...

Acerca del carácter representacional de la mente. La mente

by user

on
Category: Documents
0

views

Report

Comments

Transcript

Acerca del carácter representacional de la mente. La mente
www.psye.org
© Psychology, Society, & Education 2014, Vol.6, Nº 2, pp. 125-144
ISSN 2171-2085 (print) / ISSN 1989-709X (online)
Acerca del carácter representacional de la mente.
La mente representacional
José María Zumalabe Makirriain
Universidad del País Vasco, España
(Recibido 20 Octubre, 2011; Aceptado 8 Julio, 2013)
RESUMEN: Desde las ciencias cognitivas se entiende el pensamiento en términos de estructuras de representaciones mentales sobre las que operan procesos
computacionales. En el modelo representacional-computacional de la mente se
recurre a una compleja analogía triádica que vincula mente, cerebro y ordenadores. La mayoría de estos modelos son simbólicos, aunque también existen modelos representacionales no simbólicos (conexionismo) y modelos cognitivos no
representacionales de la mente. El análisis de los diferentes enfoques cognitivos
sobre las representaciones y los procesos mentales en el marco de la ciencia
cognitiva y de sus ventajas y limitaciones revela que se trata de enfoques que no
tienen por qué ser excluyentes entre sí y que en muchos de los casos se complementan, aunque también se constata la ausencia de una teoría unificada al respecto. Tras considerar los puntos débiles tanto del modelo simbólico computacional
clásico como del conexionismo, reconociendo los avances significativos propiciados por ambos en el estudio de la mente, se concluye que no existe todavía
ningún modelo computacional con capacidad representacional para abarcar todo
el pensamiento humano.
Palabras clave: representación mental, procesos computacionales, modelo simbólico clásico, conexionismo, enfoques representacionales.
About the representational nature of the mind. The representational mind.
ABSTRACT: According to cognitive science, thinking is understood as structures of mental representations on which computational processes operate. In the
representational-computational model of the mind, we resort to a complex triadic
analogy that links mind, brain and computers. Most of these models are symbolic, although there are also non-symbolic representational models (connectionism) and non-representational cognitive models of the mind. The analysis of
the various cognitive approaches on the representations and the mind processes
within the framework of the cognitive sciences and of their advantages and limitations reveals that these approaches do not have to mutually exclusive and that,
in many of the cases, they complement each other. However, the lack of a unified
theory regarding this matter has also been stated. After considering the weak
points of both the classic computational symbolic model and the connectionism,
acknowledging the significant progresses made by both in the study of the mind,
we conclude that there is still no computational model with representational capacity to cover the whole human thinking.
*Correspondence: Facultad de Psicología de la Universidad del País Vasco, Euskal Herriko Unibertsitatea. Departamento de Personalidad, Evaluación y Tratamiento Psicológico, Avenida de Tolosa,
70. E-mail: [email protected]
126
ZUMALABE. La mente representacional
Keywords: mental representation, computational processes, classic symbolic
model, connectionism, representational approaches.
Desde las ciencias cognitivas se considera que el pensamiento es el producto
de representaciones mentales y procesos computacionales que operan sobre esas
representaciones. La información en una representación interna puede referirse
a todo aquello que podemos conocer del mundo. Cuando pensamos, manipulamos las representaciones mentales de objetos, actividades y situaciones. Una
representación es una estructura que simboliza algo en virtud de relaciones de
semejanza, causalidad o de vínculos con otras representaciones. Se trata de una
estructura o una actividad simbólica que se construye para codificar la experiencia. “La concreción de las representaciones mentales es la vía que conduce al
rigor en psicología“ (Pinker, 2007, p. 121).
En ciencia cognitiva coexisten planteamientos teóricos y metodológicos que
mantienen el carácter representacional de la mente (modelo cognitivo simbólico
clásico y modelo conexionista), y planteamientos no representacionales. En el
siguiente esquema se describen someramente los puntos de vista más destacados
dentro de esta diversidad:
I-modelos representacionales de la mente
---
--
Se entiende el pensamiento en términos de estructuras de representaciones
mentales sobre las que operan procesos computacionales. La cognición es
un tipo de computación (Pylyshyn, 1984).
Los procesos de información que maneja un sistema computacional tienen
un carácter representacional. Todo sujeto debe contar con algún sistema de
representaciones mentales que contiene información sobre el mundo y sobre
sí mismo.
Existe una relación causal entre la representación cognitiva del sujeto y su
conducta.
A) Modelos simbólicos
Modelo simbólico clásico (Fodor, 1985, 1988; Newell y Simon, 1972; Pylyshyn,
1984, 2002).
-- La representación en la mente se realiza mediante símbolos discretos y significativos que se combinan mediante reglas sintácticas para formar expresiones significativas.
-- Un sistema de representaciones simbólico constituye el “lenguaje de la mente” que tiene un vocabulario, una estructura sintáctica y una semántica.
-- Las representaciones mentales son sistemas de de símbolos físicos; en los
humanos sistemas de procesos u objetos neuronales. Pensar sería una función cerebral por lo que la información debe estar representada en el cerebro
© Psy, Soc, & Educ, 2014, Vol.6, Nº2
ZUMALABE. La mente representacional
---
127
de alguna manera.
La representación cognitiva se describe en función de símbolos, esquemas
imágenes ideas y otras formas de representación mental que sirven de base
para que el sujeto actúe.
Plantean un único procesador central que ejecuta cómputos simbólicos secuencialmente; se trata de un procesamiento en serie en el que el pensamiento avanza paso a paso.
B) Modelos no simbólicos
Modelos conexionistas (Rumelhart, 1980, 1989; Rumelhart, McClelland and
PDP, 1986)
-- Proponen un modelo de pensamiento formado por redes neuronales artificiales, recurriendo a una compleja analogía triádica que vincula la mente, el
cerebro y los ordenadores.
-- La cognición se produce a partir de la interacción simultánea de una serie de
unidades semejantes a neuronas que se encuentran altamente interconectadas. Se utilizan las neuronas y sus conexiones como modelo de estructuras
de datos y el estímulo de las células nerviosas y la diseminación de la actividad neuronal como modelo de algoritmos.
-- La naturaleza del sistema es neurofisiológica ya que las representaciones
están neurológicamente distribuidas y sus estados de actividad corresponden
a patrones de actividad neural.
-- Al ser modelos no simbólicos, los pesos de las conexiones determinan el
funcionamiento de la red. La actividad mental surge de la fuerza de las conexiones entre las unidades del sistema, no de los símbolos codificados en
él, determinando éstas conexiones el funcionamiento de la red.
-- Desarrollan modelos compuestos por un gran número de procesadores o
nodos interconectados que funcionan en paralelo, procesamiento en el que
se dan muchos pasos simultáneamente.
-- Para estudiar la mente se refieren a parámetros como: patrones de conectividad, unidades subsimbólicas definidas por niveles de activación, fuerzas de
conexión o los umbrales de de input y output de tales unidades.
