL¿FLDOHVTXHUHFLEHQLPSXOVRVGHHQWUDGDGHRWUDVXQLdades y envían impulsos de salida a las restantes unidades
(nodos). Cada nodo puede representar una variable, un
rasgo, un concepto, etc. Estas neuronas no tienen existencia física real y se implementan mediante programas de
ordenador.
La regla de propagación
Una regla de propagación que consiste en una función
(generalmente lineal) que permite obtener, a partir del
producto de las entradas y los pesos, el valor potencial
postsináptico de la neurona.
El estado de activación
Las conexiones Un estado de activación de cada unidad (neurona), a(n).
entre las
Este estado de activación es función de las entradas que
unidades
recibe la unidad y determina la salida que se envía a las
(las sinapsis)
restantes unidades. El estado de activación global viene
dado por un vector de orden n y es la magnitud más imSRUWDQWHGHODUHGQHXURQDOGHKHFKRHOYHFWRU¿QDOGH
activaciones es la magnitud que se suele comparar con los
datos experimentales que se desea interpretar.
La regla o función de
Una regla de activaciones que combine, en un instante deactivación
terminado, los impulsos de entrada en cada unidad junto
con la activación actual de la unidad para obtener la activación en el instante siguiente.
La salida (output) de las
El peso sináptico Un vector de orden n que representa los impulsos de saliunidades
da de cada unidad. Estos impulsos de salida son función
de la activación de cada una de las unidades.
Una función de transferencia que, a través de un cociente, La función de transferencia
relaciona la respuesta (modelada) de un sistema con una
señal de entrada o excitación (también modelada).
Reglas de aprendizaje
El patrón de
Este patrón puede representarse mediante una matriz de
conexión
pesos o conexiones W(n, n) que se multiplica por el vector
de salida para obtener el vector de impulsos de entrada de
FDGDXQLGDG/DVFRQH[LRQHVSXHGHQVHU¿MDVRYDULDEOHV
En este último caso, suelen depender del vector de activación.
Conceptos y
elementos de
la estructura
conexionista
Las unidades
Características y condiciones
64
información en niveles más complejos, fa-
neuronas) y ofrecen información al mismo des-
YRUHFHUFyPSXWRVPiVH¿FDFHV
tino (al usuario, a sistemas motores o a otra capa
de neuronas).
La información que puede recibir una red, la
que puede ser almacenada y la que puede emitir,
Las sinapsis, por su parte, son las conexiones
está determinada en gran medida por lo que se
entre las neuronas. En la mayor parte de redes
llama el abanico de entrada (fan-in) y el abanico
las sinapsis son unidireccionales, es decir, que
de salida (fan-out). El abanico de entrada es el
la neurona k transmite información a la neuro-
número de elementos que excitan o inhiben una
na j y la neurona j la recibe, pero nunca llega a
unidad dada. El abanico de salida de una unidad
ocurrir lo contrario. Sin embargo, en redes como
es el número de unidades que son afectadas di-
ODVGH+RS¿HOGODVVLQDSVLVVRQELGLUHFFLRQDOHV
rectamente por dicha unidad (Figura 2).
Hay dos tipos de sinapsis:
Sinapsis inhibidora: En este tipo de
Se llama capa (o nivel, o estrato) al conjunto
conexión el impulso transmitido por una
de neuronas que reciben información de la mis-
neurona inhibe la activación de la neuro-
ma fuente (información externa, otra capa de
na con la que está conectada: si la neuro-
Figura 1
1HXURQDDUWL¿FLDOGH0F&XOORFK3LWWV
65
Figura 2
Red neuronal
na k le transmite a la neurona j un impulso
ñal o información que por dicha conexión
que inhibe a esta, el nivel de activación
se le envía (se suele representar este tipo
de la neurona j decrecerá en función del
de conexión mediante puntos huecos) (Fi-
peso establecido para dicha conexión y de
gura 3).
la cantidad de información que se transmite por dicha sinapsis (se suele represen-
El peso sináptico o peso de la conexión es uno
tar la sinapsis inhibidora mediante puntos
de los conceptos más importantes en las redes, y
negros).
ello por varias razones: En primer lugar porque
los cómputos de la red tienen que ver esencial-
Sinapsis excitadora: En este tipo de
PHQWHFRQHOORVHQVHJXQGROXJDU\FRQFUHWDQ-
conexión el impulso transmitido por una
GR OD D¿UPDFLyQ DQWHULRU SRUTXH ORV FiOFXORV
neurona excita la activación de la neuro-
que el sistema realiza a partir de la información
na con la que está conectada: si la neuro-
de entrada para dar lugar a la información de sa-
na k está conectada mediante una sinapsis
OLGDVHEDVDQHQGLFKRVSHVRV\HQWHUFHUOXJDU
excitadora con la neurona j, el nivel de ac-
porque en cierto modo (como veremos) son el
tivación de la unidad j aumentará si le lle-
análogo a las representaciones de los objetos en
ga información por dicha conexión desde
los modelos cognitivos tradicionales.
la neurona k, y lo hará en función del peso
de la conexión y de la magnitud de la se-
Una sinapsis es fuerte, o tiene un gran peso
66
Figura 3
Tipos de sinapsis
de conexión, si la información por ella recibi-
la neurona j recibe la información que la neu-
da contribuye en gran medida en el nuevo es-
rona k emite, pero habitualmente se designa por
tado que se produzca en la neurona receptora, y
WMN o wMN (del inglés weight, peso). Dado que en
es débil en caso contrario. Los pesos sinápticos
ocasiones es importante representar mediante un
son valores numéricos, se expresan en términos
vector la totalidad de los pesos correspondientes
numéricos sencillos (generalmente números en-
a las conexiones de varias neuronas con una sali-
teros o fraccionarios negativos o positivos) con
da, y que se reserva para dicho vector correspon-
los que “se ponderan” las señales que reciben
diente al peso la “W” mayúscula, cuando nos re-
por dicha sinapsis.
ferimos al peso correspondiente a una conexión
parece más adecuado utilizar la “w” minúscula.
En la literatura sobre redes, encontramos
ligeras variantes en la notación utilizada para
En los modelos conexionistas el conocimien-
representar el peso sináptico de una conexión
to que la red alcanza a partir del aprendizaje se
entre la neurona k y la neurona j, de modo que
representa mediante el llamado patrón de co-
Figura 4
0RGHORGHQHXURQDGH5RVHQEODWWFRQHVSHFL¿FDFLyQGHIXQFLRQHV
67
nexión. Este patrón determina el modo de proce-
la unidad k inhibe a la unidad j (la conexión es
samiento de las señales y la respuesta del sistema
inhibitoria). Si el número correspondiente a w es
DQWHFXDOTXLHUHQWUDGDOD)LJXUDHVSHFL¿FDODV
VLJQL¿FDTXHODXQLGDGk no está conectada a la
IXQFLRQHVHQHOVHQRGHXQDQHXURQDDUWL¿FLDO
unidad j (www.torredebabel.com).
