A práctica 1, que corresponde á actividade 4 do campus virtual da asignatura de Aprendizaxe, trata sobre a aprendizaxe de continxencias, unha aprendizaxe predictiva onde se poden predecir eventos que non son motivacionalmente intensos (para eso requírese que o 2º evento se de só si se da o 1º). Todo esto depende dun proceso de estimación e cálculo entre o antecedente e o consecuente. A aprendizaxe de continxencias está relacionada coa relación causal, pero no primeiro caso trátase de aprender ata que punto un antecedente informa da posible aparición dun consecuente (non toda continxencia é condicionamento). Non ten por qué haber causalidade entre os estímulos, de feito, a clave dun xuízo de continxencia non se denomina EC porque non está nunha situación de condicionamento, mentres que na relación causal trátase de entender por qué se da a relación e cal é a causa que da lugar ao resultado. Na aprendizaxe de continxencia tratamos de entender qué é o que provoca que o resultado apareza algunas veces e otras non, tendo en conta que sempre aparece o antecedente. Non todas as relación de continxencia son causáis, non ten por qué haber causalidade entre dous eventos dunha relación de continxencia. Se dous eventos covarían, non significa que o primeiro sexa causa do segundo, pois un acontecemento é capaz de predecir a presencia de outro aínda sin ser a súa causa. Antes da sesión interactiva, expuxémonos a un programa que nos mostraba catro situación experimentais: - Bart Simpson sae de paseo de noite (E1) - Bart Simpson sae de paseo de día (non E1) - Bart Simpson recibe unha descarga (E2) - Bart Simpson non recibe unha descarga (non E2) A tarefa consistía en predecir, en cada un dos 92 ensaios, se vai haber ou non descarga (E2), mentres veíamos unha imaxe de Bart Simpson saíndo de noite ou de día. Ao final de todos os ensayos mandábannos emitir un xuízo sobre a relación de continxencia E1- E2, estimar a probabilidade de descarga (E2) de noite (E1) e de día (non E1). Nós, na tarefa previa á interactiva, calculamos “a ollo” estos datos, pero agora sabemos que existe unha fórmula para o cálculo da relación E1-E2 e unha táboa de continxencias: E2 presente E2 ausente E1 presente a b E1 ausente c d
ΔP = P (E2/E1) – P (E2/non E1)
P (E2/E1) = a / a + b P (E2/non E1) = c/ c + d ΔD = ((a+d) – (c+b)) / (a+b+c+d) No meu caso, fixen a tarefa da condición 3, cuxa táboa de continxencia é: CONDICIÓN 3 E2 Non E2 E1 18 6 Non E1 36 36 Polo tanto: P (E2/E1) = 0,75 P (E2/non E1) = 0,50 ΔP = 0,25 ΔD = 0,128 Os xuízos son medidas empleadas para medir as relación entre eventos ou estímulos. Os xuízos de continxencia indican a forza e o sentido da relación entre clave e resultado. En resumen, os xuízos de continxencia indican a forza e sentido da relación clave/resultado. Para aprender estas continxencias, calculamos a covariación de algún modo como unha estimación de probabilidades. Asociamos os elemento e xulgamos a covariación partindo do valor desa asociación. O indicador de continxencia máis utilizado é a regra ΔP, que mide a dependencia unidireccional do resultado respecto dunha clave. É decir, é a probabilidade de ocurrencia do resultado en presencia dunha clave menos a probabilidade de ocurrencia de ese resultado en ausencia da clave (unha diferencia de probabilidades). Xeneralmente, os resultados promedio obtidos nunha tarefa de xuizos de continxencia rondarán os valores normativos; sin embargo, os resultados das persoas que fixeron cada unha das condición (nalgunhas en maior grado que noutras), pódese observar o sesgo de densidade, según o cal, cremos que hay unha relación de continxencia cando en realidade non é así ou esaxeramos esa relación cando existe. O sesgo de densidade refírese a que para un nivel fixo de continxencia, a estimación aumenta en función directa da probabilidade de resultado, sobre todo se a continxencia é nula. A maior probabilidade de resultado, estimamos maior nivel da mesma. Por outro lado, ΔD defínese como a diferencia entre as diagonais da táboa de continxencia, é decir, o cálculo da proporción de ensayos favorables a unha relación directa (a + d) menos a proporción de ensayos favorables a unha relación inversa (c + b). Algunhas cuestión a destacar son que os xuízos de continxencia axústanse máis a ΔP na primeira condición, non se axusta igual en todas. Sin embargo, na condición 3, por exemplo, o xuízo de continxencia desvíase moito de ΔD. Os resultados calculados a partir das probabilidades estimadas son os que se axustan mellor á medida real. Ademáis, podemos observar que os nosos xuízos de continxencia non se obteñen aplicando unha regra estadística a partir das nosas estimacións das probabilidades de aparición do resultado en presencia e en ausencia da clave, xa que de facelo o xuízo de continxencia obtido nas tres condiciones debería ser moi parecido á continxencia calculada a partir das probabilidades estimadas. En conclusión, esta práctica axudounos a comprender, dunha maneira na que nós estivemos involucrados, a aprendizaxe de continxencia, entendendo todos os seus cálculos (tanto os que facemos nós cando analizamos unha situación como os que se fan realmente na investigación) y os posibles sesgos que teñen lugar neste proceso.