-- No se precisa de un programa almacenado ni de un lenguaje interior constituido por la manipulación de símbolos. Al no existir un programa almacenado en las redes, las representaciones se manipulan de manera no computacional partiendo de las representaciones que constituyen el input del
sistema y de otro conjunto de representaciones que constituyen su output,
sin representaciones intermedias.
-- La representación es numérica en vez de simbólica y las unidades de procesamiento se comunican entre ellas a través de señales numéricas en lugar de
señales simbólicas.
-- Las neuronas individuales no representan símbolos; es la pauta de actividad
de grandes agrupaciones neuronales distribuidas en el cerebro lo que corres©Psy, Soc, & Educ, 2014, Vol.6, Nº2
128
ZUMALABE. La mente representacional
ponde a una representación.
II-modelos no representacionales
Cognición incorporada (Clark, 1998).
Realismo incorporado (Johnson y Lakoff. 2002).
Enfoques dinámicos y emergentistas.
En general una representación tiene dos funciones básicas:
a) Está dirigida a, es decir que significa, señala, indica, se refiere a o representa
un objeto o situación, y b) Dice algo acerca de ese objeto o estado de cosas. La
primera de las funciones haría referencia al objeto de la representación y la segunda al contenido de la misma.
Los procesos de información pueden ser descritos formalmente, lo que implica una relación con la noción de algoritmo, que es definida en términos de
procesos que operan sobre la representación. “Un algoritmo es un procedimiento
o sistema formal, que es definido más en términos de la forma de la representación que de su significado. Es un asunto puramente de manipulación de patrones
en la representación“ (Medina, 2008, p. 187). La psicología cognitiva, desde sus
inicios se caracterizó por la tendencia de ofrecer explicaciones formales de los
fenómenos, definiendo su génesis en virtud de la forma de los algoritmos que los
producen.
El análisis a nivel de algoritmos, se refiere a cómo se representan las entradas
y salidas del sistema, y a la forma en que la entrada se transforma en producción.
Una aproximación a la descripción de un procesamiento de la información en el
nivel algorítmico, consiste en identificar el problema general, y luego descomponer éste en subobjetivos que, a su vez, pueden descomponerse en otros subobjetivos. Se trata del proceso al que Cummins (1983) denomina análisis funcional.
El organismo actúa como un sistema que realiza una serie de operaciones
formales sobre la información traducida en códigos cognitivos, que tienen una
relación representacional directa de un dominio particular.
Las representaciones dependen de los procesos y estos son los que determinan
la relación existente entre los elementos del objeto representado. Con frecuencia, la representación hace referencia a una estructura sobre la que se ejecutan
determinados procesos. Estos procesos se refieren a las actividades implicadas
en la utilización de la información almacenada en una determinada estructura
o representación. Aunque con relativa frecuencia no resulta sencillo distinguir
entre estructura representacional y procesos psicológicos (Paivio, 1986).
Uno de los problemas centrales que se plantea en psicología cognitiva se
refiere a la explicación de cómo se representa el conocimiento (Amsel, 1989; Holland, Holyoak, Nisbett y Thagard, 1986; Marslen-Wilson, 1989; Paivio, 1986;
© Psy, Soc, & Educ, 2014, Vol.6, Nº2
ZUMALABE. La mente representacional
129
Palmer y Kimchi, 1986; Smythe, 1988, 1989). Son muchas las teorías elaboradas
para explicar cómo se codifica, almacena y recupera el conocimiento que han
dado lugar a una variedad de formalismos representacionales diferentes como:
redes semánticas (Collins y Loftus, 1975), marcos (Minsky, 1975), sistemas de
producción (Newell, 1973; Anderson, 1983), imágenes mentales (Kosslyn, 1980;
Paivio, 1986; Shepard y Cooper, 1982), representaciones estructurales (Schacter,
Cooper y Delaney, 1990), etc. En todos ellos se recurre a una compleja analogía
triádica que vincula la mente, el cerebro y los ordenadores.
De la misma manera que en el paradigma simbólico-computacional se seguía
la metáfora del ordenador, los modelos conexionistas están mucho más próximos
a la metáfora del cerebro. Los conexionistas definen la mente como un sistema de
cómputo que se encarna en un tipo especial de procesador de información: el sistema nervioso. Lo que se pretende desde el conexionismo es desarrollar modelos
de cómputos que simultáneamente sean respetuosos con los datos de conducta y
con los aspectos computacionalmente relevantes del funcionamiento del sistema
nervioso. Y este objetivo se establece con la finalidad de resolver las limitaciones
detectadas en el paradigma simbólico-computacional clásico.
Desde el conexionismo se intenta ofrecer descripciones cognitivas construidas a partir de entidades que corresponden a los elementos constituyentes de los
símbolos utilizados en el paradigma simbólico, es decir que trata con unidades
a nivel subsimbólico. Este nivel tiene su propia semántica que es diferente de
la del nivel simbólico o conceptual. En el paradigma simbólico las entidades se
representan mediante símbolos, sin embargo, en el paradigma subsimbólico se
representan mediante un gran número de subsímbolos que participan en cómputos numéricos, no simbólicos (Smolensky, 1988).
Ambos modelos cognitivos asignan contenido semántico: el modelo clásico
a las expresiones semánticas y el PDP (Paralled Distributed Processing) a los
nodos; los modelos conexionistas reconocen exclusivamente conexiones causales entre nodos y los modelos simbólicos lo hacen entre objetos evaluables semánticamente. En el conexionismo, el “input” del sistema surge de los valores
numéricos de activación de las unidades “input” de la red, valores que suponen
una representación del “input. Esta representación “…se propaga a lo largo de
las conexiones hasta que aparece algún conjunto de valores de activación en las
unidades del “output”. Los valores de activación codifican el “output” que el
sistema ha computado a partir del “input” (Ballesteros, 1992, p. 348).
Enfoques sobre las representaciones.
Son muchos los tipos de representaciones y operaciones computacionales
que son esenciales para comprender el pensamiento humano, que no tienen por
que ser excluyentes entre sí y que en muchos de los casos se complementan. A
©Psy, Soc, & Educ, 2014, Vol.6, Nº2
130
ZUMALABE. La mente representacional
continuación, nos vamos a referir someramente a algunos de los enfoques que
consideramos más relevantes.
La lógica se dedica al estudio del razonamiento válido y aunque no ha sido
uno de los enfoques más influyentes en el estudio psicológico de la representación mental muchas de las ideas fundamentales sobre la representación y la
computación surgieron en este ámbito.
En la década de 1930 fueron desarrolladas las primeras teorías computacionales por lógicos como Church y Turing entre otros, que idearon esquemas matemáticos para determinar qué problemas podían resolverse por medio de procesos
computacionales.