En los modelos más simples, la entrada total
Aunque existen varios modelos para expresar
correspondiente a cada unidad depende esencial-
el procesamiento conexionista de la información,
mente de los valores de entrada y de los pesos
básicamente, podrían ser aglutinados en dos: las
que ponderan el modo en que dichos valores
redes secuenciales y las redes no-secuenciales.
colaboran en la entrada total. Por ello, en estos
modelos, el patrón de conexión es simplemente
Las redes no-secuenciales, o redes puramente
el conjunto de pesos correspondientes a cada una
paralelas, son aquellas que asocian una represen-
GHODVFRQH[LRQHVGHODUHGORVSHVRVSRVLWLYRV
tación en su capa input con una representación
indicarán entradas excitatorias y los negativos,
en su capa output que se generaliza a nuevas si-
entradas inhibitorias (Figura 5). Para representar
tuaciones. Esta memoria semántica puede ser el
el patrón de conexión, se utiliza una matriz de
residuo del solapamiento de trazas episódicas,
pesos W, en donde cada uno de los elementos de
puesto que, en los modelos conexionistas, el co-
la matriz (representado como wMN) indica el peso
nocimiento se almacena en las conexiones entre
correspondiente a la conexión de la unidad k y la
unidades de procesamiento.
unidad j. En este caso, el número correspondiente a w representa la intensidad o fuerza de la co-
Las redes secuenciales son aquellas en las que
QH[LyQ\HOVLJQRR±LQGLFDVLODXQLGDGk ex-
solo existe un patrón input. En estos sistemas,
cita a la unidad j (la conexión es excitatoria) o si
la red detecta regularidades en la distribución
Figura 5
Representación del patrón de conexión
68
de elementos (objetos, situaciones, etc.) encaja-
el marco de las redes neuronales conexionistas,
dos entre sí (por ejemplo, letras en palabras y
aunque, de todos modos, pueden considerarse
palabras en oraciones). Desde un punto de vista
como un caso especial de 3), puesto que el cam-
psicológico (Elman, 1988), estas redes parecen
bio de la fuerza de conexión de cero a algún otro
más plausibles que las anteriores. Este tipo de
valor, sea positivo o negativo, tiene un efecto
red puede tener una doble tarea:
similar al hecho de desarrollarse una nueva co-
a. Extraer información estructural contenida en
QH[LyQ\DODLQYHUVDVLHPSUHTXHVHPRGL¿TXH
los elementos, y
b. Extraer información estructural sobre el me-
la fuerza de conexión situándola en cero es como
VL VH SHUGLHVH XQD FRQH[LyQ H[LVWHQWH (Q GH¿nitiva, el aprendizaje en las redes conexionistas
dio.
FRQVLVWH HQ OD PRGL¿FDFLyQ GH ODV LQWHQVLGDGHV
Algo similar ocurre cuando una red procesa
inputs con una estructura común.
GHODVFRQH[LRQHVODVUHJODVGHDSUHQGL]DMHQR
son otra cosa que las reglas o procedimientos
para cambiar los pesos sinápticos o pesos de las
Una red conexionista es capaz de extraer los
conexiones (Raimínguez, 2009).
chunks (frames, scripts, etc.) de conocimiento
compartidos por varios elementos.
En la vida de la red, se suelen distinguir dos
periodos o fases: durante la fase de aprendiza-
El aprendizaje conexionista
MH VH OD HQWUHQD SDUD TXH PRGL¿TXH VXV SHVRV
En las redes neuronales, se dice que la red
sinápticos hasta que su respuesta ante los patro-
aprende cuando es capaz de ofrecer ante un de-
nes de entrada sea correcta. En la fase de funcio-
terminado patrón de entrada el correspondiente
namiento real o fase de ejecución, la red ya es
patrón de salida. Esta capacidad para empare-
operativa y sus pesos sinápticos no volverán a
jar adecuadamente los vectores de entrada y los
VHUPRGL¿FDGRV$ORFXUULUHVWR~OWLPRODUHG\D
vectores de salida lo consigue la red mediante la
se puede utilizar en la tarea para la que ha sido
PRGL¿FDFLyQ GH ORV SDWURQHV GH LQWHUFRQH[LyQ
diseñada.
Las redes neuronales biológicas realizan estas
PRGL¿FDFLRQHVSRUPHGLRGHORVVLJXLHQWHVSUR-
Existen varios modelos de aprendizaje, sien-
cedimientos:
do los principales el supervisado, el no supervi-
(OGHVDUUROORGHQXHYDVFRQH[LRQHV
sado y el reforzado.
/DSpUGLGDGHODVFRQH[LRQHVH[LVWHQWHV
/DPRGL¿FDFLyQGHODIXHU]DGHODVFRQH[LRnes que ya existen.
Aprendizaje supervisado: En este modelo
existe un agente externo (supervisor o maestro) que controla el proceso de aprendizaje de la
Los aspectos 1 y 2 han sido poco tratados en
red. La red debe relacionar dos fenómenos (X e
69
Y) mediante la presentación de un conjunto de
pocos o muchos ciclos para el aprendizaje. La
ejemplos (x1, y1), (x2, y2), ..., (xn, yn). En esta for-
fase de aprendizaje termina cuando los pesos
mulación, “X” representa las entradas e “Y”, las
se estabilizan o convergen en unos valores óp-
salidas requeridas. Se llama “juego de ensayo” al
timos. En tal caso, la red consigue responder
conjunto formado por las parejas anteriores: “pa-
correctamente a todas las presentaciones de los
trón de estímulos-respuesta deseada”. En algu-
patrones estimulares del juego de ensayo. Aun-
nos casos, no hay ninguna duda en cuanto a los
que el ideal de aprendizaje es alcanzar el cien
elementos que deben componer dicho juego de
por cien de aciertos, se considera que concluye
ensayo puesto que se conocen perfectamente to-
cuando se minimizan razonablemente los errores
dos los patrones que la red debe reconocer y sus
ante el conjunto de ejemplos presentados.
salidas correspondientes (esto ocurre, por ejemplo con el uso del perceptrón para el cómputo
GHODVIXQFLRQHVOyJLFDVSHURHQODPD\RUtDGH
los casos, no ocurre así, por lo que es preciso
tener mucho cuidado en la elección del juego
de ensayo y tratar de incluir en él los patrones
más representativos del problema o fenómeno
que se intenta computar. El maestro presenta a
la red una entrada x y la red produce una salida Oi. Normalmente esta salida no coincide con
la salida requerida, por lo que el maestro debe
calcular el error de salida, ei = e(Oi, Yi) y proFHGHUDODPRGL¿FDFLyQGHORVSHVRVXWLOL]DQGR
alguna regla de aprendizaje con la intención de
aproximar la salida obtenida a la salida deseada.
