You are on page 1of 48

Paul Thagard

La mente
Introduccin a las
ciencias cognitivas

Del mismo autor

Traducido por Silvia Jawerbaum y Julieta Barba

Conceptual revolutions, Princeton, 1992


Computational philosophy ofscience, Massachusetts, 1993
Mind readings: Introductory selections on cognitive science,
Massachusetts, 1998
How scientists explain disease, Princeton, 2000
Coherence in thought and action (Life and mind: Philosophical issues
in biology and psychology, Massachusetts, 2002
Hot thought: Mechanisms and applications ofemotional cognition,
Massachusetts, 2006

Mente. Una introduccin a las ciencias cognitivas, ha sido publicado


en italiano por Guerini, bajo el ttulo: La mente. Introduzione
alia scienza cognitiva; en alemn por Klett-Cotta, bajo el ttulo:
Kognitionswissenschaft; en portugus por Artmed como Mente:
introdufao ciencia cognitiva. Hay, igualmente, ediciones en checo
y en coreano, y en dos variantes del chino.

conocimiento

ndice

Primera edicin, 2008


Katz Editores
Sinclair 2949,
B
1425 Buenos Aires
Fernn Gonzlez, 59 Bajo A
28009 Madrid
www.katzeditores.com
Ttulo de la edicin original: Mind. Introduction
to cognitive science
2005 Massachusetts Institute o Technology,
The HIT Press, Cambridge, MA
ISBN Argentina: 978-987-1283-63-7
ISBN Espaa: 978-84-96859-21-0
1. Conocimiento. I . Jawerbaum, Silvia, trad. II. Barba,
Julieta, trad. I I I . Ttulo
CDD 001
El contenido intelectual de esta obra se encuentra
protegido por diversas leyes y tratados
internacionales que prohiben la reproduccin
ntegra o extractada, realizada por cualquier
procedimiento, que no cuente con la autorizacin
expresa del editor.
Diseo de coleccin: tholon kunst
Impreso en la Argentina por Latingrfica S.R.L.
Hecho el depsito que marca la ley 11.723

9
11

Agradecimientos
Prefacio
I. E N F O Q U E S D E LAS C I E N C I A S

17
47
77
101
129
153
175
205

COGNITIVAS

1. Representacin y computacin
2. Lgica
3- Reglas
4. Conceptos
5. Analogas
6. Imgenes
7. Conexiones
8. Resumen y evaluacin
II. EXTENSIONES DE LAS CIENCIAS

223
245
265
289
311
327

COGNITIVAS

9. El cerebro
10. Las emociones
v#
11. La conciencia
12. Cuerpo, mundo y sistemas dinmicos
13. Sociedad
14. El futuro de las ciencias cognitivas

343 Glosario
349 Bibliografa
381 ndice temtico

Prefacio

Las ciencias cognitivas, dedicadas al estudio de la mente y la inteligencia desde un punto de vista interdisciplinario, son fruto de
la confluencia entre lafilosofa,la psicologa, la inteligencia artificial, la neurociencia, la lingstica y la antropologa. Sus orgenes
intelectuales se remontan a mediados de la dcada de 1950, cuando
investigadores provenientes de distintos campos comenzaron a
formular teoras de la mente valindose de representaciones y procesos computacionales complejos. En cuanto a los orgenes institucionales, stos datan de mediados de los aos setenta, poca en
que se fund la Sociedad de Ciencias Cognitivas en los Estados
Unidos y se public por primera vez la revista Cognitive Science.
Desde entonces, ms de sesenta universidades estadounidenses y
europeas han creado carreras de ciencias cognitivas, y muchas otras
universidades dictan materias relacionadas con este campo.
La enseanza de las ciencias cognitivas no es tarea sencilla,
pues los estudiantes llegan con formaciones acadmicas muy diversas. Yo, personalmente, dicto en la Universidad de Waterloo,
desde 1993, una materia muy concurrida titulada Introduccin
a las Ciencias Cognitivas. Por un lado, se inscriben en mi ctedra
estudiantes con conocimientos avanzados de computacin, provenientes de carreras de computacin cientfica o ingeniera, que
saben poco de psicologa o filosofa, pero, por otro lado, vienen
muchos estudiantes que estn familiarizados con esas discipli-

12

LA

PKtFAClO

MENTE

as pero que de computacin entienden bastante poco. Mi intencin al escribir este libro ha sido poder contar con un manual
que no requiere conocimientos previos en ninguno de los campos de las ciencias cognitivas. Tambin he pretendido mostrar a
los estudiantes interesados en los problemas de la mente y la inteligencia que existen muchos enfoques complementarios en la
investigacin sobre las funciones mentales.
Existen al menos tres formas distintas de presentar las ciencias cognitivas ante un pblico formado en disciplinas diversas.
La primera consiste en centrarse en los distintos campos: la psicologa, la inteligencia artificial y las dems disciplinas involucradas. La segunda es organizar el curso segn las distintas funciones mentales, como la resolucin de problemas, la memoria, el
aprendizaje y el lenguaje. En este libro, he decidido tomar otro
camino, en el que hago una descripcin y una evaluacin sistemticas de las principales teoras de la representacin mental formuladas por distintos tericos, que incluyen la lgica, las reglas,
los conceptos, las analogas, las imgenes y las conexiones (redes
neuronales artificiales). Con la presentacin de esos enfoques tericos fundamentales he querido mostrar de manera coherente los
aportes realizados por los distintos campos de las ciencias cognitivas al conocimiento del funcionamiento de la mente.
M i propsito al escribir el presente libro ha sido poner a
disposicin de estudiantes provenientes de distintas disciplinas
un material bsico que les permita comprender sin problemas un
curso introductorio a las ciencias cognitivas. Para cumplir con
el objetivo que me haba propuesto, deb explicar lgica de forma
tal que fuera accesible a los estudiantes de psicologa, exponer
algoritmos computacionales para que los entendieran los estudiantes de literatura, o presentar debates filosficos de modo
sencillo para que a los estudiantes de ciencias de la computacin les resultaran atractivos.

13

Aunque este libro est dirigido principalmente a estudiantes


de carreras de grado, tambin ha sido mi intencin que fuese de
utilidad para los estudiantes de posgrado y los profesores interesados en descubrir cul es la participacin de sus propias disciplinas en los distintos proyectos de las ciencias cognitivas.
No se trata, por tanto, de un texto enciclopdico sino de un
manual con captulos breves y concisos, en los que resalto las
cuestiones generales en desmedro de las particulares. Dado
que abordo las ciencias cognitivas como la interseccin y no
como la unin entre todos los campos que forman parte de ellas,
decid omitir algunos temas que ya se han tratado en manuales
de inteligencia artificial, psicologa cognitiva y filosofa de la
mente, por nombrar slo algunas disciplinas sobre las que existen infinidad de textos. Para cerrar cada captulo, he incluido un
resumen y un listado de lecturas recomendadas.
El libro est escrito con gran entusiasmo y respeto por los
aportes que han hecho las teoras de la representacin mental
y los procesos computacionales al conocimiento de la mente,
aunque soy consciente de que las ciencias cognitivas tienen un
largo camino por recorrer. En la segunda parte, me refiero a las
extensiones de los supuestos bsicos de las ciencias cognitivas
y propongo distintas ideas para trabajar en el futuro.
Estoy muy agradecido a quienes me han hecho llegar ejemplares de la primera edicin traducida al italiano, alemn, checo,
portugus, japons, coreano y dos variedades de chino. Para
esta segunda edicin, he actualizado la primera parte y revisado
la segunda, adems de aadir captulos sobre el cerebro, las emociones y la conciencia. Otras novedades son un listado de sitios
web al final de cada captulo y un glosario al final del libro.
Para complementar el presente texto, recomiendo la lectura de
otro libro del que soy editor: Mind readings: Introductory selections on cognitive science ( M I T Press, 1998).

I
Enfoques de las ciencias
cognitivas

1
Representacin y computacin

EL ESTUDIO D E LA M E N T E

Quin no se ha preguntado alguna vez cmo funciona la mente?


Todos realizamos a diario una gran variedad de tareas mentales, desde resolver problemas en el trabajo o la escuela hasta
tomar decisiones vinculadas con nuestra vida personal, encontrar los motivos de las acciones de los dems o adquirir nuevos
conceptos, como el de telefona celular o Internet. El objetivo
principal de la ciencia cognitiva es encontrar las explicaciones
de cmo se realizan esas formas de pensamiento. Esta disciplina
cientfica no se limita a describir los distintos tipos de estrategias de aprendizaje y de resolucin de problemas, sino que ofrece
una explicacin acerca de cmo realiza la mente esas operaciones. Adems, da cuenta de los casos en los que la mente no funciona con la eficacia deseada; por ejemplo, cuando se toman
decisiones equivocadas.
Comprender cmo funciona la mente es importante para
muchas actividades prcticas. Si los docentes saben cules son
los mecanismos de pensamiento de los estudiantes, podrn aplicar los mtodos de enseanza adecuados. Para los ingenieros y
otros profesionales dedicados al diseo de productos, es importante saber cules son los probables procesos mentales que permitirn que los futuros usuarios hagan un uso eficaz o ineficaz

l8

LA

Kct-KtitHiHiiun

MENTE

de esos productos. En el caso de los cientficos especializados en


informtica, el conocimiento de qu factores hacen que las personas sean inteligentes es de utilidad en el diseo de computadoras ms inteligentes. Y para los polticos y los responsables de
la toma de decisiones, el xito de su carrera depende de la comprensin de los procesos mentales de las personas con las que
interactan.
Sin embargo, el estudio de la mente no es tarea sencilla, puesto
que no es posible tener acceso directo a ella. A lo largo de los
siglos, losfilsofosy los psiclogos han recurrido a un conjunto
de metforas y comparaciones para referirse a la mente. Se ha
afirmado que es como una pgina en blanco sobre la que se hacen
impresiones, o como un instrumento hidrulico en el que se
ejercen distintas fuerzas o que es semejante a un conmutador
telefnico. En los ltimos cincuenta aos han surgido nuevas
metforas gracias al desarrollo de nuevas clases de computadoras. Muchos especialistas en ciencia cognitiva, si bien no todos,
consideran que el pensamiento es una especie de proceso computacional y utilizan metforas relacionadas con el campo de
la computacin para describir y explicar cmo las personas
aprenden y resuelven problemas.

QU SABEMOS?

'

Cuando empiezan una carrera universitaria, los estudiantes tienen que aprender mucho ms que lo que dicen los textos. Segn
la carrera elegida, variarn los temas, pero en todas es necesario aprender algunos aspectos bsicos sobre cmo funciona la
universidad. Cmo se hace para anotarse en una materia? A
qu hora empiezan las clases? Qu ctedras son buenas y cu-

I lunfuiftiiuN

l y

les no? Cules son los requisitos para obtener el ttulo? Cul
es el mejor camino para ir de un aula a otra? Cmo son los
dems estudiantes? Cul es el mejor lugar para salir un viernes a la noche?
Las respuestas a esas preguntas se almacenan en algn lugar
de la mente, pero dnde? La mayora de los especialistas coinciden en que el conocimiento consiste en representaciones mentales. Todo el mundo sabe qu es una representacin no mental, como lo son las palabras escritas en esta pgina. La frase "esta
pgina" es a su vez una representacin de la pgina que el lector est viendo en este momento. En las instituciones educativas abundan las representaciones grficas, los mapas, por ejemplo, de modo que los estudiantes estn habituados a verlas. Para
explicar varios tipos de conocimiento, como qu saben los estudiantes sobre el funcionamiento de la universidad, la ciencia
cognitiva propone distintos tipos de representaciones mentales: reglas, conceptos, imgenes y analogas, etc. Los estudiantes conocen, entre otras, la regla que determina Si quiero recibirme, tengo que cursar diez materias del ciclo de especializacin.

Tambin adquieren conceptos nuevos representados por trminos como "bird", ''Mickey Mouse" o "guf\e en las universida-

des de algunos pases angloparlantes se utilizan para referirse a


las materias muy fciles. Para ir de un aula a otra, les resulta
til contar con una representacin mental de la distribucin
espacial de la facultad. Despus de completar una materia que
les ha parecido buena, es probable que traten de inscribirse en
otras similares. Al tenei: la oportunidad de relacionarse con estudiantes de otras carreras, construyen estereotipos aunque les
resulte difcil expresar con precisin qu caractersticas tiene
cada uno.
El conocimiento sobre la vida en la universidad no se
adquiere slo para acumular informacin. Los estudiantes se

20

LA

MENTE

enfrentan con numerosos problemas: cmo lograr un buen


desempeo al cursar las materias, cmo llevar una vida social
satisfactoria y cmo obtener un trabajo despus de recibirse.
Resolver ese tipo de problemas requiere operar con representaciones mentales; por ejemplo, cuntas materias les restan
para recibirse o no anotarse nunca ms en ninguna materia
dictada por el profesor Tedio. Segn la ciencia cognitiva, las
personas experimentan procesos mentales que actan sobre las
representaciones para generar pensamientos y acciones. Los
distintos tipos de representaciones mentales, como las reglas
y los conceptos, se asocian con distintas clases de procesos mentales. Tomemos por caso las distintas maneras de representar
nmeros. La mayora de las personas conocen la representacin arbiga de los nmeros (i, 2, 3,10,100...) y los procedimientos para realizar operaciones de adicin o multiplicacin,
entre otras. Tambin pueden utilizar nmeros romanos (i, 11,
I I I , x, c...), pero los procedimientos para realizar operaciones
aritmticas son distintos. Hagamos la prueba de dividir civ
(104) por xxvi (26).
En la primera parte de este libro presentaremos los distintos enfoques sobre las representaciones y los procesos mentales propuestos en los ltimos cuarenta aos de investigacin
en el marco de la ciencia cognitiva. El valor de algunos de
esos enfoques ha sido motivo de controversia, y muchos de los
principales tericos de la ciencia cognitiva defendieron con
vehemencia la validez del enfoque de su preferencia. En mi
caso personal, tiendo a ser ms eclctico, pues creo que las distintas teoras de la representacin mental no se excluyen entre
s sino que se complementan. La mente humana es sumamente
compleja, y se comprende mejor si se tiene en cuenta el uso
de las reglas mencionadas anteriormente y de otras no tan
obvias, como las representaciones propuestas por los modelos

REPRESENTACION

Y COMPUIACIN

21

"conexionistas" o "de redes neuronales" que comentaremos en


el captulo 7.

LOS INICIOS

Los primeros intentos por comprender la mente y su funcionamiento se remontan a la antigua Grecia, o quizs antes, con las
primeras teoras sobre la naturaleza del conocimiento formuladas por filsofos como Platn y Aristteles. Platn pensaba que
el conocimiento ms importante provena de conceptos como la
virtud, conceptos innatos que no dependan de la experiencia
sensible. Otrosfilsofos,como Descartes y Leibniz, pensaban que
el conocimiento se adquira gracias al pensamiento y al razonamiento, por lo que su enfoque se denomina racionalismo. Por el
contrario, Aristteles abord el tema del conocimiento recurriendo a reglas que se aprenden gracias a la experiencia, como
ocurre con el enunciado Todos los hombres son mortales. Esa postura filosfica, que luego abrazaron Locke, Hume y otros pensadores, se denomina empirismo. En el siglo x v i i i , Kant propuso una combinacin del racionalismo y el empirismo, pues
sostena que el conocimiento humano depende de la experiencia sensible y de las capacidades innatas de la mente.
El estudio de la mente permaneci confinado al campo de la
filosofa hasta el siglo xix, poca en que naci la psicologa experimental. Wilhelm Wundt y sus discpulos disearon mtodos
de laboratorio para el estudio sistemtico de las operaciones
mentales. Al cabo de unas pocas dcadas, la psicologa experimental cedi terreno ante el conductismo, que negaba la existencia de la mente. Algunos conductistas, John B. Watson (1913),
por ejemplo, sostenan que la psicologa deba limitarse al estu-

22

LA

MENTE

dio de la relacin entre estmulos y reacciones observables de


la conducta. La conciencia y las representaciones mentales no
eran temas de los que la ciencia respetable debiera ocuparse.
En los Estados Unidos en particular, el conductismo domin
el campo de la psicologa hasta la dcada de 1950.
Hacia 1956, el panorama intelectual experiment un cambio
drstico. George Miller (1956) present una resea de numerosos estudios que demostraban que la capacidad del pensamiento
humano es limitada y que la memoria a corto plazo no es capaz
de almacenar ms de siete elementos. (Por esa razn, es difcil
retener un mimero de telfono con sus cdigos de rea o el del
carn de la obra social.) Miller sugiri que las limitaciones de
la memoria se superan si la informacin se recodifica en forma
de unidades ms pequeas, es decir, por medio de representaciones mentales que requieren procesos mentales para codificar y decodificar informacin. Era la poca de las primeras computadoras y de pioneros como John McCarthy, Marvin Minsky,
Alien Newell y Herbert Simn, fundadores del rea del conocimiento conocida como inteligencia artificial. Por su parte, Noam
Chomsky (1957,1959) rechaz los supuestos conductistas sobre
el lenguaje como hbito adquirido y afirm que la capacidad del
hombre de comprender el lenguaje se explica en trminos de
una gramtica mental constituida por reglas. No sera injusto
considerar a los seis cientficos mencionados en este prrafo
como los fiindadores de la ciencia cognitiva.
En los captulos siguientes, mostraremos la historia posterior
de la ciencia cognitiva vinculndola con distintas teoras de la
representacin mental. McCarthyfieuno de los principales exponentes del enfoque de la inteligencia artificial basado en la lgica
formal (captulo 2). En la dcada de 1960, Newell y Simn demostraron el poder de las reglas en su descripcin de algunos aspectos de la inteligencia humana, tradicin retomada en numero-

ncrMijcn iBLiun

T I . U n K U Ift1. I U M

sos trabajos posteriores (captulo 3). En los aos setenta, Minsky


propuso la nocin de marco conceptual como estructura central
de las representaciones del conocimiento. Otros investigadores
del rea de la psicologa y la inteligencia artificial plantearon la
existencia de estructuras similares a las que denominaron guiones y esquemas (captulo 4). En esa misma poca, los psiclogos tambin comenzaron a interesarse en las imgenes mentales (captulo 6). A partir de la dcada de 1980, se han reaUzado
innumerables trabajos de investigacin experimental y computacional centrados en el pensamiento analgico o razonamiento
inductivo (captulo 5). Las propuestas ms interesantes de esa
dcada fueron las teoras conexionistas, que establecieron cierto
grado de relacin entre las representaciones y los procesos mentales y las redes neuronales del cerebro (captulo 7). Todos esos
enfoques han hecho su contribucin al conocimiento de la mente,
cada uno con sus aciertos y desaciertos (captulo 8).
La nocin fundamental de que la mente debera pensarse en
trminos de representaciones y procesos mentales ha recibido crticas y sufrido modificaciones, de las que nos ocuparemos en la
segunda parte de este libro (captulos 9 a 14). La dcada de 1990
fue testigo de la proliferacin del uso de tcnicas de escaneo cerebral para el estudio de las zonas del cerebro asociadas con el pensamiento y en la actualidad se trabaja con modelos computacionales de la mente cuya estructura refleja la estructura neurolgica
real. Esos modelos proponen nuevas formas de entender las emociones y la conciencia (captulos 10 y 11). Las reacciones contrarias al modelo computacional-representacional se apoyan en el
argumento de que el organismo y los entornos fsico y social
desempean un papel importante en el pensamiento (captulos
12 y 13). Finalmente, nos dedicaremos a plantear el futuro de las
ciencias cognitivas y a brindar algunas sugerencias para potenciales trabajos de carcter interdisciplinario (captulo 14).