En lógica, las conclusiones se extraen por medio de la aplicación de reglas
de inferencia a un conjunto de premisas y todavía hoy son muchos los filósofos
e investigadores del campo de la inteligencia artificial que se valen de la lógica para estudiar el razonamiento. Algunos lingüistas ven la lógica formal como
una herramienta natural para comprender la estructura del lenguaje (McCawley,
1993); otros como Stabler (1992) recurren a la lógica para formalizar algunas de
las ideas más recientes de Noam Chomsky.
Las reglas son estructuras de tipo condicional: si A, entonces B que tienen
una serie de propiedades representacionales y computacionales. Los modelos
de reglas desde un principio han sido aplicados a la psicología, al contrario que
la mayoría de los modelos computacionales lógicos que no fueron concebidos
como modelos de la cognición humana.
El primer programa de inteligencia artificial fue el Teórico Lógico (Newell,
Shaw y Simon, 1958) que, introducido en un ordenador, resolvía ejercicios de
lógica formal comportándose como un modelo de razonamiento lógico humano
que incluía reglas de inferencia y reglas estratégicas para la búsqueda eficiente de
pruebas. Este modelo derivó en el Solucionador General de Problemas (General
Problem Solver o GPS; Newell y Simon, 1972) que se puede considerar el primer
marco general para el estudio del pensamiento humano que utilizaba reglas para
simular soluciones humanas para diferentes tipos de problemas. Posteriormente
aparecieron dos sistemas cognitivos de reglas de gran influencia en las ciencias
cognitivas por su gran aplicabilidad a la cognición humana: el ACT (Adaptative
Control of Thought; Anderson, 1983, 1993) y el SOAR (State, Operador, And
Result; Newell, 1990; Rosenbloom, Laird y Newell, 1993), ambos con enormes
posibilidades de aplicación en psicología y computación.
El procesamiento que se basa en las reglas puede ser tanto serial (una regla
cada vez) como paralelo (varias reglas en un mismo paso), pero habitualmente
el pensamiento consciente suele producirse en serie, es decir haciendo una in© Psy, Soc, & Educ, 2014, Vol.6, Nº2
ZUMALABE. La mente representacional
131
ferencia tras otra. Muchas formas de aprendizaje se representan fácilmente en
términos de la adquisición, la modificación y la aplicación de reglas. Algunas
reglas pueden formar parte de los mecanismos biológicos de los que estamos
dotados los humanos cuando nacemos, es decir, que pueden ser innatas aunque
la mayoría de ellas son aprendidas, o pueden inferirse de otras reglas.
Chomsky (1972) sostenía la idea de que los seres humanos nacemos con una
gramática universal innata, aunque más tarde planteaba la idea de que la adquisición del lenguaje consiste en el reconocimiento automático de un conjunto finito de parámetros y de su configuración particular para una lengua determinada
(Chomsky, 1988). Más recientemente Chomsky (2002) llega a poner en tela de
juicio su concepción de la gramática como un sistema de reglas.
Los sistemas de reglas constituyen el enfoque computacional-representacional que ha tenido la mayor cantidad de aplicaciones psicológicas. Newell (1990)
ha mostrado las aplicaciones del modelo SOAR en una enorme cantidad de fenómenos psicológicos. Holland et al. (1986) utilizan sistemas de reglas para explicar muchos tipos diferentes de aprendizaje y Anderson (1983, 1993) ha utilizado
sistemas de reglas (ACT) para explicar la adquisición y el uso del lenguaje, así
como para dar cuenta de la adquisición de capacidades como la resolución de
problemas geométricos o la programación informática.
Además, Anderson, Qin, Stenger y Carter (2004) han relacionado con áreas
específicas del cerebro la nueva versión del sistema ACT denominada ACT-R,
concluyendo que las reglas se aplican en los ganglios basales (núcleos ubicados
en la materia blanca de la corteza cerebral) y que los hechos que se corresponden
con las reglas se almacenan en la corteza prefrontal, extendiendo al ámbito neurológico un modelo que se originó como puramente cognitivo.
Los modelos computacionales basados en reglas han originado simulaciones
muy detalladas de una enorme cantidad de procesos psicológicos y han mostrado su utilidad práctica en diferentes campos de aplicación (enseñanza, lenguaje,
inteligencia artificial, aprendizaje,…).
Los conceptos son representaciones mentales de una clase de objetos o hechos relacionados entre sí que normalmente se corresponden con una palabra. Se
trata de una clase de representación mental que agrupa objetos, relaciones, actividades, abstracciones o características que tienen propiedades comunes. Aunque
algunos autores como el filósofo de la mente Fodor (1985) defiendan la hipótesis
del innatismo, en la actualidad las ciencias cognitivas estudian los procesos que
intervienen en la formación de conceptos a partir de la experiencia y de otros
conceptos.
En la década de 1970 se hizo más patente el interés de los psicólogos por
©Psy, Soc, & Educ, 2014, Vol.6, Nº2
132
ZUMALABE. La mente representacional
el estudio de la naturaleza de los conceptos y se crearon términos como marco,
esquema y guión, que son formas más complejas que los conceptos de correspondencia con las palabras, pero son similares a los conceptos en el sentido de que
también están constituidos por conjuntos de rasgos con los que pueden encontrarse correspondencias para aplicarlos a situaciones nuevas.
Entendidos como marcos, esquemas o guiones, los conceptos son representaciones de individuos o situaciones típicas y no definiciones y por consiguiente
expresan características y no verdades universales. En este sentido, los conceptos
constituyen una forma fundamental de organización del conocimiento que no
puede expresarse en sistemas de reglas. Esta organización de los conceptos se
establece en estructuras jerárquicas (entre las reglas no hay jerarquías) que les
confieren propiedades computacionales que los conjuntos de reglas no poseen
(Thagard, 2008). Hoy se reconoce que los conceptos no pueden constituir una
teoría completa de la representación mental, aunque también se asume que las
propiedades computacionales de las representaciones conceptuales hacen de los
conceptos un complemento fundamental de las reglas en la modelización del
pensamiento humano.
La teoría de prototipos guarda mucha similitud con el enfoque computacional
de los conceptos; ahora bien, existe evidencia empírica (Barsalou, 1983; Barsalou, Simmons, Barbey y Wilson, 2003) de que los conceptos son mucho más
flexibles y dependientes del contexto que los conjuntos de propiedades típicas,
por lo que se puede afirmar que la estructura de los conceptos no se agota en los
prototipos. Bastantes autores, como Murphy y Medin, (1985) o Keil (1989), han
propuesto modelos conceptuales que han superado la teoría de los prototipos.
Miller (1991) analizó la estructura del léxico mental, la formación de palabras y la adquisición del léxico, considerando que el uso del lenguaje depende de
la capacidad de almacenar y utilizar los conceptos denotados por los sustantivos,
adjetivos y verbos. Langacker (1987) y Lakoff (1987), por su parte, sostienen
que las estructuras sintácticas están ligadas a la naturaleza y al significado de los
conceptos.