Aprendizaje no supervisado: En este tipo de
aprendizaje, no existe ningún agente externo que
YD\D PRGL¿FDQGR ORV SHVRV VLQiSWLFRV HQ IXQFLyQGHODFRUUHFFLyQGHODVDOLGDGHODUHGODUHG
no compara su respuesta efectiva con la salida
FRUUHFWDSXHVWRTXHQRVHOHHVSHFL¿FDFXiOKDGH
ser dicha salida correcta. Con este aprendizaje
se busca que la red se autoorganice y encuentre
por sí misma características, regularidades, correlaciones o categorías en los datos de entrada.
En el aprendizaje no supervisado, es necesario
presentar un mayor número de patrones de entrada y utilizar reglas de aprendizaje diferentes a
ODVTXHQRVVLUYHQSDUDHOFDVRDQWHULRUDGHPiV
las arquitecturas de las redes suelen ser distintas
7UDV HVWD PRGL¿FDFLyQ VH SUHVHQWD HO VLJXLHQWH
(por ejemplo, muchas de ellas tienen dos capas).
patrón del juego de ensayo y se procede de la
El modelo que comentamos tiene mucha impor-
misma manera. Cuando se termina con el últi-
tancia para los sistemas biológicos pues es evi-
mo patrón del juego de ensayo, se debe empezar
dente que la cantidad de habilidades aprendidas
GHQXHYRSXHVORVSHVRVVHKDQPRGL¿FDGR\HV
con la ayuda de un “profesor” es muy inferior a
preciso comprobar que la red responde adecua-
la que se aprende “espontáneamente”. Un ejem-
damente. A cada uno de los pasos completos del
plo destacado son los mapas autoorganizados
MXHJRGHHQVD\RVHOHOODPDFLFORGHSHQGLHQGR
620 R UHGHV GH .RKRQHQ \ ODV UHGHV
de la complejidad del problema, serán precisos
de Grossberg (2010).
70
Aprendizaje reforzado: En cierto modo es
al peso. En la década de 1980, se hizo popular el
una variante del aprendizaje supervisado pues
algoritmo de retropropagación, que es probable-
también utiliza un supervisor que examina las
mente el algoritmo conexionista de descenso de
VDOLGDVGHOVLVWHPDVLQHPEDUJRHQHODSUHQGL-
gradiente más conocido en la actualidad.
zaje reforzado, no se dispone de salidas deseadas
precisas por lo que tampoco es posible computar
Conexionismo y educación
el error para cada una de las unidades de salida.
Como acabamos de ver, la psicología cogniti-
El supervisor valora el comportamiento global
va, en general, y el conexionismo, en particular,
de la red mediante un criterio y en función de
han hecho un gran esfuerzo durante décadas por
pO PRGL¿FD ORV SHVRV PHGLDQWH XQ PHFDQLVPR
entender cómo se representa el conocimiento so-
de probabilidades. Para ilustrar la diferencia en-
bre el mundo y cómo operan los procesos cog-
tre este tipo de aprendizaje y el supervisado se
nitivos que se basan en él. Las distintas teorías
suele indicar que, en el reforzado, el supervisor
sobre la representación del conocimiento y de
se comporta como un crítico (que opina sobre
los procesos cognitivos han dedicado una parte
la respuesta de la red) y no como un maestro
importante de este esfuerzo al campo educati-
(que indica a la red la respuesta concreta que
vo y, en concreto, al aprendizaje escolar, ya que
debe generar), mientras que en el supervisado
procesos como el aprendizaje, la comprensión y
el supervisor se comporta como un maestro. En
la memoria componen una parte esencial de la
el aprendizaje reforzado, los algoritmos son más
maquinaria constructiva que da sentido al mun-
complejos que en el supervisado y el tamaño de
do que nos rodea y que permite relacionar todo
las muestras superior. Uno de los algoritmos más
lo nuevo con el conocimiento existente. Estos
conocidos para este tipo de aprendizaje es el al-
procesos tienen un protagonismo indiscutible en
goritmo asociativo con recompensa y penaliza-
los escenarios instruccionales porque están muy
ción, presentado por Barto y Anandan (1985).
LPSOLFDGRVHQODPRGL¿FDFLyQ\WUDQVIRUPDFLyQ
del conocimiento que se produce como conse-
Para formalizar el aprendizaje, concebido de
cuencia de la participación de las personas en
esta manera, los conexionistas tienen muchas
situaciones de enseñanza y aprendizaje (Rodrigo
herramientas. Una estrategia muy común de los
y Correa, 2004).
métodos conexionistas de aprendizaje es la incorporación del descenso de gradiente sobre una
La importancia de los modelos de represen-
VXSHU¿FLHGHHUURUHQXQHVSDFLRGH¿QLGRSRUOD
tación del conocimiento y de los procesos cog-
matriz de pesos. Todo el aprendizaje por descen-
nitivos en los escenarios académicos ha determi-
so de gradiente en los modelos conexionistas im-
nado que numerosos investigadores vayan más
plica el cambio de cada peso mediante la deriva-
allá del análisis crítico de las teorías cognitivas,
GDSDUFLDOGHODVXSHU¿FLHGHHUURUFRQUHVSHFWR
para vislumbrar las aplicaciones e implicaciones
71
de estas en el ámbito de la educación escolar.
los procesos de enseñanza y aprendizaje», una
Esta situación no ha sido ajena a los estudiosos
posible cuestión a la que deben responder es la
GHO FRQH[LRQLVPR 6FKQHLGHU \ *UDKDP de determinar la verdad o falsedad del siguiente
Snowling, 1998) y su acción se ha extendido
enunciado: El proceso de interacción entre igua-
a diversos campos educativos como ortogra-
les posibilita una mejor construcción de los sig-
fía (Berninger et al., 2000), lectura (Foorman,
QL¿FDGRV JUDFLDV DO SDSHO TXH MXHJDQ WDQWR HO
1994), lengua (Mellow, 2004), física (Campana-
FRQÀLFWRVRFLRFRJQLWLYRFRPRODFRQVWUXFFLyQ
rio, 2004) o matemáticas (Raftopoulos y Cons-
guiada del conocimiento que se establece entre
tantinou, 2004), incluido el aprendizaje en red
los participantes. Nuestros estudiantes suelen
*ODVVPDQ\.DQJ
decir que esta proposición es «verdadera» y el
error puede deberse a la interferencia que ejer-
Simulación de un proceso de aprendizaje
cen conocimientos inadecuados, a la ausencia de
en Psicología mediante un modelo conexionis-
conexiones entre los esquemas que soportan las
ta
teorías explicativas, y/o a la falta de activación
A continuación, presentamos la simulación
de ideas previas que no han sido consideradas
de un modelo basado en nuestra experiencia do-
relevantes para la solución del problema (Figura
cente en las materias de Psicología de la Educa-
6).
ción y Psicología de la Instrucción.