24

LA

MENTE

MTODOS D ELASCIENCIAS

KbPKtitNIAUUN

COGNITIVAS

Las ciencias cognitivas no son slo el quehacer de un conjunto


de personas provenientes de distintas disciplinas que se renen
en un bar a conversar sobre la mente. Para apreciar cules son
las ideas unificadoras sobre las que se construyen las ciencias
cognitivas es necesario tener un panorama de los mtodos que
los investigadores de las distintas disciplinas utilizan en el estudio de la mente y la inteligencia.
Si bien en la actualidad abundan la teorizacin y los modelos computacionales en la psicologa cognitiva, el mtodo principal de investigacin es la experimentacin con sujetos humanos. Las personas que participan en los estudios -por lo general,
estudiantes universitarios- acuden al laboratorio, donde se las
estudia en un entorno con condiciones controladas. Algunos
de los trabajos realizados, como veremos en distintos captulos de este libro, consisten en analizar los errores que se cometen al hacer razonamientos deductivos, la forma en que se crean
y aplican conceptos, la velocidad con que se piensa utilizando
imgenes mentales y el desempeo durante la resolucin de
problemas mediante analogas. Las conclusiones sobre cmo
funciona la mente deben trascender el "sentido comn" y la
introspeccin, porque como muchas de las operaciones mentales no son accesibles a nivel consciente, pueden darnos una
idea general equivocada. Los experimentos psicolgicos que
intentan desentraar las operaciones mentales desde distintos
ngulos son fundamentales para que las ciencias cognitivas tengan carcter cientfico.
Es cierto que la teora sin experimentacin est vaca, pero
tambin es cierto que la experimentacin sin teora es ciega. El
tratamiento de las cuestiones esenciales de la naturaleza de la
mente requiere que los experimentos psicolgicos puedan inter-

Y COMPUTACION

25

pretarse dentro de un marco terico que postule la existencia de


representaciones y procesos mentales. Una de las mejores maneras de construir marcos tericos consiste en crear y poner a
prueba modelos computacionales anlogos a las operaciones
mentales. Para complementar los experimentos psicolgicos
centrados en el razonamiento deductivo, la formacin de conceptos, las imgenes mentales y la resolucin de problemas por
analoga, los investigadores han creado modelos computacionales que simulan distintos aspectos del desempeo humano.
El diseo y la construccin de modelos computacionales y la
experimentacin subsiguiente conforman las actividades primordiales de la inteligencia artificial, la rama de las ciencias de
la computacin que se ocupa de los sistemas inteligentes. En
un contexto ideal, en el campo de las ciencias cognitivas, los modelos computacionales y la experimentacin psicolgica van de
la mano, pero muchos estudios fundamentales en el campo de la
inteligencia artificial sobre la relevancia de distintos abordajes
de la representacin del conocimiento no han tenido relacin
con la psicologa experimental.
En lingstica, a veces se realizan experimentos psicolgicos
o se desarrollan modelos computacionales; sin embargo, los
mtodos utilizados en esta disciplina suelen ser otros. Los lingistas que siguen la tradicin chomskiana se dedican a buscar
los principios gramaticales que permiten explicar la estructura
bsica del lenguaje. La deteccin de esos principios se realiza
mediante la comparacin de las diferencias sutiles existentes
entre oraciones gramaticales y agramaticales. En espaol, por
ejemplo, "Juan pate la pelota" o "Qu pate Juan?" son gramaticales; en cambio, "Juan la pate pelota" y "Qu patearon
Juan?" son agramaticales. Una gramtica del espaol debe poder
explicar por qu las primeras oraciones son aceptables y las
segundas no lo son. En los captulos siguientes daremos otros

26

LA

MENTE

ejemplos de la investigacin terica y emprica que llevan a cabo


los lingistas chomskianos y los pertenecientes a otras tradiciones lingsticas.
Al igual que en el campo de la psicologa cognitiva, en neurociencia se realizan experimentos controlados, pero las observaciones son muy distintas, pues el objeto de estudio de la neurociencia es el cerebro en s. Cuando usan sujetos no humanos en
los experimentos, los investigadores pueden insertar electrodos
y registrar as el estmulo de neuronas individuales. Esa tcnica
es imposible de usar en humanos porque es demasiado invasiva; no obstante, en los ltimos aos se han empezado a utilizar la resonancia magntica y la tomografa por emisin de positrones, que permiten observar la actividad de distintas zonas
del cerebro en personas a las que se solicita que realicen diversas tareas mentales. Por ejemplo, gracias a la tomografa computada, se determin qu zonas del cerebro participan en la formacin de imgenes mentales y la interpretacin de palabras. Otras
evidencias del funcionamiento del cerebro surgen de la observacin de pacientes con determinados daos cerebrales. Un accidente cerebrovascular que afecta a zonas asociadas con el lenguaje puede ocasionar deficiencias tales como la incapacidad
de emitir oraciones. Como la psicologa cognitiva, la neurociencia es una disciplina terica y experimental a la vez, en la que
gran parte de la teora se construye a partir de modelos computacionales del comportamiento de grupos neuronales.
La antropologa cognitiva se ocupa de analizar el pensamiento
humano con relacin a distintos entornos culturales. El estudio de la mente, claro est, no se restringe a saber cmo piensan los hablantes de una lengua determinada sino a considerar
las posibles diferencias en los modos de pensar en las distintas
culturas. En los captulos 12 y 13, analizaremos el creciente interes que despierta entre los especialistas en ciencias cognitivas

REPRESENTACIN

'

|
I
I

Y COMPUTACIN

27

el funcionamiento de la mente en entornosfsicosy sociales particulares. Para la antropologa cultural, es primordial el mtodo
etnogrfico, que requiere que los investigadores convivan e interacten con los miembros de una determinada cultura durante
el tiempo necesario para llegar a conocer su sistema social y cognitivo. Los antroplogos cognitivos han investigado, por ejemplo, las similitudes y las diferencias entre las palabras que denotan colores en distintas culturas.
Salvo contadas excepciones, los filsofos no se dedican a la
observacin emprica ni disean modelos computacionales; aun
as, la filosofa sigue siendo esencial para las ciencias cognitivas,
porque se ocupa de temas fundamentales que constituyen los
pilares de los enfoques experimentales y computacionales del
estudio de la mente. Temas abstractos como la naturaleza de la
representacin y la computacin no necesariamente se tienen en
cuenta en la prctica cotidiana de la psicologa o la inteligencia
artificial, pero es inevitable tratarlos cuando los investigadores
reflexionan sobre su tarea. La filosofa tambin se ocupa de cuestiones generales como la relacin entre la mente y el cuerpo, y de
aspectos metodolgicos como la naturaleza de las explicaciones
proporcionadas por las ciencias cognitivas. Adems de la descripcin de cmo piensan las personas, la filosofa se dedica a
cuestiones normativas sobre cmo deberan pensar. Las ciencias cognitivas aaden al objetivo terico de la comprensin del
pensamiento humano el objetivo prctico de mejorarlo, proceso
que requiere una reflexin normativa sobre qu esperamos del
pensamiento. La filosofa de la mente no utiliza un mtodo en
particular y sera deseable que compartiera el inters por los resultados empricos con las teoras elaboradas en otras disciplinas.
En su forma ms laxa, las ciencias cognitivas son la suma de
las disciplinas que hemos mencionado: la psicologa, la inteligencia artificial, la lingstica, la neurociencia, la antropologa

28

LA

KtHKtbtNIAliUN

MENTE

y lafilosofa.El trabajo interdisciplinario es mucho ms interesante cuando hay una convergencia terica y experimental respecto de las conclusiones sobre la naturaleza de la mente. En los
captulos siguientes ilustraremos esa convergencia, es decir, mostraremos el trabajo de las ciencias cognitivas en reas de interseccin de varias disciplinas. Por ejemplo, la psicologa y la inteligencia artificial confluyen en los modelos computacionales que
describen la conducta de los sujetos experimentales. La mejor
manera de comprender la complejidad del pensamiento humano
consiste en utilizar miiltiples mtodos, en especial, en combinar experimentos psicolgicos y neurolgicos con modelos computacionales. En trminos tericos, la idea ms fructfera ha sido
el enfoque computacional-representacional de la mente.

EL MODELO

COMPUTACIONAL-REPRESENTACIONAL

DE LA MENTE

La hiptesis central de las ciencias cognitivas es que la mejor


forma de estudiar el pensamiento es entenderlo en trminos
de estructuras de representaciones mentales sobre las que operan procesos computacionales. Si bien no hay consenso en
cuanto a la naturaleza de las representaciones y los procesos
computacionales que constituyen el pensamiento, la hiptesis central es tan general que abarca todos los enfoques actuales de las ciencias cognitivas, incluso las teoras conexionistas. Denominaremos M C R M al modelo basado en esa hiptesis
central, como sigla de modelo computacional-representacional de la mente.
El M C R M podra ser incorrecto. En la segunda parte de este
libro, presentaremos objeciones al modelo segn las cuales las

LUMHU lALIUN

29

ideas sobre la representacin y la computacin no seran adecuadas para exphcar algunas cuestiones fundamentales referidas a la mente. Con todo, al evaluar los aciertos de las distintas
teoras de la representacin del conocimiento, advertiremos
el gran aporte que ha hecho el M C R M . Sin duda, el modelo es el
mejor a nivel terico y experimental entre todos los enfoques
del estudio de la mente que se han desarrollado hasta el momento.
A pesar de que no todos los que trabajan en ciencias cognitivas
estn de acuerdo con los postulados del M C R M , la cantidad de
artculos publicados en las principales revistas especializadas en
psicologa y otras disciplinas demuestra que, hoy en da, es el
enfoque dominante.
Gran parte del xito del M C R M se debe al hecho de que emplea
una rica analoga del campo de la computacin. Como veremos en el captulo 5, muchas veces las analogas enriquecen
las ideas cientficas. En el tema que nos ocupa, la comparacin
de la mente con las computadoras permite un abordaje ms
fructfero del estudio de la mente que el de las analogas anteriores, como la del conmutador telefnico, por ejemplo. El
lector que sepa de ciencias de la computacin estar familiarizado con la caracterizacin de los programas como estructuras de datos y algoritmos. Los lenguajes de programacin
modernos incluyen una variedad de estructuras de datos formados por cadenas de letras, "abe", por ejemplo, y nmeros,
adems de por estructuras ms complejas como las hstas (A B
C) y los rboles. Un algoritmo es un procedimiento mecnico
que opera en varias clases de estructuras. Por ejemplo, en la
escuela primaria los alumnos aprenden un algoritmo para dividir nmeros de varias cifras. Otro algoritmo sencillo consiste
en invertir el orden de una lista, es decir, cambiar el orden (A
B C) por (C B A), procedimiento que se lleva a cabo mediante
otros procedimientos ms simples que consisten en tomar un

30

lA

MENTE

REPRESENTACIN

Y COMPUTACIN

31

elemento de una lista y aadirlo al inicio de otra, de modo


que la computadora arma una lista invertida y forma (A) en
primer lugar, luego (B A) y por ltimo (C B A). De modo similar, el M C R M adopta el supuesto de que en la mente existen representaciones mentales anlogas a estructuras de datos y procesos computacionales semejantes a algoritmos tal como se
muestra en el siguiente esquema:
Programa

Mente

estructuras de datos

representaciones mentales

+ algoritmos

+ procesos computacionales

= e j e c u c i n de programas

= pensamiento

sta ha sido la analoga dominante en las ciencias cognitivas, si


bien dio un giro cuando se introdujo otro elemento: el cerebro. Desde el conexionismo se propusieron ideas novedosas
sobre la representacin y la computacin que se valen de las neuronas y sus conexiones como modelo de estructuras de datos,
y del estmulo de las clulas nerviosas y la diseminacin de la
actividad neuronal como modelo de algoritmos. As, el M C R M
recurre a una compleja analoga tripartita que vincula la mente,
el cerebro y las computadoras, como se observa en lafigurai . i .
La mente, el cerebro y la computacin por separado sirven para
sugerir nuevas ideas referidas a los otros dos elementos. Existe
ms de un modelo computacional de la mente, ya que las distintas clases de computadoras y de lenguajes de programacin
proporcionan distintos modelos de cmo podra funcionar la
mente. Las computadoras a las que estamos acostumbrados
cuentan con procesadores en serie, es decir, realizan de a una
tarea por vez, pero el cerebro y algunas computadoras modernas tienen procesadores en paralelo, capaces de realizar varias
operaciones en simultneo.

Figura 1.1. Triple analoga entre la mente, la computadora y el cerebro.

Para quienes saben mucho de computacin, concebir la mente


en trminos computacionales resulta algo natural, incluso si
no estn de acuerdo con la nocin de que la mente es comparable a una computadora. Los que nunca han creado un programa de computacin pero estn acostumbrados a consuhar
libros de cocina pueden recurrir a otra analoga. Por lo general, las recetas constan de dos partes: una Hsta de ingredientes
y una serie de instrucciones que indican cmo combinarlos. El
plato final se obtiene cuando se siguen las instrucciones usando
los ingredientes de la lista; del mismo modo, un programa ejecutable se obtiene cuando se aplican algoritmos a las estructuras de datos -nmeros y Hstas- y el pensamiento es, de acuerdo
con el M C R M , el resultado de la aplicacin de procesos computacionales a las representaciones mentales. La analoga entre la
receta y el pensamiento es algo dbil, porque los ingredientes no
son representaciones y las instrucciones para cocinar requieren a alguien que las interprete. En los captulos 2 a 7 ofreceremos ejemplos de procesos computacionales que se ajustan mejor
a las operaciones mentales.

32

LA

KtHKtbtN lAUUN 1 lUMKUlAUUN | 33

MENTE

TEORAS, MODELOS Y

PROGRAMAS

Los modelos de computacin suelen ser tiles para la investigacin terica de los procesos mentales. Para comprender los
modelos formulados por las ciencias cognitivas es necesario
apreciar las distinciones y las relaciones entre cuatro elementos fundamentales: teora, modelo, programa y plataforma. Una
teora cognitiva postula una serie de estructuras representacionales y un conjunto de procesos que operan sobre ellas. Un
modelo computacional vuelve ms precisos esos procesos y
estructuras a travs de interpretaciones que consisten en analogas con programas de computacin formados por estructuras de datos y algoritmos. Las ideas vagas sobre las representaciones pueden complementarse con ideas computacionales
precisas sobre estructuras de datos a la vez que los procesos mentales se definen por medio de algoritmos. La puesta a prueba del
modelo se realiza implementndolo en un programa de software
creado con un lenguaje de programacin, como el L I S P O el Java.
El programa se ejecuta en distintas p/ata/ormas de hardware; por
ejemplo, Macintosh, Sun Workstation o computadoras personales de I B M , aunque tambin pueden ejecutarse en plataformas especialmente diseadas para un tipo particular de hardware con varios procesadores que fijncionan en paralelo. Muchas
clases de estructuras y procesos se investigan de esta manera,
como es el caso de las reglas y las estrategias de bsqueda de
determinados tipos de inteligencia artificial y el de las representaciones distribuidas y la propagacin de los procesos de activacin de las ideas conexionistas ms recientes.
Imaginemos que deseamos entender cmo aprenden los nios
a sumar. Utilizaremos el ejemplo de la operacin de suma 13 +
28. Una teora cognitiva explicara cmo representan los nios
esos nmeros y cmo procesan las representaciones para hacer

la suma. Adems, determinara si la representacin del nmero


13 consiste en una estructura simple, una estructura combinada
como 10 ms 3 o un complejo de estructuras como las de las neuronas. La teora tambin postulara procesos que operan sobre
las estructuras para obtener el resultado, 41, y la operacin que
transforma la estructura 30 +11 en 41. Un modelo computacional especificara la naturaleza de las representaciones y los procesos mediante la caracterizacin de las estructuras y los algoritmos programables que seran anlogos a las representaciones
y los procesos mentales utilizados en la adicin. Para evaluar la
teora y el modelo, se crea un programa de computacin en un
lenguaje como el L I S P , y luego se ejecuta el programa para comparar su funcionamiento con el de las personas cuando reahzan
una suma. Es preciso que el programa obtenga el resultado
correcto, que cometa los mismos tipos de error que las personas y que su ejecucin pueda realizarse en plataformas comunes o en alguna diseada especialmente para un tipo de computadora en particular; por ejemplo, una que imite la estructura
neuronal del cerebro.
La analoga entre la mente y las computadoras resulta til en
las tres etapas del desarrollo de una teora cognitiva: descubrimiento, modificacin y evaluacin. Por lo general, las ideas computacionales acerca de distintos tipos de programas sugieren
nuevas clases de estructuras y procesos mentales. La elaboracin de teoras y la creacin de modelos y programas van de la
mano, porque la escritura de un programa normalmente se
acompaa de la creacin de estructuras de datos y algoritmos
nuevos, que a su vez se incorporan en el modelo y tienen su anlogo en la teora. Por ejemplo, cuando un programador escribe
un programa de computacin que simula la operacin de suma,
puede pensar en una clase de estructuras de datos que d origen a nuevas ideas sobre la manera en que los nios represen-

34

LA

MENTE

tan los nmeros. Del mismo modo, la evaluacin de la teora,


el modelo y el programa a veces se realiza en conjunto, dado que
la confianza en la teora depende de la validez del modelo, observable en el desempeo del programa. Si el programa de computacin diseado para simular la adicin no es capaz de sumar
o si comete menos errores que los esperados, entonces la teora
cognitiva correspondiente es inadecuada.
El programa ejecutable puede contribuir a la evaluacin del
modelo y la teora de tres modos distintos. En primer lugar, permite demostrar que las representaciones y los procesos postulados son realizables en el plano computacional, lo cual es importante, puesto que muchos algoritmos que a primera vista parecen
razonables no se adecan a los problemas de mayor envergadura que deben resolver las computadoras reales. En segundo
lugar, para demostrar la posibilidad de llevar a la prctica una
teora y su plausibihdad psicolgica, el programa debe probarse
cualitativamente con distintos ejemplos de pensamiento. El programa de adicin, por ejemplo, debera dar los mismos tipos
de respuestas correctas e incorrectas que los nios. Y en tercer
lugar, para demostrar que la teora se adeca al pensamiento
humano, el programa debe evaluarse cuantitativamente, es decir,
tiene que generar predicciones detalladas sobre el pensamiento
humano comparables con los resultados de los experimentos
psicolgicos. Si existen experimentos que demuestran que los
nios dan un determinado porcentaje de respuestas correctas
a cierta clase de problemas de adicin, el programa de computacin tendra que acertar las respuestas en porcentajes similares. Las teoras cognitivas por s solas no tienen la precisin
que permite hacer predicciones cuantitativas; para eso se precisan los modelos y los programas, que vinculan la teora con
los datos observados.