Kosslyn y Koenig (1992) han estudiado la estructura neuronal del léxico
mental analizando los déficits de las personas con daño cerebral y Ashby y Waldron (2000) han analizado datos empíricos según los cuales la corteza prefrontal
y los ganglios basales están comprometidos en la adquisición de conceptos. En
general se puede afirmar que existe suficiente evidencia psicológica, Murphy,
(2002) recoge buena parte de ella, de que los conceptos forman parte del conocimiento general del mundo.
La analogía es un proceso mental por el que se establecen relaciones de semejanza entre dos grupos de objetos. El pensamiento analógico consiste en tratar
© Psy, Soc, & Educ, 2014, Vol.6, Nº2
ZUMALABE. La mente representacional
133
situaciones nuevas mediante adaptaciones de situaciones similares ya conocidas.
Se trata de un tipo de conocimiento que se basa en la rememoración de las experiencias previas que se parecen a la nueva situación.
Evans (1968) creó el primer modelo computacional del razonamiento analógico y desde entonces son muchos los modelos relacionados con el uso de
analogías que se han desarrollado. Así por ejemplo, Holyoak y Thagard (1995)
elaboraron una teoría computacional del uso de analogías en humanos y desde
la inteligencia artificial se han creado aplicaciones muy interesantes del razonamiento analógico o basado en casos (Kolodner, 1993; Leake, 1996).
En el razonamiento analógico se consideran dos situaciones: el análogo objetivo, que representa a la situación nueva sobre la que se razona, y el análogo
fuente, que representa la situación anterior que puede adaptarse y aplicarse al
análogo objetivo. La analogía es una relación sistemática entre ellos; ahora bien,
para establecer analogías interesantes entre situaciones los análogos deben tener
relaciones y rasgos similares.
Los análogos son parecidos a los conceptos y distintos de las reglas y los
enunciados lógicos en que agrupan paquetes de información; sin embargo son
parecidos a los enunciados simples y distintos a los conceptos en que la información que incluyen describe únicamente una situación en particular. Los esquemas
analógicos incluyen información general a diferencia de las representaciones de
los análogos fuente y objetivo y a semejanza de las reglas y los conceptos. Cuando se usa un análogo fuente para resolver un problema objetivo, se pueden hacer
abstracciones construyendo un esquema analógico que capta lo común a ambos
análogos. Los esquemas analógicos son parecidos a los conceptos, aunque no
poseen el mismo grado de generalidad ya que hacen generalizaciones partiendo
sólo de dos instancias. Además, en muchos casos las emociones juegan un importante papel en la representación de análogos.
Para resolver problemas relacionados con un ámbito en el que se posee mucha experiencia se recurre al conocimiento general que proporcionan las reglas
y los conceptos; sin embargo para los casos en que se posee experiencia previa
en cierto campo pero el conocimiento general es insuficiente se recurre al razonamiento analógico. En consecuencia, las analogías pueden ser de gran utilidad
para las situaciones en las que no se dispone ni del conocimiento conceptual ni
del conocimiento basado en reglas.
Las explicaciones analógicas son muy abundantes en las ciencias cognitivas
y desempeñan un importante papel en la producción y comprensión del lenguaje
ya que constituyen el fundamento del uso de las metáforas, que tienen como
mecanismo cognitivo subyacente la comparación sistemática de elementos típica
del razonamiento analógico. Se han utilizado profusamente en la resolución de
©Psy, Soc, & Educ, 2014, Vol.6, Nº2
134
ZUMALABE. La mente representacional
problemas, en el aprendizaje y en el uso del lenguaje; sus aportaciones son especialmente valiosas cuando se trata de resolver problemas de explicación, por
ello tienen un valor potencial enorme en el campo educativo ya que es bastante
común que los profesores recurran a comparaciones entre lo nuevo y lo conocido
para facilitar a los estudiantes el entendimiento de lo nuevo.
En lo que a la investigación neurológica se refiere, Boroojerdi et al. (2001)
descubrieron que la corteza prefrontal participa en el razonamiento analógico
en coherencia con los hallazgos que plantean que el razonamiento en el que se
necesita recurrir a relaciones complejas, requiere la participación de la corteza
prefontal izquierda (Christoff et al., 2001; Kroger et al., 2002). Otros especialistas han creado modelos computacionales para la analogía utilizando redes neuronales artificiales cuyo comportamiento se aproxima al de las redes neuronales
biológicas (Hummel y Hoyoak, 1997, 2003; Eliasmith y Thagard, 2001).
Las imágenes mentales son representaciones que reflejan o se parecen a aquello que representan y son una parte importante del pensamiento y de la construcción de los esquemas cognitivos. Aunque los defensores de la ortodoxia del
paradigma simbólico-computacional han sido muy críticos con la noción de imagen mental, los datos experimentales sugieren que algunas representaciones son
imágenes.
Paivio (1971), y Shepard y Metzler (1971) fueron los primeros investigadores en llevar a cabo experimentos con imágenes visuales y Kosslyn y Schwartz
(1977) y Funt (1980) crearon los primeros modelos computacionales. Aunque
existen numerosas evidencias computacionales, psicológicas y neurológicas para
afirmar que para pensar la mente utiliza tanto las palabras como las imágenes, algunos especialistas en ciencias cognitivas no creen que las representaciones gráficas separadas de las verbales formen parte del pensamiento (Pylyshyn, 1984,
2002).
La mayor parte de los investigadores que se dedican al estudio de las imágenes mentales han focalizado sus esfuerzos en trabajar sobre las representaciones
visuales, aunque no hay ninguna razón, en principio, para excluir las imágenes
vinculadas con la percepción no visual. Las imágenes mentales se producen en
muchos o quizá en todos los tipos de modalidades sensoriales.
Lakoff y Johnson (1986) sugieren que muchas metáforas se originan en imágenes visuales; Lakoff (1994) señala que buena parte del conocimiento depende
de esquemas gráficos, conceptos generales que poseen un componente visual,
y desde el enfoque de la gramática cognitiva Langacker (1987) sostiene que
las metáforas y las imágenes son fundamentales para las actividades mentales,
incluido el procesamiento del lenguaje, pues las imágenes sensoriales ejercen
un papel primordial en la estructura conceptual. Estos posicionamientos dejan
© Psy, Soc, & Educ, 2014, Vol.6, Nº2
ZUMALABE. La mente representacional
135
abierta la posibilidad de plantear que el lenguaje no depende exclusivamente de
las palabras sino también, en alguna medida, de las imágenes visuales o de otro
tipo.
