/ ;;:~,

--,.-:.:,.{:.,::. ' .. . ..
(
-+~
I I
;:;
!).; ):tJf}t:
~i c ,. Paul Thagard
La lin~:r.ite
Introducci6n a las
ciencias cognitivas

Traducido por Silvia Jawerbaum y Julieta Barba

Del mismo autor

Conceptual revolutions, Princeton, 1992

Computational philosophy of scir.nce, Massachusetts, 1993
Mind readings: Introductory selections on cognitive science,
Massachusetts, 1998
CoVJholl~(zoN)
Ho1'·1 scientists explain. disease, Princeton, 2000
Coherence in thought and action (I.~fe and mind: Philosophicv..i issw's
in hwlogy and psychology, Massachusetts, 2002
Hot thought: Mechanisms ,;md applications of emoiional cognition,
1\.'lassachusetts, 2.006

lvle11te. Una introducci6n a las ciencias cogrtitivas., ha sido pubiict1do

en italiano por Guerini, bajo ei titulo: La mente. introduzione
alla scienza cognitiva; en ale1n~n por Klett-Cotti!., bajo d titulo:
Kognitionswissenschajt; ·2n portugues por Artmed como Men:e:
introdu~ao d ciCncia cognitiva. Hay, iguaini.entc, edicione$ en checo
yen corea no, yen dos variantes del chino.

:llil"'i.ii." ~ .~ ,,.,.~ .,, • "'';, ,_, "''i(~ ,. ,,'!.~·'"""-"

!Wi!l;;rLH.JA }~tA (Hhl'-4 j;;JA,~uv~ri ....,
~~(5l"Efhil\ !)E 8iBLJ~~TECM·
~'irE~Cftlil
.,... ~-&.'111 ~ R~ .;~. .i l'
¥,}.,~ M"?.~ ~~~[~
IJ"' <!;<i!W, ~fl:j!j, ~:,.
't~

con01cb"ni<eJnito
~ji.

=~1 .;'