REPRESENTACIN

COMPUTACIN

35

Recuadro 1.1. Criterios para la evaluacin de teoras


de la representacin mental
(1) Capacidad representacional
(2) Capacidad computacional
(a) Resolucin de problemas
(i) Planificacin
(ii) Decisin
(iii) Explicacin
(b) Aprendizaje
(c) Lenguaje
(3) Plausibilidad psicolgica
(4) Plausibilidad neurolgica
(5) Aplicabilidad prctica
(a) Educacin
(b) Diseo
(c) Sistemas inteligentes
(d) Enfermedades mentales

EVALUACIN D E LOS ENFOQUES


DE LA REPRESENTACIN

MENTAL

Una vez presentados los lineamientos generales, seremos ms


especficos en cuanto a qu se espera de una teora de la representacin mental. En el recuadro i . i se muestran cinco criterios complejos para la evaluacin de una determinada explicacin de las representaciones y las operaciones computacionales
con la cual se pretende explicar el pensamiento. En los captulos 2 a 7 se ilustra el uso de esos criterios en la evaluacin de
seis enfijques distintos de la representacin mental: la lgica, las
reglas, los conceptos, las imgenes, los casos y las conexiones
(redes neuronales artificiales).
Cada uno de esos enfoques propone un tipo distinto de representacin y un conjunto de procesos computacionales propio.

36

LA

MENTE

El primer criterio -la capacidad representacional- se vincula


con la cantidad de informacin que es capaz de expresar un tipo
particular de representacin. Por ejemplo, en una universidad
se advierte: "Atencin ingresantes: deben inscribirse en las materias antes del inicio de las clases". Los estudiantes que tomen en
serio la advertencia debern contar con una representacin
interna que les permita hacer inferencias posteriores y llegar a
la conclusin de que deben ir a la secretara de admisiones e inscribirse en las materias del cuatrimestre siguiente. Veremos
que los distintos tipos de representacin mental propuestos
varan en cuanto a su capacidad representacional.
Las representaciones mentales son importantes no slo por
lo que expresan sino tambin por lo que puede hacerse con ellas.
La capacidad computacional de una representacin mental se
evata considerando cmo explica las tres clases de pensamiento
superior. La primera es la resolucin de problemas: una teora
de la representacin mental debera explicar cmo razonan las
personas para lograr sus objetivos. Hay al menos tres tipos de
resolucin de problemas que necesitan explicacin: planificacin, toma de decisiones y justificacin. En la planificacin se
recurre al razonamiento para resolver cmo se pasa de un estado
inicial a un estado final atravesando varios estados intermedios.
Para ello, deben tenerse en cuenta cuestiones prcticas: una persona que va a tomar un vuelo considerar cmo llegar al aeropuerto a horario y un estudiante que debe resolver ejercicios
de un libro o de un examen pensar cmo llegar a la solucin
leyendo la informacin proporcionada en el planteo del problema. El estado inicial comprende los conocimientos previos
del estudiante y la informacin que figura en el planteo, y el
estado final implica tener una respuesta. Para ello hay que encontrar la solucin mediante la construccin de una secuencia de
clculos adecuada.

REPRESENTACION

Y COMPUTACIN

37

En la toma de decisiones, las personas tienen a su disposicin distintos medios, de los cuales deben elegir el mejor para
lograr sus objetivos. Pensemos, por ejemplo, en un estudiante
que est por recibirse y tiene que elegir entre buscar un trabajo, comenzar el doctorado o seguir otros cursos de posgrado.
No es una decisin fcil, ya que requiere definir objetivos y pensar en el curso de accin ms adecuado. En la planificacin, la
tarea consiste en encontrar una secuencia de acciones; en cambio, en la toma de decisiones se trata de elegir entre una cantidad de acciones posibles para preparar el mejor plan.
La justificacin implica descubrir por qu ha ocurrido cierto
suceso. Las preguntas pueden ser desde una tan cotidiana como
por qu un amigo al que estamos esperando para cenar an no
ha llegado, hasta una enmarcada dentro de las ciencias; por ejemplo, por qu evoluciona el lenguaje humano. Cualquier persona
dotada de una inteligencia bsica es capaz de planificar, tomar
decisiones y encontrar justificaciones. Una teora cognitiva debe
tener la capacidad computacional suficiente para brindar explicaciones posibles de cmo se resuelve ese tipo de problemas.
La capacidad computacional de un sistema de representaciones y procesos no se Umita a cunto puede computar un sistema;
tambin se debe considerar cuan eficiente es. Pensemos en un
proceso cuya primera aplicacin tarda un segundo, la segunda
tarda el doble que la primera, la tercera tarda el doble que la
anterior, y as sucesivamente. La vigsima vez que se aplique tardara 2^ segundos, ms de los que han transcurrido desde que
surgi el universo, hace unos 15.000 millones de aos. Los sistemas inteligentes naturales y artificiales deben tener una velocidad
tal que les permita operar con eficacia en su contexto particular.
Cuando alguien resuelve un problema, por lo general aprende
de la experiencia; as, si se enfrenta otra vez a una situacin semejante, le resultar ms fcil encontrar la solucin. Por ejemplo.

38

LA

MENTE

a los estudiantes que se anotan por primera vez en una materia


todo les parece confuso porque no saben cules son los trmites que deben hacer ni cules son las mejores ctedras. Con el
tiempo, todo se simplifica. En parte, ser inteligente consiste en
aprender de la experiencia; entonces, una teora de la representacin mental debe tener una capacidad computacional que
explique cmo aprenden los humanos. Los distintos enfoques
de la representacin mental dan cuenta de varias clases de aprendizaje, desde la adquisicin de nuevos conceptos, como anotarse
en una materia, y reglas como No anotarse en cursos que empiecen a las 8.30, hasta otras clases de adaptaciones sutiles.
Adems de la resolucin de problemas y el aprendizaje, una
teora cognitiva general debe explicar el uso del lenguaje humano.
Nuestra especie es la linica capaz de hacer un uso complejo del
lenguaje. Es probable que eso se deba a los principios generales
aplicados en la resolucin de problemas y en el aprendizaje, pero
tambin podra ser que el lenguaje fuera una capacidad cognitiva nica y que hubiese que considerarla por separado. Es necesario explicar al menos tres aspectos del uso del lenguaje: la capacidad de comprensin, de generar oraciones y la capacidad
universal de adquisicin del lenguaje durante la infancia. Los
distintos enfoques de la representacin del conocimiento dan
respuestas muy diferentes a cmo funcionan esos procesos.
Como rama de la ingeniera, la inteligencia artificial desarrolla modelos computacionales para la resolucin de problemas,
el aprendizaje y el uso del lenguaje en los que no se tiene en
cuenta cmo se llevan a cabo esos procesos en la mente humana.
Lo que importa es lograr que las computadoras los lleven a cabo.
En cambio, las ciencias cognitivas intentan comprender la cognicin humana, de modo que es fundamental que una teora
de la representacin mental refleje cmo piensan los humanos, ms all de tener una gran capacidad representacional y

Ktf K t i t n

lALIUM

LUMI^UIAUUN

computacional. En consecuencia, el tercer criterio para evaluar


una teora de la representacin mental es la plausibilidad psicolgica, es decir, es necesario dar cuenta no slo de las capacidades cualitativas de los humanos sino tambin de los resultados
cuantitativos de los experimentos psicolgicos por medio de los
cuales se estudian esas capacidades. Los experimentos en cuestin evalan las mismas tareas superiores que comentamos para
la capacidad computacional: la resolucin de problemas, el aprendizaje y el lenguaje. La diferencia radica en que una teora cognitiva de la representacin mental debe demostrar cmo es posible realizar una tarea en el plano computacional, pero adems
tiene que poder explicar cmo la realizan los humanos.
Del mismo modo, como el pensamiento se produce en el cerebro, una teora de la representacin mental debe corresponderse
con los resultados de los experimentos de la neurociencia. Hasta
no hace mucho tiempo, las tcnicas neurolgicas, como el registro electroencefalogrfico de las ondas cerebrales, poco decan
de la cognicin superior, pero en los ltimos veinte aos han
surgido nuevas tcnicas de escaneo cerebral que permiten detectar el momento y las zonas del cerebro en que se llevan a cabo
ciertas tareas cognitivas. As, la neurociencia cognitiva se ha convertido en una disciplina cientfica de gran importancia para
la reflexin sobre el funcionamiento de la mente. Por lo tanto,
si bien an no hay informacin suficiente sobre cmo opera el
cerebro a nivel cognitivo, es necesario evaluar los enfoques de la
representacin del conocimiento en trminos de plausibilidad
neurolgica (captulo 9).
El quinto y ltimo criterio a la hora de evaluar teoras de la
representacin mental es la aplicabilidad prctica. Aunque el objetivo principal de las ciencias cognitivas es llegar a comprender la
mente, se espera que sus resultados sean aplicables. En este libro
presentaremos las consideraciones de los distintos enfoques de

40

LA

n i . r H L J 111 i n t i u i ,

MENTE

la representacin del conocimiento en cuanto a cuatro clases de


aplicacin: educacin, diseo, sistemas inteligentes y enfermedades mentales. En lo que a educacin se refiere, las ciencias cognitivas deberan poder explicar los procesos de aprendizaje de los
alumnos y, en consecuencia, proponer mejores mtodos de enseanza. Los problemas con que se enfrenta el diseador de programas informticos -cmo crear interfaces agradables para los
usuarios- deberan poder resolverse a la luz del conocimiento
sobre cmo trabaja la mente cuando se realizan este tipo de tareas.
Lo mismo vale para el desarrollo de sistemas inteligentes que actan como expertos independientes o como herramientas que
asisten al hombre en la toma de decisiones. Las distintas teoras
de la representacin mental han facilitado el desarrollo de distintos sistemas expertos de computacin: herramientas conexionistas, o basadas en reglas o en casos. Otras aplicaciones prcticas posibles de las ciencias cognitivas se relacionan con el
conocimiento y el tratamiento de enfermedades mentales.
Veremos que ningn enfoque de las representaciones mentales satisface todos los criterios. Ms aun, hay aspectos del pensamiento humano, como las percepciones (vista, odo, tacto,
olfato y gusto), las emociones y el control de la actividad motriz,
que no estn incluidos en esos criterios (captulos lo a 12). No
obstante, los criterios mencionados proporcionan un marco
para la comparacin y la evaluacin de los aciertos y desaciertos de las teoras actuales de las representaciones mentales.

RESUMEN

Los investigadores en psicologa, inteligencia artificial, neurociencia, lingstica, antropologa y filosofa recurren a distin-

, >. u n r U I 1.1 U n

| (,1

tos mtodos para estudiar la mente, pero lo ideal sera que convergieran en una interpretacin comn de cmo funciona la
mente. De la consideracin de varios enfoques tericos distintos centrados en la analoga entre las representaciones y los
procesos mentales, por un lado, y las representaciones y los procesos utilizados en programas de computacin, por otro, ha
surgido una concepcin unificada de las ciencias cognitivas.
El modelo computacional-representacional de la mente opera
con el siguiente tipo de esquema explicativo:
Objetivo de la expUcacin
Por qu las personas tienen una clase particular de conducta
inteligente!

Modelo explicativo
Las personas tienen representaciones mentales.
Las personas tienen procesos algortmicos que operan sobre esas
representaciones.
Los procesos aplicados a las representaciones generan la conducta.

Las palabras en cursiva son parmetros que indican que para


explicar varios tipos de conducta inteligente, pueden considerarse varias clases de representaciones y procesos. En la actualidad hay seis enfoques principales de modelizacin de la mente:
la lgica, las reglas, los conceptos, las analogas, las imgenes y
las conexiones neuronales. Estos enfoques pueden evaluarse
segn cinco criterios: capacidad representacional, capacidad
computacional, plausibihdad psicolgica, plausibihdad neurolgica y aplicabilidad prctica.
En la escritura de este libro, nos hemos basado en los siguientes supuestos:

42

LA

MENTE

1. El estudio de la mente es apasionante y tiene gran importancia. Es apasionante por razones tericas, pues investigar la
naturaleza de la mente es un desafo, como lo son todas las empresas cientficas. Pero tambin es apasionante por razones prcticas, porque saber cmo fianciona la mente es importante para
mejorar la educacin, el diseo de computadoras y otros instrumentos, y el desarrollo de sistemas inteligentes de computacin que asistan a los expertos o realicen algunas de sus tareas.
2. El estudio de la mente es una actividad interdisciplinaria.
En ella concurre el saber de filsofos, psiclogos, expertos en
ciencias de la computacin, lingistas, especialistas en neurociencia, antroplogos e intelectuales. Es ms, el estudio de la mente
tambin requiere los diversos mtodos cientficos desarrollados
por esas disciplinas.
3- El estudio interdisciplinario de la mente -lo que hoy se denomina ciencias cognitivas- cuenta con un componente central: el
modelo computacional-representacional de la mente o M C R M . El
pensamiento es el producto de representaciones mentales y procesos computacionales que operan sobre esas representaciones.
4. El M C R M es verstil. Hay muchos tipos de representaciones y operaciones computacionales que son esenciales para comprender el pensamiento humano, cuya amplitud no permite
abarcarlo por medio de una nica explicacin. En este libro presentaremos los seis enfoques actuales ms importantes para la
comprensin de la mente en trminos representacionales y computacionales (captulos 2 a 8).
5. El M C R M es acertado. El enfoque computacional-representacional ha superado las teoras previas de la mente tanto en su
potencial terico para dar cuenta del desempeo psicolgico
como en su capacidad prctica para mejorar ese desempeo.
6. El M C R M no est completo. No todos los aspectos del pensamiento y la intehgencia humana pueden ser explicados nicamente

KbPKtUNIALIUN

Y I . U M PU I A l l N

43

en trminos computacionales y representacionales. El modelo ha


recibido crticas sustanciales que ponen en evidencia la necesidad de integrarlo con las investigaciones biolgicas (neurociencia) y sociales vinculadas con el pensamiento y el conocimiento.

PREGUNTAS PARA

PENSAR

1. Qu otros ejemplos podran darse de cosas que aprenden


los estudiantes tras ingresar a la universidad?
2. Por qu los investigadores de distintas disciplinas adoptan
mtodos diferentes para el estudio de la mente?
3. Qu otras opciones habra aparte del M C R M para estudiar
la mente?
4. Qu aspectos del pensamiento humano son ms difciles
de simular en las computadoras? Qu caractersticas de una
computadora nos hacen pensar que es inteligente?
5. Las teoras y los modelos de las ciencias cognitivas son comparables a los de la fsica y otras disciplinas similares?
6. Qu condiciones adicionales debera satisfacer una teora
de la representacin mental?

LECTURAS RECOMENDADAS

Textos de referencia recientes con valiosos artculos de ciencias


cognitivas: The MIT encyclopedia ofthe cognitive sciences (Wilson y Keil, 1999) [trad. esp.: Enciclopedia MIT de ciencias cognitivas] ; A companion to cognitive science (Bechtel y Graham, 1998);
Encyclopedia of cognitive science (Nadel, 2003).

44

LA

MENTE

Historia de las ciencias cognitivas: Gardner (1985); Thagard


(1992, cap. 9).

Trabajos introductorios: Johnson-Laird (1988); Stillings etal.


(1995); Dawson (1998); Sobel (2001).
Colecciones de artculos de ciencias cognitivas: Polk y Seifert (2002); Thagard (1998).
Manuales de psicologa cognitiva: Anderson (2000); Medin,
Ross y Markman (2001); Sternberg (2003).
Introduccin a la inteligencia artificial: RussellyNorvig (2003);
Winston (1993). Introduccin a lafilosofade la mente y las ciencias cognitivas: Graham (1998); Clark (2001).
Manual general de lingstica contempornea: Akmajian et
al. (2001).

Diccionario de ciencias cognitivas de la Universidad de


Alberta: <http://web.psych.ualberta.ca/~mike/Pearl_Street/
Dictionary/dictionary.html>
Sociedad de Ciencias Cognitivas: <http://www.
cognitivesciencesociety.org/>
Cogprints (archivo de ^|jculos de ciencias cognitivas):
<http://cogprints.ecs.soton.ac.uk/>
Diccionario de filosofa de la mente:
<http://wvw.artsci.wustl. edu/~philos/MindDict/>
Science Daily (noticias sobre la mente y el cerebro):
<http://www.sciencedaily.com/news/mind_brain.htm>
Sitio de ciencias cognitivas de Yahoo!:
<http://dir.yahoo.com/ Science/cognitive_science/>

Neurociencia cognitiva: LeDoux (1002); Kosslyn y Koenig (1992).