Pongamos que, por ejemplo, un alumno ha
En las pruebas de estas disciplinas que los
determinado que las teorías que pueden dar
alumnos deben realizar para comprobar el ni-
FXHQWD GH HVWD D¿UPDFLyQ VRQ ODV WHRUtDV GH
vel de comprensión alcanzado en el tema so-
3LDJHW \9LJRWVN\ WHQGUHPRV HQ FXHQWD TXH OD
bre «Variables interpersonales implicadas en
Psicología de la Educación y la Psicología de la
Figura 6
Activación de las teorías
72
Instrucción pertenecen al Departamento de Psi-
construcción errónea o incompleta que hace que
cología Evolutiva y de la Educación) e ignora
los esquemas, en palabras de Piaget (1978), se
las aportaciones que Deutsch puede efectuar
HQFXHQWUHQ LQVX¿FLHQWHPHQWH DOLPHQWDGRV 3RU
desde su teoría de la cooperación y la compe-
ejemplo, existe una tendencia bastante común
tición (Departamento de Psicología Social). Si
entre los alumnos universitarios a considerar las
considera solo las aportaciones de la Escuela de
WHRUtDV GH 3LDJHW \ 9LJRWVN\ FRPR LQFRPSDWL-
*LQHEUDKLSyWHVLVGHOFRQÀLFWRVRFLRFRJQLWLYR
bles y mutuamente excluyentes, de manera que
y de la Escuela Histórico-cultural Soviética (ley
toman como base explicativa una de las dos teo-
de doble formación), tal vez no perciba que esa
rías, incluso cuando los datos empíricos denie-
solución únicamente es verdadera en una situa-
gan alguno de los postulados básicos sobre los
ción de aprendizaje cooperativo (rara vez en una
que se asientan (Figura 7).
situación de aprendizaje individualista y nunca
en una situación de aprendizaje competitivo) en
Esta situación nos conduce al tercer tipo de
la que, por su propia naturaleza, existe una in-
errores, que se encuentra larvado en los dos an-
terdependencia positiva de objetivos, con lo que
WHULRUHVSHURTXHWLHQHXQHVWDWXVHVSHFt¿FRORV
estaríamos ante lo que hemos denominado erro-
errores debidos a la ausencia de conexiones en-
res por falta de activación de ideas previas, es
tre esquemas. Estos errores, que han sido denun-
decir, la ‘fuerza’ con la que ejercen su presencia
FLDGRV HQ HO LQIRUPH '(6(&2 'H¿QLWLRQ DQG
ODVWHRUtDVGH3LDJHW\9LJRWVN\LPSLGHODDFWLYD-
Selection of Competences), parten de la base de
ción de otras teorías relevantes para el problema
XQDPDODSODQL¿FDFLyQGHODVGLVFLSOLQDVGHXQD
(ver Figura 7, donde los trazos discontinuos re-
titulación que, tradicionalmente, ha venido bus-
presentan conexiones negativas y los continuos
FDQGR HO ORJUR GH FRPSHWHQFLDV HVSHFt¿FDV GH
conexiones positivas).
materia y no el logro de competencias de profesión. De esta manera, el profesor de una dis-
Algunas veces, esos errores tienen su base
ciplina se ha preocupado en diseñar el proceso
en interferencias cognitivas motivadas por una
instruccional con el objetivo de que los alumnos
Figura 7
Patrones activación y desactivación de las teorías
73
Figura 8
Confrontación de teorías
alcancen un dominio adecuado de los contenidos
incapaces de ‘conectar’ los contenidos de las
de su disciplina (diseños logocéntricos), olvi-
distintas disciplinas, sino que no conectan los
dando que el alumno no debe ser un experto en
contenidos de una misma área de conocimien-
una materia sino en una profesión, es decir, no
to y ni siquiera los de una misma materia. Esto
se trata de formar a un alumno con un amplio
se debe a que se dedica muchísimo más tiempo
dominio en, pongamos por ejemplo, Psicología
a «estudiar» teorías que a «confrontar» teorías.
de la Educación, sino formar un pedagogo com-
Veámoslo en la línea del ejemplo que estamos
petente, un maestro competente o un psicólogo
PDQHMDQGR\VLPSOL¿FDQGRDOPi[LPRODVLWXD-
competente. De modo que los contenidos de la
FLyQFRQODVWHRUtDVGH3LDJHW\9LJRWVN\
disciplina deben ser adaptados a las necesidades profesionales (diseños por competencias).
La primera teoría (Piaget) consta de tres pos-
(QHVWHVHQWLGRSRGHPRVD¿UPDUTXHHQODHQ-
tulados (uno de ellos, P1-2, es consecuencia de
señanza universitaria (probablemente también
los dos primeros). Esta teoría presenta, además,
en otros niveles educativos), existe una desco-
una hipótesis ad hoc que se introduce para dar
nexión interdisciplinar y, lo que es más grave,
cuenta de un dato particular (Df) que pudiera te-
una desconexión intradisciplinar que conduce a
ner especial importancia y que se deriva de uno
una especie de esquizofrenia semántica en nues-
GHORVSRVWXODGRV/DVHJXQGDWHRUtD9LJRWVN\
tros universitarios: los estudiantes no solo son
consta de dos postulados. Las conexiones po-
74
sitivas se muestran mediante líneas continuas
(Thagard, 1993). Esta coherencia depende tanto
y representan ejemplos de datos que son con-
del número de hechos conocidos y nuevos que
secuencia de los postulados correspondientes o
explican las teorías como de su grado de articu-
que pueden ser explicados por dichos postula-
lación.
dos. Las conexiones negativas representan contradicciones entre datos y postulados debidas,
La idea básica que subyace al enfoque de
por ejemplo, a que alguno de esos datos entra
Thagard es la eliminación, en la representación
HQFRQÀLFWRFRQXQGHWHUPLQDGRSRVWXODGRSDUD
¿QDO GH OD UHG YHFWRU GH DFWLYDFLRQHV GH XQD
evitar que el modelo sea muy farragoso no se
información por otra con la que la primera está
muestran las conexiones negativas entre los pos-
conectada negativamente. Esta es quizá la apli-
tulados de las distintas teorías que, lógicamente,
cación más evidente e inmediata del tipo de red
tienden a desactivarse entre sí).
que estamos estudiando y es una de las posibilidades más fructíferamente explotadas. De he-
El cambio conceptual (entendido como el
paso de un conjunto de ideas alternativas, casi
siempre inadecuadas, a un conjunto de concep-
cho, suele ser el ejemplo típico que se propone
en los libros de texto introductorios (Rumelhart
y McClelland, 1986).
ciones más acordes con las comúnmente admitiGDVSRUORVFLHQWt¿FRVKDVLGRXQRGHORVREMHWLvos tradicionales de la enseñanza (Marín, 1999).
