El conexionismo
Tanto los modelos computacionales clásicos como los modelos conexionistas son herederos directos de la tesis de Turing.
Una red conexionista está formada por un conjunto de unidades que actúan como neuronas abstractas y que poseen la misma capacidad computacional que la máquina de Turing.
Los modelos conexionistas pueden dar cuenta de la capacidad computacional de la cognición humana.
Características fundamentales de los modelos conexionistas
Los modelos conexionistas comparten 4 principios:
-
La operación computacional básica de una red conexionista implica a una neurona que transmite información relativa a la suma de señales recibidas de otras neuronas
-
El aprendizaje cambia la fuerza de las conexiones entre neuronas y de esta forma la influencia que unas tienen sobre otras.
-
Los procesos cognitivos implican que la computación está ejecutada en paralelo por una gran cantidad de neuronas.
-
La información está distribuida a través de muchas neuronas y muchas conexiones que configuran redes neuronales.
Elementos de un modelo conexionista:
-
Un conjunto de unidades de procesamiento
-
Un estado de activación
-
Una función de salida para cada una de las unidades
-
Un patrón de conexión entre las unidades
-
Una regla de propagación para propagar la activación a través de la red de conexiones
-
Una regla de activación que calcule nuevos niveles de activación
-
Una regla de aprendizaje para modificar los patrones de conexión entre las unidades como resultado de la experiencia
-
Un ambiente dentro del que debe operar el sistema
Una característica principal de los modelos conexionistas proviene de su concepción de la representación como un fenómeno en permanente cambio, ajustándose a los más pequeños cambios en el estímulo lo que permite dar cuenta de las sutilezas y complejidades de la relación entre el sujeto y el medio.
El aprendizaje en términos conexionistas consiste en el logro a partir de la entrada sensorial de la adecuada fuerza de conexión entre las unidades.
Hebb propuso una regla de aprendizaje de tipo cualitativo por la que la fuerza de conexión entre 2 unidades aumentaba cuando ambas unidades actuaban conjuntamente.
Una versión cuantitativa de la regla de Hebb es el modelo sobre el aprendizaje de las reglas morfológicas de los tiempos pasados: este modelo usa una red conexionista simple con 2 conjuntos de unidades (de entrada y de salida) y con un mecanismo de aprendizaje.
Un mecanismo de aprendizaje más potente es el mecanismo de retro-propagación del error o propagación hacia atrás que implica la actuación de unidades ocultas.
El modelo de la propagación hacia atrás es una red multiestrato que incluye los estratos de salida y entrada y un tercer estrato con un número fijo de unidades ocultad que permiten construir una representación interna distribuida.
El procedimiento de aprendizaje que usa la retro-propagación se denomina regla delta generalizada que permite ajustar los pesos de las conexiones en la red al estimar la discrepancia entre la salida real que produce el modelo y la salida esperad proporcionada por el medio.
La idea clave de este procesamiento es que actúa hacia atrás. Este mecanismo de aprendizaje muestra una gran potencia ya que se puede enfrentar a casi cualquier tipo de tarea de aprendizaje.
Simulación conexionista de los estadios evolutivos
La idea clave en la simulación de los estadios evolutivos es que estos cambios podrían afectar no solo a la dinámica de las representaciones sino también a la dinámica de los propios mecanismos de aprendizaje (la potencia o capacidad de un dispositivo para aprender).
McClelland abordó la simulación de la clásica tarea de la balanza con una red multicapa con retro-propagación. La arquitectura era fija y se prefijó un grupo de unidades para recibir la información sobre el peso y otras para recibir la información sobre la distancia. El progreso va de una fase inicial en la que el sujeto selecciona o codifica la dimensión más saliente (el peso) sin considerar en absoluto la otra dimensión (la distancia) hasta sucesivas etapas en las que ambas dimensiones van siendo consideradas en la solución de la tarea.
Críticas:
-
Si las dimensiones peso y distancia estaban prefijadas y la arquitectura era fija, entonces los cambios eran sol cambios cuantitativos.
-
A pesar de la potencia lógica de la red, ésta no conseguí un ajuste óptimo con las conductas exhibidas por los sujetos.
La respuesta de los modelos conexionistas a estos 2 tipos de críticas son las redes constructivistas que proponen los algoritmos generativos que permiten dar cuenta de la existencia de cambios cualitativos.
Cuando los esquemas previos resultan insuficientes para producir una respuesta adecuada, el algoritmo generativo permite añadir nuevas estructuras incorporando unidades ocultas lo que cambia el poder representacional de la red y permite construir un nuevo dispositivo más competente.
La característica más significativa de las redes constructivistas es que permiten la adición de estructura, de nuevas unidades. Estas adiciones se realizan ajustándose con las demandas del ambiente, no al azar. La red contiene un mecanismo que le permite añadir nuevas unidades ocultas para enfrentarse a las demandas cambiantes y cada vez más exigentes del medio.
Estas redes aportan una medida cuantitativa del progresivo incremento del poder computacional del sistema de procesamiento: el número de unidades ocultas.
El progresivo incremento puede ser el resultado tanto de factores ambientales como de procesos madurativos que interactuarían en el proceso de desarrollo.
