Aprendizaje de relaciones de contingencia y causalidad : hacia un análisis integral del aprendizaje causal desde una perspectiva computacional
Nivel Educativo:
Tipo Documental:
Artículo de revistaEstadísticas:
Ver Estadísticas de usoMetadatos:
Mostrar el registro completo del ítemFecha:
2002Publicado en:
Cognitiva. 2002, v. 14, n. 1; p. 15-43Resumen:
En las dos últimas décadas el estudio del Aprendizaje Causal ha experimentado un gran avance en lo que se refiere a la formulación de modelos que tratan de explicar cómo las personas somos capaces de inferir relaciones de causalidad a partir de la observación de la correlación estadística entre acontecimientos del medio. Muchos modelos reducen la explicación a un algoritmo de cómputo simple. Frente a esa idea mecanicista, se adopta una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisición de conocimiento causal. En otras palabras, se pretende responder a dos preguntas fundamentales: a) ¿qué información es relevante en el aprendizaje de relaciones de causalidad?. y b) ¿ por qué dicha información es relevante? Desde este punto de vista, lo más importante no es describir la formulación matemática de los procesos implicados en el procesamiento, sino analizar el sentido funcional de dichos procesos. A continuación, se discute sobre cómo este marco computacional puede guiar la construcción teórica en el futuro a nivel algorítmico y ayudar a integrar los distintos modelos actuales.
En las dos últimas décadas el estudio del Aprendizaje Causal ha experimentado un gran avance en lo que se refiere a la formulación de modelos que tratan de explicar cómo las personas somos capaces de inferir relaciones de causalidad a partir de la observación de la correlación estadística entre acontecimientos del medio. Muchos modelos reducen la explicación a un algoritmo de cómputo simple. Frente a esa idea mecanicista, se adopta una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisición de conocimiento causal. En otras palabras, se pretende responder a dos preguntas fundamentales: a) ¿qué información es relevante en el aprendizaje de relaciones de causalidad?. y b) ¿ por qué dicha información es relevante? Desde este punto de vista, lo más importante no es describir la formulación matemática de los procesos implicados en el procesamiento, sino analizar el sentido funcional de dichos procesos. A continuación, se discute sobre cómo este marco computacional puede guiar la construcción teórica en el futuro a nivel algorítmico y ayudar a integrar los distintos modelos actuales.
Leer menos