El cambio conceptual se inspira en el cambio
GHVGH XQD WHRUtD FLHQWt¿FD D RWUD ELHQ GLVWLQWD
o bien integradora de teorías previas, y es un
SURFHVRELHQHVWXGLDGRHQ¿ORVRItDGHODFLHQFLD
(Campanario, 2002). Un modelo sencillo, como
el que estamos utilizando en este trabajo, puede
ayudarnos a entender el papel de las explicacio-
En nuestro ejemplo, como se pretende evitar
que una teoría «derrote» a otra, se establecerá
XQD FDQWLGDG ¿MD GH FRQH[LyQ LQWHUQD SDUD DPEDVWHRUtDVGHPDQHUDTXHHVWDFDQWLGDG¿MDVH
«reparta» entre los postulados que las componen
(el modelo es muy simple y solo representa uno
de los muchos posibles dentro del marco general
conexionista).
QHV\ODVHYLGHQFLDVFLHQWt¿FDVHQHOSURFHVRGH
integración de teorías. Thagard ha analizado el
En este sentido, el modelo conexionista es un
cambio conceptual considerando las condiciones
buen simulador para determinar cómo se puede
JOREDOHVGHFRKHUHQFLDGHODVWHRUtDVFLHQWt¿FDV
llevar a cabo el establecimiento de nuevas co-
El elemento más llamativo del enfoque de Tha-
nexiones entre esquemas y/o conocimientos pre-
gard es el uso que hace del formalismo mate-
vios. Compliquemos algo más la situación. Ima-
mático de redes neuronales para implementar la
ginemos que el conocimiento de una teoría parte
coherencia global de las teorías en competencia
del dominio de diez postulados básicos (nodos)
75
y la otra teoría de tres. La matriz de conexiones
Tabla 2
(Tabla 2) representa el conocimiento del alum-
Matriz de conexiones
no relativo al dominio de ambas teorías que, en
principio, parecen sin relación (Postulados 1-7 y
8-10). Los valores de la matriz corresponden a
las conexiones de nodos entre sí: el valor 0 hace
referencia a ausencia de conexión entre nodos,
los valores positivos (conexiones positivas) a la
conexión de un nodo con otro o consigo mismo
(si existieran valores negativos indicarían que
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P1
1
1
0
0
0
0
0
0
0
0
P2 P3
1 0
1 1
1 1
0 1
0 0
0 0
0 1
0 0
0 0
0 0
P4 P5 P6
0 0 0
0 0 0
1 0 0
1 1 1
1 1 0
1 0 1
0 0 0
0 0 0
0 0 0
0 0 0
P7
0
0
1
0
0
0
1
0
0
0
P8
0
0
0
0
0
0
0
2
1
0
P9 P10
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2
1
1
2
GRVFRQFHSWRVSUHVHQWDQVLJQL¿FDGRVFRQWUDULRV
por lo que la utilización de uno desactivaría al
otro).
caso 1 x 10-7).
Los resultados serían los siguientes:
Con una sencilla simulación matemática, podemos comprobar que si se activa cualquier elemento de alguno de los dos dominios de conocimientos, solo se activan los elementos correspondientes a ese dominio. En efecto, siguiendo
Vector inicial [1, 0, 0, 0, 0, 0, 0, 0, 0, 0]
9HFWRU ¿QDO > .00, .00, .00]
La interpretación de los resultados es muy
simple: por más que insistamos en activar un es-
HOPRGHORSURSXHVWRSRU.LQWVFKSHUPL-
quema determinado (bloque superior izquierdo),
tiremos que la activación se propague. Para ello,
si no existe relación con la otra teoría (bloque
elegiremos un vector columna de activaciones
inferior derecho), resulta imposible que esta se
con todos los componentes con el mismo valor
active.
(1/n), con lo que, en nuestro caso, el vector de
Tabla 3
0DWUL]GHFRQH[LRQHVPRGL¿FDGD
activación tendría todos sus componentes iguales a 0’1. A continuación multiplicamos repetidamente la matriz de conexiones por el vector
de activaciones (normalizando7 el vector en
cada iteración), deteniendo el proceso cuando
GRVYHFWRUHVVXFHVLYRVGL¿HUHQHQWUHVtHQXQD
cantidad criterio elegida previamente (en nuestro
7
La normalización se efectúa haciendo que la suma de los
componentes del vector de activaciones sea igual a 1.
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P1
1
1
0
0
0
0
0
0
0
0
P2
1
1
1
0
0
0
0
0
0
0
P3
0
1
1
1
0
0
1
0
0
0
P4 P5 P6
0 0 0
0 0 0
1 0 0
1 1 1
1 1 0
1 0 1
0 0 0
0 0 0
0 0 1
0 0 0
P7 P8 P9 P10
0 0 0
0
0 0 0
0
1 0 0
0
0 0 0
0
0 0 0
0
0 0 1
0
1 0 0
0
0 2 1
0
0 1 2
1
0 0 1
2
76
Ahora bien, si, por efecto del aprendizaje, se
un enfoque de red neuronal que destacó el ca-
establece una conexión entre postulados de am-
rácter paralelo del procesamiento neuronal, y la
bas teorías (por ejemplo, P6 y P9), la activación
naturaleza distribuida de las representaciones
de un nodo cualquiera conduce a la activación de
neuronales. Dicho enfoque proporciona a los in-
todos los nodos, vía conexiones indirectas.
vestigadores un marco matemático general en el
que operar. Dicho marco implica ocho aspectos
Vector inicial [1, 0, 0, 0, 0, 0, 0, 0, 0, 0]
principales:
9HFWRU ¿QDO > 8QFRQMXQWRGHunidades de procesamiento,
.18, .30, .18]
representadas por un conjunto de números
enteros.