li: Pr~f[1i.~i\!Jl

:-~·

'·
~:~

[~
c:;j
:t~

~
i!
~~~
" Las ciencias cognitivas, dedicadas al estudio de la mente y la inte-
t ligencia desde un punto de vista interdisciplinario, son fruto de
la confluencia entre la filosofla, la psicologia, la inteligencia arti-

il
:\1•
l~-
ficial, la neurociencia, la linguistica y la antropologia. Sus origenes
intelectuales se remontan a mediados de la decada de 1950, cuando.
investigadores provenientes de distintos campos comenzaron a
formular teorias de la mente valiendose de representaciones y pro-
cesos computacionales complejos. En cuanto a los or!genes insti-
tucionales, estos datan de mediados de los afios setenta, epoca en
que se fund6 la Sociedad de Ciencias Cognitivas en los Estados
~ -~
Unidos y se publico por primera vez la revista Cognitive Science.
t:·; Desde entonces, mas de sesenta universidades estadounidenses y
europeas han creado carreras de ciencias cognitivas, y muchas otras
universidades dictan materias relacionadas con este campo.
La ensefianza de las ciencias cognitivas no es tarea sencilla,
. -pues los estudiantes llegan con formaciones academicas muy di-
versas. Yo, personalmente, dicto en la Universidad de Vvaterloo,
desde 1993, una materia muy concurrida titulada Introduccion
a las Ciencias Cognitivas. Por un lado, se inscriben en mi catedra
estudiantes con conocimientos avanzados de computaci6n, pro-
venientes de carreras de computaci6n cientifica o ingenieria, que
saben poco de psicologia o filosofia, pero, por otro lado, vienen
muchos estudiantes que estan familiarizados con esas discipli-
 ·~'i:~
IIi
12 I LA ji,~N it
'.i! I Aunque este libro esta dirigido principalmente a estudiantes
~~ 1
nas pero q ··e
u de co•nputaci6'1
• - • entienden
- bastante poco. Mi inten-
~I. cion al escribir este libro ha sido poder contar con un manual
~!
·:;II,, ue no requiere conocimientos previos en ninguno de los cam-
;os de las ciencias cognitivas. Tambien he pretendido mostrar a
Jos es tudiantes interesa..k•s en los problemas de la mente y la inte-
ligencia que existen muchos enfoques complementarios en la
investigacion sabre las funciones mentales.
Existen al menos tres formas distintas de presentar las cien-
cias cognitivas ante un publico formado en disciplinas diversas.
~~
La primera consiste en centrarse en los distintos campos: la psi-
cologia, 1a inteligencia artificial y las demas disciplinas involucra-
das. La segunda es organizar el curso segun las distintas funcio-
·~- (;l; nes mentales, como la resoluci6n de problemas, la memoria, el
J~ aprendizaje y ellenguaje. En este libra, he decidido tamar otro
camino, en el que hago una descripci6n y una evaluacion siste-
maticas de las principales teorias de la representaci6n mental for-
Lmladas por distintos te6ricos, que incluyen la l6gica, las reglas,
los conceptos, las analogias, las imagenes y las conexiones (redes
neuronales artificiales). Con la presentacion de esos enfoques te6-
ricos f ..mdamentales he querido mostrar de manera coherente los
aportes realizados por los distintos campos de las ciencias cog-
nitivas al conocimiento del funcionamiento de la mente.
Mi prop6sito al escribir el presente libro ha sido poner a
disposici6n de estudiantes provenientes de distintas disciplinas
un material basi co que les permita comprender sin problemas un
curso introductorio a las ciencias cognitivas. Para cumplir con
el objetivo que me habia propuesto, debf explicar 16gica de forma
tal que fuera accesible a los estudiantes de psicologfa, exponer
algoritmos computacionales para que los entendieran los estu-
diantes de literatura, o presentar debates filosoficos de modo
sencillo para que a los estudiantes de ciencias de la computa-
ci6n les resultaran atractivos.
PREfi.CIO I ~3
de carreras de grado, tambien ha sido mi intenci6n que fuese de
utilidad para los estudiantes de posgrado y los profesores inte-
resados en descubrir emil es la participaci6n de sus propias dis-
ciplinas en los distintos proyectos de las ciencias cognitivas.
No se trata, por tanto, de un texto enciclopedico sino de un
manual con capitulos breves y concisos, en los que resalto las
cuestiones generales en desmedro de las particulares. Dado
que abordo las ciencias cognitivas como la intersecci6n y no
como la union entre todos los campos que forman parte de ellas,
decidi omitir algunos temas que ya se han tratado en manuales
de inteligencia artificial, psicologia cognitiva y filosofia de la
mente, por nombrar solo algunas disciplinas sobre las que exis-
ten infinidad de textos. Para cerrar cada capitulo, he incluido un
resumen y un listado de lecturas recomendadas.
Ellibro esta escrito con gran entusiasmo y respeto por los
aportes que han hecho las teorias de la representaci6n 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 basicos de las ciencias cognitivas
y propongo distintas ideas para trabajar en el futuro.
Estoy muy agradecido a quienes me han hecho llegar ejempla-
res de la primera edici6n traducida al italiano, aleman, checo,
portugues, japones, coreano y dos variedades de chino. Para
esta segunda edicion, he actualizado la primera parte y revisado
la segunda, ademas de afiadir capitulos sobre el cerebra, las emo-
ciones y la conciencia. Otras novedades son un listado de sitios
web al final de cada capitulo y un glosario al final dellibro.
Para complementar el presente texto, recomiendo la lectura de
otro libro del que soy editor: Mind readings: Introductory selec-
tions on cognitive science (MIT Press, 1998).
 ~):l
C1 tr:l
0
IJQ
:::;
1-h
,r-r
..... ..0q
::::1
1-• .. c
<
PJ
CD
tr.l
en !:1...
CiJ
........
r·.·~
<h

-·
n
ro
t::l
,CJ.........
PJ
C/l
1
Representaci6n y computaci6n

EL ESTUDIO DE LA MENTE

lQuien no se ha preguntado alguna vez como funciona la mente?

Todos realizamos a diario una gran variedad de tareas menta-
les, desde resolver problemas en el trabajo o la escuela basta
tomar decisiones vinculadas con nuestra vida personal, encon-
trar los motivos de las acciones de los demas o adquirir nuevos
conceptos, como el de telefonia celular o Internet. El objetivo
principal de la ciencia cognitiva es encontrar las explicaciones
de como se realizan esas formas de pensamiento. Esta disciplina
cientifica no se limita a describir los distintos tipos de estrate-
gias de aprendizaje y de resolucion de problemas, sino que ofrece
una explicacion acerca de c6mo realiza la mente esas operacio-
nes. Ademas, da cuenta de los casos en los que la mente no fun-
ciona con la eficacia deseada; por ejemplo, cuando se toman
decisiones equivocadas.
Comprender c6mo funciona Ia mente es importante para
muchas actividades practicas. Si los docentes saben cuales son
los mecanismos de pensamiento de los estudiantes, podran apli-
car los metodos de ensefianza adecuados. Para los ingenieros y
otros profesionales dedicados al disefio de productos, es impor-
tante saber cuales son los probables procesos mentales que per-
mitiran que los futuros usuarios hagan un uso eficaz o ineficaz

18 I lA MENTE
de esos productos. En el caso de los cientificos especializados en
informatica, el conocimiento de que factores hacen que las per-
sonas sean inteligentes es de utilidad en el disefio de computa-
doras mas inteligentes. Ypara los politicos y los responsables de
::!
la toma de decisiones, el exito de su carrera depende de la com-
prensi6n de los procesos mentales de las personas con las que
interactuan.
1:·'·· Sin embargo, el estudio de la mente noes tarea sencilla, puesto
I>
;.j que no es posible tener acceso directo a ella. A lo largo de los
J::i!
siglos, los fil6sofos y los psic6logos han recurrido a un conjunto
lf de metaforas y comparaciones para referirse ala mente. Se ha
I;··
1'1'
afirmado que es como una pagina en blanco sobre la que se hacen
iir
,,_
li• impresiones, o como un instrumento hidniulico en el que se
~
ejercen distintas fuerzas o que es semejante a un conmutador
telefonico. En los ultimos cincuenta afios han surgido nuevas
if metaforas gracias al desarrollo de nuevas clases de computa-
doras. Muchos especialistas en ciencia cognitiva, si bien no todos,
consideran que el pensamiento es una especie de proceso com-
putacional y utilizan metaforas relacionadas con el campo de
:; la computaci6n para describir y explicar c6mo las personas
}~' aprenden y resuelven problemas.
~}
i..f
tQUE SABEMOS?
Cuando empiezan una carrera universitaria, los estudiantes tie-
nen que aprender mucho mas que lo que dicen los textos. Segun
Ia carrera elegida, variaran los temas, pero en todas es necesa-
rio aprender algunos aspectos basicos sobre c6mo funciona la
universidad. ;_Como se hace para anotarse en una materia? ;_A
que hora empiezan las dases? ;_Que catedras son buenas y cua-
REPRESlNTACION Y CONPUTACIOf! I 19
les no? ;_Cuales son los requisitos para obtener el titulo? ;_Cua]
es el mejor camino para ir de un aula a otra? i_Como son los
demas estudiantes? ;_Cual es el mejor Iugar para salir un vier-
nes a la noche?
Las respuestas a esas preguntas se almacenan en algun Iugar
de Ia mente, pero i_d6nde? La mayoria de los especialistas coin-
ciden en que el conocimiento consiste en representaciones men-
tales. Todo el mundo sabe que es una representacion no men-
tal, como lo son las palabras escritas en esta pagina. La frase "esta
pagina" es a su vez una representaci6n de la pagina que ellec-
tor esta viendo en este momenta. En las instituciones educati-
vas abundan las representaciones graficas, los mapas, por ejem-
plo, de modo que los estudiantes estan habituados a verlas. Para
explicar varies tipos de conocimiento, como que saben los estu-
diantes sobre el funcionamiento de la universidad, la ciencia
cognitiva propone distintos tipos de representaciones menta-
les: reglas, conceptos, imagenes y analogias, etc. Los estudian-
tes conocen, entre otras, Ia regia que determina Si quiero reci-
birme, tengo que cursar diez materias del ciclo de especializaci6n.
Tambien adquieren conceptos nuevos representados por termi-
nos como "bird", "Mickey Mouse" o "gut", que en las universida-
des de algunos paises angloparlantes se utilizan para referirse a
las materias muy faciles. Para ir de un aula a otra, les resulta
util contar con una representaci6n mental de Ia distribuci6n
espacial de la facultad. Despues de completar una materia que
les ha parecido buena, es probable que traten de inscribirse en
otras similares. AI tener la oportunidad de relacionarse con estu-
diantes de otras carreras, construyen estereotipos aunque les
resulte dificil expresar con precision que caracteristicas tiene
cada uno.
El conocimiento sobre la vida en Ia universidad no se
adquiere solo para acumular informacion. Los estudiantes se
""
t'~. :.~ 20 I LA MENTE
enfrentan con numerosos problemas: como lograr un buen
desempefio al cursar las materias, como llevar una vida social
satisfactoria y como obtener un trabajo despues de recibirse.
Resolver ese tipo de problemas requiere operar con represen-
taciones mentales; por ejemplo, cmintas materias les restan
para recibirse o no anotarse nunca mas en ninguna materia
dictada por ei profesor Tedio. Segun la ciencia cognitiva, las
personas experimentan procesos mentales que actuan 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 men-
tales. Tomemos por caso las distintas maneras de representar
numeros. La mayoria de las personas conocen la representa-
cion anibiga de los numeros (1, 2, 3, 10, 100 ••• ) y los procedi-
mientos para realizar operaciones de adicion o multiplicaci6n,
entre otras. Tambien pueden utilizar numeros romanos (I, II,
III, x, c ... ), pero los procedimientos para realizar operaciones
aritmeticas son distintos. Hagamos la prueba de dividir civ
(104) por XXVI (26).
En la primera parte de este libra presentaremos los distin-
tos enfoques sabre las representaciones y los procesos menta-
les propuestos en los ultimos cuarenta afios de investigaci6n
en el marco de la ciencia cognitiva. El valor de algunos de
esos enfoques ha sido motive de controversia, y muchos de los
principales te6ricos de Ia ciencia cognitiva defendieron con
vehemencia Ia validez del enfoque de su preferencia. En mi
caso personal, tiendo a ser mas eclectico, pues creo que las dis-
tintas teorias de la representaci6n mental nose excluyen entre
si 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
REPRESENJACION Y COMPUTACIDN i 21
"conexionistas" o "de redes neuronales" que comentaremos en
el capitulo 7.
LOS INICIOS
Los primeros intentos por comprender la mente y su funciona-
miento se remontan a la antigua Grecia, o quizas antes, con las
primeras teorias sabre la naturaleza del conocimiento formula-
das por filosofos como Plat6n y Arist6teles. Plat6n pensaba que
el conocimiento mas importante provenia de conceptos como la
virtud, con~eptos innatos que no dependian de la experiencia
sensible. Otros filosofos, como Descartes y Leibniz, pensaban que
el conocimiento se adquiria gracias al pensamiento y al razona-
miento, por lo que su enfoque se denomina racionalismo. Por el
contrario, Arist6teles abordo el tema del conocimiento recu-
rriendo a reglas que se aprenden gracias a Ia experiencia, como
ocurre con el enunciado Todos los hombres son mortales. Esa pos-
tura filosofica, que luego abrazaron Locke, Hume y otros pen-
sadores, se denomina empirismo. En el siglo xvm, Kant pro-
puso una combinacion del racionalismo y el empirismo, pues
sostenia que el conocimiento humano depende de Ia experien-
cia sensible y de las capacidades innatas de la mente.
El estudio de Ia mente permaneci6 confinado al campo de la
filosofia hasta el siglo xrx, epoca en que naciola psicologia expe-
rimental. Wilhelm Wundt y sus discipulos disefiaron metodos
de laboratorio para el estudio sistematico de las operaciones
mentales. AI cabo de unas pocas decadas, la psicologia experi-
mental cedi6 terrene ante el conductismo, que negaba la existen-
cia de la mente. Algunos conductistas, John B. Watson (1913),
por ejemplo, sostenian que la psicologia debia limitarse al estu-

;:; 22 I lA MENTE
clio de la relacion entre estimulos 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 domino
'•
el campo de Ia psicologia hasta la decada de 1950.