La perspectiva de los sistemas evolutivos dinámicos
Estabilidad y cambio en los sistemas dinámicos
Desde la perspectiva dinámica no solo se reconoce la importancia de la variabilidad inter e intra-individual sino que la convierten en el objetivo central de su análisis, considerándola como expresión del auténtico curso del desarrollo, generalmente complejo y no lineal.
El desarrollo no solo se entiende en términos de incrementos o decrementos lineales, sino también bajo patrones dinámicos complejos que admiten oscilaciones y fluctuaciones de diverso tipo.
Teoría de los Sistemas Dinámicos: su objetivo es estudiar los procesos de cambio y de desarrollo como resultado emergente del funcionamiento interactivo y dinámico de los sistemas complejos (de la evolución no lineal de sistemas abiertos que interactúan con su medio ambiente).
Una propiedad esencial atribuida a los organismos vivos (sistemas dinámicos complejos) es que son sistemas auto-organizados, se considera que es el propio funcionamiento del sistema el que genera sus nuevos estados. Tal funcionamiento auto-organizado solo puede entenderse en referencia a las complejas interacciones que se establecen tanto internamente como en su relación con el medio externo.
Funcionamiento de un sistema dinámico: una función de intercambio estable se vuelve inestable a partir de las perturbaciones externas y las fluctuaciones internas. Eventualmente esta inestabilidad puede aumentar hasta romperse el equilibrio, lo que puede hacer emerger nuevas propiedades funcionales.
El comportamiento del sistema y su desarrollo se conciben como propiedades emergentes del sistema en su conjunto y no en relación con ninguno de sus componentes en particular.
El desarrollo se concibe como un proceso continuo, abierto e irreversible que no requiere instrucciones previas. Las nuevas propiedades emergen de forma espontánea a partir de las reorganizaciones que tienen lugar como consecuencia del continuo intercambio que se produce entre el sistema y su medio ambiente.
El enfoque dinámico supone una concepción netamente emergentista y epigenética del desarrollo.
La esencia del desarrollo como sistema dinámico está en que se trata de un conjunto de procesos que se van construyendo y articulando a sí mismos en distintos niveles de organización y a través del tiempo.
Los conceptos clave de los Sistemas Dinámicos son: complejidad, auto-organización, emergencia y no linealidad.
Desarrollo cognitivo y sistemas dinámicos
Conceptos sobre la estabilidad y procesos de cambio en un sistema dinámico:
El funcionamiento de un sistema dinámico se describe en referencia a algunos parámetros característicos relativos a la forma en que se coordinan e integran los aspectos de “estabilidad y cambio” del sistema en su comportamiento y evolución.
Los más significativos son:
-
Parámetros de orden: variables que describen la cohesión y la estabilidad del sistema y la forma en que se coordinan sus distintas partes. Son los que facilitan una descripción del estado de coherencia del sistema y de la forma en que sus pares se combinan para generar el estado actual del sistema. Este parámetro describe a nivel macroscópico el comportamiento ordenado del sistema dentro de un determinado estado de equilibrio.
-
Parámetros de control: variables que regulan la actuación de los parámetros de orden. Estos parámetros operan de una forma indirecta y no determinística.
-
Estados “atractores” – Equilibrio: en un sistema dinámico los valores que pueden tomar sus parámetros de funcionamiento (parámetros de orden y parámetros de control) definen un conjunto amplio de posibles estados. El sistema se inclina hacia ciertos estados a los que tiende a regresar con cierta probabilidad cuando es perturbado y desplazado de los mismos por lo que se denominan estados “atractores”. Bajo determinados influjos internos o externos el sistema también tiende a evolucionar a través de formas inestables, alcanzando eventualmente nuevos estados “de equilibrio” (nuevos estados atractores).
-
Fases de cambio no lineal – Desarrollo: las perturbaciones que ponen en marcha las transiciones o cambios de estado de organización de un sistema dinámico, pueden tener un origen tanto interno como externo ya que en contraste con los sistemas lineales (mantienen un equilibrio homeostático) los sistemas no lineales son de carácter abierto (mantienen un rico intercambio con el medio ambiente). Este proceso de transformación se describe como una fase de cambio no lineal (denominado también bifurcación) que es el que subyace a todas las transiciones evolutivas. A través de esta dinámica fluctuante se generan nuevos patrones de organización interna y de intercambio con el medio lo que implica una evolución hacia mayores niveles de complejidad y organización.
La idea central de la propuesta de Geert es que el desarrollo cognitivo va surgiendo como producto continuo de un proceso complejo en el que entran en relación múltiples componentes y en función tanto de los crecimientos individuales (subsistemas) como de los cambios en el medio ambiente (social y cultural). Como metáfora del desarrollo usa la referencia a un ecosistema.
Para Thelen y Smith el conocimiento debe entenderse más como un proceso que como un estado, no como un conjunto de estructuras estables y prefijadas, sino como un potencial que se va realizando en el mismo momento de la ejecución, de forma variable en función de los contextos específicos.
Las nuevas metáforas del desarrollo que invocan sistemas dinámicos, complejos y no lineales pretenden sustituir a la metáfora tradición cognitivista que es la metáfora computacional.
Dentro del enfoque computacional el conexionismo sostiene que el aprendizaje y el desarrollo dependen tanto del estado interno del sistema como de las condiciones externas del ambiente y por tanto se adscriben de forma explícita a la posición interaccionista propia de la perspectiva dinámica.