Enfoque computacional: Churchland y Sejnowski (1992).
Introduccin a la antropologa cognitiva: D'Andrade (1995).
NOTAS

SITIOS WEB

Nota: En mi sitio web, <http://cogsci.uwaterloo.ca/courses/


resources.html>, aparecen vnculos a todos los sitios
mencionados en este libro.
La inteligencia artificial en los medios (Asociacin Estadounidense de Inteligencia Artificial): <http://www.aaai.org/
AITopics/index.html>
La inteligencia arficial en Internet: <http://aima.cs.
berkeley.edu/ai.html>
Biografas de las principales figuras de las ciencias cognitivas:
<http://mechanism.ucsd.edu/~bill/research/ A N A U T . h t m l >

Las teoras del pensamiento como un conjunto de operaciones


computacionales suelen tomar como punto de partida un
modelo de computacin abstracto como la mquina de Turing,
un instrumento sencillo que consiste en una cinta y una cabeza
mecnica que escribe smbolos en los espacios de la cinta. Si bien
es posible probar matemticamente que ese tipo de mquina
puede, en principio, hacer todo lo que hacen otras computadoras, la mquina de Turing es un anlogo demasiado abstracto
del pensamiento. Analogas ms adecuadas del pensamiento son
las que se basan en ideas computacionales de nivel superior,
como las estructuras de datos y los algoritmos.
En Kitcher (1993), Leake (1992), Schank (1986) y Thagard (1999)
aparecen esquemas y patrones explicativos.

2
Lgica

La lgica formal no ha sido el enfoque ms influyente en el estudio psicolgico de la representacin mental, pero hay razones
para que abordemos el tema en uno de los captulos iniciales
de nuestro libro. En primer lugar, muchas de las ideas fundamentales sobre la representacin y la computacin han surgido en el mbito de la lgica. En segundo trmino, muchos filsofos e investigadores del campo de la inteligencia artificial se
valen de la lgica para estudiar el razonamiento. Por ltimo, la
lgica tiene una gran capacidad de representacin, y los dems
modelos de representacin mental, que quiz sean ms eficientes en el aspecto computacional y tengan mayor plausibilidad
psicolgica, deberan aspirar a tener una capacidad similar.
La lgica formal empez con Aristteles hace ms de dos
mil aos. El filsofo griego hizo un estudio sistemtico de inferencias como las que transcribimos a continuacin:
Todos los estudiantes son aplicados.
Mara es estudiante.
Mara es aplicada.
Esa clase de inferencia, con dos premisas y una conclusin, recibe
el nombre de silogismo. Aristteles describi distintos tipos de
silogismos y demostr que pueden analizarse exclusivamente por

4 8

LA

MENTE

SU forma. Para que la conclusin resulte de las dos premisas, no


importa que el silogismo se refiera a estudiantes cansados. Podemos decir "estantes" en lugar de "estudiantes", "cromados" en
lugar de "aplicados" o reemplazar "Mara" por "Marcos" y la conclusin de que Marcos es cromado se deduce de las nuevas premisas, incluso aunque no tenga demasiado sentido. Aristteles
ya utilizaba smbolos para indicar la forma de la inferencia:
Todos los E son A .
Mes E.
Mes A.
La novedad aristotlica de analizar los silogismos teniendo en
cuenta slo su forma y dejando de lado su contenido ha sido
fundamental para la lgica. La utilidad de ese mtodo fue cuestionada por la psicologa, como veremos ms adelante, en la seccin acerca de la validez psicolgica del enfoque lgico.
El silogismo es una forma de inferencia deductiva en la que
la conclusin se deriva necesariamente de las premisas. Si las
premisas son verdaderas, la conclusin tambin es verdadera.
La inferencia inductiva es ms riesgosa, pues implica una incertidumbre. Si todos los estudiantes que uno conoce leen mucho,
se concluye por inferencia inductiva que todos los estudiantes
leen mucho. Pero la conclusin bien podra ser errnea; por
ejemplo, en un curso de cestera, sera difcil determinar qu
estudiantes leen mucho y cules ro.
Si bien el silogismo fue el tema dominante en los debates de
lgica formal durante dos mil aos, esta forma no basta para
representar todas las inferencias. Los silogismos estn muy bien
para predicados simples como "ser estudiante", pero no sirven
para representar relaciones como la indicada por el verbo "asistir" en oraciones como sta: "Los estudiantes que asisten a cur-

LGICA

49

sos obtienen crditos". Aqu, "asistir" representa una relacin


entre un estudiante y un curso. La lgica moderna naci en 1879
con la obra del matemtico alemn Gotdob Frege (1960), quien
dise un sistema formal de lgica mucho ms general que el
de Aristteles. La influencia de Frege en Bertrand Russell y en
muchos otros lgicos llev a descubrir modos de aumentar la
capacidad representacional y deductiva de la lgica formal.
Las primeras teoras computacionales fueron desarrolladas
por lgicos como Alonzo Church y Alan Turing. En la dcada
de 1930, Church y Turing, entre otros, idearon esquemas matemticos para determinar qu problemas podan resolverse por
medio de procesos computacionales. Esos esquemas resultaron
equivalentes entre s, lo que dio sustento a la hiptesis segn la
cual la nocin intuitiva de procedimiento efectivo de cmputo
se corresponde con conceptos matemticos tales como el de computabilidad de la mquina de Turing. Cuando surgieron las computadoras digitales en las dcadas de 1940 y 1950, la teora matemtica de la computabilidad fue una herramienta muy til en
la comprensin de las operaciones realizadas por esas computadoras. No es de sorprender, entonces, que cuando naci la inteligencia artificial a mediados de la dcada de 1950, investigadores con conocimientos matemticos, como John McCarthy, hayan
considerado que la lgica era el instrumento ms adecuado. Veremos, sin embargo, que otros cientficos como Alien Newell, Herbert Simn y Marvin Minsky se inclinaron por otras opciones.

CAPACIDAD REPRESENTACIONAL

La lgica formal moderna cuenta con recursos para representar muchas clases de inferencias deductivas. El sistema ms sim-

50

LA

LGICA

MENTE

51

pie es el de la lgica proposicional, en la que se utilizan frmulas del tipo depY q para representar proposiciones tales como
"Paula est en la biblioteca" y "Martn est en la biblioteca". Las
frmulas simples se combinan para generar frmulas ms complejas por medio de la utilizacin de smbolos tales como ^ ("y"),
V ("o"),
("si... entonces"). Por ejemplo, la oracin "Si Paula
est en la biblioteca, entonces Martn est en la biblioteca" se
representa p
q. Este tipo de oraciones se llaman condicionales; estn formadas por un antecedente (la clusula condicional propiamente dicha) y un consecuente (la proposicin introducida por "entonces"). Para expresar la negacin y afirmar que
"no p" se utiliza el smbolo ~: ~p. Con estos elementos bsicos
pueden representarse formalizaciones de oraciones ms complejas. Por ejemplo, la oracin "Si Paula o Martn estn en la
biblioteca, entonces Dbora no est en la biblioteca" se representa as: ip V q) ^ ~d, donde p equivale a "Paula est en la
biblioteca", q es el smbolo para "Martn est en la bibHoteca" y
d es el equivalente de "Dbora est en la biblioteca".

"Martn"). Estos ltimos se denominan constantes. En la versin que se suele ensear en los cursos introductorios de filosofa, la proposicin "Paula es estudiante" se representa E(p),
donde p es el individuo "Paula" (y ya no una proposicin entera)
y es el predicado "ser estudiante". En ciencias de la computacin, la misma proposicin suele representarse as: ser-estudiante
(Paula). Adems de atribuir propiedades simples a individuos,
los predicados pueden denotar relaciones entre dos o ms entidades. Por ejemplo, la oracin "Paula estudia filosofa" queda-

Existen otros sistemas lgicos, ms complejos, en los que es


posible representar otros tipos de operadores proposicionales.
La lgica modal, por ejemplo, agrega smbolos para la posibilidad y la necesidad, y as hace posible la representacin de oraciones como "Es posible que Paula est en la biblioteca". La lgica
epistmica puede expresar la diferencia entre "creer" y "saber".
As, dentro de este sistema, Kp equivale a "Se sabe que p". La
lgica dentica, por su parte, permite codificar conceptos como
la prohibicin o el permiso.
Dentro de la lgica formal, las proposiciones se representan
como todos indivisibles; el sistema no permite expresar su estructura interna. Para eso existe la lgica de predicados. En la lgica
de predicados, los smbolos bsicos son los que permiten distinguir predicados ("ser estudiante") de individuos ("Paula",

Literalmente, la frmula se lee "Para todo x, si x es estudiante,


X lee mucho", que equivale a decir que todos los estudiantes leen
mucho.
La oracin "Los estudiantes que cursen materias obtendrn
crditos" se formaUza de la siguiente manera:

ra representada como estudiar (Paula, filosofa).

Ms aun, la lgica de predicados tiene la capacidad de representar formalmente expresiones cuantificadas, ya que cuenta
con otras dos clases de smbolos: cuantificadores ("todos",
"alguno") y variables (x, y). Por ejemplo, la oracin "Los estudiantes leen mucho" se representa as:
(para todo x) [estudiante (x)

leer mucho (x)].

(para todo x) (para todo y) [(estudiante (x) ^ materia (y) ^ cursar {x,y))
obtener crditos (x)]
Si bien la frmula parece complicada, su lectura es relativamente
sencilla: "Para todo x, si x es estudiante, y para todo y, donde/
es materia, si x cursa y, entonces x obtiene crditos".
En este punto, el lector podra preguntarse qu tienen que ver
todos estos smbolos matemticos con la psicologa y la mente.

52

LA

MENTE

LGICA

53

La respuesta es que muchos de los trabajos en ciencias cognitivas incluyen rudimentos de lgica, sobre todo cuando anaUzan
los procedimientos mentales deductivos. Como mnimo, es necesario saber que las personas entienden enunciados como "Los
estudiantes que cursen materias obtendrn crditos" y los utilizan para hacer inferencias. A diferencia de otros modelos que
presentaremos en este captulo, la lgica de predicados tiene la
capacidad de representacin necesaria para expresar ese enunciado en un lenguaje formal.
Si bien la lgica de predicados tiene un sinnmero de aplicaciones, sus limitaciones se hacen evidentes cuando tratamos
de traducir un texto producido en cualquier lengua natural.
Podramos hacer la prueba con el prrafo anterior. En la primera oracin aparece la expresin "en este punto"; la ampliacin de la lgica de predicados para dar cuenta de las referencias decticas y temporales es un tema complicado. Tambin
aparece una mencin de la primera persona del plural en el verbo
"presentaremos". Si bien para el lector es fcil inferir que esa persona se refiere a Paul Thagard, el autor de este libro, formalizar
esa referencia no es tarea sencilla. Adems, la primera oracin
del prrafo contiene una clusula subordinada, el contenido
de la pregunta que se hace el lector. Los recursos formales de la
lgica de predicados resultan algo limitados a la hora de expresar el fenmeno sintctico-semntico de la subordinacin (la
inclusin de una proposicin dentro de otra). Si la traduccin
del lenguaje natural al lenguaje lgico formal fuera ms directa
o sencilla, sera ms fcil afirmar que la lgica es el mejor modelo
para las representaciones mentales.

est en la biblioteca", la lgica formal puede combinarse con


modelos complementarios, como la teora de probabilidades,
que asigna valores entre o y i a las proposiciones. As, el enunciado anterior podra representarse como P(p) = 0,7 si la probabilidad de que Paula est en la biblioteca es de 0,7.

La lgica proposicional y la lgica cuantificacional o de predicados son adecuadas para representar proposiciones verdaderas o falsas, pero no son lenguajes que puedan codificar la falta
de certeza. Para enunciados del tipo de "Es probable que Paula

Aplicando el modus ponens al condicional "Si Paula est en la


biblioteca, entonces Martn est en la biblioteca" y a la premisa
de que Paula est en la biblioteca, es posible inferir que Martn
est en la biblioteca. Si, en cambio, la segunda premisa es que

CAPACIDAD COMPUTACIONAL

En s mismas, las representaciones no son suficientes para dar


cuenta del pensamiento. Hacen falta operaciones que combinen
y modifiquen esas representaciones, y que permitan obtener
otras representaciones. En lgica, las conclusiones se extraen
por medio de la aplicacin de reglas de inferencia a un conjunto de premisas. Dos de las reglas inferenciales ms conocidas reproducen la estructural de un condicional:
Modusponens

Entonces q
Modus tollens
p - q
no-q

Entonces no-p.

54

LA

MENTE

Martn no est en la biblioteca, el modus tollens permite concluir que Paula tampoco.
La lgica de predicados tambin cuenta con reglas para operar con cuantificadores tales como "todos" o "algn". Por ejemplo, la regla de reemplazo del universal permite inferir ser-simptico (Paula) de (para todo x) (simptico (x)), es decir que de
la proposicin "Todos son simpticos" puede concluirse "Paula
es simptica". Una aplicacin ms compleja es la del siguiente
silogismo: Todos los estudiantes leen mucho; Mara es estudiante; ergo, Mara lee mucho. La representacin formal sera:
(para todo x) (estudiante (x))
(leer mucho (x)); (estudiante
(Mara))
(leer mucho (Mara)).
Las reglas abstractas de inferencia como el modus ponens no
son en s mismas operaciones de procesamiento. Para que haya
operaciones computacionales, tienen que formar parte de un
sistema que las aplique a las proposiciones con la forma lgica
correcta. Desde el punto de vista lgico, el razonamiento deductivo consiste en la aplicacin de reglas de inferencia formales a
premisas con determinada forma lgica.

Solucin de problemas

Planificacin. Muchos problemas de planificacin admiten soluciones en las que se utiliza la deduccin lgica. Pensemos en el
siguiente caso: Mariela es estudiante de psicologa. El plan de estudios indica que, para obtener el ttulo, tiene que cursar diez materias, entre ellas dos cursos de Estadstica. Estadstica i es correlativa de Estadstica 2, y a su vez es necesario aprobar Estadstica 2
antes de cursar Mtodos de Investigacin, otra de las materias obligatorias. Observando el plan de estudios y aplicando la regla de
reemplazo del universal, Mariela puede inferir los condicionales
que se aplican a su caso:

LOGICA

55

cursar (Mariela, Estadstica 1)


poder cursar (Mariela, Estadstica 2)
poder cursar (Mariela, Estadstica 2) ^ estar disponible (Estadstica 2)
cursar (Mariela, Estadstica 2)
cursar (Mariela, Estadstica 2)
poder cursar (Mariela, Mtodos de Investigacin)
poder cursar (Mariela, Mtodos de Investigacin) ^ estar disponible (Mtodos de Investigacin) -> cursar (Mariela, Mtodos de Investigacin)
cursar (Mariela, Estadstica 1) ^ cursar (Mariela, Estadstica
2) ^ cursar (Mariela, Mtodos de Investigacin) ^ cursar (otras
siete materias)
obtener (Mariela, ttulo de grado en psicologa).
El ltimo condicional es una representacin un tanto burda
de "Si Mariela aprueba dos cursos de Estadstica, Mtodos de
Investigacin y otras siete materias, entonces puede obtener
un ttulo de grado en psicologa". As, Mariela puede utilizar
estos condicionales y el modus ponens como regla de inferencia para elaborar un plan que, en trminos lgicos, sera una
deduccin desde un estado inicial en el que no se ha cursado
ninguna materia hasta el estado final, es decir, el de la obtencin del ttulo.
Para que la planificacin sea realizable desde el punto de vista
computacional, la deduccin tiene que ser ms acotada que las
reglas de inferencia generales de la lgica formal. La lgica proposicional, por ejemplo, contiene este regla de conjuncin:
Conjuncin
P

g
Entonces, p ^ q.