A pesar de su simplicidad, este modelo nos
8QDactivación para cada unidad representa-
permite interpretar, tanto el caso de la reconcilia-
da por un vector de funciones dependientes
ción integradora propuesto por Ausubel (1960),
del tiempo.
como el de los dos niveles superiores de equili-
8QDfunción de activación para cada unidad,
bración propuestos por Piaget (1978). En efecto,
representada por un vector de funciones de
por una parte, al utilizar nodos que representan
activación.
conceptos o proposiciones y conexiones entre
8Q patrón de conectividad entre las unida-
ellos, permite el establecimiento de relaciones
des, representado por una matriz de números
HQWUH GRPLQLRV HQ FRQÀLFWR R DSDUHQWHPHQWH
reales que indica la fuerza de conexión.
sin relación (reconciliación integradora). Por
8QD regla de propagación que extienda las
otra parte, la necesidad de asegurar una equili-
activaciones a través de las conexiones, re-
bración en las interacciones entre subsistemas
presentada por una función de salida de las
(teorías particulares) y entre estas y un modelo
unidades.
general que las engloba, posibilita, por un lado
8QD regla de activación para combinar las
la conservación de las teorías particulares y, por
entradas a una unidad y determinar su nueva
otro, su integración en un sistema de conjunto
activación, representada por una función de
de carácter paradigmático (i.e. teorías construc-
activación actual y de propagación.
WLYLVWDVļSDUDGLJPDFRQVWUXFWLYLVWD
8QDregla de aprendizajeSDUDPRGL¿FDUODV
conexiones, basada en la experiencia y repre-
A modo de conclusión: Procesamiento serial de la información versus procesamiento
distribuido en paralelo
sentada por un cambio en los pesos sobre la
base de cualquier número de variables.
8Qentorno que provee al sistema de la expe-
El enfoque conexionista que prevalece hoy
riencia, representado por conjuntos de vecto-
en día fue originalmente conocido como Pro-
res de activación para algunos subconjuntos
cesamiento Distribuido en Paralelo (PDP) y es
de unidades.
77
Tras la lectura de este breve trabajo, se puede
buido en paralelo (PDP) hace la simula-
apreciar el contraste entre dos posibles formas
ción mediante arquitecturas semejantes a
de hacer psicología cognitiva (procesamiento
las del cerebro.
serial de la información y procesamiento distribuido en paralelo) y se pueden esbozar algunas
El PSI propone un sistema basado en la
semejanzas y diferencias entre ambos enfoques.
lógica y un sistema de reglas que imponen
restricciones semánticas y sintácticas para
Parece claro que un primer punto común es
realizar los cómputos (como ocurre en los
la referencia a la computación: ambas teorías
programas de ordenador de la Inteligencia
entienden la mente como un sistema que pro-
$UWL¿FLDO WUDGLFLRQDO HO FRQH[LRQLVPR
cesa información y responde al medio a partir
sin embargo utiliza herramientas matemá-
de dicho procesamiento. Pero ni siquiera en este
ticas para la realización de los cómputos
punto, que sin duda es el que da continuidad a las
que se supone realiza nuestra mente.
dos corrientes, se da el acuerdo:
La psicología cognitiva clásica entien-
El objetivo del PSI es el descubrimien-
de el procesamiento como la aplicación de
to de las reglas que rigen los procesos
un conjunto de reglas a entidades situadas
mentales y de los elementos o estructuras
en el mundo real (entidades reconocibles).
EiVLFDVGHOSURFHVDPLHQWRKXPDQRHOGHO
Sin embargo, el conexionismo entiende
PDP, es el descubrimiento de redes ade-
el procesamiento como el cálculo de las
cuadas para la simulación de tareas ca-
señales de salida a partir de los cómpu-
racterísticamente mentales y de reglas de
tos que realizan las unidades de la red en
DSUHQGL]DMHH¿FLHQWHV
función de los pesos de las conexiones y
de ciertas funciones matemáticas que de-
Otro contraste que se suele destacar es
terminan la activación de dichas unidades
HOTXHVHUH¿HUHDODSUHQGL]DMHORVPRGH-
y las salidas correspondientes a cada una
los clásicos rechazan el asociacionismo y
de ellas.
tienden a defender posiciones más innatistas, el conexionismo parece una vuelta
Las dos teorías proponen el uso de
al asociacionismo (las redes neuronales
la simulación por ordenador para la com-
no son otra cosa que asociaciones entre
probación de las hipótesis relativas a los
unidades). Y, puesto que las redes comien-
procesos mentales, pero mientras que el
zan el aprendizaje con pesos establecidos
Procesamiento Serial de la información
aleatoriamente, el conexionismo tiende
(PSI) propone la simulación en el ordena-
a defender la idea de la mente como una
dor convencional, el procesamiento distri-
“tabula rasa”, siendo la experiencia, el
78
ambiente en el que se desenvuelve la red,
ques. Durante su desarrollo, algunos investiga-
y no factores innatos, lo que provoca la
dores han argumentado que el conexionismo y
aparición de los pesos adecuados para el
la IA convencional son totalmente compatibles,
procesamiento y el almacenamiento de la
aunque no se ha alcanzado un consenso pleno
información.
sobre esta cuestión. Las diferencias entre los dos
enfoques más citados son las siguientes:
Mientras el conexionismo se hacía cada vez
(Q ,$ FRQYHQFLRQDO VH SODQWHDQ PRGHORV
más popular en la década de 1980, hubo una reac-
simbólicos que no se asemejan en nada a la
ción contraria por parte de algunos investigado-
estructura cerebral subyacente, mientras que
UHV LQFOX\HQGR D -HUU\ )RGRU 6WHYHQ 3LQNHU \
en conexionismo se aborda un modelado de
otros, que argumentaban que el conexionismo,
“bajo nivel”, tratando de asegurar que los
tal y como se estaba desarrollando, corría el pe-
modelos se asemejen a estructuras neurológi-
ligro de olvidar lo que veían como los progresos
cas.
realizados por el enfoque clásico de la Inteligen-
/D ,$ FRQYHQFLRQDO VH FHQWUD JHQHUDOPHQWH
FLD$UWL¿FLDO ,$ HQ ORV FDPSRV GH OD FLHQFLD
en la estructura de símbolos explícitos (mo-
FRJQLWLYD\OD3VLFRORJtD/D,QWHOLJHQFLD$UWL¿-
delos mentales9) y reglas sintácticas para su
cial convencional argumenta en este sentido que
manipulación a nivel interno, mientras que
la mente opera mediante la realización de ope-
los conexionistas se centran en el aprendizaje
raciones simbólicas puramente formales, como
mediante estímulos procedentes del medio y
8
una máquina de Turing . Algunos investigadores
en el almacenamiento de esta información en
señalaron que la tendencia hacia el conexionis-
forma de conexiones entre neuronas.
PRHUDXQHUURU\DTXHVLJQL¿FDEDXQDUHYHUVLyQ
/RV SDUWLGDULRV GH OD ,$ FRQYHQFLRQDOFUHHQ
hacia el asociacionismo y el abandono de la idea
que la actividad mental interna consiste en la
de un lenguaje del pensamiento. Por el contrario,
manipulación de símbolos explícitos, mien-
estas tendencias hicieron que otros investigado-
tras que los conexionistas creen que la mani-
res fueran atraídos hacia el conexionismo.
pulación de símbolos explícitos es una representación muy pobre de la actividad mental.
