Cambiar a contenido.

OCW UNED

Secciones
Herramientas personales
Inicio » Psicología » Psicología General II » temas_html » 1pp » t_5
Acciones de documento

PRIMER PARCIAL: TEMA 5

Índice de temas

  1. Planteamientos previos
  2. Aprendizaje en RNAs
    1. Aprendizaje supervisado
    2. Aprendizaje no supervisado
  3. Modelos conexionistas vs. modelos simbólicos
    1. Computación en paralelo
    2. Representaciones distribuidas
    3. Ausencia de ejecutivos centrales
    4. Concepción superposicional de la memoria
  4. Ventajas e inconvenientes de los modelos conexionistas
  5. El análisis crítico de Fodor y Pylyshyn
  6. Searle de nuevo: el gimnasio chino
  7. Un nuevo asociacionismo
  8. El conexionismo en la ciencia cognitiva contemporánea

El tema anterior lo hemos dedicado ha cuestiones básicas de computación en RNA. Una de las parcelas que ha acaparado la mayor parte de la investigación en la simulación de la mente con RNAs ha sido el aprendizaje. La mente humana es flexible, adquiere conocimientos a partir de la experiencia. A partir de ejemplares concretos es capaz de realizar generalizaciones mediante mecanismos de razonamiento. Pero no sólo eso, sino que actúa en situaciones de incertidumbre informativa adaptándose al medio y completando la información que necesita, acertada o desacertadamente.

El aprendizaje en RNA persigue este mismo propósito. Una RNA es capaz de pasar de un estado de ignorancia absoluta a ser capaz de desempeñar una tarea como reconocer rostros, identificar el lenguaje, etc. Algunos ejemplos fueron expuestos en el tema anterior. En éstos, las redes ya habían aprendido, es decir, disponían del patrón de conectividad exigido para desempeñar la tarea. Una red se dice que aprende cuando modifica los pesos de conexión con el propósito de emitir una respuesta adecuada ante un patrón informativo de entrada. El aprendizaje se reduce a modificar los pesos de conexión. Simplemente. Para tal fin, la investigación ha dedicado numerosos esfuerzos en elaborar diversos algoritmos que puedan dar cuenta del modo en el que es factible el aprendizaje en RNAs.

Tradicionalmente se ha distinguido entre aprendizaje supervisado y no supervisado. En el primero existe una especie de maestro o jefe que determina cómo debe ejecutarse el proceso. En el segundo no existe tal figura y la red aprende por sí misma a autorregularse. El algoritmo Widrow-Hoff y el de la retropropagación constituyen ejemplos de aprendizaje supervisado, mientras que la regla hebbiana es el algoritmo más característico de aprendizaje no supervisado.

Tras los protocolos de aprendizaje, vamos a exponer en el tema cuestiones vinculadas al tipo de procesamiento que subyace en los modelos neuromorfos: el Procesamiento Distribuido en Paralelo (PDP). La naturaleza de este procesamiento tiene unas interesantes repercusiones en el modo en que estos modelos contemplan el funcionamiento mental: computación en paralelo, representación distribuida del conocimiento, ausencia de ejecutivos centrales que rijan el proceso y la propuesta de memorias superposicionales y direccionables por contenidos que respondan en situaciones de incertidumbre. Todos estos rasgos contrastan extraordinariamente con las propuestas de las arquitecturas simbólicas inspiradas en el ordenador, y que ya conocemos, caracterizadas por un tipo de computación serial, simbólica y controlada por un supuesto ejecutivo central.

Finalmente, discutiremos las ventajas e inconvenientes que los modelos conexionistas manifiestan. Es cierto que las RNAs tienen capacidad de autoaprendizaje, la representación distribuida que defienden es muy económica y contrasta con las representaciones analíticas y analógicas que expusimos en el tema tercero. Asimismo, una de sus grandes virtudes es la posibilidad de seguir funcionando a pesar de que se produzcan deterioros en la red, de forma semejante a cuando las funciones de una zona cerebral dañada son reasumidas por otra diferente, y actuar en situaciones de incertidumbre e información parcial, al igual que el sistema cognitivo humano. Sin embargo, no es menos cierto que los modelos neuromorfos son aproximaciones de bajo espectro que, de momento, no tienen el amplio poder explicativo de determinados modelos simbólicos. Evidentemente, estas dificultades no los invalida como modelos de la cognición. Prueba de ello es que en la actualidad el debate clásico modelos simbólicos vs. modelos conexionistas no tiene sentido, y los investigadores cognitivos, recurren a uno u otro tipo de modelos dependiendo de los propósitos y objetivos de la investigación, así como de las plausibilidad explicativa que unos puedan presentar frente a los otros.

subir