56

lA

MENTE

Esta regla funciona dentro de un sistema lgico, pero a nivel


computacional podra tener consecuencias desastrosas. Si Mariela
ha cursado las dos materias de estadstica, bien podra inferir:
cursar (Mariela, Estadstica i) ^ cursar (Mariela, Estadstica 2).
En cambio, no ganara nada con hacer la inferencia adicional
(aunque sea vlida)
cursar (Mariela, Estadstica 1) ^ cursar (Mariela, Estadstica 2)
^ cursar (Mariela, Estadstica 1) ^ cursar (Mariela, Estadstica 2).
Las inferencias sin lmite de este tipo agotaran la memoria de
cualquier sistema inteligente -humano o artificial- en poco
tiempo.
Como mtodo de planificacin, la deduccin es intuitivamente atractiva. Sin embargo, presenta una serie de problemas
computacionales. En primer lugar, es demasiado lenta, pues se
necesita una enorme cantidad de inferencias para elaborar planes, incluso los ms sencillos, si bien es cierto que existen diversas estrategias computacionales para hacerla ms eficaz. En
segundo trmino, la planificacin puramente deductiva es montona: las conclusiones obtenidas siguen siendo verdaderas por
ms premisas que agreguemos. Esto significa que la nica operacin permitida es sacar nuevas conclusiones. (La monotona
es la propiedad de una funcin matemtica de conservar el orden
dado, es decir, de ser montonamente creciente o montonamente decreciente. El razonamiento humano no tiene esa propiedad, en tanto no se limita a agregar nuevas ideas, sino que
tambin deja de lado ideas viejas.) Los expertos en inteligencia
artificial han creado varias estrategias para convertir a la lgica
en un sistema no montono, pero son muy costosas desde el
punto de vista computacional. Por ltimo, un planificador puramente deductivo no tiene la capacidad de aprender de la expe-

LOGICA

57

riencia. Resuelto un problema, tendr que pasar por todo el proceso deductivo una vez ms si tiene que volver a resolverlo, a
menos que se le incorpore algn mtodo de aprendizaje a partir de la experiencia.
Lo presentado aqu no es ms que una resea superficial del
trabajo realizado en inteligencia artificial en relacin con la planificacin deductiva (vanse, por ejemplo, Dean y Wellman,
1991; Russell y Norvig, 2003). Debe quedar en claro, sin embargo,
que si bien la deduccin lgica puede ser una forma til de representar la resolucin de problemas de planificacin, el enfoque
tiene algunas dificultades. En captulos posteriores mostraremos otros enfoques para la planificacin.
Toma de decisiones. Desde el punto de vista lgico, la planificacin deductiva consiste en encontrar un camino para llegar
de un estado inicial a un estado final u objetivo. Qu ocurre
cuando hay ms de un camino razonable para seguir? En el
ejemplo de la seccin anterior, el plan deductivo de Mariela
era cursar Estadstica 1, Estadstica 2 y Mtodos de Investigacin, en ese orden. Pero en el transcurso de la carrera, nuestra estudiante podra tener que tomar decisiones que la obligaran a elegir entre acciones alternativas. Filosofa, Filologa
o Literatura podran ser las opciones para la materia obligatoria de humanidades, por ejemplo. En este caso, la deduccin
no alcanza para decidir qu materia cursar, pues cualquiera de
los tres caminos la llevara al objetivo deseado (cumplir con
el requisito de cursar una materia humanstica). Mariela debe
decidir entonces cul de las tres materias le permitir cumplir con otros objetivos: aprender algo interesante, no tener
que leer mucho o tener un horario cmodo. La deduccin
puede servir para pensar en algunas de las posibles consecuencias de cada opcin. Si Literatura se dicta a las ocho de la

58

MENTE

maana, Mariela podra deducir que se tendra que levantar


muy temprano para llegar a horario. Por el contrario, hay consecuencias que no son tan claras, dado que los estudiantes suelen no conocer a priori todas las caractersticas de un curso.
As, muchas veces, la toma de decisiones implica evaluar tambin probabilidades. Mariela podra pensar que Filosofa es ms
interesante que Filologa (o viceversa), o que Literatura le ser
ms iJtil que Filologa. Por lo tanto, su decisin depender tanto
de sus objetivos como de sus estimaciones de las probabilidades
que tiene cada accin de garantizar el logro de los mismos, de
modo que en la toma decisiones hay lugar para juicios en los
que se aplica la teora de probabilidades, donde P(p/q) representa la probabilidad de p dado q. En nuestro ejemplo, P (ser
interesante/ Filologa) expresa la idea de Mariela de que si elige
el curso de Filologa, es probable que aprenda algo interesante.
Para calcular la probabilidad, Mariela puede recurrir a su conocimiento general de los cursos de Filologa de su universidad y
de la medida en que esos cursos son interesantes. Para decidir
si va a cursar Filosofa, Filologa o Literatura, tendr que calcular el valor esperado de cada opcin, considerando la probabilidad de los distintos resultados y la medida en que cada uno de
ellos cumple con los objetivos planteados.
Existen sistemas computacionales para la toma de decisiones
basados en clculo de probabilidades. Holtzman (1989) utiliz la
teora de probabilidades y otros conceptos formales para crear un
sistema inteligente de toma de decisiones que ayudara a las parejas que no podan tener hijos a elegir el tratamiento de fertilizacin ms adecuado. El desarrollo de sistemas de computacin
probabilsticos es ms complicado de lo que parece, pues las probabilidades pueden ser "explosivas" desde el punto de vista computacional: la cantidad de probabilidades necesarias puede incrementarse exponencialmente con el aumento de las proposiciones

LGICA

59

O las variables del modelo. No obstante, existen tcnicas muy ingeniosas que permiten mantener el razonamiento probabilstico
dentro de lmites manejables (Neapolitan, 1990; Pearl, 1988,2000).
Ms adelante nos ocuparemos de la relacin entre las probabilidades y las decisiones que toman las personas en su vida cotidiana.
Explicacin. Mientras que en el caso de la planificacin el problema es cmo alcanzar determinados objetivos, la explicacin
nos exige comprender por qu sucedi algo. Supongamos que
Martina y Franco han quedado en encontrarse en el bar de la
facultad pero el muchacho no aparece. Es lgico que la chica se
pregunte entonces cul pudo haber sido el motivo de la ausencia. Al igual que los planes, las explicaciones pueden verse como
deducciones lgicas de lo que queremos explicar a partir de lo
que ya sabemos. As, Martina podra enterarse de que Franco
est estudiando para un examen y que cuando estudia se olvida
de sus compromisos sociales. Partiendo de esa informacin y
aplicando un mtodo deductivo, Martina puede llegar a una
exphcacin de por qu Franco no acudi a la cita.
La idea de que las explicaciones son deducciones lgicas fue
elaborada y defendida por el filsofo de la ciencia Cari Hempel
(1965). Esto es particularmente cierto en las disciplinas cientficas ms matemticas, como la fsica. Sin embargo, tal como
veremos en otros captulos, no todas las explicaciones son de
naturaleza deductiva. Ms aun, no todas las deducciones son
explicativas. Por ejemplo, la altura de un mstil puede deducirse de la sombra que proyecta sumada a leyes de trigonometra
y ptica, pero no por eso podemos afirmar que la longitud de la
sombra de un mstil constituye una explicacin de su altura.
Son muy pocos los casos de explicaciones que pueden obtenerse por deduccin lgica. En nuestro ejemplo, eso sera posible si Franco fuera muy estricto y faltara a sus compromisos sola-

6o

LA

MENTE

mente si estuviera enfermo. Entonces, Martina podra aplicar el


modusponens: "Si Franco falta a una cita, est enfermo; Franco
falt a la cita conmigo; por lo tanto, Franco est enfermo". Sin
embargo, en la mayora de los casos habr ms de una explicacin posible. As como cuando se elabora un plan deben establecerse distintos caminos para llegar al objetivo, Martina tendr que ser capaz de pensar ms de una explicacin a partir de
distintas premisas con estructura de condicional:
Si Franco est enfermo, entonces no aparecer.
Si Franco ha tenido un accidente, entonces no aparecer.
Si Franco se ha enamorado de otra chica, entonces no aparecer.
Si Martina no supiera cul es el valor de verdad de las condiciones enumeradas (es decir, si de verdad Franco est enfermo
o tuvo un accidente o se enamor de otra), no le sera posible
deducir automticamente que Franco no ir a encontrarse con
ella, pero s podra formular hiptesis de qu fue lo que ocurri.
Este tipo de inferencia, en la cual se formula una hiptesis para
llegar a una explicacin, se denomina abduccin. El trmino fue
acuado por el filsofo norteamericano Charles Peirce (1992).
As, Martina podra concluir por abduccin que Franco est
enfermo, en tanto esta hiptesis, sumada a la regla de que si
Franco est enfermo no ir a la cita, le permite explicar por la
va deductiva por qu Franco no fue. La inferencia abductiva
es un mtodo de aprendizaje tan eficaz como riesgoso.

Aprendizaje

Los sistemas inteligentes deberan ser capaces no slo de resolver distintos tipos de problemas sino tambin de usar la experiencia pasada para mejorar el rendimiento. Cmo podemos

LGICA

61

perfeccionar las tareas de planificacin, toma de decisiones y


explicacin? Dentro del enfoque lgico no se ha hecho demasiado para mejorar la capacidad de resolucin de problemas; sin
embargo, las representaciones lgicas pueden ser de mucha utilidad para describir ciertos tipos de programas de aprendizaje.
Pensemos en los problemas de aprendizaje con que se encuentran los estudiantes cuando recin llegan a la universidad. En
general, no es mucho lo que saben acerca de la oferta de cursos
o el tipo de personas con las que se cruzarn. Pronto empiezan
a acumular informacin al respecto, a partir de ejemplos particulares de cursos e individuos y por medio de generalizaciones inductivas. Las generalizaciones burdas pueden incluir proposiciones tales como: "Las clases de filosofa son divertidas (o
aburridas, segn la experiencia personal)" o "Las clases de estadstica son muy exigentes". Son inductivas en el sentido de que
implican un margen de incertidumbre, un salto de lo que se sabe
con certeza a lo que es, en el mejor de los casos, probable. Los
estudiantes que hayan cursado dos materias de filosofa podran
estar en condiciones de hacer una generalizacin a partir de
informacin que puede expresarse en un lenguaje lgico del
siguiente modo:
entretenido (Filosofa i)
entretenido (Filosofa 11)
Entonces (para todo x) (curso defilosofa(x) * entretenido (x)).
La conclusin inductiva es que todo curso de filosofa es entretenido, pero es evidente que puede haber cursos defilosofamuy
aburridos (pensemos en algo como... Filosofa del armado de
cestos!).
Los programas informticos que realizan generalizaciones
inductivas no siempre usan representaciones lgicas como input.

62

LA

LOGICA

MENTE

Uno de los programas de aprendizaje ms utilizados es el ID3,


ideado por Quinlan (1983). Podemos encuadrarlo dentro del
enfoque lgico porque se vale del clculo de probabilidades para
formular generalizaciones a partir de conjuntos de individuos.
Por ejemplo, dada una muestra de estudiantes de distintos departamentos y una descripcin de sus principales caractersticas,
el sistema puede sacar conclusiones sobre las diferencias de comportamiento personal, social e intelectual entre los estudiantes
de ingeniera, artes o ciencias.
A diferencia de la deduccin y al igual que la generalizacin
inductiva, la abduccin es un tipo de inferencia muy peligroso.
En el ejemplo de Martina y Franco, hay todo un abanico de motivos que Martina desconoce por los cuales Franco pudo no haber
ido a la cita. Sin embargo, pese a los riesgos que implica, el razonamiento abductivo es fundamental en ciencia y en la vida cotidiana, ya sea que queramos explicar por qu se extinguieron
los dinosaurios o el comportamiento de nuestros amigos. Como
la abduccin tiene por finalidad producir explicaciones y las
explicaciones a veces pueden entenderse como deducciones lgicas, los estudios del razonamiento abductivo dentro del enfoque lgico no son infrecuentes (vase Konolige, 1992, entre otros).
En captulos posteriores presentaremos otras formas de explicar la abduccin.
En situaciones como la de Martina, no queremos encontrar
una explicacin cualquiera para la ausencia de nuestro amigo,
sino la mejor explicacin. Desde el punto de vista lgico, la evaluacin de distintas explicaciones para saber cul es la mejor
implica el clculo de probabiUdades. Para ello podemos recurrir al teorema de Bayes, segin el cual la probabilidad de una
hiptesis dada la evidencia es igual al resultado de multiplicar
la probabiHdad inicial de la hiptesis, P(h), por la probabilidad
de la evidencia dada la hiptesis dividido la probabilidad de la

63

evidencia. En el caso de la cita, la probabilidad de que Franco


est enfermo depende del clculo de Martina de la probabilidad
de que el muchacho est enfermo en general, sin tener en cuenta
el hecho de que no ha ido a encontrarse con ella. Para aplicar el
teorema de Bayes, Martina tendr que considerar la probabiHdad de que Franco no vaya a la cita con el supuesto de que est
enfermo. Los abordajes probabilsticos del problema de seleccin de hiptesis expHcativas son muy comunes en inteligencia artificial (Pearl, 1988,2000) y enfilosofa(Howson y Urbach,
1989; Glymour, 2001). No obstante, existen otros enfoques, como
veremos en el captulo 7.
El trmino "induccin" puede resultar confuso, pues se lo utiliza en sentido lato y en sentido estricto. En sentido amplio, se
refiere a cualquier tipo de inferencia que, a diferencia de la deduccin, introduzca algiin grado de incertidumbre. En sentido
estricto, abarca slo la generaHzacin inductiva, es decir, la formulacin de conclusiones generales a partir de ejemplos particulares. La abduccin es un tipo de induccin en sentido amplio,
pero no en sentido restringido. En este libro se utilizan los trminos "aprendizaje" y "generalizacin inductiva" para hacer referencia a la induccin en sentido amplio y restringido, respectivamente, y evitar as la confusin. En otros captulos presentamos
ms enfoques computacionales del aprendizaje.

Lenguaje

Muchos lingistas han visto la lgica formal como una herramienta natural para comprender la estructura del lenguaje. Hasta
se ha publicado un libro cuyo ttulo se traducira "Todo lo que
los lingistas siempre han querido saber sobre lgica... y no se
atrevieron a preguntar" (McCawley, 1993). El filsofo Richard
Montague (1974) sostiene que no hay diferencias tericas impor-

64

LA

MENTE

LGICA

tantes entre las lenguas naturales y los lenguajes artificiales de


los lgicos. Sin embargo, casi ningn lingista o psiclogo estara de acuerdo con esa afirmacin en la actualidad y, de hecho,
la lgica ha tenido un papel secundario para el avance en la comprensin del lenguaje humano. Stabler (1992) se vale de ella para
formalizar algunas de las ideas ms recientes de Chomsky sobre
el lenguaje; entre ellas, la postulacin de una interfase mental
denominada "forma lgica", en la que se representa el significado de las oraciones (Chomsky, 1980). Ms adelante en este
libro presentaremos otros tipos de representaciones, como las
reglas y los conceptos, que han sido muy utilizadas para describir y explicar el conocimiento y el uso del lenguaje.

PLAUSIBILIDAD

PSICOLGICA

Nunca ha habido consenso respecto de la importancia de la


lgica para la psicologa, y viceversa. Algunos de los primeros
pensadores, como John Stuart Mili, para quienes la lgica era
el arte y la ciencia del razonamiento, vean una relacin estrecha entre ambas. Otros, como Frege y Peirce (los padres de la
lgica moderna), marcaron estrictas lneas divisorias entre una
y otra, y en sus trabajos dieron la espalda a la psicologa. Hoy
en da, las posturas bsicas con respecto a la relacin entre lgica
formal y psicologa son tres:
1. La lgica formal es un componente importante del razonamiento humano.
2. Existe una relacin lejana entre la lgica y el razonamiento
humano pero la distancia no importa porque la finalidad de la
lgica es proporcionar a la filosofa y a la inteligencia artificial
un anlisis matemtico del razonamiento ptimo.

65

3. Existe una relacin lejana entre la lgica y el razonamiento


humano, y, en consecuencia, las ciencias cognitivas deben elegir otros enfoques.
La primera posicin es la que adoptan algunos psiclogos,
como los que se han propuesto buscar evidencia emprica de
que la mente humana recurre a reglas como el modus ponens.
La segunda es la ms comn entre los filsofos y los especialistas en inteligencia artificial que prefieren los enfoques formales. La tercera es la postura dominante en psicologa, pero tiene
menos adeptos en filosofa y en inteligencia artificial.
Los defensores ms entusiastas de la primera concepcin han
sido Martin Braine (1978; Braine y O'Brien, 1998) y Lance Rips
(1983,1986,1994). Rips (1986: 279) menciona distintos tipos de
evidencia emprica que prueban la existencia de la lgica mental. De hecho, las teoras de lgica mental predicen correctamente los juicios de validez que realizan los sujetos para una
gran cantidad de argumentos proposicionales. Por ejemplo, se
suelen reconocer como vlidos los argumentos con la forma del
modusponens y considerar invlidos los de la forma "Si A, entonces B; B, entonces A". Las teoras de lgica mental tambin permiten dar cuenta de los tiempos de reaccin de este tipo de juicios e interpretar lo que dicen los sujetos cuando piensan en voz
alta acerca de la validez de distintas clases de argumentos.
Sin embargo, otros experimentos han llevado a los psiclogos al escepticismo respecto de la lgica mental. La tcnica experimental ms conocida es la que utiliza la tarea de seleccin de
Wason (1966), en la que se informa a los participantes que se
les mostrarn unas cartas que tienen nmeros de un lado y letras
del otro, al tiempo que se les dan reglas como sta: Si una carta
tiene una A de un lado, entonces tiene un 4 del otro. Luego se les

muestran cuatro cartas y se les pide que elijan cules habr que
dar vuelta para decidir si la regla es vlida o no. Las cuatro car-

66

LA

MENTE

tas podran ser las de la figura 2.1. La mayora de las personas


advierten que es necesario dar vuelta la carta A para verificar si
tiene un 4 del otro lado. Esa respuesta puede interpretarse como
una aplicacin del modus ponens, pues la regla "Si A, entonces
4" sumada a la premisa "A", indica que debemos dar vuelta esa
carta para verificar la conclusin. Por el contrario, son pocos los
que verifican el 7, de modo que la mayora pasa por alto el hecho
de que, si esa carta tuviera una A del otro lado, la regla en cuestin quedara reftitada. Advertir que se necesita dar vuelta la
carta 7 implica la aplicacin del modus tollens: "Si A, entonces
4; 7 es ~4; por lo tanto, la otra cara tendr que ser ~A para que
la regla sea vlida". Algunos de los sujetos se confunden y dan
vuelta las cartas B y 4, sin darse cuenta de que esas cartas no
tienen la menor pertinencia para determinar la validez de la regla
en cuestin.

Figura 2.1. Cartas de la tarea de seleccin de Wason.