Hacia 1956, el panorama intelectual experimento un cambio
drastico. George Miller (1956) presento una resefia de numero-
!t:
sos estudios que demostraban que la capacidad del pensamiento
humano es limitada y que la memoria a corto plazo noes capaz
de almacenar mas de siete elementos. (Por esa razon, es diffcil
retener un numero de telefono con sus codigos de area o el del
carne de la obra social.) Miller sugirio que las limitaciones de
la memoria se superan si la informacion se recodifica en forma
de unidades mas pequefias, es decir, por medio de representa-
ciones mentales que requieren procesos mentales para codifi-
car y decodificar informacion. Era la epoca de las prim eras com-
putadoras y de pioneros como John McCarthy, Marvin Minsky,
Allen Newell y Herbert Simon, fundadores del area del conoci-
miento conocida como inteligencia artificial. Por su parte, Noam
Chomsky (1957, 1959) rechazolos supuestos conductistas sobre
ellenguaje como habito adquirido y afirmo que la capacidad del
hombre de comprender ellenguaje se explica en terminos de
una gramatica mental constituida por reglas. No seria injusto
"! :~ considerar a los seis cientificos mencionados en este parrafo
como los fundadores de la ciencia cognitiva.
En los capftulos siguientes, mostraremos la historia posterior
de la ciencia cognitiva vinculandola con distintas teorias de la
~. representaci6n mental. McCarthy fue uno de los principales expo-
~ '
nentes del enfoque de la inteligencia artificial basado en la logica
~:
•1 . formal (capitulo 2). En la decada de 1960, Newell y Simon demos-
~
~ traron el poder de las reglas en su descripcion de algunos aspec-
~ .
~.
;l tos de la inteligencia humana, tradicionretomada en numero-
~:
~-
.!~ ,_
~
J
RtPRESENTACIUN Y cnl':f'Ul.\l!ON 23
sos trabajos posteriores (capitulo 3). En los afios setenta, Minsky
propuso la noci6n de marco conceptual como estructura central
de las representaciones del conocimiento. Otros investigadores
del area de la psicologia y la inteligencia artificial plantearon la
existencia de estructuras similares a las que denominaron guio-
nes y esquemas (capitulo 4). En esa misma epoca, los psicolo-
gos tambien comenzaron a interesarse en las imagenes menta-
les (capitulo 6). A partir de la decada de 1980, se han realizado
innumerables trabajos de investigaci6n experimental y compu-
tacional centrados en el pensamiento analogico o razonamiento
inductivo (capitulo 5). Las propuestas mas interesantes de esa
decada fueron las teorias conexionistas, que establecieron cierto
grado de relacion entre las representaciones y los procesos men-
tales y las redes neuron ales del cerebra (capitulo 7). Todos esos
enfoques han hecho su contribucion al conocimiento de la mente,
cada uno con sus aciertos y desaciertos (capitulo 8).
La nocion fundamental de que la mente deberia pensarse en
terminos de representaciones y procesos mentales ha recibido cri-
ticas y sufrido modificaciones, de las que nos ocuparemos en la
segunda parte de este libro (capitulos 9 a 14). La decada de 1990
fue testigo de la proliferacion del uso de tecnicas de escaneo cere-
bral para el estudio de las zonas del cerebra asociadas con el pen-
samiento yen la actualidad se trabaja con modelos computacio-
nales de la mente cuya estructura refleja la estructura neurol6gica
real. Esos modelos proponen nuevas formas de en tender las emo-
ciones y la conciencia (capitulos 10 y n). Las reacciones contra-
rias al modelo computacional-representacional se apoyan en el
argumento de que el organismo y los entornos fisico y social
desempefian un papel importante en el pensamiento (capitulos
12 y 13). Finalmente, nos dedicaremos a plantear el futuro de las
ciencias cognitivas y a brindar algunas sugerencias para poten-
ciales trabajos de caracter interdisciplinario (capitulo 14).

24 I LA MENTE
METODOS DE LAS CIENCIAS COGNITIVAS
Las ciencias cognitivas no son solo el quehacer de un conjunto
de personas provenientes de distintas disciplinas que se re(men
en unbar a conversar sobre la mente. Para apreciar cuales son
las ideas unificadoras sobre las que se construyen las ciencias
cognitivas es necesario tener un panorama de los metodos que
los investigadores de las distintas disciplinas utilizan en el estu-
dio de Ia mente y la inteligencia.
Si bien en la actualidad abundan Ia teorizacion y los mode-
los computacionales en Ia psicologia cognitiva, el metodo prin-
cipal de investigaciones la experimentacion con sujetos huma-
nos. Las personas que participan en los estudios -por lo general,
estudiantes universitarios- acuden allaboratorio, donde se las
estudia en un entorno con condiciones controladas. Algunos
de los trahajos realizados, como veremos en distintos capitu-
los de este libro, consisten en analizar los errores que se come-
ten al hacer razonamientos deductivos, la forma en que se crean
y aplican conceptos, Ia velocidad con que se piensa utilizando
imagenes mentales y el desempefio durante la resoluci6n de
problemas mediante analogias. Las conclusiones sobre como
funciona la mente deben trascender el "sentido comun" y la
introspeccion, porque como muchas de las operaciones men-
tales no son accesibles a nivel consciente, pueden darnos una
idea general equivocada. Los experimentos psicologicos que
intentan desentrafiar las opcraciones mentales desde distintos
angulos son fundamentales para que las ciencias cognitivas ten-
gan caracter cientifico.
Es cierto que la teorfa sin experimentacion esta vacia, pero
tambien es cierto que la experimentacion sin teoria es ciega. El
tratamiento de las cuestiones esenciales de la naturaleza de la
mente requiere que los experimentos psicologicos puedan inter-
REPRES~liTAC!ON Y C0i~PU1ACiON I .L')
pretarse dentro de un marco te6rico que postule la existencia de
representaciones y procesos mentales. Una de las mejorcs mane-
ras de construir marcos te6ricos consiste en crear y poner a
prueba modelos computacionales analogos a las operaciones
mentales. Para complementar los experimentos psicol6gicos
centrados en el razonamiento deductive, la formaci6n de con-
ceptos, las imagenes mentales y la resoluci6n de problemas por
analogia, los investigadores han creado modelos computacio-
nales que simulan distintos aspectos del desempefio humano.
El disefio y la construccion de modelos computacionales y Ia
experimentacion subsiguiente conforman las actividades pri-
mordiales de la inteligencia artificial, la rama de las ciencias de
la computacion que se ocupa de los sistemas inteligentes. En
un contexte ideal, en el campo de las ciencias cognitivas, los mo-
delos computacionales y Ia experimentaci6n psicologica van de
Ia mano, pero muchos estudios funda1~entales en el campo de la
inteligencia artificial sobre la relevancia de distintos abordajes
de la representaci6n del conocimiento no han tenido relaci6n
con Ia psicologia experimental.
En lingiiistica, a veces se realizan experimentos psicol6gicos
o se desarrollan modelos computacionales; sin embargo, los
metodos utilizados en esta disciplina suelen ser otros. Los lin-
guistas que siguen la tradici6n chomskiana se dedican a buscar
los principios gramaticales que permiten explicar la estructura
basica dellenguaje. La deteccion de esos principios se realiza
mediante la comparacion de las diferencias sutiles existentes
entre oraciones gramaticales y agramaticales. En espaiiol, por
ejemplo, "Juan pate6 la pelota" o "lQue pate6 Juan?" son gra-
maticales; en cambio, "Juan la pateo pelota" y "lQue patearon
Juan?" son agramaticales. Una gramatica del espanol debe poder
explicar por que las primeras oraciones son aceptables y las
segundas no lo son. En los capitulos siguientes daremos otros
1i'
'i
26 I LA MENTE
l
l
l
1 ejemplos de Ia investigaci6n te6rica y empfrica que !levan a cabo
i los linguistas chomskianos y los pertenecientes a otras tradicio-
nes linglifsticas.
AI igual que en el campo de la psicologia cognitiva, en neuro-
ciencia se realizan experimentos controlados, pero las observa-
ciones son muy distintas, pues el objeto de estudio de Ia neuro-
ciencia es el cerebro en si. Cuando usan sujetos no humanos en
los experimentos, los investigadores pueden insertar electrodes
y registrar asi el estimulo de neuronas individuales. Esa tecnica
es imposible de usar en humanos porque es demasiado inva-
siva; no obstante, en los ultimos aiios se han empezado a utili-
zar la resonancia magnetica y Ia tomografia por cmisi6n de posi-
trones, que permiten observar la actividad de distintas zonas
del cerebro en personas a las que se solicita que realicen diver-
sas tareas mentales. Por ejemplo, gracias ala tomograffa compu-
tada, se determin6 que zonas del cerebra participan en la forma-
cion de imagenes mentales y !a interpFetaci6n de palabras. Otras
evidencias del funcionamiento del cerebro surgen de la observa-
ci6n de pacientes con determinados daiios cerebrales. Un acci-
dente cerebrovascular que afecta a zonas asociadas con ellen-
guaje puede ocasionar deficiencias tales como Ia incapacidad
de emitir oraciones. Como la psicologia cognitiva, la neuro-
ciencia es una disciplina te6rica yexperimental ala vez, en la que
gran parte de ia teoria se construye a partir de modelos compu-
tacionales del comportamiento de grupos neuronales.
La antropologia cognitiva se ocupa de analizar el pensamiento
humano con relaci6n a distintos entornos culturales. El estu-
dio de la mente, claro esta, no se restringe a saber como pien-
san los hablantes de una lengua determinada sino a considerar
las posibles diferencias en los modos de pensar en las distintas
culturas. En los capitulos 12 y 13, analizaremos el creciente in te-
res que despierta entre los especialistas en ciencias cognitivas
REPREStNliiCION Y COMPUTACION I 27
el funcionamiento de Ia mente en entornos fisicos y sociales par-
ticulares. Para la antropologia cultural, es primordial el metodo
etnografico, que requiere que los investigadores convivan e inter-
actuen con los miembros de una determinada cultura durante
el tiempo necesario para llegar a conocer su sistema social y cog-
nitive. Los antrop6logos cognitivos han investigado, por ejem-
plo, las similitudes y las diferencias entre las palabras que dcno-
tan colores en distintas culturas.
Salvo contadas excepciones, los filosofos no se dedican a la
observaci6n empirica ni diseiian rnodelos cornputacionales; aun
asi, Ia filosofia 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 Ia mente. Temas abstractos como la naturaleza de la
representaci6n y la computaci6n no necesariamente se tienen en
cuenta en la pnktica cotidiana de Ia psicologia o la inteligencia
artificial, pero es inevitable tratarlos cuando los investigadores
reflexionan sobre su tarea. La filosofia tam bien se ocupa de cues-
tiones generales como la relaci6n entre la mente y el cuerpo, y de
aspectos metodol6gicos como la naturaleza de las explicaciones
proporcionadas por las ciencias cognitivas. Ademas de la des-
cripci6n de c6mo piensan las personas, la filosofia se dedica a
cuestiones norrnativas sobre c6mo deberian pensar. Las cien-
cias cognitivas aiiaden al objetivo te6rico de la comprensi6n del
pensamiento hurnano el objetivo practico de mejorarlo, proceso
que requiere una reflexi6n normativa sobre que esperamos del
pensamiento. La filosofia de Ia mente no utiliza un metodo en
particular y seria deseable que compartiera el in teres por los resul-
tados empiricos con las teorias elaboradas en otras disciplinas.
En su forma mas laxa, las ciencias cognitivas son la suma de
las disciplinas que hemos mencionado: la psicologia, la inteli-
gencia artificial, Ia lingi.iistica, la neurociencia, Ia antropologia
;:~j,
l:.: 28 I lA MENTE
1··¥-
y la filosofia. El trabajo interdisciplinario es mucho mas intere-
sante cuando hay una convergencia te6rica y experimental res-
pecto de las conclusiones sobre la naturaleza de la mente. En los
capitulos siguientes ilustraremos esa convergencia, es decir, mos-
traremos el trabajo de las ciencias cognitivas en areas de inter-
secci6n de varias disciplinas. Por ejemplo, la psicologia y la inte-
ligencia 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 multiples metodos, en especial, en combi-
nar experimentos psicol6gicos y neurol6gicos con modelos com-
putacionales. En terminos te6ricos, la idea mas fructifera ha sido
el enfoque computacional-representacional de la mente.
EL MODELO COMPUTACIONAL-REPRESENTACIONAL
DE LA MENTE
La hip6tesis central de las ciencias cognitivas es que la mejor
forma de estudiar el pensamiento es entenderlo en terminos
de estructuras de representaciones mentales sobre las que ope-
ran procesos computacionales. Si bien no hay consenso en
cuanto a la naturaleza de las representaciones y los procesos
computacionales que constituyen el pensamiento, la hip6te-
sis central es tan general que abarca todos los enfoques actua-
les de las ciencias cognitivas, incluso las teorias conexionis-
tas. Denominaremos MCRM al modele basado en esa hip6tesis
central, como sigla de modelo computacional-representacio-
nal de la mente.
El MCRM podria ser incorrecto. En la segunda parte de este
libro, presentaremos objeciones al modelo segun las cuales las
REPRESEN!ACION Y COMPUTWrifl I 29
ideas sobre la representaci6n y la computaci6n no serian ade-
cuadas para explicar algunas cuestiones fundamentales referi-
das ala mente. Con todo, al evaluar los aciertos de las distintas
teorias de la representaci6n del conocimiento, advertiremos
ei gran aporte que ha hecho el MCRM. Sin duda, el modele es el
mejor a nivel te6rico 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
estan de acuerdo con los postulados del MCRM, la cantidad de
articulos publicados en las principales revistas especializadas en
psicologia y otras disciplinas demuestra que, hoy en dia, es el
enfoque dominante.
Gran parte del exito del MCRM se debe al hecho de que em plea
una rica analogia del campo de la computaci6n. Como vere-
mos en el capitulo 5, muchas veces las analogias enriquecen
las ideas cientificas. En el tema que nos ocupa, la comparaci6n
de la mente con las computadoras permite un abordaje mas
fructifero del estudio de la mente que el de las analogias ante-