También existen evidencias neurológicas que constatan que las imágenes
desempeñan una función en el pensamiento. Kosslyn (1994) ha probado que hay
zonas del cerebro involucradas en la percepción visual que también participan en
la formación de imágenes mentales. Por una parte, comprobó que los pacientes
con daño cerebral (en el lóbulo occipital) que afecta a la capacidad de percepción, tenían afectada la capacidad de formar imágenes visuales; por otra parte,
descubrió mediante mediciones de la actividad cerebral que cuando las personas
utilizan imágenes mentales para realizar determinadas tareas, se activan las áreas
cerebrales que participan en la percepción visual. Kosslyn, Ganis y Thompson
(2001) recogen reseñas de los diferentes estudios neurológicos de imágenes visuales, auditivas y motrices.
La utilización de imágenes se ha mostrado útil en el aprendizaje, la educación, la resolución de problemas y el diseño de estrategias para mejorar la memoria (Dehaene, Spelke, Pinel, Stanescu y Tsivkin, 1999; Larkin y Simon, 1987).
Aún así, el recurso a los modelos computacionales de las imágenes mentales no
es muy frecuente y esto posiblemente sea debido, entre otras razones, a que las
herramientas de programación disponibles se adaptan mucho mejor a las representaciones verbales que a las visuales.
Otro enfoque de las representaciones se basa en las conexiones, en el que se
propone un modelo de pensamiento formado por redes neuronales artificiales
desde el que se considera que los individuos tienen representaciones que operan
con unidades de procesamiento simples relacionadas mediante conexiones excitatorias e inhibitorias. Una red neuronal hace referencia a un grupo de neuronas
interconectadas y existen procesos que propagan la activación entre unidades a
través de sus conexiones, y procesos que modifican esas conexiones. La propagación de la activación y el aprendizaje de las unidades generan la conducta.
Una unidad con una conexión excitatoria con una unidad activa recibirá activación de esta última y una unidad con conexión inhibitoria con una unidad
activa, verá disminuida su propia actividad. El resultado dependerá de las interconexiones entre las unidades ya que unas se activan mientras otras se desactivan. Las redes conexionistas están formadas por nodos y conexiones simples que
sirven para conocer los procesos psicológicos en los que se requiere la satisfacción de restricciones en paralelo.
Los primeros modelos conexionistas del lenguaje tomaban en consideración
la percepción visual y auditiva. McClelland y Rumelhart (1981) sugirieron que
el reconocimiento de palabras puede considerarse como un problema de satisfac©Psy, Soc, & Educ, 2014, Vol.6, Nº2
136
ZUMALABE. La mente representacional
ción de restricciones en paralelo; McClelland y Elman (1986) desarrollaron un
modelo similar para explicar la percepción del habla y Kintsch (1988, 1998) creó
un modelo conexionista para la comprensión discursiva. Rumelhart y McClelland (1986), desarrollaron un modelo de procesamiento distribuido en paralelo
para analizar el aprendizaje de verbos en los niños, sin reglas explícitas, rechazado por Pinker y Prince (1988). McWhinney y Leinbach (1991) en respuesta a las
críticas, presentaron un nuevo modelo conexionista que corregía los defectos del
anterior, ante lo que Pinker y Ullman (2002) respondieron formulando un modelo no conexionista para explicar el procesamiento del lenguaje y McClelland y
Patterson (2002) replicaron defendiendo el enfoque conexionista.
Se han utilizado modelos conexionistas locales de comparación y recuperación analógica para simular los resultados de experimentos psicológicos (Holyoak y Thagard, 1995; Kunda y Thagard, 1996; Spellman y Holyoak, 1993;
Wharton et al., 1994). En muchos de ellos se han utilizado técnicas de retropropagación; se trata de un algoritmo de aprendizaje en redes con conexiones
hacia adelante que ajusta la fuerza de las conexiones entre neuronas. Seidenberg
y McClelland (1989) las utilizaron para construir un modelo de reconocimiento
visual de palabras; St. John (1992) para generar distribuciones distribuidas que
simulan distintos aspectos de la comprensión discursiva y Bates y Elman (2002)
para explicar diferentes aspectos del desarrollo evolutivo, como las razones por
las que los niños aprenden más rápidamente unas cosas que otras.
Se ha observado que en el cerebro se produce el aprendizaje de Hebb y otras
clases de aprendizaje que recurren al ajuste sináptico (Churchland y Sejnowski, 1992). En este tipo de aprendizaje se incrementa la fuerza de las uniones
sinápticas entre neuronas de actividad similar. Los modelos conexionistas del
aprendizaje han sido aplicados con éxito en al ámbito educativo (Adams, 1990;
Seidenberg y McClelland, 1989).
CONCLUSIÓN
Ante este panorama tan diverso, son muchos los investigadores que propugnan la necesidad de combinar e integrar los diferentes enfoques representacionales. Pero también existen autores que sostienen que todos los enfoques computacionales son limitados y no constituyen una buena aproximación a la naturaleza
de la mente al no considerar aspectos fundamentales del pensamiento.
Someramente, estos aspectos son los siguientes: el paradigma simbólicocomputacional supone una desnaturalización de la psicología ya que su fundamentación es tecnológica, no naturalista; la toma de postura funcionalista del
paradigma simbólico hace que se considere el cerebro como un sistema de cómputo, cuyas peculiaridades y características carecerían de interés ya que sólo son
importantes los programas que el cerebro ejecuta; no se tienen suficientemente
© Psy, Soc, & Educ, 2014, Vol.6, Nº2
ZUMALABE. La mente representacional
137
en cuenta ni las emociones ni la función de la conciencia en el pensamiento; se
desatiende la aportación del cuerpo al pensamiento y la acción; al poner el énfasis en lo individual se desplaza a un segundo plano lo social, por lo que no se
considera el papel que desempeña el entorno en el pensamiento (de Vega, 1998;
Thagard, 2008).
A pesar de los puntos débiles y limitaciones del paradigma simbólico-computacional, desde esta perspectiva se ha contribuido de forma significativa a los
logros conseguidos por la psicología cognitiva en el conocimiento de la actividad
mental, de tal forma que en las últimas décadas se ha avanzado más en estas
cuestiones que en toda la breve historia de la psicología. Además, sobre algunas
de las objeciones señaladas se está trabajando eficazmente en la actualidad.
Respecto al conexionismo, desde una perspectiva neurológica, las redes artificiales se asemejan a la estructura cerebral en el sentido de que constan de
elementos simples que se excitan e inhiben entre sí. Sin embargo, las redes neuronales reales son mucho más complejas que las redes artificiales. En las redes
neuronales reales son miles de millones las células nerviosas con millones de
millones de conexiones. También las neuronas reales son mucho más complejas que las unidades de las redes artificiales; en éstas últimas, simplemente se
pasa la activación de unas a otras, pero en las neuronas reales actúan decenas de
neurotransmisores que proporcionan conexiones químicas, por lo que se debe
entender el cerebro en términos no sólo eléctricos sino también químicos. Las
neuronas reales experimentan modificaciones en sus propiedades sinápticas y no
sinápticas que tienen mucho más alcance que lo que ofrece una neurona artificial.