El conexionismo y la IA convencional no
/RVSDUWLGDULRVGHOD,$FRQYHQFLRQDODPH-
tienen porqué ser excluyentes, pero el debate, a
nudo plantean subsistemas simbólicos de do-
¿QDOHVGHODGpFDGDGH\SULQFLSLRVGHODGH
PLQLR HVSHFt¿FR GLVHxDGRV SDUD DSR\DU HO
1990, condujo a la oposición entre los dos enfo-
DSUHQGL]DMH HQ iUHDV HVSHFt¿FDV GHO FRQRFL-
8
Una máquina de Turing (MT) es un modelo computacional que
realiza una lectura/escritura de manera automática sobre
una entrada llamada cinta, generando una salida en esta misma
cinta.
9
Un modelo mental es un mecanismo del pensamiento mediante
el cual un ser humano, u otro animal, intenta explicar cómo
funciona el mundo real. Es un tipo de símbolo interno o
representación de la realidad externa.
79
miento (por ejemplo, lenguaje, intencionali-
este desarrollo relativamente reciente aún no ha
dad, números), mientras que los conexionis-
alcanzado un consenso aceptable entre aquellos
tas postulan uno o un pequeño conjunto de
que trabajan en otros campos, tales como la psi-
mecanismos de aprendizaje muy generales.
FRORJtDROD¿ORVRItDGHODPHQWH
A pesar de estas diferencias, algunos teóricos
Parte del atractivo de las descripciones de
han propuesto que la arquitectura conexionista
la IA convencional radica en que son relativa-
es simplemente la forma en que el sistema de
mente fáciles de interpretar, y por lo tanto pue-
manipulación de símbolos es implementado en
den ser vistas como una contribución a nuestra
el cerebro orgánico. Esto es en gran medida lógi-
comprensión de determinados procesos menta-
co, pues se sabe que los modelos conexionistas
les, mientras que los modelos conexionistas son
pueden implementar sistemas de manipulación
por lo general más oscuros, en la medida en que
de símbolos del tipo de los utilizados en los mo-
solo se pueden describir en términos muy gene-
delos de la IA convencional. De hecho, esto debe
UDOHV HVSHFL¿FDQGR DOJRULWPRV GH DSUHQGL]DMH
de ocurrir así, al ser uno de los propósitos de los
número de unidades, etc.) o en términos de bajo
sistemas conexionistas el explicar la capacidad
QLYHOTXHGL¿FXOWDQODFRPSUHQVLyQGHORVSURFH-
humana para realizar tareas de manipulación de
sos cognitivos. En este sentido, los modelos co-
símbolos. La cuestión reside en si esta manipu-
nexionistas pueden aportar datos para una teoría
lación de símbolos es la base de la cognición en
general del conocimiento sin que ello represen-
general. Sin embargo, las descripciones compu-
te una teoría útil del proceso particular que está
tacionales pueden ser útiles descripciones de la
siendo modelado. El debate podría considerarse
cognición de alto nivel, por ejemplo, de la lógica.
HQFLHUWDPHGLGDXQPHURUHÀHMRGHODVGLIHUHQcias en el nivel de análisis en el que se enmarcan
El debate sobre si las redes conexionistas
las teorías particulares.
eran capaces de producir la estructura sintáctica
observada en razonamientos de tipo lógico fue
La reciente popularidad que han adquirido
tardío, y el hecho de que los procedimientos uti-
ORVVLVWHPDVGLQiPLFRVHQ¿ORVRItDGHODPHQWH
lizados eran muy improbables en el cerebro, hizo
debido fundamentalmente a las publicaciones de
que la controversia persistiera. Hoy en día, los
autores como Tim van Gelder (Port y Van Gel-
DYDQFHV GH OD QHXUR¿VLRORJtD \ GH OD FRPSUHQ-
GHU 9DQ *HOGHU KD DxDGLGR XQD
sión de las redes neuronales han llevado a la ela-
nueva perspectiva al debate. De ahí que, en el
boración de modelos que han tenido éxito en la
momento actual, muchos autores argumentan
superación de gran número de aquellos primeros
que cualquier división entre el conexionismo y
SUREOHPDV3DUDORVQHXURFLHQWt¿FRVODFXHVWLyQ
la IA convencional queda mejor caracterizada
fundamental sobre el conocimiento se ha incli-
como una división entre la IA convencional y
nado a favor del conexionismo. Sin embargo,
los sistemas dinámicos.
80
Nuestra opinión es que PSI y PDP no son
modelos incompatibles. Opinión que está arrai-
las ciencias. Enseñanza de las Ciencias,
22(1), pp. 93-104.
JDQGR HQ OD FRPXQLGDG FLHQWt¿FD GH WDO PRGR
De Vega, M., Díaz, J. y León, I. (1999). Proce-
que empiezan a aparecer modelos conexionistas
samiento del discurso. En M. de Vega y F.
KtEULGRV+HOLH\6XQ0DUFXV6XQ
Cuetos (Eds.), Psicolingüística del espa-
1998). La mayoría de los autores que se mueven
ñol (pp. 271-306). Madrid: Trotta.
en esta línea trabajan con una mezcla de repre-
Elman, J. L. (1988). Finding structure in time.
sentaciones simbólicas y de representaciones
CRL Technical Report 8801, Center for
subsimbólicas (modelos de redes neuronales).
Research in Language, University of California, San Diego.
Referencias
Anderson, J. (1983). The Architecture of Cognition. Cambridge, MA: The MIT Press.
Feldman, J. A. (1985). Connectionist models and
their applications: Introduction. Cognitive
Science, 9, pp. 1-2.
Ausubel, D. P. (1960). The use of advance or-
Foorman, B. R. (1994). The relevance of a con-
ganizers in the learning and retention of
nectionist model of reading for ‘The Great
meaningful verbal material. Journal of
Debate’. Educational Psychology Review,
Educational Psychology, 51, pp. 267-272.
6(1), pp. 25-47.
Ballesteros, S. (1992). La representación del co-
*ODVVPDQ0\.DQJ0-3UDJPDWLVP
nocimiento en los sistemas conexionistas.
connectionism and the internet: A mind’s
Psicothema, 4(2), pp. 343-354.
perfect storm. Computers in Human Be-
Barto, A. G. y Anandan, P. (1985). Pattern re-
havior, 26(6), pp. 1412-1418.
cognizing stochastic learning automata.