El objetivo de este tipo de experimentos no es mostrar que las


personas son tontas y violan las reglas de la lgica formal. Los
resultados son interesantes porque indican que, en realidad, la
mente humana cuenta con representaciones y procesos computacionales muy distintos de los dla lgica formal para realizar
este tipo de tareas. Otras pruebas muestran que el problema de
las cartas de Wason se resuelve con ms facilidad si se dan ejemplos concretos y conocidos. Supongamos que el investigador
dice a los participantes que, de un lado, las cartas contienen
informacin acerca de individuos que estn en un bar y, del otro,
las edades de los parroquianos, ms una regla de este estilo: "Si

LGICA

67

una persona est en el bar, tiene ms de veintin aos". Luego


se les pide que elijan qu cartas dar vuelta para saber si la regla
se cumple entre E N B A R , ~ E N B A R , 23 y 18. A diferencia de lo
que sucede en el experimento con abstracciones (letras y nmeros), en este caso, la mayora de los sujetos advierten que es necesario dar vuelta no slo la carta E N B A R para constatar la edad
del individuo sino tambin la carta con el nmero 18 para verificar que del otro lado diga ~ E N B A R .
Cheng y Holyoak (1985) sostienen que, para realizar este tipo
de tareas, las personas no se valen de la lgica mental sino de
esquemas pragmticos de razonamiento. Por ejemplo, un esquema

de permiso tiene la forma "Si x quiere hacer y, entonces x tiene


que cumpHr con la condicin z". As, la razn por la cual los participantes del experimento se desenvuelven mucho mejor con
el ejemplo concreto del bar que con el abstracto de las letras y
los nmeros es que en el primer caso se puede aplicar el esquema
de permiso con naturalidad. La aplicacin psicolgica de reglas
y esquemas est tratada en los captulos 3 y 4.
El crtico ms acrrimo de la lgica mental ha sido el psiclogo
Philip Johnson-Laird (1983). Johnson-Laird y Ruth Byrne (1991)
sostienen que el razonamiento deductivo no se lleva a cabo por
medio de reglas lgicas ni de reglas o esquemas de contenido especfico, sino que utiliza modelos mentales, es decir, representaciones mentales cuya estructura se corresponde con las situaciones
que representan. Cuando se interpreta un condicional como "Si
una carta tiene la A de un lado, entonces tendr un 4 del otro", se
construye una representacin mental como la siguiente:
[A] 4
donde " [ A ] " se refiere a un modelo en el que una carta tiene
escrita una A en una de sus caras y "4" significa que, en ese modelo,
la carta tiene un 4 escrito del otro lado. Jonson-Laird y Byrne
explican el patrn de comportamiento de los sujetos en la tarea

68

LA

MENT

de seleccin a partir del supuesto de que se tienen en cuenta slo


las cartas que estn explcitamente representadas en el modelo
de la regla. De ah que la primera carta que se da vuelta sea la que
tiene la A y que muchos pasen por alto la carta con el 7.
La teora de los modelos mentales tambin se ha aplicado a
distintos tipos de razonamiento con cuantificadores. Para la
lgica formal, el razonamiento con cuantificadores se vale primero de reglas de inferencia como la de reemplazo del universal para eliminar los cuantificadores; en un segundo paso, de
reglas de la lgica preposicional como el modus ponens; y, por
himo, de otro grupo de reglas que permiten reinsertar los cuantificadores. Tomemos el siguiente razonamiento sencillo:
Todos los jugadores de ftbol tienen fuerza.
Todos los que tienen fuerza pueden levantar objetos pesados.
Por lo tanto, todos los jugadores de ftbol pueden levantar objetos pesados.
Para la lgica, ste es un razonamiento vlido, tal como se observa
al aplicar la regla de reemplazo del universal para convertir las
premisas en proposiciones no cuantificadas: "Si x es jugador
de ftbol, entonces x tiene fuerza"; "Si x ene fuerza, entonces
X puede levantar objetos pesados". Por medio de reglas de la
lgica proposicional se llega a "Si x es jugador de ftbol, entonces X puede levantar objetos pesados", que luego se generaliza
de modo tal que permite la introduccin del cuantificador universal: "Para todo x, si x es jugador de ftbol, entonces x puede
levantar objetos pesados".
Por el contrario, Johnson-Laird sostiene que la mente no opera
con frmulas abstractas sino con modelos como el siguiente:
jugador-de-futbol fuerza levantar-objetos-pesados

LOGICA

&9

En un modelo as planteado, no hay jugadores de ftbol que


no puedan levantar objetos pesados, de modo que la conclusin
es obvia. Las inferencias ms complejas, con distintas combinaciones de cuantificadores y negacin, requieren modelos ms
complejos y el grado de dificultad de una inferencia se corresponde con la complejidad del modelo que se debe construir en
cada caso. Rips (1994) y O'Brien, Braine y Yang (1994) han respondido a la propuesta de Johnson-Laird con argumentos que
demuestran que la lgica mental explica la evidencia emprica
mejor que los modelos mentales. La teora de modelos mentales, sin embargo, ha tenido muchsimas apHcaciones a distintos tipos de pensamiento humano, incluido el de causa-efecto
(Goldvarg y Johnson-Laird, 2001).
As como Johnson-Laird ha puesto en tela de juicio la pertinencia de la lgica formal para el estudio del razonamiento
deductivo, otros psiclogos concluyen a partir de datos empricos que el razonamiento inductivo poco podra tener que ver
con el clculo de probabilidades. Tversky y Kahneman (1983)
muestran que, a veces, las personas violan la regla segn la cual
la probabilidad de una conjuncin ser menor o igual que la
probabiHdad de uno de los conjuntos: P(p ^ q) < P(p). Volvamos a nuestro amigo Franco y supongamos que le interesan la
literatura seria, el cine europeo y la poltica internacional. Se nos
pide que determinemos la probabilidad de que haya ido a la universidad, de que sea carpintero y de que sea universitario y carpintero. Quienes participan en experimentos de este tipo tienden a considerar como ms probable que Franco haya ido a la
universidad que que sea carpintero, lo cual no es un resultado
muy sorprendente que digamos. Lo que s llama la atencin es
que los sujetos tambin consideran que la tercera opcin es ms
probable que la segunda, con lo cual parecen ir en contra de la
teora de probabilidades. En reaHdad, cuando tenemos que resol-

70

lA

MkNIt

ver este tipo de problemas, recurrimos a un proceso de establecimiento de correspondencias que nos permite valorar la relacin entre la descripcin de un individuo y los estereotipos en
cuestin (vase el captulo 4). Hay muchsimos ejemplos que
muestran que el razonamiento inductivo parece estar guiado
por mtodos muy distintos de la teora formal de probabilidades (Kahneman, Slovic y Tversky, 1982; Gilovich, Griffin y Kahneman, 2002). Sin embargo, as como Rips y otros especialistas
han defendido la lgica mental, hay quienes proponen interpretaciones probabilsticas para los resultados de los experimentos de Tversky y Kahneman (Gigerenzer, Hoffrage y Kleinblting, 1991; Gigerenzer, 2000).

An est abierta la posibilidad de combinar los distintos enfoques: la lgica mental para un conjunto restringido de tipos
de razonamiento (como la aplicacin del modus ponens) y los
modelos mentales u otras representaciones ms grficas para
razonamientos ms complejos (como los que incluyen cuantificadores). En cualquier caso, es evidente que la lgica no es
la nica forma posible de abordar el estudio del pensamiento.
En los otros captulos de esta primera parte del libro nos ocuparemos de algunos enfoques alternativos. Los investigadores
que no estn interesados en la psicologa pueden afirmar que
poco importa si las personas de carne y hueso utilizan mtodos lgicos cuando razonan si de lo que se trata es de desarrollar modelos formales de cmo deberan pensar los sistemas
inteligentes. El riesgo que se corre al adoptar esa postura es que
podramos estar pasando por alto que la inteligencia, tanto la
humana como la de las mquinas que nos interesa crear, puede
estar integrada por estructuras representacionales y procesos
computacionales que poco tienen que ver con los que nos proporciona la lgica.

LGICA

PLAUSIBILIDAD

71

NEUROLGICA

Hasta no hace mucho tiempo era muy poco lo que se saba acerca
de la relacin entre la lgica formal y las neuronas. Vista metafricamente, la sinapsis parece un modus ponens en miniatura:
"Si la neurona 1 se activa, entonces la neurona 2 se activa; la neurona 1 se activa; por lo tanto, la neurona 2 se activa". Sin embargo,
es evidente que las neuronas no son proposiciones y se desconoce cmo se llevan a cabo las inferencias en el cerebro. No obstante, hoy en da es posible investigar esta cuestin a gran escala.
En la actualidad se utilizan tcnicas de diagnstico por imgenes para determinar si las deducciones se realizan en el hemisferio izquierdo, como indica la teora de la lgica mental, segn
la cual la deduccin es un mecanismo formal, independiente del
contenido. La hiptesis alternativa, que la deduccin tiene lugar
en el hemisferio derecho, se corresponde con la teora de modelos mentales, segn la cual la deduccin est relacionada con
reas cerebrales de razonamiento espacial (Wharton y Grafman,
1998). En el captulo 8 mostramos cmo se utilizan las tcnicas
de diagnstico por imgenes para identificar los correlatos neuronales de distintos tipos de pensamiento.
Goel et al. (1998) han recurrido a las tomografas para identificar las reas comprometidas en tareas de razonamiento tales
como el silogismo. Como no encontraron activaciones significativas en el hemisferio derecho, concluyeron que el razonamiento deductivo es puramente lingstico, conclusin que se
corresponde con la teora de la lgica mental. Sin embargo, Kroger, Cohn y Johnson-Laird (en prensa) compararon las reas
cerebrales involucradas en el razonamiento lgico con las zonas
que intervienen en las operaciones matemticas y descubrieron que algunas regiones del hemisferio derecho estaban ms
activas durante la deduccin que durante el clculo. Esos resul-

72

LA

MENTE

LOGICA

tados son incompatibles con una teora que conciba el razonamiento lgico como un conjunto de reglas de inferencia formales. Despus de analizar distintos estudios por neuroimgenes del razonamiento silogstico, Goel (2003) concluye que
ste comprende dos caminos neuronales en los que se incluyen tanto el sistema lingstico como los sistemas visoespaciales. El debate contemporneo entre la lgica mental y los modelos mentales se vale de tres mtodos de las ciencias cognitivas:
los experimentos psicolgicos, los modelos computacionales
y los experimentos neurolgicos.

APLICABILIDAD

PRCTICA

Como enfoque de las ciencias cognitivas, la lgica no ha sido


de gran utilidad en el campo de la educacin, en tanto no echa
luz sobre la comprensin del aprendizaje. Piaget e Inhelder
(1969) han hecho algunos intentos por relacionar algunos principios del desarrollo cognitivo humano con categoras lgicas,
pero para la teora educativa contempornea la lgica proposicional no desempea ningn papel de importancia en los distintos estadios evolutivos. Desde otra perspectiva, sin embargo,
la lgica puede ser interesante para la educacin, en tanto puede
servir para mostrar cmo mejorar el razonamiento. De hecho,
como se sabe que esto es necesario, han proliferado los cursos
de lgica formal y pensamiento crtico. La lgica deductiva y
la teora de probabilidades constituyen herramientas muy tiles para determinar cmo deben llevarse a cabo algunas clases
de pensamiento.
Dym y Levitt (1991) han encontrado una relacin entre ciertos requisitos de diseo en ingeniera y los enunciados de la

73

lgica. Por ejemplo, un cdigo estructural podra formularse


as: "Si una viga tiene un nico apoyo, la profundidad de empotramiento deber ser mayor que el valor de una determinada proporcin de la luz libre". El lenguaje de programacin P R O L O G ,
que utiliza representaciones lgicas y tcnicas deductivas, se ha
aplicado a problemas de diseo edihcio en los que hay que satisfacer restricciones fsicas y legales. Por otro lado, Levesque et al.
(1997) desarrollaron un lenguaje de programacin de base lgica
para aplicar en el control superior de robots y procesos industriales. Si bien la lgica es una de las herramientas preferidas de
los expertos en inteligencia artificial, los sistemas inteligentes
en s se valen de reglas, casos y redes neuronales, todas representaciones que trataremos en futuros captulos. No obstante,
cada vez ms sistemas incluyen razonamientos probabiHsticos;
por ejemplo, el caso de un tutor artificial que opera con la incertidumbre respecto del conocimiento y los objetivos de los estudiantes (Conati, Gertner y Vanlehn, 2002).

RESUMEN

La lgica formal proporciona un conjunto de herramientas muy


tiles para estudiar la naturaleza de las representaciones y los
procesos computacionales. La lgica proposicional y la lgica
de predicados sirven para expresar formas complejas de conocimiento y, gracias a reglas como el modus ponens, muchas inferencias pueden entenderse en trminos de deduccin lgica. El
esquema explicativo para el enfoque lgico sera el siguiente:
Objetivo de la explicacin
Por qu las personas realizan determinadas inferencias?

74

LA

MENTE

Modelo explicativo
Las personas tienen representaciones mentales similares a las
proposiciones de la lgica de predicados.
Las personas cuentan con un conjunto de procedimientos inductivos y deductivos que se aplican a esas proposiciones.
La aplicacin de esos procedimientos a las proposiciones da origen a las inferencias.
Sin embargo, no se puede afirmar que la lgica proporciona
las ideas centrales sobre la representacin y la computacin que
necesitan las ciencias cognitivas, pues existen enfoques ms
eficaces y ms realistas desde el punto de vista psicolgico para
dar cuenta del pensamiento.

PREGUNTAS PARA PENSAR

1. Qu puede ser difcil de expresar en el lenguaje formal de la


lgica?
2. Suelen ser lgicos nuestros razonamientos? Deberan serlo?
3. Puede decirse que la deduccin es un componente fundamental del pensamiento? Cmo se llevan a cabo las deducciones?
4. El razonamiento no deductivo est gobernado por leyes de
probabilidad?
5. La estructura del lenguaje es la de la lgica?

LECTURAS RECOMENDADAS

Historia de la lgica: Prior (1967).


Manuales de lgica: Bergmann, Moor y Nelson (2003), entre otros.

Problemas filosficos y lgica formal: PoUock (1995).


Lgica e inteligencia artificial: Genesereth y Nilsson (1987);
Russell y Norvig (2003).
Defensa del enfi)que lgico para el razonamiento deductivo:
Rips (1994)-

SITIOS W E B

Introduccin a la lgica: <http://people.hofstra.edu/faculty/


Stefan_Waner/RealWorld/logic/logicintro.html>
Lgica y programacin: <http://www.afm.sbu.ac.uk/
logic-prog/>
Modelos mentales: <http://vmw.tcd.ie/Psychology/
Ruth_Byrne/mental_models/index.html>

NOTAS

La lgica formal no se ocupa slo de la sintaxis de las oraciones (es decir, de su estructura) como hemos visto en este captulo, sino tambin de la semntica (condiciones de verdad). Por
ejemplo, la conjuncin p ^ qes verdadera si y slo si p es verdadera y q es verdadera.
La mayora de los sistemas artificiales de planificacin que
ufilizan lenguajes lgicos no incluyen un conjunto completo
de reglas de inferencia sino un procedimiento inferencial que se
basa en una regla simple conocida como principio de resolucin
(Genesereth y Nilsson, 1987). Se trata de un principio algo complicado para explicar aqu pero que, bsicamente, toma expre-

76

lA

MENTE

siones que se han traducido a una versin simplificada de la


lgica de predicados y les aplica un poderoso operador para
ver qu se puede deducir a partir de ellas. Fikes y Nilsson (1971)
emplean la deduccin lgica en un sistema de planificacin denominado STRiPS, que ha tenido aplicaciones en robtica y otros
campos.
La frmula del teorema de Bayes es la siguiente:
P(h/e) = [P(h)

Reglas

P(e/h)] / P(e).

En inteligencia arficial, la lgica y la teora de probabilidades


suelen considerarse como enfoques alternativos para la representacin del conocimiento. Las he presentado juntas porque
en ambas las inferencias se basan en principios muy generales
y abstractos.
En este captulo hemos mostrado un nico enfoque para
los modelos mentales, pero existen otras clases importantes de
razonamientos que utilizan modelos (Magnani, Nersessian y
Thagard, 1999).

Las reglas son estructuras de tipo condicional: si A, ENTONCES


B.
Por ejemplo: si se cursan y aprueban cuarenta materias,
ENTONCES se obtiene una licenciatura. Las reglas tienen una serie de
propiedades representacionales y computacionales. A diferencia de la mayora de los modelos computacionales lgicos, que
no fueron concebidos como modelos de la cognicin humana,
los modelos de reglas se han aphcado a la psicologa desde un
comienzo. El primer programa de inteligencia artificial fue el
Terico Lgico, ideado por Alien Newell, Cliff Shaw y Herbert Simn (1958). Introducido en una computadora rudimentaria en 1956, el programa resolva ejercicios de lgica formal.
Su comportamiento no era el de un mero sistema inteligente
complejo desde el punto de vista matemtico sino el de un
modelo del razonamiento lgico humano. Adems de reglas
de inferencia, el Terico Lgico inclua reglas estratgicas para
la bsqueda eficiente de pruebas. Pronto se convirti en el primer marco general para el estudio del pensamiento humano:
el Solucionador General de Problemas (en ingls. General Problem Solver o G P S ; Newell y Simn, 1972), que utilizaba reglas
para simular soluciones humanas para distintos tipos de problemas, como los criptoaritmticos que se ilustran ms adelante. En inteligencia artificial, las reglas suelen denominarse
"producciones".

78

LA

MENTE

KtGLAS

Despus del Solucionador General de Problemas, hubo dos


sistemas cognitivos de reglas que tuvieron una influencia importante en el desarrollo de las ciencias cognitivas, dada su gran
aplicabilidad a la cognicin humana. El primero fue el sistema
A C T , creado por John Anderson (1983,1993), que ha tenido una
enorme cantidad de aplicaciones en psicologa. El segundo fue
s o A R , un poderoso programa basado en reglas con muchsimas posibilidades de aplicacin en psicologa y computacin,
diseado por John Laird y Paul Rosenbloom (Newell, 1990;
Rosenbloom, Laird y Newell, 1993).
El objetivo de este captulo no es describir estos sistemas en
detalle, sino analizar qu es lo que hace que las reglas sean tan
importantes desde el punto de vista computacional y psicolgico. En los captulos siguientes, sin embargo, presentaremos
teoras alternativas de la cognicin segiin las cuales el pensamiento humano no puede reducirse a reglas, al menos no en
su totalidad.

CAPACIDAD REPRESENTACIONAL

Pese a su estructura sencilla -una condicin (si...) y una consecuencia o accin ( E N T O N C E S . . . ) - , las reglas pueden usarse para
representar distintos tipos de conocimiento. En primer lugar,
pueden codificar informacin general sobre el mundo: si x es
estudiante, ENTONCES
X estudia mucho. Luego, tambin pueden
representar informacin sobre cmo hacer cosas en el mundo:
SI

uno se inscribe con la debida anticipacin,

ENTONCES

conse-

guir vacantes en las materias que ms le interesen. Tambin pue-

den expresar regularidades lingsticas: si el ncleo del sujeto est


en plural,

ENTONCES

el verbo principal tambin estar en plural.