riores, como la del conmutador telef6nico, por ejemplo. El
lector que sepa de ciencias de la computaci6n estara familiari-
zado con la caracterizaci6n de los programas como estructu-
ras de datos y algoritmos. Los lenguajes de programaci6n
modernos incluyen una variedad de estructuras de datos for-
mados por cadenas de letras, "abc", por ejemplo, y numeros,
ademas de por estructuras mas complejas como las listas (A B
C) y los arboles. Un algoritmo es un procedimiento mecanico
que opera en varias clases de estructuras. Por ejemplo, en la
escuela primaria los alumnos aprenden un algoritmo para divi-
dir numeros 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 mas simples que consisten en tomar un
I
~
30 I LA MENTE
~ elemento de una lista y aiiadirlo al inicio de otra, de modo
;I
il que Ia computadora arma una lista invertida y forma (A) en
:1
primerlugar,luego (BA) ypor ultimo (C BA). De modo simi-
lar, el MCRM adopta el supuesto de que en Ia mente existen repre-
sentaciones mentales analogas a estructuras de datos y proce-
sos computacionales semejantes a algoritmos tal como se
muestra en el siguiente esquema:
Programa
estructuras de datos
Mente
representaciones mentales
+ algoritmos + procesos computacionales
= ejecuci6n de programas = pensamiento
Esta ha sido la analogia dominante en las ciencias cognitivas, si
bien dio un giro cuando se introdujo otro elemento: el cere-
bro. Desde el conexionismo se propusieron ideas novedosas
sobre la representaci6n y la computaci6n que se valen de las neu-
ronas y sus conexiones como modele de estructuras de datos,
y del estimulo de las celulas nerviosas y la diseminaci6n de la
actividad neuronal como modele de algoritmos. Asi, el MCRM
recurre a una compleja analogia tripartita que vincula la mente,
el cerebra y las computadoras, como se observa en Ia figura 1.1.
La mente, el cerebro y la computaci6n por separado sirven para
sugerir nuevas ideas referidas a los otros dos elementos. Existe
mas de un modele computacional de la mente, ya que las dis-
tintas clases de computadoras y de lenguajes de programaci6n
proporcionan distintos modelos de como podria 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 cerebra y algunas computadoras moder-
nas tienen procesadores en paralelo, capaces de realizar varias
operaciones en simultaneo.
REP RES EN 1ALl GN Y C0 14 PUfACIO t! I 3l
'
/
D
~ ~I
~ ~
Figura 1.1. Triple analogia entre Ia mente, Ia computadora y el cerebro.
Para quienes saben mucho de computaci6n, concebir la mente
en terminos computacionales resulta algo natural, incluso si
no estan de acuerdo con Ia noci6n de que la mente es compa-
rable a una computadora. Los que nunca han creado un pro-
grama de computaci6n pero estan acostumbrados a consultar
libros de cocina pueden recurrir a otra analogia. Por lo gene-
ral, las recetas constan de dos partes: una lista de ingredientes
y una serie de instrucciones que indican como combinadas. El
plato final se obtiene cuando se siguen las instrucciones usando
los ingredientes de la lista; del mismo modo, un programa eje-
cutable se obtiene cuando se aplican algoritmos a las estructu-
ras de datos -numeros y listas- y el pensamiento es, de acuerdo
con el MCRM, el resultado de la aplicaci6n de procesos compu-
tacionales a las representaciones mentales. La analogia entre la
receta y el pensamiento es algo debil, porque los ingredientes no
son representaciones y las instrucciones para cocinar requie-
ren a alguien que las interprete. En los capitulos 2 a 7 ofrecere-
mos ejemplos de procesos computacionales que se ajustan mejor
a las operaciones mentales.
"".fl-
M
r:.:·
~;.
·1
'j
32 I LA MENTE
tf'';
I·~
t·r.:
i
: ·\i
~L
TEORIAS, MODELOS Y PROGRAMAS
1i:
i~
!
Los modelos de computacion suelen ser utiles para la investi-
gacion teorica de los procesos mentales. Para comprender los
modelos formulados por las ciencias cognitivas es necesario
apreciar las distinciones y las relaciones entre cuatro elemen-
t~s fundamentales: teo ria, modelo, programa y plataforma. Una
teoria cognitiva postula una serie de estructuras representacio-
nales y un conjunto de procesos que operan sobre elias. Un
·11 modelo computacional vuelve mas precisos esos procesos y
estructuras a traves de interpretaciones que consisten en ana-
logias con programas de computacion formados por estructu-
ras de datos y algoritmos. Las ideas vagas sobre las representa-
ciones pueden complementarse con ideas computacionales
precisas sabre estructuras de datos ala vez que los procesos men-
tales se definen por media de algoritmos. La puesta a prueba del
modelo se realiza implementandolo en un programa de software
creado con un lenguaje de programacion, como el LISP o el Java.
El programa se ejecuta en distintas plataformas de hardware; por
ejemplo, Macintosh, Sun Workstation o computadoras perso-
nales de IBM, aunque tambien pueden ejecutarse en platafor-
mas especialmente diseiiadas para un tipo particular de hard-
ware con varios procesadores que funcionan en paralelo. Muchas
clases de estructuras y procesos se investigan de esta manera,
como es el caso de las reglas y las estrategias de busqueda de
determinados tipos de inteligencia artificial y el de las represen-
taciones distribuidas y la propagacion de los procesos de acti-
vacion de las ideas conexionistas mas recientes.
Imaginemos que deseamos en tender como aprenden los niiios
a sumar. Utilizaremos el ejemplo de la operacion de suma 13 +
28. Una teoria cognitiva explicaria como representan los niiios
esos numeros y como procesan las representaciones para hacer
- ~. rp""'M'"'~·'ll
RfPREHN I AU ON Y COMI'UlAliON I 33
la suma. Ademas, determinaria si la representaci6n del n(unero
13 consiste en una estructura simple, una estructura combinada
como 10 mas 3 o un complejo de estructuras como las de las neu-
ronas. La teoria tambien postularfa procesos que operan sobre
las estructuras para obtener el resultado, 41, y la operacion que
transforma la estructura 30 + n en 41. Un modelo computacio-
nal especificaria Ia naturaleza de las representaciones y los pro-
cesos mediante la caracterizaci6n de las estructuras y los algo-
ritmos programables que serian analogos a las representaciones
y los procesos mentales utilizados en la adicion. Para evaluar la
teoria y el modelo, se crea un programa de computacion en un
Ienguaje como el LISP, y luego se ejecuta el programa para com-
parar su funcionamiento con el de las personas cuando realizan
una suma. Es preciso que el programa obtenga el resultado
correcto, que cometa los mismos tipos de error que las perso-
nas y que su ejecucion pueda realizarse en plataformas comu-
nes o en alguna diseiiada especialmente para un tipo de com-
putadora en particular; por ejemplo, una que imite Ia estructura
neuronal del cerebra.
La analogia entre la mente y las computadoras resulta util en
las tres etapas del desarrollo de una teoria cognitiva: descubri-
miento, modificacion y evaluacion. Por lo general, las ideas com-
putacionales acerca de distintos tipos de programas sugieren
nuevas clases de estructuras y procesos mentales. La elabora-
cion de teorias y la creaci6n de modelos y programas van de la
mano, porque Ia escritura de un programa normalmente se
acompafia de la creacion de estructuras de datos y algoritmos
nuevos, que a su vez se incorporan en el modelo y tienen su ana-
logo en la teoria. Por ejemplo, cuando un programador escribe
un programa de computacion que simula la operacion de suma,
puede pensar en una clase de estructuras de datos que de ori-
gen a nuevas ideas sobre la manera en que los nifios represen-
~rr-ll .~ftl'r?C
!!i!.o~W"'"""'"' ii. ~
L~ ,);'~ .:;J·~~ ,i)i\JI~>••..._<;.'~>H.!.!.'•
,_u'l'.~ ·~trU. il\'.fff~ilt.
~W~TEMA DE E~if.~~J~wT~.CJ~.?
F\:J'll ~n~ !is.""
o ..
n~ n-,·~:..~.il~ ~
,>tt -~ ~e. ~'Tc'll'···"'
I
!i!l':•
11:
34 I lA IHNTE REPRLSEN IACIUN V COMPUlACION I 35

\,l::. tan los numeros. Del mismo modo, Ia evaluaci6n de Ia teoria, Recuadro 1.1. Criterios para Ia evaluaci6n de teorias
> ~;
'!ji ei modelo y el programa a veces se realiza en conjunto, dado que de Ia representaci6n mental
:ll,, Ia confianza en Ia teo ria depende de la validez del modelo, obser-
------- -------- - ----------· - ---------

!\ ( 1) Capacidad representacional
' vable en el desempefio del programa. Si el programa de compu- (2) Capacidad computacional
taci6n disefiado para simular Ia adici6n no es capaz de sumar (a) Resoluci6n de problemas
0 si comete menos errores que los esperados, entonces Ia teo ria (i) Planificaci6n
cognitiva correspondiente es inadecuada. (ii) Decision
El programa ejecutable puede contribuir a Ia evaluaci6n del (iii) Explicaci6n
(b) Aprendizaje
modelo y Ia teorfa de tres modos distintos. En primer Iugar, per-
(c) Lenguaje
mite demostrar que las representaciones y los procesos postu- (3) Plausibilidad psicol6gica
' lados son realizables en el plano computacional, lo cual es impor- (4) Plausibilidad neurol6gica
tante, puesto que muchos algoritmos que a primera vista parecen (5) Aplicabilidad practica
(a) Educacion
razonab!es nose adecuan a los problemas de mayor enverga-
(b) Disefio
dura que deben resolver las computadoras reales. En segundo (c) Sistemas inteligentes
Iugar, para demostrar Ia posibilidad de llevar a Ia practica una (d) Enfermedades mentales
teor!a y su plausibilidad psicol6gica, el programa debe probarse
cualitativamente con distintos ejeniplos de pensamiento. El pro-
grama de adici6n, por ejemplo, deberia dar los mismos tipos EVALUACION DE LOS ENFOQUES
de respuestas correctas e incorrectas que los nifios. Yen tercer DE LA REPRESENTACION MENTAL
Iugar, para demostrar que la teoria se adecua al pensamiento
humano, el programa debe evaluarse cuantitativamente, es decir, Una vez presentados los lineamientos generales, seremos mas
tiene que generar predicciones detalladas sobre el pensamiento espedficos en cuanto a que se espera de una teoria de la repre-
humano comparables con los re~ultados de los experimentos sentaci6n mental. En el recuadro 1.1 se muestran cinco crite-
psicol6gicos. Si existen experimentos que demuestran que los rios complejos para Ia evaluaci6n de una determinada explica-
niflos dan un determinado porcentaje de respuestas correctas ci6n de las representaciones y las operaciones computacioriales
a cierta clase de problemas de adici6n, el programa de compu- con la cual se pretende explicar el pensamiento. En los capitu-
taci6n tendria que acertar las respuestas en porcentajes simila- los 2 a 7 se ilustra el uso de esos criterios en la evaluaci6n de
res. Las teorias cognitivas por si solas no tienen la precision seis enfoques distintos de la representaci6n mental: Ia l6gica, las
que permite hacer predicciones cuantitativas; para eso se pre- reglas, los conceptos, las imagenes, los casos y las conexiones
cisan los modelos y los programas, que vinculan la teoria con (redes neuronales artificiales).
los datos observados. Cada uno de esos enfoques propone un tipo distinto de repre-
sentaci6n y un conjunto de procesos computacionales propio.
 36 I lA NENlE
El primer criteria -la capacidad representacional- se vincu Ia
con la cantidad de informacion que es capaz de expresar un tipo
particular de representaci6n. Por ejemplo, en una universidad
( se advierte:"Atenci6n ingresantes: deben inscribirse en las mate-
rias antes del inicio de las clases". Los estudiantes que tomen en
serio la advertencia debenin contar con una representaci6n
k interna que les permita hacer inferencias posteriores y Ilegar a
la conclusion de que de ben ira la secretaria de admisiones e ins-
cribirse en las materias del cuatrimestre siguiente. Veremos
que los distintos tipos de representacion mental propuestos
varian en cuanto a su capacidad representacional.
Las representaciones mentales son importantes no solo por
lo que expresan sino tam bien por lo que puede hacerse con elias.
La capacidad computacional de una representacion mental se
evahia considerando como explica las tres clases de pensamiento
superior. La primera es la resolucion de problemas: una teoria
de ia representacion mental deberia explicar como razonan las
personas para lograr sus objetivos. Hay al menos tres tipos de
resolucion de problemas que necesitan explicacion: planifica-
cion, toma de decisiones y justificacion. En la planificacion se
~ ~·
recurre al razonamiento para resolver como se pasa de un estado
~ -,':
inicial a un estado final atravesando varios estados intermedios.
~ ~,:
Para ella, deben tenerse en cuenta cuestiones practicas: una per-
r sona que va a tamar un vuelo considerara como llegar al aero-
I;
_,
;1_,
puerto a horario y un estudiante que debe resolver ejercicios
de un libro ode un examen pensara como llegara a la soluci6n
~ leyendo la informacion proporcionada en el planteo del pro-
r
~
blema. El estado inicial comprende los conocimientos previos
~' del estudiante y la informacion que figura en el planteo, y eJ
~ .·
estado final implica tener una respuesta. Para ello hay que encon-
i]' trar la solucion mediante la construccion de una secuencia de
~·f calculos adecuada.
rt
il
~~ ~
~·
REPRlSlNTACION Y COMPIJTACION I 37
En Ia toma de decisiones, las personas tienen a su disposi-
cion distintos medias, de los cuales deben elegir el mejor para
}ograr sus objetivos. Pensemos, por ejemplo, en un estudiante
que esta por recibirse y tiene que elegir entre buscar un tra-
bajo, comenzar el doctorado o seguir otros cursos de posgrado.
Noes una decision facil, ya que requiere definir objetivos y pen-
sar en el curso de acci6n mas adecuado. En la planificaci6n, la
tarea consiste en encontraruna secuencia de acciones; en cam-
bia, en la toma de decisiones se trata de elegir entre una canti-
dad de acciones posibles para preparar el mejor plan.
La justificacion implica descubrir par que ha ocurrido cierto
suceso. Las preguntas pueden ser desde una tan cotidiana como
por que un amigo al que estamos esperando para cenar atm no
ha llegado, hasta unaenmarcada dentro de las ciencias; por ejem-
plo, por que evoluciona ellenguaje humano. Cualquier persona
dotada de una inteligencia basica es capaz de planificar, tomar
decisiones y encontrar justificaciones. Una teoria cognitiva debe