Además, en las representaciones locales, cada unidad tiene una interpretación
conceptual o proposicional especificable, cosa que no ocurre con las neuronas
del cerebro. Las neuronas reales, a diferencia de las unidades de redes neuronales
artificiales, tienen conexiones excitatorias o inhibitorias con otras neuronas, pero
nunca tienen conexiones de los dos tipos a la vez. Son muchas más las neuronas
entre las que el cerebro distribuye sus representaciones que las que se encuentran
en las redes artificiales sean locales o distribuidas.
Por otra parte, no se ha constatado ninguna relación entre el aprendizaje por
retropropagación y los procesos cerebrales, es decir, que el aprendizaje por retropropagación no se corresponde con ningún proceso cerebral conocido. Aunque
en las redes neuronales reales se observa la propagación hacia adelante típica de
las redes de retropropagación, todavía no se conoce ningún mecanismo neurológico mediante el que las mismas vías que alimentan la activación hacia delante
se usen para propagar la corrección del error hacia atrás. En este sentido O`Reilly
y Munakata (2000) han propuesto un algoritmo de naturaleza biológica que se
aproxima bastante a la retropropagación.
©Psy, Soc, & Educ, 2014, Vol.6, Nº2
138
ZUMALABE. La mente representacional
Por consiguiente, debemos tener en cuenta que la mayoría de los modelos
conexionistas no son más que una aproximación al comportamiento de las neuronas reales. Aún así, la analogía entre el cerebro y la mente computacional ha sido
muy productiva y en la actualidad se están desarrollando modelos de procesos
computacionales que se asemejan más a los procesos cerebrales. Aunque todavía
los modelos conexionistas distan bastante de emular a las redes neuronales ha
quedado demostrada, en la simulación de diversos experimentos, su importancia
psicológica.
El procesamiento en serie que el modelo simbólico-computacional clásico
describía, presentaba importantes dificultades y limitaciones para enfrentarse a
ciertas condiciones que son muy frecuentes en el medio adaptativo de los humanos; por ejemplo, en situaciones en que es necesario considerar a la vez varias
restricciones simultáneas o en aquellas situaciones en que se precisa reconstruir
o recordar informaciones a partir de partes de ellas que pueden no ser correctas
o en las que la información está parcialmente degradada. Además esta mente
serial y simbólica se aleja mucho de la mente real a la hora de captar con rapidez
los significados globales de las situaciones y también es mucho menos flexible
que la mente real si sus esquemas y conceptos son tan discretos y rígidos como
lo son las representaciones que emplean los ordenadores digitales. Por lo tanto,
desde una perspectiva conexionista, el funcionamiento secuencial que proponía
el paradigma clásico parece poco realista como modelo de funcionamiento del
sistema nervioso.
Al igual que el cerebro, los sistemas conexionistas realizan multitud de cómputos en paralelo efectuados por una gran masa de unidades de procesamiento
que operan simultáneamente; se trata de un procesamiento continuo a través de la
red, muy diferente a la ejecución secuencial en pasos discretos de programación
característica del paradigma simbólico.
Aunque desde el conexionismo se ha tratado de de ofrecer alternativas a las
deficiencias y limitaciones de los enfoques cognitivos anteriores, desde su mismo inicio también el conexionismo planteaba sus propios puntos débiles y sus
limitaciones como modelo de lo mental que Fodor y Pylyshyn (1988), defensores
de paradigma computacional-representacional clásico, se apresuraron a destacar.
Estos y otros autores (Broadbent, 1985) acusan a los modelos conexionistas de
limitarse a utilizar las ideas de la psicología cognitiva clásica y de la inteligencia artificial. Otros (Papert, 1988) consideran que las estructuras propuestas por
estos modelos carecen de un análisis teórico serio que asegure que el modelo
funcionará cuando se reproduzca a tamaño real.
Aún así, en sus cincuenta años de existencia, las ciencias cognitivas han experimentado avances significativos. Hoy se sabe cómo diseñar sistemas complejos capaces de hacer inferencias lógicas; se han creado modelos por medio de
© Psy, Soc, & Educ, 2014, Vol.6, Nº2
ZUMALABE. La mente representacional
139
sistemas que utilizan reglas y conceptos, para varios aspectos del uso del lenguaje y la resolución de problemas; se ha avanzado mucho en el conocimiento del
pensamiento analógico combinando experimentos psicológicos y modelización
computacional; el estudio de las imágenes ha dejado de ser marginal para ocupar
un importante lugar en las investigaciones de disciplinas como la psicología, las
neurociencias y la computación; y los modelos conexionistas del aprendizaje y
la aplicación del procesamiento en paralelo en la satisfacción de restricciones,
permiten explicar muchos fenómenos psicológicos.
La lógica, las reglas, los conceptos, las analogías, las imágenes y las redes conexionistas tienen, como hemos visto, tanto ventajas como limitaciones y en muchos de los casos deben complementarse entre sí. Para Thagard (2008) una buena
teoría unificada debería dar cumplida cuenta de esta complementariedad proponiendo estructuras caracterizadas por: “(1) la riqueza sensorial de las imágenes y
las conexiones, (2) la capacidad organizativa de los conceptos, los análogos y las
imágenes, y (3) el poder de expresión verbal de las reglas y las proposiciones de
la lógica formal” (p.210).
De cualquier forma, desde las ciencias cognitivas no se ha logrado elaborar
una teoría unificada que permita explicar todos los fenómenos psicológicos. Algunos investigadores en este campo mantienen que la mente es un sistema lógico
o de reglas, otros que conceptual, otros que de analogías, o de imágenes, o de
redes conexionistas. Tal diversidad es comprensible ya que en cualquier caso la
mente es un sistema complejo en el que coexisten clases de pensamiento muy
diversas. Es precisamente esta complejidad y diversidad de la mente lo que dificulta la formulación de una teoría unificada. Además, el carácter multidisciplinar
de las ciencias cognitivas exige que para lograr progresos se complementen los
esfuerzos de los investigadores en distintas disciplinas integrando los resultados
de la investigación en los distintos campos lo que supone una dificultad añadida.
Por consiguiente no existe un único enfoque que pueda considerarse como la
base teórica de las ciencias cognitivas en su conjunto por lo que ningún modelo
computacional actual tiene la capacidad representacional para abarcar todo el
pensamiento humano.
REFERENCIAS
Adams, M. J. (1990). Beginning to read. Cambridge, MA: MIT Press.
Amsel, A. (1989). Behaviorism, neobehaviorism, and cognitivism in learning
theory. Hillsdale, NJ: Erlbaum.
Anderson, J. R. (1983). The architecture of cognition. Cambridge, MA: Harvard
University Press.
Anderson, J. R. (1993). Rules of the mind. Hillsdale, NJ: Erlbaum.