Grossberg, S. (2010). Towards building a neural
IEEE Transactions on Systems, Man, and
QHWZRUNV FRPPXQLW\ Neural Networks,
Cybernetics, 15, pp. 360-375.
23, pp. 1135-1138.
%HUQLQJHU9:$EERWW5'%URRNVKHU5
Helie, S. y Sun, R. (2010). Incubation, insight,
/HPRV = =RRN ' \ 0RVWDIDSRXU (
DQG FUHDWLYH SUREOHP VROYLQJ $ XQL¿HG
(2000). A connectionist approach to ma-
theory and a connectionist model. Psy-
NLQJ WKH SUHGLFWDELOLW\ RI (QJOLVK RUWKR-
chological Review, 117(3), pp. 994-1024.
JUDSK\ H[SOLFLW WR DWULVN EHJLQQLQJ UHD-
Iza, M. y Ezquerro, J. (1999). Representación
ders: Evidence for alternative, effective
conexionista y procesamiento del discur-
strategies. Developmental Neuropsycho-
so. Anales de Psicología, 15(2), pp. 303-
logy, 17(2), pp. 241-271.
318.
Campanario, J. M. (2004). El enfoque conexio-
Johnson-Laird, P. N. (1980). Mental model in
nista en psicología cognitiva y algunas
cognitive science. Cognitive Science, 4,
aplicaciones sencillas en didáctica de
pp. 71-115.
81
.LQWVFK : Comprehension: A para-
Quillian, M. R. (1968). Semantic memory. En
digm for cognition. Cambridge: Cambrid-
0 / 0LQVN\ (G Semantic Informa-
ge University Press.
tion Processing (pp. 227-270). Cambrid-
.RKRQHQ7Self-Organizing Maps. New
<RUN1<6SULQJHU
ge, MA: The MIT Press.
Raftopoulos, A. y Constantinou, C. P. (2004).
Marcus, G. F. (2001). The Algebraic Mind. In-
Types of cognitive change: a dynamical,
tegrating Connectionism and Cognitive
connectionism account. En A. Demetriou
Science. Massachusetts: Massachusetts
y A. Raftopoulos (Eds.), Cognitive Deve-
Institute of Technology.
lopmental Change: Theories, Models, and
Marín, N. (1999). Delimitando el campo de aplicación del cambio conceptual. Enseñanza
de las Ciencias, 17, pp. 80-92.
Measurement SS 1HZ <RUN
NY: Cambridge University Press.
Raimínguez, A. (2009). Teorías conexionis-
Mellow, J. D. (2004). Connectionism, HPSG
tas, la nueva Psicología. Recuperado de
Signs and SLA Representations: Spe-
www.conexionismo.com/leer_articulo.
cifying Principles of Mapping between
php?ref=teorias_conexionistas_la_nueva-
Form and Function. Second Language
psicologia-8ygh85|4
Research, 20(2), pp. 131-165.
0LQVN\ 0 / $ IUDPHZRUN IRU UHSUH-
Rivière, A. (1987). El sujeto de la psicología
cognitiva. Madrid: Alianza Editorial.
VHQWLQJ NQRZOHGJH (Q 3 + :LQVWRQ
Rodrigo, M. J. y Correa, N. (2004). Represen-
(Ed.), The Psychology of Computer Vision
tación y procesos cognitivos: esquemas y
SS1HZ<RUN1<0F*UDZ
modelos mentales. En C. Coll, J. Palacios
Hill.
y A. Marchesi (Eds.), Desarrollo psico-
Piaget, J. (1978). La equilibración de las estruc-
lógico y educación 2. Psicología de la
turas cognitivas. Problema central del de-
educación escolar (pp. 117-135). Madrid:
sarrollo. Madrid: Siglo XXI.
Alianza Editorial.
Pons, R. M. y Serrano, J. M. (2011). La adqui-
Rumelhart, D. E. (1989). The architecture of
sición del conocimiento: Una perspectiva
mind: A connectionist approach. En M. I.
cognitiva en el dominio de las matemáti-
Posner (Ed.), The Architecture of Cogni-
cas. Educatio Siglo XXI, 29(2), pp. 117-
tion (pp. 133-156). Cambridge, MA: The
138.
MIT Press.
Port, R. y Van Gelder, T. J. (1995). Mind as
Rumelhart, D. E. y McClelland, J. L. (1986).
Motion: Explorations in the Dynamics of
Parallel Distributed Processing. Explora-
Cognition. Cambridge, MA: MIT Press.
tions in the Microstructure of Cognition.
Pozo, J. I. (2010). Teorías cognitivas del aprendizaje. Madrid: Ediciones Morata.
Vol. 1 y 2. Cambridge, MA: The MIT
Press.
82
6FKDQN5&Dynamic memory. Cambridge: Cambridge University Press.
Schneider, W. y Graham, D. J. (1992). Introduc-
Snowling, M. J. (1998). Connectionism and educational practice: a rejoinder. Educational
and Child Psychology, 15(2), pp. 66-68.
tion to connectionist modeling in educa-
Sun, R. (2008). Introduction to computational
tion. Educational Psychologist, 27(4), pp.
cognitive modeling. En R. Sun (Ed.), The
513-530.
Cambridge Handbook of Computational
Serrano, J. M. (2008). Acerca de la naturaleza
del conocimiento matemático. Anales de
Psicología, 24(2), pp. 169-179.
Serrano, J. M. y Pons, R. M. (2008). La concep-
Psychology SS 1HZ <RUN 1<
Cambridge University Press.
Thagard, P. (1993). Cognitive revolutions. Princeton, NJ: Princeton University Press.
ción constructivista de la instrucción. Re-
Torre de Babel Ediciones (s.f.). Conexionismo.
vista Mexicana de Investigación Educati-
Recuperado de www.e-torredebabel.com/
va, 38, pp. 681-712.
Psicologia/Conexionismo-Elementos-
Serrano, J. M. y Pons, R. M. (2011). El construc-
desuArquitectura.htm
tivismo hoy: Enfoques constructivistas en
Van Gelder, T. J. (1999). Dynamic approaches to
educación. Revista Electrónica de Investi-
FRJQLWLRQ,Q5:LOVRQ\).HLOHG7KH
gación Educativa, 13(1), pp. 1-27.
MIT Encyclopedia of Cognitive Scien-
6PROHQVN\ 3 2Q WKH SURSHU WUHDWPHQW
of connectionism. Behavioral and Brain
ces (pp. 244-246). Cambridge, MA: MIT
Press.
Sciences, 11, pp. 1-74.

Conexionismo e instrucción - Publicaciones

Transcripción

Documentos relacionados

Ser joven y el mundo metalero

festividad de la virgen de la candelaria de puno

Escolares unidad 1 - Los Niños Cuentan