tener la capacidad computacional suficiente para brindar expli-
caciones posibles de como se resuelve ese tipo de problemas.
La capacidad computacional de un sistema de representacio-
nes y procesos no se limita a cuanto puede computar un sistema;
tambien se debe considerar cuan eficiente es. Pensemos en un
proceso cuya primera aplicacion tarda un segundo, la segunda
tarda el doble que la primera, la tercera tarda el doble que 1-a
anterior, y asi sucesivamente. La vigesima vez que se aplique tar-
dada 2 20 segundos, mas de los que han transcurrido desde que
surgi6 el universo, hace unos 15.000 millones de aiios. Los siste-
mas inteligentes naturales yartificiales 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; asi, si se enfrenta otra vez a una situacion seme-
jante, le resultara mas facil encontrar la solucion. Por ejemplo,
~·
~' 38 I LA MENTE
~,
'1C
rIO
n a los estudiantes que se anotan por primera vez en una materia
todo les parece confuse porque no saben cuales son los trami-
tes que deben hacer ni cuales son las mejores catedras. Con el
tiempo, todo se simplifica. En parte, ser inteligente consiste en
aprender de la experiencia; entonces, una teorfa de la represen-
taci6n mental debe tener una capacidad computacional que
explique como aprenden los humanos. Los distintos enfoques
de la representacion mental dan cuenta de varias clases de apren-
dizaje, desde Ia adquisicion de nuevas conceptos, como anotarse
en una materia, y reglas como No anotarse en cursos que empie-
cen a las 8.30, hasta otras clases de adaptaciones sutiles.
Ademas de la resolucion de problemas y el aprendizaje, una
teorfa cognitiva general debe explicar el uso dellenguaje humano.
Nuestra especie es la unica capaz de hacer un uso complejo del
lenguaje. Es probable que eso se deba a los principios generales
aplicados en la resoluci6n de problemas yen el aprendizaje, pero
tambien podrfa ser que ellenguaje fuera una capacidad cogni-
riva unica y que hubiese que considerarla por separado. Es nece-
sario explicar al menos tres aspectos del uso del lenguaje: la capa-
cidad de comprension, de generar oraciones y la capacidad
universal de adquisicion dellenguaje durante la infancia. Los
distintos enfoques de la representacion del conocimiento dan
respuestas muy diferentes a como funcionan esos procesos.
Como rama de la ingenierfa, la inteligencia artificial desa-
rrolla modelos computacionales para la resolucion de problemas,
el aprendizaje y el uso dellenguaje en los que nose tiene en
cuenta como se llevan a cabo esos procesos en la mente human a.
Lo que importa es lograr que las computadoras los lleven a cabo.
En cambio, las ciencias cognitivas intentan comprender la cog-
nicion humana, de modo que es fundamental que una teorfa
de la representacion mental refleje cOmo piensan los huma-
nos, mas alla de tener una gran capacidad representacional y
REPRfSENT~CION Y COMPUlAC!ON I 39
computacional. En consecuencia, el tercer criteria para evaluar
una teo ria de la representacion mentales la plausibilidad psico-
16gica, es decir, es necesario dar cuenta no solo de las capacida-
des cualitativas de los humanos sino tam bien de los resultados
cuantitativos de los experimentos psicologicos por media de los
cuales se estudian esas capacidades. Los experimentos en cues-
tion evaluan las mismas tareas superiores que comentamos para
la capacidad computacional: la resoluci6n de problemas, cl apren-
dizaje y ellenguaje. La diferencia radica en que una teorfa cog-
nitiva de la representacion mental debe demostrar c6mo es posi-
ble realizar una tarea en el plano computacional, pero ademas
tiene que poder explicar como la realizan los humanos.
Del mismo modo, como el pensamiento se produce en cl cere-
bra, una teoria de la representaci6n mental debe corresponderse
con los resultados de los experimentos de la neurocicncia. Hasta
no hace mucho tiempo, las tecnicas neurologicas, como el regis-
tro electroencefalografico de las ondas cerebrales, poco decian
de la cognici6n superior, pero en los ultimos veinte afios han
surgido nuevas tecnicas de escaneo cerebral que permiten detec-
tar el momenta y las zonas del cerebra en que se llevan a cabo
ciertas tareas cognitivas. Asf, la neurociencia cognitiva se ha con-
vertido en una disciplina cientifica de gran importancia para
Ia reflexion sobre el funcionamiento de la mente. Por lo tanto,
si bien aun no hay informacion suficiente sabre como opera el
cerebra a nivel cognitive, es necesario evaluar los enfoques de la
representacion del co nacimiento en terminos de plausibilidad ·
neurologica (capitulo 9).
El quinto y ultimo criteria ala hora de evaluar teorfas de la
representaci6n mentales la aplicabilidad prcktica. Aunque el obje-
tivo principal de las ciencias cognitivas es llegar a comprender Ia
mente, se espera que sus resultados sean aplicables. En este libro
presentaremos las consideraciones de los distintos enfoques de
 40 I LA MUm
la representaci6n del conocimiento en cuanto a cuatro clases de
aplicaci6n: educacion, disefio, sistemas inteligentes y enfermeda-
des mentales. En lo que a educacion se refiere, las ciencias cogni-
tivas deberian poder explicar los procesos de aprendizaje de los
alumnos y, en consecuencia, proponer mejores metodos de ense-
fianza. Los problemas con que se enfrenta el disefiador de pro-
gramas informaticos -como crear interfaces agradables para los
usuarios- deberian poder resolverse ala luz del conocimiento
sobre como trabaja la mente cuando se realizan este tipo de tareas.
Lo mismo vale para el desarrollo de sistemas inteligentes que ac-
tuan como expertos independientes o como herramientas que
asisten al hombre en la toma de decisiones. Las distintas teorias
de la representacion mental han facilitado el desarrollo de dis-
tintos sistemas expertos de computacion: herramientas cone-
xionistas, o basadas en reglas o en casos. Otras aplicaciones prac-
ticas posibles de las ciencias cognitivas se relacionan con el
conocimiento y d tratamiento de enfermedades mentales.
Veremos que ningun enfoque de las representaciones menta-
les satisface todos los criterios. Mas aun, hay aspectos del pen-
samiento humano, como las percepciones (vista, oido, tacto,
olfato y gusto), las emociones y el control de la actividad motriz,
que no estan incluidos en esos criterios (capitulos 10 a 12). No
obstante, los criterios mencionados proporcionan un marco
para la comparacion y la evaluaci6n de los aciertos y desacier-
tos de las teorias actuales de las representaciones mentales.
l',
r RESUMEN
r En la escritura de este libro, nos hemos basado en los siguien-
f
i-: Los investigadores en psicologia, inteligencia artificial, neuro-
f:-;
~:
ciencia, iingiifstica, antropologia y filosofia recurren a distin-
t
~-
f
REPRESEN1ACiON Y COMPU1WON I 41
tos metodos para estudiar la mente, pero lo ideal scria que con-
vergieran en una interpretacion comun de como fun{;iona la
mente. De la consideracion de varios enfoques te6ricos dis-
tintos centrados en la analogia entre las representaciones y los
procesos mentales, por un lado, y las representaciones y los pro-
cesos utilizados en programas de computacion, por otro, ha
surgido una concepcion unificada de las ciencias cognitivas.
El modelo computacional-representacional de la mente opera
con el siguiente tipo de esquema explicative:
Objetivo de la explicaci6n
lPor que las personas tienen una clase particular de conducta
inteligente?
Modelo explicativo
Las personas tienen representaciones mentales.
Las personas tienen procesos algoritmicos que operan sobre esas
representaciones.
Los procesos aplicados a las representaciones generan la conducta.
Las palabras en cursiva son parametres que indican que para
explicar varios tipos de conducta inteligente, pueden conside-
rarse varias clases de representaciones y procesos. En la actua-
lidad hay seis enfoques principales de modelizaci6n de la mente:
la logica, las reglas, los conceptos, las analogias, las imagenes y
las conexiones neuronales. Estos enfoques pueden evaluarse
segun cinco criterios: capacidad representacional, capacidad
computacional, plausibilidad psicologica, plausibilidad neuro-
logica y aplicabilidad pnktica.
tes supuestos:
 42 I lA MENTE
1. El estudio de Ia mente es apasionante y tiene gran impor-
tancia. Es apasionante por razones te6ricas, pues investigar Ia
:I naturaleza de ]a mente es un desafio, como lo son todas las empre-
sas cientfficas. Pero tambien es apasionante por razones pnicti-
:: cas, porque saber c6mo funciona la mente es impoi-tante para
.;,·
mejorar Ia educaci6n, el disefio de computadoras y otros ins-
trumentos, y el desarrollo de sistemas inteligentes de compu-
.,,
taci6n 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 fil6sofos, psic6logos, expertos en
ciencias de Ia computaci6n, lingiiistas, especialistas en neurocien-
I
cia, antrop6logos e intelectuales. Es mas, el estudio de la mente
I tambien requiere los diversos metodos cientificos desarrollados
! : .;
l 'i'
por esas disciplinas.
~ . :
3. El estudio interdisciplinario de la mente -lo que hoy se den o-
l:
mina ciencias cognitivas- cuenta con un componente central: el
modelo computacional-representacional de la mente o MCRM. El
pensamiento es el producto de representaciones mentales y pro-
cesos computacionales que operan sobre esas representaciones.
4· El MCRM es vemitil. Hay muchos tipos de representacio-
nes y operaciones computacionales que son esenciales para com-
prender el pensamiento humano, cuya amplitud no permite
abarcarlo por medio de una unica explicaci6n. En este libro pre-
·! se!1taremos los seis enfoques actuales mas importantes para Ia
comprensi6n de la mente en terminos representacionales y com-
putacionales (capitulos 2 a 8 ).
n 5· El MCRM es acertado. El enfoque computacional-represen-
;: tacional ha superado las teorias previas de Ia mente tanto en su
potencial te6rico para dar cuenta del desempefio psicol6gico
como en su capacidad practica para mejorar ese desempefio.
6. El MCRM no esta completo. No todos los aspectos del pensa-
miento y Ia inteligencia humana pueden ser explicados unicamente
REPRESENTACIJN Y COMPillACION I 43
en terminos computacionales y representacionales. El modelo ha
recibido criticas sustanciales que ponen en evidencia la necesi-
dad de integrarlo con las investigaciones biol6gicas (neurocien-
cia) y sociales vinculadas con el pensamiento y el conocimiento.
PREGUNTAS PARA PENSAR
1. tOue otros ejemplos podrian darse de cosas que aprenden
los estudiantes tras ingresar ala universidad?
2.lPor que los investigadores de distintas disciplinas adoptan
metodos diferentes para el estudio de Ia mente?
3· tOue otras opciones habria aparte del MCRM para estudiar
la mente?
4· tOue aspectos del pensamiento humano son mas dificiles
de simular en las computadoras? tOue caracteristicas de una
computadora nos hacen pensar que es inteligente?
5·tLas teorias y los modelos de las ciencias cognitivas son com-
parables a los de la fisica y otras disciplinas similares?
6.tQue condiciones adicionales deberia satisfacer una teoria
de Ia representaci6n mental?
LECTURAS RECOMENDADAS
Textos de referencia recientes con valiosos articulos de ciencias
cognitivas: The MIT encyclopedia of the cognitive sciences (Wil-
son y Keil, 1999) [trad. esp.: Enciclopedia MIT de ciencias cogni-
tivas];A companion to cognitive science (Bechtel y Graham, 1998);
Encyclopedia of cognitive science (Nadel, 2003).
 44 I lA MENH
Historia de las ciencias cognitivas: Gardner (1985); Thagard
(1992, cap. 9).
Trabajos introductorios: Johnson- Laird (1988 ); Stillings et al.
(1995); Dawson (1998); Sohel (2001).
Colecciones de articulos de ciencias cognitivas: Polk y Sei-
fert (2002); Thagard (1998).
Manuales de psicologia cognitiva: Anderson (2ooo ); Medin,
Ross y Markman (2001); Sternberg (2003).
Introducci6n a Ia inteligencia artificial: Russell y Norvig (2003);
Winston (1993). Introducci6n ala filosofia de la mente y las cien-
cias cognitivas: Graham (1998); Clark (2001).
Manual general de lingi.iistica contempon1nca: Akmajian et
al. {2001).
Neurociencia cognitiva: LeDoux (2002); Kosslyn y Koenig (1992).
Enfoque computacional: Churchland y Sejnowski (1992).
Introducci6n ala antropologia cognitiva: D'Andrade (1995).
SITIOS WEB
Nota: En mi sitio web, <http:/I cogsci. uwaterloo.ca/ courses/
resources.html>, aparecen vfnculos a todos los sitios
mencionados en este libra.
La inteligencia artificial en los medios (Asociaci6n Estadouni-
dense de Inteligencia Artificial): <http:/ /www.aaai.org/
AITopics/index.html>
La inteligencia artificial en Internet: <http://aima.es.
berkeley.edu/ai.html>
Biografias- de las principales figuras de las ciencias cognitivas:
<http:/ /mechanism.ucsd.edu/ ~bill/research/ AN AUT .html>
iiEPRESENfACION Y COMPUTACION ! 45
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 articulos de ciencias cognitivas):
<http:/ I cogprints.ecs.soton.ac. uk/>
Diccionario de filosofia de la mente:
<http:/ /www.artsci.wustl. edu/ ~philos/MindDict/>
Science Daily (noticias sobre la mente y el cerebra):
<http:/ /www.sciencedaily.com/news/mind_brain.htm>
Sitio de ciencias cognitivas de Yahoo!:
<http:/ I dir.yahoo.com/ Science/ cognitive_science/>
NOTAS
Las teorias del pensamiento como un con junto de operaciones
computacionales suelen tomar como punto de partida un
modelo de computaci6n abstracto como la maquina de Turing,
un instrumento sencillo que consiste en una cinta y una cabeza
mecanica que escribe simbolos en los espacios de la cinta. Si bien
es posible probar matematicamente que ese tipo de maquina
puede, en principia, hacer todo lo que hacen otras computa-
doras, la maquina de Turing es un amilogo demasiado abstracto
del pensamiento. Analogias mas adecuadas del pensamicn to son
las que se basan en ideas computacionales de nivel superior,
como las estructuras de datos y los algoritmos.
EnKitcher (1993), Leake (1992), Schank (1986) y Thagard (1999)
aparecen esquemas y patrones explicativos.
 2
L6gica

.La 16gica formal no ha sido elenfoque mas influyente en el estu-

dio psicol6gico de la representaci6n mental, pero hay razones