Anderson, J. R., Qin, Y., Stenger, V. A., y Carter, C. S. (2004). The relationship
of three cortical regions to an information-processing model. Cognitive Neu©Psy, Soc, & Educ, 2014, Vol.6, Nº2
140
ZUMALABE. La mente representacional
roscience, 16, 637-653.
Ashby, F. G. y Waldron, E. M. (2000). The neuropsychological bases of category
learning. Current Directions in Psychological Science, 9(1), 10-14.
Ballesteros, S. (1992). La representación del conocimiento en los sistemas conexionistas. Psicothema, 4(2), 343-354.
Barsalou, L. W. (1983). Ad hoc categories. Memory and Cognition, 11(3), 211227.
Barsalou, L. W., Simmons, W. K., Barbey, A. K. y Wilson, C. D. (2003). Grounding conceptual Knowledge in modality-specific systems. Trends in Cognitive Sciences, 7(2), 84-91.
Bates, E. A. y Elman, J. L. (2002). Connectionism and the study of change. En
M. H. Johnson, Y., Munakata y R. O. Gilmore (eds.), Brain development and
cognition (pp.420-440). Oxford: Blackwell.
Boroojerdi, B., Phipps, M., Kopylev, L., Wharton, C. M., Cohen, L. G. y Grafman, J. (2001). Enhancing analogic reasoning with RTMS over the left prefrontal cortex. Neurology, 56, 526-528.
Broadbent, D. E. (1985). A question of levels: Comments on McClelland and
Rumelhart. Journal of Experimental Pschology: General, 114, 189-192.
Chomsky, N. (1972/1986). El lenguaje y el entendimiento. Barcelona: Seix Barral.
Chomsky, N. (1988). Lenguage and problems of knowledge: The Managua lectures. Cambridge, MA: MIT Press.
Chomsky, N. (2002/2003). Sobre la naturaleza del lenguaje. Madrid: Cambridge
University Press.
Christoff, K., Pabhakaran, V., Dorfman, J., Zhao, Z., Kroger, J. K., Holyoak, K.
J. y Gabrieli, J. D. K. (2001). Rostrolateral prefrontal cortex involvement in
relational integration during reasoning. NeuroImage, 14(5), 1136-1149.
Churchland, P. S. y Sejnowski, T. (1992). The computational brain. Cambridge,
MA: MIT Press.
Clark, A. (1998). Embodied, situated, and distributed cognition. En W. Bechtel
and G. Graham (eds.), A companion to cognitive science (pp. 506-517). Malden, MA: Blackwell.
Collins, A. M. y Loftus, E. F. (1975). A spreading-activation theory of semantic
processing. Psychological Review, 82, 407-428.
Cummins, R (1983). The nature of psychological explanation. Cambridge,
Mass.: MIT Press.
Dehaene, S., Spelke, E., Pinel, P., Stanescu, R. y Tsivkin, S. (1999). Sources
of mathematical thinking: Behavioral and brain-imaging evidence. Science,
284(5416), 970-974.
Eliasmith, C. y Thagard, P. (2001). Integrating structure and meaning: A distributed model of analogical mapping. Cognitive Science, 25(2), 245-286.
Fodor, J. A. (1985). El lenguaje del pensamiento. Madrid: Alianza.
Fodor, J. A. (1988). Psychosemantics. The Problem of meaning in the Philosophy
of Mind. Cambridge, Mass.: MIT Press.
© Psy, Soc, & Educ, 2014, Vol.6, Nº2
ZUMALABE. La mente representacional
141
Fodor, J. A. y Pylyshyn, Z. (1988). Connectionism and cognitive architecture: A
critical análisis. Cognition, 28, 3-71.
Funt, B. (1980). Problem solving with diagrammatic representations. Artificial
Intelligence, 13(3), 201-230.
Holland, J. H., Holyoak, K. J., Nisbett, R. E. y Thagard, P. R. (1986). Induction:
Processes of inference, learning, and discovery. Cambridge, MA: MIT Press.
Holyoak, K. J. y Thagard, P. R. (1995). Mental leaps: Analogy in creative
thought. Cambridge, MA: MIT Press/Bradford Books.
Hummel, J. E. y Holyoak, K. J. (1997). Distributed representations of structure:
A theory of analogical acces and mapping. Psychological Review, 104(3),
427-466.
Hummel, J. E. y Holyoak, K. J. (2003). A symbolic-connectionist theory of relational inference and generalization. Psychological Review, 110(2), 220-264.
Johnson, M. y Lakoff, G. (2002). Why cognitive linguistics requires embodied
realism. Cognitive Linguistics, 13(3), 245-263.
Keil, F. (1989). Concepts, kinds, and cognitive development. Cambridge, MA:
MIT Press/Bradford Books.
Kintsch, W. (1988). The role of knowledge in discourse comprension: A construction-integration model. Psychological Review, 95(2), 163-182.
Kintsch, W. (1998). Comprehensión: A paradigm for cognition. Cambridge:
Cambridge University Press.
Kolodner, J. (1993). Case-based reasoning. San Mateo, CA: Morgan Kaufmann.
Kosslyn, S. M. (1980). Image and mind. Cambridge, MA: Harvard University
Press.
Kosslyn, S. M. (1994). Image and brain: The resolution of the imagery debate.
Cambridge, MA: MIT Press.
Kosslyn, S. M. y Shwartz, S. P. (1977). A simulation of visual imagery. Cognitive
Science, 1, 265-295.
Kosslyn, S. M. y Koenig, O (1992). Wet mind: The new cognitive neuroscience.
Nueva York: Free Press.
Kosslyn, S. M., Ganis, G. y Thompson, W. L. (2001). Neural foundations of
imagery. Nature Reviews Neuroscience, 2, 635-642.
Kroger, J. K., Sabb, F. W., Fales, C. L., Bookheimer, S. Y., Cohen, M. S. y Holyoak, K. J. (2002). Recruitment in anterior dorsolateral prefrontal cortex in
human reasoning: A parametric study of relational complexity. Cerebral Cortex, 12(5), 477-485.
Kunda, Z. y Thagard, P. (1996). Forming impressions from stereotypes, traits,
and behaviors: A parallel-constrained-satisfaction theory. Psychological Review, 103(2), 284-308.
Lakoff, G. (1987). Women, fire, and dangerous things. Chicago: Chicago University Press.
Lakoff, G. (1994). What is metaphor? En J. A. Barnden y K. J. Holyoak (eds.),
Advances in connectionist and neural computation theory. Vol. 3, Analogy,
metaphor, and reminding (pp. 203-257). Norwood, NJ: Ablex.
©Psy, Soc, & Educ, 2014, Vol.6, Nº2
142
ZUMALABE. La mente representacional
Lakoff, G. y Johnson, M. (1986). Metáforas de la vida cotidiana. Madrid: Cátedra.
Langacker, R. W. (1987). Foundations of cognitive grammar. Stanford, CA:
Stanford University Press.