79

En cuarto lugar, pueden utilizarse para reproducir reglas de inferencia como el modusponens: si tenemos una regla del tipo "si...,
entonces. .."y la condicin es verdadera,

ENTONCES

la consecuen-

cia tambin ser verdadera. Como vemos en el ltimo ejemplo,


las reglas pueden incluir ms de una condicin y ms de una
accin: si uno se inscribe con la debida anticipacin,
ENTONCES
conseguir vacantes en las materias que ms le interesen y tendr
que hacer menos cola.

Podra parecer extrao que los sistemas de reglas hayan tenido


tanta importancia para las ciencias cognitivas, ya que las reglas
no tienen la elegancia representacional de las frmulas lgicas.
De hecho, la lgica proporciona formas estandarizadas de representar relaciones y operaciones bsicas ("y", "o", "no") que pueden expresarse de distintas formas en un sistema de reglas. Pero
los sistemas de reglas ganan en capacidad computacional lo que
pierden en rigor representacional. Una de las ventajas es que
las reglas no tienen que interpretarse en trminos de valores de
verdad: mientras que la generalizacin lgica (para todo x) (estudiante (x)
estudiar mucho (x)) debe interpretarse como una
afirmacin universal de que todo estudiante estudia mucho, la
regla si x es estudiante, ENTONCES
X estudia mucho se interpreta
por defecto, es decir, como una generalizacin aproximada que
admite excepciones. De hecho, podramos tener otra regla como
sta: SI x es estudiante y elige slo materias fciles, ENTONCES
X
no estudia mucho. Las dos reglas pueden formar parte del mismo
sistema sin que el resultado sea una contradiccin (que el mismo estudiante estudie mucho y no estudie mucho), pues las operaciones computacionales de un sistema de reglas pueden garantizar que slo se aplique la regla ms adecuada.
A diferencia de la lgica, los sistemas de reglas tambin pueden representar informacin estratgica acerca de cmo actuar.
Las reglas pueden contener acciones que llevan al cumplimiento

8o

LA

MENTE

KtliLAb

de determinados objetivos: si uno desea irse a su casa y tiene un


billete de autobs, ENTONCES
puede tomar el autobs. Este tipo
de informacin sirve para concentrarse en una tarea concreta
cuando se trata de resolver problemas. Por lo tanto, aunque los
sistemas de reglas no tienen toda la capacidad representacional
de la lgica formal, su expresin permite ganar en capacidad
computacional y en plausibilidad psicolgica.

CAPACIDAD

COMPUTACIONAL

Solucin de problemas

En los sistemas lgicos, la operacin fundamental del pensamiento es la deduccin. En los sistemas de reglas, en cambio, la
operacin bsica es la bsqueda. Cuando tenemos que resolver
un problema (por ejemplo, escribir una monografa para una
materia), tenemos un universo de posibilidades que habr que
recorrer. En ese universo se incluyen los temas sobre los que podramos escribir, los recursos bibliogrficos que podramos consultar y los medios que podramos utilizar para escribir la monografa. Para cumplir con la tarea asignada, tenemos que buscar
en todo el universo de acciones posibles y encontrar un camino
que nos lleve del estado inicial (tenemos una monografa que
escribir) al estado deseado (la monografa terminada y merecedora de una buena calificacin). Los sistemas de reglas permiten realizar este tipo de bsquedas de soluciones.
En el caso de problemas complejos, es imposible realizar bsquedas exhaustivas para encontrar la mejor solucin. Supongamos que tenemos que ponernos cuatro prendas de vestir (una
camisa, un par de medias, etc.) y que de cada prenda tenemos
diez ejemplares. Habr entonces diez mil ( W ) combinaciones

0 1

diferentes de prendas para usar, pero nadie tiene tiempo para


considerar todas y cada una de esas posibilidades, ni estamos
interesados en hacerlo. Preferimos, en cambio, la heurstica, es
decir, un conjunto de reglas generales que nos proporcionen
soluciones satisfactorias sin necesidad de repasar todas las posibilidades existentes. As, una regla heurstica del estilo de "Usar
medias marrones con pantalones marrones pero no con pantalones negros" constituye una solucin eficaz al problema de
qu ponerse. La solucin de problemas, el aprendizaje y el lenguaje pueden analizarse en trminos de la aplicacin de reglas
heursticas en amplios universos de posibilidades.
En psicologa se hace una distincin fundamental entre la
memoria a largo plazo (donde se almacena la informacin en
forma permanente) y la memoria a corto plazo (donde se guarda
una seleccin menor de informacin para su uso inmediato en
distintos tipos de procesos mentales). Enfocada esta distincin
desde la perspectiva de los sistemas de reglas, podemos decir que
la memoria a largo plazo contiene muchsimas reglas, pero slo
un pequeo grupo se encuentra activo en la memoria a corto
plazo, listo para usar. Por ejemplo, todos tenemos guardada la
fecha del cumpleaos de nuestra madre en la memoria a largo
plazo, pero al leer esta oracin esa informacin se activa en la
memoria a corto plazo y se vuelve consciente.
Tanto en psicologa como en computacin se establece una
distincin entre procesamiento en serie (el pensamiento avanza
de a un paso por vez) y el procesamiento en paralelo (se dan
muchos pasos al mismo tiempo). El procesamiento que se vale
de reglas puede ser tanto serial como paralelo, segn se aplique
a una regla por turno o a varias reglas en un mismo paso. El pensamiento consciente suele producirse en serie; es fcil comprobar que vamos haciendo una inferencia tras otra. Sin embargo,
esas inferencias pueden depender de la aplicacin simultnea

82

LA

MENTE

REGLAS

de varias reglas de las que no somos conscientes. En el captulo


11 desarrollaremos el tema de la conciencia y su relacin con el
pensamiento.
Planificacin. Muchos estudiantes abandonan su ciudad para
ir a la universidad. Deben resolver entonces el problema de cmo
regresar los fines de semana o cuando termina el semestre. Los
medios para llegar de la universidad a la casa pueden expresarse
a travs de reglas:
SI

vamos en auto por la autopista, E N T O N C E S podemos volver

de la universidad a nuestra ciudad.


SI

tomamos la carretera,

ENTONCES

podemos ir de la universi-

dad a la autopista.
SI

tomamos la avenida principal, E N T O N C E S podemos ir de la

universidad a la carretera.
S I tomamos un autobs en la terminal, E N T O N C E S podemos volver de la universidad a nuestra ciudad.
S I tomamos un autobs de la universidad a la terminal, E N T O N C E S podemos llegar a la terminal.
Habra otras posibihdades tambin, como tomar el tren o hacer
autostop. Los estudiantes que deben resolver el problema de
cmo regresar a su casa elfinde semana pueden buscar en el
universo de acciones posibles (ir a la terminal, tomar la autopista, etc.) y elaborar un plan que los lleve adonde quieren ir.
Las reglas pueden usarse para razonar hacia adelante o hacia
atrs. Un ejemplo de lo segundo sera: "Para llegar a casa, tengo
que tomar la autopista, y para eso tengo que tomar la carretera, que implica tomar la avenida principal primero, que a su
vez presupone que debo buscar el auto". El objetivo es llegar a
casa, pero el plan se elabora pasando por una serie de objetivos!

intermedios, como llegar a la autopista. La primera clase de razonamiento, en cambio, sera as: "Por la avenida principal llego a
la carretera, y por la carretera llego a la autopista...". En los dos
casos se trata de encontrar una sucesin de reglas que puedan
aplicarse para llegar del punto de partida al objetivo; lo que
difiere es la estrategia.
Otro mtodo posible es la bsqueda bidireccional, en la que
se combina el avance y el retroceso en el razonamiento: del punto
de partida hacia adelante y del objetivo hacia atrs. Aunque
muchos problemas de planificacin pueden explicarse en trminos de razonamientos basados en reglas, este tipo de planificacin se complica cuando hay muchas reglas que son potencialmente pertinentes y el sujeto tiene que elegir cul aplicar en cada
paso. La resolucin de problemas por medio de reglas se parece
mucho a la deduccin lgica, con la diferencia de que, en el caso
de las reglas, las estrategias para la aplicacin de la regla correcta
en el momento indicado tienen un papel fundamental.
Lo mismo vale para los problemas de planificacin que deben
resolver los estudiantes en las materias que cursan. Supongamos que estamos frente a un problema matemtico cuyo enunciado dice que un estudiante tarda 75 minutos en ir de la universidad a la casa de sus padres, que queda a 100 kilmetros, y la
pregunta que hay que contestar es cul es la velocidad media
del viaje. Las reglas, que se plasman en las operaciones matemticas, nos muestran cmo pasar de la informacin del enunciado a la respuesta que podemos inferir a partir de ella. Sin
embargo, muchas veces es til moverse hacia atrs, desde el objetivo (en este caso, la respuesta que estamos buscando) hasta la
informacin inicial. Pero en los dos casos pretendemos encontrar una secuencia de reglas que nos proporcione una camino
para ir del punto de inicio al objetivo final. No obstante, no
toda planificacin puede hacerse a travs de reglas. Hay casos

84

LA

MENTE

REGLAS

en los que el uso de esquemas o analogas es mucho ms adecuado, como veremos en captulos posteriores.
Toma de decisiones. A pesar de su utilidad para la planificacin, las reglas no suelen ser de mucha ayuda cuando se trata
de decidir entre planes alternativos. Volviendo al ejemplo anterior, las reglas sirven al estudiante que desea volver a su casa para
elaborar dos planes, pero no le permiten decidir cul seguir. Se
puede ir en auto, en autobs o en tren, pero la decisin final
entre esos medios de transporte depende de consideraciones
ms complejas, entre las que se incluyen nuevos objetivos: pre-^
CO, tiempo y comodidad, por ejemplo. Por lo tanto, para la toma
de decisiones es necesario complementar el razonamiento basado
en reglas con otros procedimientos, como el clculo del valor
esperado (captulo 2) o la determinacin de la coherencia expli-^
cativa (captulo 7).
Explicacin. Como afirmamos en el captulo 2, la explicacin puede'
verse como un tipo de proceso deductivo que puede llevarse a
cabo por medio de inferencias lgicas o de reglas. Algunas clases
de formulacin de hiptesis pueden entenderse como una bsqueda de explicaciones a travs de reglas. Supongamos que queremos inscribirnos en una materia para la que no hay ms vacan-^
tes. Podramos aplicar entonces distintas reglas, como estas dos:
SI

una materia es obligatoria para ms de una carrera,

ENTON-

CES se llena el cupo rpidamente.


SI una materia tiene un docente a cargo que es muy popular
ENTONCES

se llena el cupo rpidamente.

El conocimiento de que, en efecto, la materia que nos interesa


tiene un docente muy popular, sumado a la aplicacin de 1
segunda regla, nos permite explicar por qu ya no quedaba

85

vacantes cuando fuimos a inscribirnos. Incluso sin saber con


certeza si de hecho se cumplen las condiciones enunciadas en
las reglas (que la materia sea obligatoria para distintas carreras
o que el docente a cargo sea popular), es posible conjeturar
que la aplicacin de las reglas se verifica (vase la seccin dedicada al aprendizaje abductivo ms adelante). Podemos concluir
entonces que la bsqueda de explicaciones puede anaHzarse en
trminos de razonamientos basados en reglas cuando hay una
secuencia de reglas que nos permita inferir lo que necesitamos
explicar de lo que ya sabemos.

Aprendizaje

Muchos tipos fundamentales de aprendizaje se representan con


absoluta facilidad en trminos de la adquisicin, la modificacin y la aplicacin de reglas. Algunas reglas pueden ser innatas, es decir, formar parte de los mecanismos biolgicos de los
que estamos dotados cuando nacemos, si una basurita nos entra
en el ojo, ENTONCES
pestaeamos, por ejemplo, no es algo que un
organismo con ojos tenga que aprender. Algunos investigadores que trabajan en el campo de las ciencias cognitivas sostienen que muchas reglas lingsticas tambin son innatas, lo cual
es bastante ms polmico. Sin embargo, nadie se atrevera a afirmar que las reglas para anotarse en la universidad son innatas.
Cmo se adquieren, entonces?
Como los enunciados lgicos que vimos en el captulo 2, las
reglas pueden aprenderse por generalizacin inductiva: una cantidad de ejemplos particulares se generalizan enfiarmade regla.
Hay reglas que necesitan muchos ejemplos para fiarmarse: no se
puede inferir de una sola clase de ingeniera que la ingeniera
es difcil o de un solo curso de filosofa que la filosofa es interesante. Son reglas que se adquieren gradualmente a partir de

86

LA

MENTE

REGLAS

la experiencia de la vida universitaria: si x es una materia de computacin,

ENTONCES

preparar x llevar mucho tiempo; si quiero

conseguir vacante en un curso muy concurrido,

ENTONCES

debo

inscribirme con anticipacin.

En la generalizacin inductiva, las reglas se forman partiendo


de ejemplos. Tambin pueden formularse a partir de otras reglas,
por medio de un procedimiento que en el modelo S O A R de la
cognicin se denomina "agrupacin" (chunking) y en el modelo j
A C T se llama "composicin". Supongamos que hemos recurrido ]
a muchas reglas para planificar cmo ir de la universidad a casa i
y que finalmente encontramos una buena secuencia para ir del
la universidad a la carretera y de all a la autopista que nos lleva:
a casa. La prxima vez que necesitemos utilizar esa secuencia,'
ya no ser preciso hacer toda la bsqueda nuevamente, sino que
podemos agrupar los componentes en una regla general: si quiero
ir de la universidad a mi casa, ENTONCES
voy en auto. De la misma
manera, la primera vez que armamos un horario para el cur-,
sado de materias, es probable que tengamos que realizar una
bsqueda compleja para encontrar un plan, pero cuando ya
tenemos experiencia podemos recurrir a una regla de orden
superior: si quiero tener un buen horario, ENTONCES
es mejor
juntar las clases de las distintas materias en lugar de tenerlas en

das separados. Ya veremos en la seccin sobre plausibilidad psicolgica que el proceso computacional de agrupar reglas se ha
utilizado como modelo de muchos tipos de aprendizaje.
Otra forma de derivar unas reglas de otras es la especializacin,
proceso por medio del cual se modifica una regla existente para
aplicarla a una situacin en particular. Por ejemplo, si un viernes
por la tarde trasladarse en auto se hace un poco difcil por el trnsito pesado, la experiencia puede llevarnos a generar una regla
especializada del tipo de si quiero ir de la universidad a mi casa, es
viernes por la tardey estoy apurado, ENTONCES

es mejor no ir en auto.

87

Como vimos en el captulo 2, las reglas tambin pueden utilizarse en el aprendizaje abductivo. Supongamos que tenemos
un amigo que est enojado y deprimido. Es natural en ese caso
que queramos buscar explicaciones de por qu est as. Por generalizacin inductiva hemos adquirido la regla siaun estudiante
le va mal en un examen,

ENTONCES

ese estudiante estar enojado

y deprimido. Utilizando esa regla podramos pensar que nuestro amigo est enojado porque le ha ido mal en un examen. se
sera un razonamiento abductivo, pues estaramos invirtiendo el
orden de una regla para proporcionar una explicacin de lo ocurrido. Ese tipo de inferencia es muy riesgoso, claro est, dado
que podra haber una explicacin mucho ms plausible para el
estado en que se encuentra nuestro amigo. Por ejemplo, una fundada en esta regla: si alguien sufre un desengao amoroso, ENTONCES esa persona est enojada y deprimida. Elegir la mejor expli-

cacin para una situacin determinada implica un proceso de


inferencias mucho ms complejo, que presentamos en el captulo 7. No obstante, las reglas pueden ser muy tiles cuando las
explicaciones son del tipo de la primera de este ejemplo. Vemos
entonces que el razonamiento abductivo va bien con el razonamiento basado en reglas (Thagard, 1998), aunque presentaremos otros tipos de representaciones que tambin cuadran.
Las reglas tambin pueden utilizarse para describir procesos
de aprendizaje lentos con incrementos peridicos, asignando a
cada regla un valor numrico que representa su utilidad o plausibilidad. Por ejemplo, cada vez que aplicamos con xito la regla
SI

quiero ir de la universidad a mi casa,

ENTONCES

voy en auto,

sta gana fuerza e incrementa sus posibilidades de que volvamos a utilizarla en el futuro. En sntesis, las reglas pueden formarse a partir de ejemplos o de otras reglas, aplicarse en procesos de razonamiento abductivo y evaluarse cuantitativamente
segn el xito de su aplicacin.