para que abordemos el tema en uno de los capitulos iniciales
de nuestro libro. En primer Iugar, muchas de las ideas funda-
mentales sobre la representaci6n y la computaci6n han sur-
gido en el ambito de la l6gica. En segundo termino, muchos fil6-
sofos e investigadores del campo de la inteligencia artificial se
valen de la 16gica para estudiar el razonamiento. Por ultimo, la
16gica tiene una gran capacidad de representaci6n, y los demas
modelos de representaci6n mental, que quiza sean mas eficien-
tes en el aspecto computacional y tengan mayor plausibilidad
psicol6gica, deberian aspirar a tener una capacidad similar.
La l6gica formal empez6 con Arist6teles hace mas de dos
mil afios. El fi16sofo griego hizo un estudio sistematico de infe-
rencias como las que transcribimos a continuaci6n:

Todos los estudiantes son aplicados.

Maria es estudiante.
Maria es aplicada.

Esa clase de inferencia, con dos premisas y una conclusion, recibe

el nombre de silogismo. Arist6teles describi6 distintos tipos de
silogismos y demostr6 que pueden analizarse exclusivamente por

_;;'
 48 LA M[NH
su forma. Para que la conclusion resulte de las dos prcmisas, no
importa que el silogismo se refiera a estudiantes cansados. Pode-
mos decir "estantes" en Iugar de "estudiantes", "cromados" en
1 " ap1·JCa dos " o reemp Iazar "M ana
1ugar ue ' " par "M areas " y 1a con-
clusion de que Marcos es cromado se deduce de las nuevas pre-
misas, incluso aunque no tenga demasiado sentido. Aristoteles
ya utilizaba sfmbolos para indicar la forma de la inferencia:
Todos losE son A.
MesE.
MesA.
La novedad aristotelica de analizar los siiogismos teniendo en
cuenta solo su forma y dejando de lado su contenido ha sido
fundamental para Ia logica. La utilidad de ese metodo fue cues-
tionada par Ia psicologia, como veremos mas adelantc, en la sec-
cion acerca de la validez psicol6gica del enfoque logico.
El silogismo es una forma de inferencia deductiva en la que
la conclusion se deriva necesariamente de las premisas. Si las
premisas son verdaderas, Ia conclusion tambien es verdadera.
La inferencia inductiva es mas riesgosa, pues implica una incer-
tidumbre. Si todos los estudiantes que uno conoce leen mucho,
se concluye por inferencia inductiva que todos los estudiantes
leen mucho. Pero la conclusion bien podria ser erronea; por
ejemplo, en un curse de cesterfa, serfa ·dificil determinar que
estudiantes leen mucho y cuales no.
Si bien el silogismo fue el tema dominante en los debates de
logica formal durante dos mil afios, esta forma no basta para
representar todas las inferencias. Los silogismos estan muy bien
para predicados simples como "ser estudiante", pero no sirven
para representar relaciones como la indicada por el verbo "asis-
tir" en oraciones como esta: "Los estudiantes que asisten a cur-
LOGICA I 49
sos obtienen creditos". Aquf, "asistir" representa una relacion
entre un estudiante y un curso. La logica moderna naci6 en 1879
con la obra del matematico aleman Gottlob Frege (1960 ), qui en
disefio un sistema formal de 16gica mucho mas general que el
de Aristoteles. La influencia de Frege en Bertrand Russell y en
muchos otros l6gicos llevo a descubrir modos de aumentar Ia
capacida9 representacional y deductiva de la l6gica formal.
Las primeras teorias computacionales fueron desarrolladas
por 16gicos como Alonzo Church y Alan Turing. En la decada
de 1930, Church y Turing, entre otros, idearon esquemas mate-
maticos para determinar que problemas podian resolversc por
media de procesos computacionales. Esos esquemas resultaron
equivalentes entre si, lo que clio sustento ala hip6tesis segun la
cualla noci6n intuitiva de procedimiento efectivo de c6mputo
se corresponde con conceptos matematicos tales como el de com-
putabilidad de la maquina de Turing. Cuando surgieron las com-
putadoras digitales en las decadas de 1940 y 1950, la teorfa mate-
matica de la computabilidad fue una herramienta muy uti) en
la comprensi6n de las operaciones realizadas por esas compu-
tadoras. Noes de sorprender, entonces, que cuando naci6la inte-
ligencia artificial a mediados de la decada de 1950, investigado-
res con conocimientos matematicos, como John McCarthy, hayan
considerado que la l6gica era el instrumento mas adecuado. Vere-
mos, sin embargo, que otros cientificos como Allen Newell, Her-
bert Simon y Marvin Minsky se inclinaron por otras opciones.
CAPACIDAD REPRESENTACIONAL
La l6gica formal moderna cuenta con recursos para represen-
tar muchas clases de inferencias deductivas. El sistema mas sim-
50 I LA iHNTE
ple es el de la logica proposicional, en la que se utilizan formu-
las del tipo de p y q para representar proposiciones tales como
"Paula esta en la biblioteca" y "Martin esta en la biblioteca': Las
formulas simples se combinan para generar formulas mas com-
plejas por medio de la utilizacion de simbolos tales como 1\ ("y"),
v ("o"), .- ("si ... entonces"). Por ejemplo, la oraci6n "Si Paula
esta en la biblioteca, entonces Martin esta en la biblioteca" se
representa p- q. Este tipo de oraciones se llaman condiciona-
les; estan formadas por un antecedente (la clausula condicio-
nal propiamente dicha) y un consecuente (la pro posicion intro-
ducida por "entonces"). Para expresar la negacion y afirmar que
"no p" se utiliza el simbolo ~: -p. Con estos elementos basicos
pueden representarse formalizaciones de oraciones mas com-
plejas. Por ejemplo, la oraci6n "Si Paula o Martin estan en la
biblioteca, entonces Debora no esta en la biblioteca" se repre-
senta as!: (p v q) - -d, donde p equivale a "Paula esta en la
biblioteca", q es el simbolo para "Martin esta en la biblioteca" y
des e1 equivalente de "Debora esta en la biblioteca".
Existen otros sistemas l6gicos, mas complcjos, en los que es
posib1e representar otros tipos de operadores proposicionales.
La logica modal, por ejemplo, agrega simbolos para la posibili-
dad y la necesidad, y asi hace posible la representacion de ora-
ciones como "Es posible que Paula este en la biblioteca': La logica
epistemica puede expresar la difcrencia entre "creer" y "saber".
Asi, dentro de este sistema, Kp equivale a "Se sabe que p". La
logica deontica, por su parte, permite codificar conceptos como
la prohibici6n o el permiso.
Dentro de la logica formal, las proposiciones se representan
como todos indivisibles; el sistema no permite expresar su estruc-
tura interna. Para eso existe la l6gica de predicados. En la logica
de predicados, los simbolos basicos son los que permiten dis-
tinguir predicados ("ser estudiante") de individuos ("Paula",
tOGICA I 51
"Martin"). Estos ultimos se denominan constantes. En laver-
sion que se suele ensefiar en los cursos introductorios de filo-
sofia, la proposicion "Paula es estudiante" se representa E(p ),
don de pes el individuo "Paula" (y ya no una proposicion enter a)
y E es el predicado "ser estudiante". En ciencias de Ia computa-
ci6n, la misma proposicion suele representarse asi: ser-estudiante
(Paula). Ademas de atribuir propiedades simples a individuos,
los predicados pueden denotar relaciones entre dos o mas enti-
dades. Por ejemplo, la oraci6n "Paula estudia filosofia" queda-
ria representada como estudiar (Paula, filosofia).
Mas aun, la logica de predicados tiene la capacidad de repre-
sentar formalmente expresiones cuantificadas, ya que cuenta
con otras dos clases de simbolos: cuantificadores ("todos",
"alguno") y variables (x, y). Por ejemplo, la oracion "Los estu-
diantes leen mucho" se representa asi:
(para todo x) [estudiante (x) -leer mucho (x)].
Literalmente, la formula se lee "Para todo x, si x es estudiante,
x lee mucho': que equivale a decir que todos los estudiantes leen
mucho.
La oraci6n "Los estudiantes que cursen materias obtendran
creditos" se formaliza de la siguiente manera:
(para todo x) (para todo y) [ (estudiante (x) 1\ materia (y) 1\ cur-
sar (x,y))- obtener creditos (x)]
Si bien la formula parece complicada, su lectura es relativamente
sencilla: "Para todo x, sixes estudiante, y para todo y, donde y
es materia, six cursa y, entonces x obtiene creditos".
En este pun to, ellector podria preguntarse que tienen que ver
todos estos simbolos matematicos con la psicologia y la mente.
52 I lA !HNT£
La respuesta es que muchos de los trabajos en ciencias cogniti-
vas induyen rudimentos de l6gica, sobre todo cuando analizan
los procedimientos mentales deductivos. Como minimo, es nece-
sario saber que las personas entienden enunciados como "Los
estudiantes que cursen materias obtendran creditos" y los uti-
lizan para hacer inferencias. A diferencia de otros modelos que
presentaremos en este capitulo, la 16gica de predicados tiene la
capacidad de representaci6n necesaria para expresar ese enun-
ciado en un lenguaje formal.
Si bien Ia l6gica de predicados tiene un sinnumero de apli-
caciones, sus limitaciones se hacen evidentes cuando tratamos
de traducir un texto producido en cualquier lengua natural.
Podriamos hacer la prueba con el parrafo anterior. En la pri-
mera oraci6n aparece la expresi6n "en este punto"; la am-
pliaci6n de la 16gica de predicados para dar cuenta de las refe-
rencias deicticas y temporales es un tema complicado. Tam bien
aparece una men cion de la primera persona del plural en el verbo
"presentaremos': Si bien para ellector es facil inferir que esa per-
sona se refiere a Paul Thagard, el autor de este libro, formalizar
esa referencia no es tarea sencilla. Ademas, la primera oraci6n
del parrafo contiene una clausula subordinada, el contenido
de la pregunta que se hace ellector. Los recursos formales de Ia
l6gica de predicados resultan algo limitados a la hora de expre-
sar el fen6meno sintactico-semantico de Ia subordinaci6n (Ia
inclusion de una proposici6n dentro ·de otra). Si la traducci6n
dellenguaje natural allenguaje l6gico formal fuera mas directa
o sencilla, seria mas facil afirmar que la l6gica es el mejor modelo
para las representaciones mentales.
La l6gica proposicional y la 16gica cuantificacional o de pre-
dicados son adecuadas para representar proposiciones verdade-
ras o falsas, pero no son lenguajes que puedan codificar la falta
de certeza. Para enunciados del tipo de "Es probable que Paula
.OGiCA I 53
este en Ia biblioteca", la l6gica formal puede combinarse con
modelos complementarios, como Ia teoria de probabilidades,
que asigna valores entre o y 1 a las proposiciones. Asi, el enun-
ciado anterior podria representarse como P(p) = 0,7 si la pro-
babilidad de que Paula este en la biblioteca es de 0,7.
CAPACIDAD COMPUTACIONAL
En sf 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 l6gica, las conclusiones se extraen
por medio de la aplicaci6n de reglas de inferencia a un con-
junto de premisas. Dos de las reglas inferenciales mas conoci-
das reproducen la estructural de un condicional:
Modus ponens
p~q
p
Entonces q
Modus tollens
p~q
no-q
Entonces no-p.
Aplicando el modus ponens al condicional "Si Paula esta en la
biblioteca, entonces Martin esta en Ia biblioteca" y a la premisa
de que Paula esta en la biblioteca, es posible inferir que Martin
esta en la biblioteca. Si, en cambio, Ia segunda premisa es que
54 I LA HENlE
Martin no esta en la biblioteca, el modus tollens permite con-
cluir que Paula tampoco.
La l6gica de predicados tambien cuenta con reglas para ope-
rar con cuantificadores tales como "todos" o "algun". Por ejem-
plo, la regia de reemplazo del universal permite inferir ser-sim-
patico (Paula) de (para todo x) (simpatico (x) ), es decir que de
Ia pro posicion "Todos son simpaticos" puede concluirse "Paula
es simpatica': Una aplicaci6n mas compleja es la del siguiente
silogismo: Todos los estudiantes leen mucho; Maria es estu-
diante; ergo, Maria lee mucho. La representaci6n formal seria:
(para todox) (estudiante (x)) ____,..(leer mucho (x)); (estudiante
(Maria))~ (leer mucho (Maria)).
Las reglas abstractas de inferencia como el modus ponens no
son en sf 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 l6gica
correcta. Desde el punto de vista l6gico, el razonamiento deduc-
tivo consiste en Ia aplicaci6n de reglas de inferencia formales a
premisas con determinada forma 16gica.
Soluci6n de problemas
Planificaci6n. Muchos problemas de planificaci6n admiten solu-
ciones en las que se utiliza la deducci6n l6gica. Pensemos en el
siguiente caso: Mariela es estudiante de psicologia. El plan de estu-
dios indica que, para obtener el titulo, tiene que cursar diez mate-
rias, entre elias dos cursos de Estadistica. Estadistica 1 es correla-
tiva de Estadistica 2, y a su vez es necesario aprobar Estadistica 2
antes de cursar Metodos de Investigaci6n, otra de las materias obli-
gatorias. Observando el plan de estudios y aplicando la regla de
reemplazo del universal, Mariela puede inferir los condicionales
que se aplican a su caso:
LOWA I 5'1
cursar (Mariela, Estadistica 1) ____,. poder cursar (Mariela, Esta-
distica 2)
poder cursar (Mariela, Estadistica 2) 1\ estar disponible (Esta-
distica 2) ____,. cursar (Mariela, Estadistica 2)
cursar (Mariela, Estadistica 2) ___,. poder cursar (Mariela, Meto-
dos de Investigaci6n)
poder cursar (Mariela, Metodos de Investigaci6n) 1\ estar dis-
ponible (Metodos de Investigaci6n) ~ cursar (Mariela, Meto-
dos de Investigaci6n)
cursar (Mariela, Estadistica 1) 1\ cursar (Mariela, Estadistica
2 ) 1\ cursar (Mariela, Metodos de Investigaci6n) 1\ cursar ( otras
siete materias) ____,. obtener (Mariela, titulo de grado en psi-
cologia).
El ultimo condicional es una representaci6n un tanto burda
de "Si Mariela aprueba dos cursos de Estadistica, Metodos de
Investigaci6n y otras siete materias, entonces puede obtener
un titulo de grado en psicologfa". Asi, Mariela puede utilizar
estos condicionales y el modus ponens como regia de inferen-
cia para elaborar un plan que, en terminos 16gicos, seria una
deducci6n desde un estado inicial en el que no se ha cursado
ninguna materia hasta el estado final, es decir, el de la obten-
ci6n del titulo.
Para que la planificaci6n sea realizable desde el pun to de vista
computacional, la deducci6n tiene que ser mas acotada que las
reglas de inferencia generales de la l6gica formal. La l6gica pro-
posicional, por ejemplo, contiene este regia de conjunci6n:
Conjunci6n
p
q
Entonces, p 1\ q.
56 I lA MENTE
Esta regla funciona dentro de un sistema 16gico, pero a nivel
computacional podria tener consecuencias desastrosas. Si Mariela
ha cursado las dos materias de estadistica, bien podria inferir:
cursar (Mariela, Estadistica 1) 1\ cursar (Mariela, Estadfstica 2).
En cambia, no ganaria nada con hacer la inferencia adicional
(aunque sea valida)
cursar (Mariela, Estadistica 1) 1\ cursar (Mariela, Estadistica 2)
1\ cursar (Mariela, Estadistica 1) 1\ cursar (Mariela, Estadistica 2).
Las inferencias sin limite de este tipo agotarian la memoria de
cualquier sistema inteligente -humano o artificial- en poco
tiempo.
Como metoda de planificaci6n, la deducci6n es intuitiva-
mente 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 pla-
nes, incluso los mas sencillos, si bien es cierto que existen diver-
sas estrategias computacionales para hacerla mas eficaz. En
segundo termino, la planificaci6n puramente deductiva es mon6-
tona: las conclusiones obtenidas siguen siendo verdaderas por
mas premisas que agreguemos. Esto significa que la (mica ope-
raci6n permitida es sacar nuevas conclusiones. (La monotonia
es la propiedad de una funci6n matematica de conservar el orden
dado, es decir, de ser mon6tonamente creciente o mon6tona-
mente decreciente. El razonamiento humano no tiene esa pro-
piedad, en tanto no se limita a agregar nuevas ideas, sino que
tambien deja de lado ideas viejas.) Los expertos en inteligencia
artificial han creado varias estrategias para convertir ala 16gica
en un sistema no mon6tono, pero son m_uy costosas desde el
pun to de vista computacional. Por ultimo, un planificador pura-
mente deductive no tiene la capacidad de aprender de la expe-
LO~ilA I 57
riencia. Resuelto un problema, tendra que pasar por todo el pro-
ceso deductive una vez mas si tiene que volver a resolverlo, a
menos que se le incorpore algun metodo de aprendizaje a par-
tir de la experiencia.
Lo presentado aqui noes mas que una resefia superficial del
trabajo realizado en inteligencia artificial en relaci6n con la pla-
nificaci6n deductiva (veanse, por ejemplo, Dean y Wellman,
1991; Russell y Norvig, 2003). Debe quedar en claro, sin embargo,
que si bien la deducci6n l6gica puede ser una forma tltil de repre-
sentar la resoluci6n de problemas de planificaci6n, el enfoquc
tiene _algunas dificultades. En capitulos posteriorcs mostrare-
mos otros enfoques p~ra la planificaci6n.
Toma de decisiones. Desde el punto de vista 16gico, la planifi-
caci6n deductiva consiste en encontrar un camino para llegar
de un estado inicial a un estado final u objetivo. tOut~ ocurre
cuando hay mas de un camino razonable para seguir? En el
ejemplo de la secci6n anterior, el plan deductive de Mariela
era cursar Estadistica 1, Estadistica 2 y Metodos de lnvestiga-
ci6n, en ese orden. Pero en el transcurso de la carrera, nues-
tra estudiante podria tener que tomar decisiones que la obli-
garan a elegir entre acciones alternativas. Filosofia, Filologia
o Literatura podrian ser las opciones para la materia obliga-
toria de humanidades, por ejemplo. En este caso, la deducci6n
no alcanza para decidir que materia cursar, pues cualquiera de
los tres caminos la llevaria al objetivo deseado ( cumplir con
el requisite de cursar una materia hurnanistica). Mariela debe
decidir entonces emil de las tres materias le permitira cum-
plir con otros objetivos: aprender algo interesante, no tener
que leer rnucho o tener un horario c6modo. La deducci6n
puede servir para pensar en algunas de las posibles consecuen-
cias de cada opci6n. Si Literatura se dicta a las ocho de la
58 I LA MENH
manana, Mariela podria deducir que se tendria que levantar
muy temprano para llegar a horario. Por el contrario, hay con-
secuencias que no son tan claras, dado que los estudiantes sue-
len no conocer a priori todas las caracteristicas de un curso.
Asi, muchas veces, Ia toma de decisiones implica evaluar tam-
bien probabilidades. Mariela podrfa pensar que Filosofia es mas
interesante que Filologia (o viceversa), o que Literatura le sera
mas uti! que Filologia. Por lo tanto, su decision dependera tanto
de sus objetivos como de sus estimaciones de las probabilidades
que tiene cada acci6n de garantizar ellogro de los mismos, de
modo que en Ia toma decisiones hay Iugar para juicios en los
que se aplica !a teoria de probabilidades, donde P(plq) repre-
senta la probabilidad de p dado q. En nuestro ejemplo, P (ser
interesante/ Filologia) expresa Ia idea de Mariela de que si elige
e1 curso de Filologia, es probable que aprenda algo interesante.
Para cakular la probabilidad, Mariela puede recurrir a su cono-
cimiento general de los cursos de Filologia de su universidad y
de Ia medida en que esos cursos son interesantes. Para decidir
siva a cursar Filosofia, Filologia o Literatura, tendra que calcu-
lar el valor esperado de cada opci6n, considerando Ia probabili-
dad de los distintos resultados y la medida en que cada uno de
ellos cumple con los objetivos planteados.
Existen sistemas computacionales para Ia toma de decisiones
basados en calculo de probabilidades. Holtzman (1989) utiliz6la
teo ria de probabilidades y otros conceptos form ales para crear un
sistema inteligente de toma de decisiones que ayudara a las pare-
jas que no podian tener hijos a elegir el tratamiento de fertiliza-
ci6n mas adecuado. El desarrollo de sistemas de computaci6n
probabilisticos es mas complicado de lo que parece, pues las pro-
babilidades pueden ser "explosivas" desde el pun to de vista com-
putacional: Ia cantidad de probabilidades necesarias puede incre-
mentarse exponencialmente con el aumento de las proposiciones
LOG I; A I 59
0 )as variables del modelo. No obstante, existen tecnicas muy inge-
niosas que permiten mantener el razonamiento probahilistico
dentro de limites manejables (Neapolitan, 1990; Pearl, 1988,2000 ).
Mas adelante nos ocuparemos de la relaci6n entre las probabili-
dades y las decisiones que to man las personas en su vida cotidiana.
Explicaci6n. Mientras que en el caso de Ia planificaci6n el pro-
blema es c6mo alcanzar determinados objetivos, Ia explicaci6n
nos exige comprender por que sucedi6 algo. Supongamos que
Martina y Franco han quedado en encontrarse en el bar de la
facultad pero el muchacho no aparece. Es l6gico que la chica se
pregunte entonces cual pudo haber sido e1 motivo de la ausen-
cia. AI igual que los planes, las explicaciones pueden verse como
deducciones l6gicas de lo que queremos ~xplicar a partir de lo
que ya sabemos. Asi, Martina podria enterarse de que Franco
esta estudiando para un examen y que cuando estudia se olvida
de sus compromises sociales. Partiendo de esa informacion y
aplicando un metoda deductivo, Martina puede llegar a una
explicaci6n de por que Franco no acudi6 a la cita.
La idea de que las explicaciones son deducciones 16gicas fue
elaborada y defendida por el fil6sofo de la ciencia Carl Hempel
(1965). Esto es particularmente cierto en las disciplinas cienti-
ficas mas matematicas, como la fisica. Sin embargo, tal como
veremos en otros capitulos, no todas las explicaciones son de
naturaleza deductiva. Mas aun, no todas las deducciones son
explicativas. Por ejemplo, la altura de un mastil puede dedu-
cirse de la sombra que proyecta sumada a Ieyes de trigonometria
y 6ptica, pero no por eso podemos afirmar que la longitud de Ia
sombra de un mastil constituye una explicaci6n de su altura.
Son muy pocos los casos de explicaciones que pueden obte-
nerse por deducci6n l6gica. En nuestro ejemplo, eso seria posi-
ble si Franco fuera muy estricto y faltara a sus compromises sola-
60 I LA ~1ENH
mente si estuviera enfermo. Entonces, Martina podria aplicar el
modus ponens: "Si Franco falta a una cita, esta enfermo; Franco
talto a Ia cita conmigo; por lo tanto, Franco esta enfermo". Sin
embargo, en la mayoria de los casos habra mas de una explica-
cion posible. Asi como cuando se clabora un plan deben esta-
blecerse distintos caminos para llegar al objetivo, Martina ten-
dra que ser capaz de pensar mas de una explicacion a partir de
distintas premisas con estructura de condicional:
Si Franco esta enfermo, entonces no aparecera.
Si Franco ha tenido un accidente, entonces no aparecerci.
Si Franco se ha enamorado de otra chica, entonces no aparecera.
Si Martina no supiera emil es el valor de verdad de las condi-
ciones enumeradas (es decir, side verdad Franco esta enfermo
o tuvo un accidente o se enamor6 de otra), no le seria posible
deducir automaticamente que Franco no ira a encontrarse con
ella, pero sf podria formular hip6tesis de que fue lo que ocurri6.
Este tipo de inferencia, en la cual se formula una hipotesis para
llegar a una explicaci6n, se denomina abducci6n. El termino fue
acufiado por el fil6sofo norteamericano Charles Peirce (1992).
Asi, Martina podria concluir por abducci6n que Franco esta
enfermo, en tanto esta hipotesis, sumada ala regia de que si
Franco esta enfermo no ira a la cita, le permite explicar por la
via deductiva por que Franco no fue. La inferencia abductiva
es un metodo de aprendizaje tan eficaz como riesgoso.
Aprendizaje
Los sistemas inteligentes deberian ser capaces no solo de resol-
ver distintos tipos de problemas sino tambien de usar la expe-
riencia pasada para mejorar el rendimiento. lC6mo podemos
UiG!CA ! 6.1
perfeccionar las tareas de planificacion, toma de decisiones y
explicaci6n? Dentro del enfoque l6gico no se ha hecho dema-
siado para mejorar la capacidad de resolucion de problemas; sin
embargo, las representaciones logicas pueden ser de mucha uti-
lidad para describir ciertos tipos de programas de aprendizaje.
Pensemos en los problemas de aprendizaje con que se encuen-
tran los estudiantes cuando recien llegan a la universidad. En
general, noes mucho lo que saben acerca de la oferta de cursos
0 el tipo de personas con las que se cruzan1n. Pronto empiezan
a acumular informacion al respecto, a partir de ejemplos par-
ticulares de cursos e individuos y por medio de generalizacio-
nes inductivas. Las generalizaciones burdas pueden incluir pro-
posiciones tales como: "Las clases de filosofia son divertidas (o
aburridas, segun la.experiencia personal)" o "Las clases de esta-
distica 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 filosofia podrian
estar en condiciones de hacer una generalizaci6n a partir de
informacion que puede expresarse en un lenguaje logico del
siguiente modo:
entretenido (Filosofia 1)
entretenido (Filosofia I I)
Entonces (para todo x) (curso de filosofia (x) -> entretenido (x) ).
La conclusion inductiva es que todo curso de filosofia es entre-
tenido, pero es evidente que puede haber cursos de filosofia muy
aburridos (pensemos en algo como ... jFilosofia del armado de
cestos!).
Los programas informaticos que realizan generalizaciones
inductivas no siempre usan representaciones logicas como input.
 lGur· I 63
62 I LA MENlf

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

Uno de los programas de aprendizaje mas utiliz:ados cs el ID3,
este enfermo depende del calculo de Martina de Ia probabilidad
ideado por Quinlan (1983). Podemos encuadrarlo dentro del
de que el muchacho este enfermo en general, sin tener en cuenta
enfoque l6gico porque se vale del dlculo de probabilidades para
el hecho de que no ha ido a encontrarse con ella. Para aplicar el
formular generalizaciones a partir de conjuntos de individuos.
teorema de Bayes, Martina tendra. que considerar Ia probabili-
Por ejemplo, dada una muestra de estudiantes de distintos depar-
dad de que Franco no vaya a Ia cita con el supuesto de que esta
tamcntos y una descripci6n de sus principales caracteristicas,
enfermo. Los abordajes probabilisticos del problema de selec-
el sistema puede sacar conclusiones sobre las diferencias de com-
ci6n de hip6tesis explicativas son muy comunes en inteligen-
portamiento personal, social e intelectual entre los estudiantes
cia artificial (Pearl, 1988, 2000) yen filosofia (Howson y Urbach,
de ingenieria, artes o ciencias.
A diferencia de Ia deducci6n y al igual que Ia generalizaci6n 1989; Glymour, 2001). No obstante, existen otros enfoques, como
veremos en el capitulo 7.
inductiva, la abducci6n es un tipo de inferencia muy peligroso.
El termino "inducci6n" puede resultar confuso, pues se lo uti-
En el ejcmplo de Iv1aJ1ina y Franco, hay todo un abanico de moti-
liza en sentido Jato yen sentido estricto. En sentido amplio, se
ves que Martina desconoce por los cuales Franco pudo no haber
refiere a cualquier tipo de inferencia que, a diferencia de Ia deduc-
ido a Ia cita. Sin embargo, pese a los riesgos que implica, el razo-
ci6n, introduzca algun grado de incertidumbre. En sentido
namiento abductivo es fundamental en ciencia yen Ia vida coti-
estricto, abarca solo la generalizaci6n inductiva, es dccir, Ia for-
diana, ya sea que queramos explicar por que se extinguieron .
mulaci6n de conclusiones generales a partir de ejemplos parti-
los dinosaurios o el comportamiento de nuestros amigos. Como
culares. La abducci6n es un tipo de inducci6n en sentido am plio,
la abducci6n tiene por finalidad producir explicaciones y las
pero no en sentido restringido. En este libro se utilizan los ter-
explicaciones a veces pueden entenderse como deducciones l6gi-
minos "aprendizaje" y"generalizaci6n inductiva" para hacer refe-
cas, los estudios del razonamiento abductive dentro del enfo-
rencia a la inducci6n en sentido amplio y restringido, respecti-
que l6gico no son infrecuentes (vease Konolige, 1992, entre otros).
vamente, y evitar asi Ia confusion. En otros capitulos presentamos
En capitulos posteriores presentaremos otras formas de expli-
mas enfoques computacionales del aprendizaje.
car la abducci6n.
En situaciones como Ia de Martina, no queremos encontrar
una explicaci6n cualquiera para Ia ausencia de nuestro amigo,
Lenguaje
sino Ia mejor explicaci6n. Desde el pun to de vista 16gico, la eva-
Muchos lingiiistas han visto la l6gica formal como una herra-
luaci6n de distintas explicaciones para saber cual es Ia mejor
mienta natural para comprender la estructura dellenguaje. Hasta
implica el calculo de probabilidades. Para ello podemos recu-