Larkin, J. H. y Simon, H. A. (1987). Why a diagram is (sometimes) worth ten
thousand words. Cognitive Science, 11(1), 65-100.
Leake, D. B. (ed.) (1996). Case-based reasoning: Experiences. Lessons, and future directions. Menlo Park, CA: AAAI Press/MIT Press.
Marslen-Wilson, W. (1989). Access and integration: Projecting sound onto
meaning. En W. Marslen-Wilson (ed.), Lexical representation and process
(pp. 3-24). Cambridge, MA: MIT Press.
McCawley, J. D. (1993). Everything that linguist have always wanted to know
about logic-but were ashamed to ask. Chicago: University of Chicago Press.
McClelland, J. L. y Rumelhart, D. E. (1981). An interactive activation model
of context effects in letter perception: Part. 1. An account of basic findings.
Psychological Review, 88(5), 375-407.
McClelland, J. L. y Elman, J. L. (1986). The TRACE model of speech perception. Cognitive Psychology, 18(1), 1-86.
McClelland, J. L. y Patterson, K. (2002). Rules of connections in past-tense inflections: What does the evidence rule out? Trends in Cognitive Sciences,
6(11), 465-472.
McWhinney, B. y Leinbach, J. (1991). Implementations are not conceptualizations: Revising the verb model. Cognition, 40(1), 121-157.
Medina, N. (2008). La ciencia cognitiva y el estudio de la mente. Revista de
Investigación en Psicología, 11(1), 183-198.
Miller, G. A. (1991). The science of words. Nueva York: Scientific American
Library.
Minsky, M. (1975). A framework for representing knowledge. En P. H. Winston
(ed.), The psychology of computer vision (pp. 211-277). Nueva York: McGraw-Hill.
Murphy, G. L. (2002). The big book of concepts. Cambridge, MA: MIT Press.
Murphy, G. L. y Medin, D. (1985). The role of theories in conceptual coherence.
Psychological Review, 92(3), 289-316.
Newell, A. (1973). Production systems: Models of control structures. En W. G.
Chase (ed.), Visual information processing (pp. 463-526). New York: Academic Press.
Newell, A. (1990). Unified theories of cognition. Cambridge, MA: Harvard University Press.
Newell, A., Shaw, J. C. y Simon, H. A. (1958). Elements of a theory of human
problem solving. Psychological Review, 65(3), 151-166.
Newell, A. y Simon, H. A. (1972), Human problem solving. Englewood Cliffs,
NJ: Prentice-Hall.
O`Reilly, R. C. y Munakata, Y. (2000). Computacional explorations in cognitive
neuroscience: Understanding the mind by simulating the brain. Cambridge,
© Psy, Soc, & Educ, 2014, Vol.6, Nº2
ZUMALABE. La mente representacional
143
MA: MIT Press.
Paivio, A. (1971). Imagery and verbal processes. Nueva York: Holt, Rinehart,
and Winston.
Paivio, A. (1986). Mental representations. New York: Oxford University Press.
Palmer, S. E. y Kimchi, R. (1986). The information processing approach to cognition. En T. J. Knapp y L. C. Robertson (eds.), Approaches to cognition:
Contrasts and controversies (pp. 37-77). Hillsdale, NJ: Erlbaum.
Papert, S. (1988). One AI or many? Daedalus, 117, 1-14.
Pinker, S. (2007). Cómo funciona la mente. Barcelona: Destino.
Pinker, S. y Prince, A. (1988). On language and connectionism: Analysis of a
parallel distributed processing model of language acquisition. Cognition,
28(1-2), 73-193.
Pinker, S. y Ullman, M. T. (2002). The past and future of the past tense. Trends
in Cognitive Sciences, 6(11), 456-464.
Pylyshyn, Z. (1984). Computation and cognition: Toward a foundation for cognitive science. Cambridge, MA: MIT Press.
Pylyshyn, Z. (2002). Mental imagery: In search of a theory. Behavioral and Brain Sciences, 25(2), 157-237.
Rosenbloom, P. S., Laird, J. E. y Newell, A. (eds.) (1993). The Soar papers: Research on integrated intelligence. Cambridge, MA: MIT Press.
Rumelhart, D. E. (1989). The architecture of mind: A connectionist approach. En
M. I. Posner (ed.), The architecture of cognition (pp. 133-156). Cambridge,
MA: MIT Press.
Rumelhart, D., McClelland, J. L. and PDP Research Group (1986). Parallel distributed processing: Explorations in the microstructure of cognition, Vol.1:
Foundation. Cambridge, Mass.:MIT Press.
Schacter, D. L., Cooper, L. A. y Delaney, S. M. (1990). Implicit memory for
unfamiliar objects depends on access to structural descriptions. Journal of
Experimental Psychology: General, 119, 5-24.
Seidenberg, M. S. y McClelland, J. L. (1989). A distributed, developmental model of word recognition and naming. Psychological Review, 96(4), 523-568.
Shepard, R. N. y Metzler, J. (1971). Mental rotation of three-dimensional objects. Science, 171, 701-703.
Shepard, R. N. y Cooper, L. A. (1982). Mental images and their transformations.
Cambridge: MIT Press.
Smolensky, P. (1988). On the proper treatment of connectionism. Behavioral and
Brain Sciences, 11, 1-74.
Smythe, W. E. (1988). The semantic distinction between propositional and skillful knowing. Journal of Intelligent Systems, 1(2), 135-184).
Smythe, W. E. (1989). The case for cognitive conservatism: A critique of Dan
Lloyd´s approach to mental representation. Behaviorism, 17(1), 63-73.
Spellman, B. A. y Holyoak, K. J. (1993). An inhibitory mechanism for goaldirected analogical mapping. En Proceedings of the Fifteenth Annual Conference of the Cognitive Science Society (pp.947-952), Hillsdale, NJ: Erlbaum.
©Psy, Soc, & Educ, 2014, Vol.6, Nº2
144
ZUMALABE. La mente representacional
St. John, M. F. (1992). The story gestalt: A model of knowledge-intensive processes in text comprehension. Cognitive Science, 16(2), 271-306.
Stabler, E. P. (1992). The logical approach to syntax. Cambridge, MA: MIT
Press.
Thagard, P. (2008). La mente. Introducción a las ciencias cognitivas. : Buenos
Aires: Katz Editores.
Touretzky, D. y Hinton, G. (1988). A distributed connectionist production system. Cognitive Science, 12(3), 423-466.
Vega de, M. (1998). La psicología cognitiva: ensayo sobre un paradigma en
transformación. Anuario de Psicología, 29(2), 21-44.
Wharton, C. M., Holyoak, K. J., Downing, P. E., Lange, T. E., Wickens, T. D.
y Melz, E. R. (1994). Below the surface: Analogical similarity and retrieval
competition in reminding. Cognitive Psychology, 26(1), 64-101.
© Psy, Soc, & Educ, 2014, Vol.6, Nº2
Fly UP