88

LA

MENTE

RtLAS

89

i
Lenguaje

Antes de la revolucin cognitiva de la dcada de 1950, se consideraba que el lenguaje consista en un tipo de conducta que
se aprenda por asociacin. A travs de la experiencia con pares
de palabras, los hablantes esperaban orlas una a continua
cin de la otra. En Estructuras sintcticas, publicado en 1957
Noam Chomsky propuso una teora completamente distinta. Se
gn Chomsky, los modelos conductistas del aprendizaje no
podan dar cuenta de la capacidad generativa del lenguaje, es
decir, del hecho de que los hablantes puedan producir y com
prender una cantidad infinita de oraciones. Es probable qu
nunca hayamos odo este enunciado: "Cecilia lleg a la facu'
tad en un camello violeta". Sin embargo, podemos decodificar
sin ningn problema.
De acuerdo con la concepcin chomskiana del lenguaje,'
capacidad de hablar y de entender lo que se dice es produc
de una gramtica compleja, un sistema de reglas de cuyo con(
cimiento no somos conscientes. Cuando empiezan afiarmarel'
pasado de los verbos en ingls, los nios tienden a usar la de
sinencia regular, "-ed", sin tener conciencia de que estn aplicando una regla del tipo de si quiero usar un verbo para denotar una accin en el pasado,

ENTONCES

tengo que agregarle "-ed"

al verbo. Los nios de menos de 5 aos sobregeneralizan la regla


y la aplican tambin a verbos irregulares (es decir, a excepciones), de modo que producen formas como "goed" en lugar de
"wenf y"bringed" en lugar de"brought'\r (1999) explica
que las reglas del tipo de la de formacin del pasado son un componente fundamental de la capacidad de produccin y comprensin lingsticas. Taatgen y Anderson (2002) utilizan el sistema A C T para modelizar la adquisicin del pasado de los verbos
en ingls. Akmajian et al. (2001), por su parte, presentan reglas
que se aplican a otros aspectos del lenguaje. Por ejemplo, la regla

morfolgica que permite formar un sustantivo que signifique


"agente" a partir de un verbo agregando el sufijo "-or": de "escribir" obtenemos "escritor"; de "actuar", "actor"; y as sucesivamente. Los autores tambin muestran reglas fonolgicas, tales
como las que nos indican qu alfono del fonema /d/ debemos
usar los hablantes de espaol en cada contexto. (Si pronunciamos la palabra "dedo" en voz alta, notaremos la diferencia entre
los dos alfonos.) Y por ltimo, estn las reglas sintcticas, como
las que nos permiten formular preguntas o introducir la negacin, entre otras.
La teora de Chomsky ha sido tan influyente como polmica.
En el captulo 7 presentaremos la concepcin conexionista, segn
la cual el lenguaje no est formado por reglas sino por asociaciones ms laxas representadas por pesos entre distintas unidades. Adems de la cuestin de si la mejor representacin del lenguaje son las reglas, est el debate en torno de la hiptesis del
lunatismo. Es el lenguaje algo innato o adquirido? Chomsky
sigue siendo fiel a la idea de que los seres humanos nacemos con
una gramtica universal innata. Un tanto alejado de sus primeras formulaciones tericas, segn las cuales los nios adquiran la capacidad de usar el lenguaje en forma abductiva, por
medio de hiptesis sobre qu reglas se aplican a la lengua particular que hablan quienes los rodean (Chomsky, 1972), hoy en
da sostiene que la adquisicin del lenguaje consiste en el reconocimiento automtico de un conjunto finito de parmetros y
de su configuracin particular para una lengua determinada
(Chomsky, 1988). Todas las lenguas tienen verbos, sustantivos,
adjetivos y preposiciones. Pero el japons, por ejemplo, no tiene
artculos como los del espaol, de modo que los nios que aprenden japons como primera lengua configuran la gramtica universal con la que nacen de una manera distinta de como lo hacen
los nios del mundo hispanoparlante. En sus trabajos ms recien-

90

LA

MfNTE

REGLAS

tes, Chomsky (2002) pone en duda su concepcin de la gramtica como un sistema de reglas.

PLAUSIBILIDAD

PSICOLGICA

De todos los enfoques computacionales-representacionales presentados en este libro, los sistemas de reglas son los que han
tenido, sin lugar a dudas, la mayor cantidad de aplicaciones psicolgicas. Es imposible repasarlas todas en una seccin tan breve
como sta, de modo que me Umitar a mostrar las formas ms
comunes de recurrir a sistemas de reglas para dar cuenta del
pensamiento.
Newell (1990) ha mostrado las aplicaciones del modelo S O A R
en una enorme cantidad de fenmenos psicolgicos. Por ejemplo, en la resolucin de problemas criptoaritmticos, que son
problemas en los que los nmeros se sustituyen por letras (Newell
y Simn, 1972). Dado el enunciado DONALD + GERALD = ROBERT,
hay que reemplazar cada letra por un nmero distinto del o al
9 para que la ecuacin sea correcta. Las reglas son muy tiles
para resolver problemas como ste, que se representa con ms
claridad de la siguiente forma (como el algoritmo que suele
usarse para las sumas):
DONALD

-IGERALD

ROBERT

Cmo podemos empezar a resolver el problema? Podramos


advertir que, en la segunda columna partiendo de la izquierda,

91

O sumada a da O. Eso podra llevarnos a pensar en una regla


as: SI se suma cero (0) a un nmero, ENTONCES el nmero no cambia. De la aplicacin de esa regla podemos concluir que E es 0.
Luego, si observamos la cuarta columna, advertimos que A+A
= O, de manera que A tiene que ser 5. Sin embargo, optar por
este tipo de razonamiento puede complicarnos la existencia, porque en l se presupone que no nos llevamos nada de la columna
de la derecha ( L L = R,Y N + R = B ) . Conclusin: R debe ser
el doble de L y un nmero lo suficientemente pequeo para que
no tengamos que llevarnos nada cuando lo sumamos a N. En
nuestra forma habitual de hacer sumas, el llevarse algo de una
columna a otra implica la regla si los dgitos que se suman dan 10
o ms,

ENTONCES

hay que escribir slo el segundo dgito y llevarse

el primero a la siguiente columna a la izquierda. As, hay otro valor

posible para : si = 9, entonces O + E = O, siempre y cuando


nos llevemos un dgito de la columna N + R = B . Con este punto
de partida y sus consecuencias, ms las reglas de adicin y arrastre que conocemos, ms el conocimiento de reglas adicionales
como SI un dgito aparece en la primera columna de un nmero,
ENTONCES

ese dgito no es cero (0), podemos llegar a la respuesta

(no sin esfuerzo, claro est). Con el sistema S O A R se pueden modelizar distintos aspectos de este tipo de razonamiento utilizando
un conjunto de operadores que asignan valores numricos a los
dgitos y constatan que los resultados no sean contradictorios.
El sistema S O A R se ha utilizado tambin para modelizar otros
tipos de razonamiento de orden superior; por ejemplo, el que
se utiliza para hacer inferencias a partir de enunciados como
"Algunos arqueros no son lanzadores" o "Todos los remeros son
lanzadores". El sistema no recurre ni a la lgica mental ni a los
modelos mentales, los dos enfoques para la deduccin presentados en el captulo 2, sino a una bsqueda dentro de un universo de inferencias posibles, hasta que llega a la conclusin de

92

MENTE

que "Algunos arqueros son remeros". Desde el punto de vista


lgico, esta conclusin no es vlida, pero el enfoque cognitivo
de la deduccin se centra en cmo razonamos los seres huma- i
nos, de modo que incluye los errores que cometemos.
^
Nev/ell tambin utiliza el sistema S O A R para dar cuenta de
varios aspectos del aprendizaje y en especial de la ley de potencias de la prctica, segn la cual la tasa de aprendizaje disminuye cuanto ms se sabe. Esta ley se aplica a muchas tareas,
como escribir con un teclado o aprender a escribir las letras al I
revs, tal como se ven en un espejo. Las agrupaciones de inforrl
macin que realiza el sistema S O A R permiten explicar por qu
la velocidad del aprendizaje disminuye cuanta ms experien-:
cia tenemos en una determinada tarea. Cuando comenzamos
a practicar, vamos integrando informacin con rapidez, y i
medida que construimos bloques de informacin se incrementla velocidad de la prctica. Por ejemplo, cuando aprendemos a
usar un teclado para escribir, al principio progresamos rpido
tanto en velocidad como en precisin. Sin embargo, cuanto i
mayores son los bloques de informacin que vamos constru-rJ
yendo, menos tiles se vuelven, pues las situaciones en las que'
podemos aplicarlos son cada vez menos frecuentes. As, la tasa
de aprendizaje de un sistema de reglas se desacelera con la prctica, como sucede con el aprendizaje de los seres humanos.
Holland etal. (1986) utilizan sistemas de reglas para explicar
muchos tipos diferentes de aprendizaje. Por ejemplo, el condicionamiento en roedores (la capacidad de evitar una descarga
elctrica) puede explicarse conjeturando que una parte del aprendizaje con reglas consiste en ajustar la fuerza de las reglas que se
utilizan. Cada vez que una rata baja una palanca para obtener
comida, la regla si bajo la palanca, ENTONCES
obtengo comida se
fortalece. Por el contrario, si al bajar la palanca la rata recibe
una descarga elctrica, se generala regla s bajo la palanca, ENTON-

REGLAS

93

CES recibo una descarga elctrica, y eso lleva al roedor a dejar de


accionar la palanca. Las reglas tambin pueden usarse para describir los modelos mentales dinmicos con los que las personas
perciben los cambios del mundo fsico: si un auto choca contra
un poste, ENTONCES
el poste se abolla. De hecho, la capacidad y las
limitaciones de los seres humanos para manejarse en el mundo
fsico y en el entorno social tambin pueden explicarse con reglas.
Una vez que adquirimos un estereotipo, por ejemplo, lo aplicamos en todas las situaciones posibles, incluso en ms de lo que
corresponde.
Crowley y Siegler (1993) han demostrado que las variaciones
en la capacidad de los nios para jugar al ta-te-ti o juego del
tres en raya pueden entenderse en trminos de la adquisicin
de reglas sobre qu movimientos est permitido hacer, sumadas al conocimiento estratgico de qu regla aplicar en cada
momento. A continuacin mostramos algunos ejemplos de
reglas para jugar al ta-te-ti:
Jugada ganadora: si hay una fila, columna o diagonal con dos piezas mas y un espacio en blanco, ENTONCES
tengo que utilizar el
espacio en blanco para ganar.

Bloqueo de la fnea del oponente: si hay una fila, columna o


diagonal con dos piezas de mi rival y un espacio en blanco, ENTONCES tengo que utilizar el espacio en blanco para evitar que complete su lnea.

Jugada inicial: si el casillero del centro est vaco,


conviene ocuparlo.

ENTONCES

me

Jugada importante: si un casillero de una esquina est vaco,


ENTONCES
me conviene ocuparlo.

En la figura 3.1 se muestra un juego de ta-te-ti empezado en el que puede aplicarse cualquiera de las cuatro reglas presenta-

94

LA

MENTE

KbGLAS

95

Con otras reglas se muestra cmo lograr los objetivos parciales


para llegar a una oracin completa como "El nio lanz la pelota",
en la que un agente hace algo a un objeto. Anderson (1993) presenta unas cuantas aplicaciones de este sistema de reglas A C T
en la adquisicin de capacidades tales como la resolucin de
problemas geomtricos o la programacin informtica. Hay
muchsimos ejemplos que muestran la correspondencia entre
el desempeo de los sistemas de reglas y la conducta de los
seres humanos cuando piensan.
Figura 3.1. Aplicacin de las reglas del ta-te-ti o juego del tres en raya.
El turno del jugador que utiliza cruces se corresponde con los
condicionales de cuatro reglas: la jugada ganadora (casillero del ngulo
superior izquierdo), la jugada de bloqueo (casillero del ngulo inferior

PLAUSIBILIDAD

NEUROLGICA

derecho), la jugada inicial (casillero central) y la jugada importante


(casillero del ngulo superior izquierdo o del n g u l o inferior derecho).
Adaptado de Crowley y Siegler (1993: 537), con autorizacin.

das. La capacidad de jugar este juego mejora a medida que se


adquieren reglas de este tipo y se establecen prioridades adecuadas para su aplicacin. Muchos nios en edad preescolar no han
incorporado la regla de bloqueo y otros la tienen pero la aplican incluso cuando podran aplicar una que les permitiera ganar.
Los sistemas de reglas se han utilizado tambin para dar cuenta
de la adquisicin y el uso del lenguaje. Anderson (1983) describe
el conocimiento de la lengua inglesa en trminos de reglas como
la siguiente (versin simplificada):
SI mi objetivo es comunicar una estructura de significado de la
forma [relacin, agente, objeto],
como objetivos parciales

1. describir al agente
2. describir la relacin
3. describir el objeto.

ENTONCES

tengo que establecer

Entre las reglas y las neuronas puede trazarse una analoga


un tanto burda, en tanto la sinapsis puede expresarse en una
regla: si una neurona se activa, ENTONCES provoca la activacin
de la neurona con la que est conectada. Sin embargo, se trata

de una similitud superficial, pues en realidad poco se sabe de


cmo se implementan las reglas en el cerebro. Anderson (1993)
presenta un bosquejo de implementacin neuronal de reglas
en el sistema A C T . Tambin ha habido intentos de implementar sistemas de reglas simples en redes neuronales artificiales
(captulo 7). Ms recientemente, Anderson et al. (2004) relacionan la nueva versin del sistema A C T , denominada A C T - R ,
con reas especficas del cerebro. Partiendo de tomografas
cerebrales de sujetos durante la resolucin de problemas, los
autores infieren que las reglas de produccin se aplican en los
ganglios bsales, un conjunto de ncleos que se hallan dentro
de la materia blanca de la corteza cerebral. Tambin afirman
que los hechos que se corresponden con las reglas estn almacenados en un conjunto de memorias intermedias en la cor-

96

LA

MENTE

REGLAS

teza prefrontal. As, el A C T , que se origin como un modelo


puramente cognitivo, se ha convertido tambin en un modelo
neurolgico. El captulo 9 del presente libro est dedicado al
estudio del cerebro, las tcnicas de diagnstico por imagen y
los modelos neurolgicos.

APLICABILIDAD PRCTICA

Si el aprendizaje consiste en la adquisicin de reglas, uno de los


objetivos de la educacin tendr que ser ayudar a los estudian-tes a mejorar esa capacidad. Anderson (1993) presenta muchas
aplicaciones de sistemas A C T basados en reglas en el mbito
educativo, que incluyen la programacin de computadoras, la
edicin de textos y las pruebas geomtricas. De hecho, los sis4
temas de reglas se han utilizado no slo para modelizar el desempeo de los alumnos sino tambin para crear tutores artifi*^
cales que los ayudan en el proceso de aprendizaje.
En ingeniera y campos relacionados, el diseo puede entenderse en trminos de reglas. Newell (1990) presenta una versin de S O A R que crea algoritmos informticos valindose de
operadores que generan y ponen a prueba especificaciones del
programa para realizar bsquedas dentro de un universo de
posibles algoritmos. Newell y sus colaboradores tambin se\
han ocupado de la utilidad de ver a los usuarios de computa^i
doras como sistemas de reglas para disear mquinas que sean
fciles de usar (Card, Moran y Newell, 1983). En la actualidad
se est incorporando el sistema S O A R a juegos como el Quake'.
para lograr que los oponentes de los usuarios se comporten
como humanos (Laird, 2001). Los personajes de los juegos suelen tener muy poca flexibilidad; con el sistema S O A R puede.

97

dotrselos de una parte de la compleja capacidad de tomar


decisiones gracias a la cual los jugadores de carne y hueso son
tan eficaces.
La mayora de los sistemas expertos que se utilizan en el
gobierno y la industria son sistemas de reglas. De hecho, stos
fueron los primeros sistemas inteligentes que se crearon (Buchanan y Shoriffe, 1984; Feigenbaum, McCorduck y Nii, 1988). El
conocimiento especializado de muchos mbitos distintos, desde
la configuracin de computadoras hasta la exploracin petrolera, puede expresarse por medio de reglas. Algunos ejemplos de
sistemas expertos basados en reglas aparecen en las actas del decimonoveno congreso de innovaciones en inteligencia artificial
aplicada (e incluso en ediciones anteriores), publicadas por A A A I
Press. Langley y Simn (1995) ofrecen una buena cantidad de
ejemplos de aplicaciones industriales de programas informticos que generan reglas a partir de ejemplos. Entre ellas se incluyen el control de procesos qumicos, la toma de decisiones financieras y el diagnstico de aparatos mecnicos.

RESUMEN

Gran parte del conocimiento humano puede representarse adecuadamente por medio de reglas, y muchos tipos de pensamiento
(la planificacin, por ejemplo) pueden modelizarse utizando
sistemas de reglas. El esquema explicativo para los sistemas de
reglas sera el siguiente:
Objetivo de la explicacin
Por qu las personas presentan un tipo particular de conducta
inteligente?

98

LA

MENTE

REGLAS

Modelo explicativo
Las personas tienen reglas mentales.
Las personas cuentan con un conjunto de procedimientos para
la aplicacin de las reglas dentro de un universo de posibles soluciones y con otro conjunto de procedimientos para la generacin
de nuevas reglas.
La aplicacin de esos procedimientos para la utilizacin y generacin de reglas da origen a la conducta.
Los modelos computacionales basados en reglas han dado origen a simulaciones muy detalladas de una enorme cantidad de
procesos psicolgicos, desde la resolucin de problemas criptoaritmticos o la adquisicin de determinadas habilidades hasta
el uso del lenguaje. Los sistemas de reglas tambin han tenido
utilidad prctica en la mejora de la enseanza y el desarrollo
de sistemas artificiales inteligentes.

99

LECTURAS RECOMENDADAS

Fuentes clsicas sobre la mente como sistema de reglas: Newell


y Simn (1972), Newell (1990); Anderson (1983,1993).
Enfoques de distintos tipos de aprendizaje a partir de sistemas de reglas: Holland etal. (1986).
Utilizacin de reglas en el razonamiento: Smith, Langston y
Nisbett (1992); Nisbett (1993).
Teora chomskiana del lenguaje e importancia de las reglas en
el conocimiento lingstico: Pinker (1994).
Carcter innato de la conducta humana en general: Pinker (2002).
Polmica en torno de la hiptesis del innatismo: Elman etal.
(1996); Quartz y Sejnowski (2002).

SITIOS W E B

P R E G U N T A S PARA

PENSAR

1. Qu reas del conocimiento pueden describirse con mayor


facilidad por medio de reglas?
2. Qu reas del conocimiento son ms difciles de explicar utilizando reglas?
3. Cules son las principales diferencias entre los sistemas de
reglas y los sistemas lgicos presentados en el captulo 2?
4. Cmo podran aplicarse las reglas en el cerebro?
5. El conocimiento del lenguaje, es innato o adquirido?

Pgina web del sistema A C T en la Universidad Carnegie Mellon:


<http://act-r.psy.cmu.edu/>
Portal de John Anderson: <http://act-r.psy.cmu.edu/
people/ja/>
Portal de Stephen Pinker: <http://pinker.wjh.harvard.edu/>
Pgina web del sistema S O A R en la Universidad de Michigan:
< http://sitemaker. umich.edu/soar >

NOTAS

Los enfoques que no estn basados en reglas tambin pueden


describirse en trminos de bsqueda, pero histricamente ese

100

lA

MENTE

tipo de descripcin ha estado asociado con los sistemas de reglas.


La metfora de la biisqueda es adecuada para los problemas bien
definidos en los que pueden especificarse los estados y los operadores, pero es mucho menos clara en los problemas en los que
una determinada tarea implica el aprendizaje de nuevas representaciones y operadores.
Una definicin ms tcnica de la ley de potencias de la prctica es la siguiente: "si el logaritmo del tiempo de reaccin para
una tarea se grfica en funcin del logaritmo del nmero de intentos prcticos, el resultado es una recta con pendiente negativa".