000			01812cam a2200181 a 4500
001			029046
003			UAHC_CL
005			20170803123026.0
008			051226b xx j 000 1 eng
040			_aUAHC_CL _cUAHC_CL _dUAHC_CL
100	1		_aPerales, José César
245	1	0	_aAprendizaje de relaciones de contingencia y causalidad : _bhacia una análisis integral del aprendizaje causal desde una perspectiva computacional / _cJosé César Perales, Andrés Catena, Antonio Maldonado.
500			_aCognitiva (España) 2002. vol 14 (1) 15-41
520			_aEn 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.
700	1		_aCatena, Andrés
700	1		_aMaldonado, Antonio
900			_aCOGNITIVA 01/02
942			_cBK
999			_c29046 _d29046