Aprendizaje de relaciones de contingencia y causalidad :
Perales, José César
Aprendizaje de relaciones de contingencia y causalidad : hacia una análisis integral del aprendizaje causal desde una perspectiva computacional / José César Perales, Andrés Catena, Antonio Maldonado.
Cognitiva (España) 2002. vol 14 (1) 15-41
En las ultimas dos 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, en este trabajo adaptamos una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisición de conocimiento causal. En otras palabras, pretendemos responder a dos preguntas fundamentales: a)¿Qué información es relevante en el aprendizaje de relaciones de causalidad?, y b) ¿porqué 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, discutiremos sobre cómo este marco computacional puede guiar la construcción teórica en el futuro a nivel algorítmico y ayudar a integrar los distintos modelos actuales.
Aprendizaje de relaciones de contingencia y causalidad : hacia una análisis integral del aprendizaje causal desde una perspectiva computacional / José César Perales, Andrés Catena, Antonio Maldonado.
Cognitiva (España) 2002. vol 14 (1) 15-41
En las ultimas dos 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, en este trabajo adaptamos una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisición de conocimiento causal. En otras palabras, pretendemos responder a dos preguntas fundamentales: a)¿Qué información es relevante en el aprendizaje de relaciones de causalidad?, y b) ¿porqué 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, discutiremos sobre cómo este marco computacional puede guiar la construcción teórica en el futuro a nivel algorítmico y ayudar a integrar los distintos modelos actuales.