se ha publicado un libro cuyo titulo se traduciria "Todo lo que
rrir al teorema de Bayes, segun el cualla probabilidad de una
los linguistas siempre han querido saber sabre l6gica ... y no se
hipotesis dada Ia evidencia es igual al resultado de multiplicar
atrevieron a preguntar" (McCawley, 1993). El fil6sofo Richard
la probabilidad inicial de la hip6tesis, P(h), porIa probabilidad
Montague (1974) sostiene que no hay diferencias te6ricas impor-
de Ia evidencia dada Ia hip6tesis dividido Ia probabilidad de Ia
64 I lft t~ f NII
t~1ntcs entre las knguas naturales y los kngu<1jcs artificiaies de
los 16gicns. Sin embargo, casi ningLIIl lingliista o psin'1logo esta-
ri<l de acuerdo con esa afirmaci6n en Ia actualidad y, de hecho,
Ia ll'lgica ha tcnido un p<lpcl secunda rio para el avance cnla com-
prcnsi(m dellcnguaje humano. St<lbler (1992) se vale de ella para
formalizar algunas de las ideas m<ts recientes de Chomsky sobre
cllenguaje; entre dlas, Ia postulaci6n de una interfase mental
denominada "forma h'>gica", en Ia que se represcnta d signifi-
cado de las oraciones (Chomsky, 1980). M~1s adelante en cste
libro prescntaremos otros tipos de representaciones, como las
reglas y los conceptos, que han sido muy utilizadas para des-
cribir y explicar cl conocimicnto y el uso dcllenguajc.
PLAUSI 1'\II.IDA lJ PSlCOU)G!CA
Nunca ha hahido conscnso rcspecto de !a importancia de Ia
Jl1gica para Ia psicologia, y viccvcrsa. Algunos de los primeros
pensadores, como John Stuart Mill, para quicnes Ia lc'>gica era
cl artc y la ciencia dd razonamiento, veian una relaci6n estre-
cha entre ambas. Otros, como frege y Peirce (los padres de Ia
l6gica moderna), marcaron estrictas lincas divisorias entre una
y olra, y en sus trabajos dieron Ia cspalda a Ia psicologia. Hoy
en dia, las posturas lxbicas con rcspecto a Ia rclaci6n entre 16gica
formal y psicologia son tres:
1. La 16gica formal es un componcntc importante del razo-
namiento humano.
2. Existe una relaci6n lejana entre la 16gica y el razonamiento
humano pero Ia distancia no importa porque Ia finalidad de Ia
lt1gica es proporcionar ala filosofia y a Ia inteligenciaartificial
un an<1lisis matem<:1tico del razonamiento 6ptimo.
lDlllA I 65
3. Existe una relaci6n lejana entre la l6gica y el razonamiento
humano, y, en consecuencia, las ciencias cognitivas dcben ele-
gir otros enfoques.
La primera posicion es la que adoptan algunos psic6logos,
como los que se han propuesto buscar evidencia empirica de
que la mente humana recurre a reglas como el modus ponens.
La segunda es la mas com lin entre los fil6sofos y los especialis-
tas en inteligencia artificial que prefieren los enfoques forma-
les. La tercera es la postura dominante en psicologia, pero tiene
menos adeptos en filosofia yen inteligencia artificial.
Los defensores mas entusiastas de la primera concepcion han
sido Martin Braine (1978; Braine y O'Brien, 1998) y Lance Rips
(1983, 1986, 1994). Rips (1986: 279) rrienciona distintos tipos de
evidencia empirica que prueban la existencia de la l6gica men-
tal. De hecho, las teorias de l6gica mental predicen correcta-
mente los juicios de validez que realizan los sujetos para una
gran cantidad de argumentos proposicionales. Por ejemplo, se
suelen reconocer como validos los argumentos con la forma del
modus ponens y considerar invalidos los de la forma "Si A, enton-
ces B; B, entonces .N: Las teorias de l6gica mental tambien per-
miten dar cuenta de los tiempos de reacci6n de este tipo de jui-
cios 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 psic6lo-
gos al escepticismo respecto de la l6gica mental. La tecnica expe-
rimental mas conocida es la que utiliza la tarea de selecci6n de
Wason (1966), en la que se informa a los participantes que se
les mostraran unas cartas que tienen numeros de un lado y letras
del otro, al tiempo que se les dan reglas como esta: 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 eli jan cuales habra que
dar vuelta para decidir si la regia es valida o no. Las cuatro car-
 66 I lA MENTE
tas podrfan ser las de Ia figura 2.1. La mayo ria de las personas
advierten que es necesario dar vuelta la carta A para verificar si
tiene un 4 del otro !ado. Esa respuesta puede interpretarse como
una aplicacion del modus ponens, pues la regia "Si A, entonces
4", sumada a la premisa "/\', indica que debemos dar vuelta esa
carta para verificar la conclusion. Por el contrario, son pocos los
que verifican el7, de modo que la mayoria pasa por alto el hecho
de que, si esa carta tuviera una A del otro !ado, la regia en cues-
ti6n quedaria refutada. Advertir que se necesita dar vuelta la
carta 7 implica la aplicaci6n del modus tollens: "Si A, entonces
4; 7 es -4; por lo tanto, Ia otra cara tendra que ser-A para que
Ia regia sea valida". Algunos de los sujetos se confunden y dan
vuclta las cartas B y 4, sin darse cuenta de que esas cartas no
tienen la men or pertinencia para determinar la validez de la regia
en cuesti6n.
r----.
I
iA l
I
'
j __
I
I
_lI
~~-1
l__j [:1 !_LI
Figura 2.1. Cartas de Ia tarea de selecci6n de Wason.
El objetivo de este tipo de experimentos no es mostrar que las
personas son tontas y violan las reglas de la logica formal. Los
resultados son interesantes porque indican que, en realidad, la
mente humana cuenta con representaciones y procesos compu-
tacionales muy distintos de los de la l6gica formal para realizar
este tipo de tareas. Otras pruebas muestran que el problema de
las cartas de Wason se resuelve con mas facilidad si sedan ejem-
plos concretes y conocidos. Supongamos que el investigador
dice a los participantes que, de un lado, las cartas contienen
informacion acerca de individuos que estan en unbar y, del otro,
las edades de los parroquianos, mas una regia de este estilo: "Si
I.OGICA I 67
una persona esta en el bar, tiene mas de veintiun afios". Luego
se les pide que elijan que cartas dar vuelta para saber si la regla
se cumple entre EN BAR, -EN BAR, 23 y 18. A diferencia de lo
que sucede en el experimento con abstracciones (letras y mime-
ros), en este caso, la mayoria de los sujetos advierten que es necc-
sario dar vuclta no solo Ia carta EN BAR para constatar Ia edad
del individuo sino tambien la carta con el numero 18 para veri-
ficar que del otro lado diga -EN BAR.
Cheng y Holyoak (1985) sostienen que, para realizar este tipo
de tareas, las personas no se valen de la logica mental sino de
esquemas pragmaticos de razonamiento. Por ejemplo, un esquema
de permiso tiene la forma "Six quiere hacer y, entonces x tiene
z':
que cumplir con la condicion Asi, la razon porIa cuallos par-
ticipantes del experimento se desenvuelven mucho mejor con
el ejemplo concreto del bar que con el abstracto de las letras y
los numeros es que en el primer caso se puede aplicar el esquema
de permiso con naturalidad. La aplicaci6n psicol6gica de reglas
y esquemas esta tratada en los capftulos 3 y 4.
El critico mas acerrimo de la logica mental ha sido el psic6logo
Philip Johnson-Laird (1983). Johnson-Laird y Ruth Byrne (1991)
sostienen que el razonamiento deductive no se lleva a cabo por
medio de reglas logicas ni de reglas o esquemas de contenido espe-
clfico, sino que utiliza modelos mentales, es decir, representacio-
nes 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 tendra un 4 del otro,: se
construye una representaci6n 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,
Ia carta tiene un 4 escrito del otro lado. Jonson-Laird y Byrne
explican el patron de comportamiento de los sujetos en la tarea
68 I tA MENlf
de selecci6n a partir del supuesto de que se tienen en cuenta solo
las cartas que estan explicitamente representadas en el modelo
de la regia. De ahi 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 teoria de los modelos mentales tambien se ha aplicado a
distintos tipos de razonamiento con cuantificadores. Para Ia
l6gica formal, el razonamiento con cuantificadores se vale pri-
mero de reglas de inferencia como la de reemplazo del univer-
sal para eliminar los cuantificadores; en un segundo paso, de
reglas de Ia 16gica preposicional como el modus ponens; y, por
ultimo, de otro grupo de reglas que permiten reinsertar los cuan-
tificadores. Tomemos el siguiente razonamiento sencillo:
Todos los jugadores de futbol tienen fuerza.
Todos los que tienen fuerza pueden levantar objetos pesados.
Por lo tanto, todos los jugadores de futbol pueden levantar obje-
tos pesados.
Para la 16gica, este es un razonamiento valido, tal como se observa
al aplicar la regla de reemplazo del universal para convertir las
premisas en proposiciones no cuantificadas: "Sixes jugador
de futbol, entonces x tiene fuerza"; "Six tiene fuerza, entonces
x puede levantar objetos pesados". Por medio de reglas de la
l6gica proposicional se llega a "Sixes jugador de futbol, enton-
ces x puede levantar objetos pesados", que luego se generaliza
de modo tal que per mite la introducci6n del cuantificador uni-
versal: "Para todo x, sixes jugador de futbol, entonces x puede
levan tar objetos pesados':
Por el contrario, Johnson-Laird sostiene que la mente no opera
con formulas abstractas sino con modelos como e1 siguiente:
jugador-de-futbol fuerza levantar-objetos-pesados
LOGIC/, I 69
En un modele asi planteado, no hay jugadores de futbol que
no puedan levantar objetos pesados, de modo que la conclusion
es obvia. Las inferencias mas complejas, con distintas combi-
naciones de cuanti:ficadores y negaci6n, requieren modelos mas
complejos y el grado de dificultad de una inferencia se corres-
ponde con la complejidad del modelo que se debe construir en
cada caso. Rips (1994) y O'Brien, Braine y Yang (1994) han res-
pondido ala propuesta de Johnson-Laird con argumentos que
demuestran que la 16gica mental explica la evidencia empirica
mejor que los modelos mentales. La teoria de modelos menta-
les, sin embargo, ha tenido muchisimas aplicaciones a distin-
tos tipos de pensamiento humano, incluido el de causa-efecto
(Goldvarg y Johnson-Laird, 2001).
Asi como Johnson-Laird ha puesto en tela de juicio la perti-
nencia de la l6gica formal para el estudio del razonam.iento
deductive, otros psic6logos concluyen a partir de datos empi-
ricos que el razonamiento inductive poco podria tener que ver
con el calculo de probabilidades. Tversky y Kahneman (1983)
muestran que, a veces, las personas violan la regla segun la cual
la probabilidad de una conjunci6n sera menor o igual que la
probabilidad de uno de los conjuntos: P(p /1. q) ~ P(p ). Volva-
mos a nuestro amigo Franco y supongamos que le interesan la
literatura seria, el cine europeo y la politica internacional. Se nos
pide que determinemos la probabilidad de que haya ido ala uni-
versidad, de que sea carpintero y de que sea universitario y car-
pintero. Quienes participan en experimentos de este tipo tien-
den a considerar como mas probable que Franco haya ido ala
universidad que que sea carpintero, lo cual no es un resultado
muy sorprendente que digamos. Lo que si llama la atenci6n es
que los sujetos tambien consideran que la tercera opci6n es mas
probable que la segunda, con lo cual parecen ir en contra de la
teoria de probabilidades. En realidad, cuando tenemos que resol-
70 I LA MENTE
ver este tipo de problemas, recurrimos a un proceso de estable-
cimiento de correspondencias que nos permite va!orar la rela-
ci6n entre la descripci6n de un individuo y los estereotipos en
cuesti6n (vease el capitulo 4). Hay muchisimos ejemplos que
muestran que el razonamiento inductive parece estar guiado
por metodos muy distintos de la teorfa formal de probabilida-
des (Kahneman, Slavic y Tversky, 1982; Gilovich, Griffin y Kah-
neman, 2002). Sin embargo, asi como Rips y otros especialistas
han defendido la l6gica mental, hay quienes proponen interpre-
taciones probabilisticas para los resultados de los experimen-
tos de Tversky y Kahneman (Gigerenzer, Hoffrage y Kleinbol-
ting, 1991; Gigerenzcr, 2000 ).
Aun esta abierta la posibilidad de combinar los distintos enfo-
ques: la l6gica mental para un conjunto restringido de tipos
de razonamiento (como la aplicaci6n del modus ponens) y los
modelos mentales u otras representaciones mas gnificas para
razonamientos mas complejos (como los que incluyen cuan-
tificadores). En cualquier caso, es evidente que la l6gica noes
la unica forma posible de abordar el estudio del pensamiento.
En los otros capitulos de esta primera parte dellibro nos ocu-
paremos de algunos enfoques alternatives. Los investigadores
que no estan interesados en Ia psicologia pueden afirmar que
poco importa si las personas de carne y hueso utilizan meto-
dos l6gicos cuando razonan si de lo que se trata es de desarro-
llar modelos formales de como deberian pensar los sistemas
inteligentes. El riesgo que se correal adoptar esa postura es que
podriamos estar pasando por alto que la inteligencia, tanto la
humana como Ia de las maquinas que nos in teresa crear, puede
estar integrada por estructuras representacionales y procesos
computacionales que poco tienen que ver con los que no; pro-
porciona la l6gica.
lOG I (A 71
PLAUSIBILIDAD NEUROLOGICA
Hasta no hace mucho tiempo era muy poco lo que se sabia acerca
de la relaci6n entre Ia l6gica formal y las neuronas. Vista rneta-
f6ricamente, la sinapsis parece un modus ponens en miniatura:
"Si la neurona 1 se activa, entonces Ia neurona 2 se activa; Ia neu-
rona 1 se activa; par lo tanto, la neurona 2 se activa". Sin embargo,
es evidente que las neuronas no son proposiciones y se desco-
noce c6mo se llevan a cabo las inferencias en el cerebra. No obs-
tante, hoy en dia es posible investigar est a cuesti6n a gran escala.
En la actualidad se utilizan tecnicas de diagn6stico por image-
nes para determinar si las deducciones se realizan en el hemis-
ferio izquierdo, como indica la teoria de la 16gica mental, segun
Ia cualla deducci6n es un mecanisme formal, independicnte del
contenido. La hip6tesis alternativa, que la dcducci6n tiene Iugar
en el hemisferio derecho, se corresponde con la teoria de mode-
los mentales, segun la cualla deducci6n esta relacionada con
areas cerebrales de razonamiento espacial (Wharton y Grafman,
1998). En el capitulo 8 mostramos como se utilizan las tecnicas
de diagn6stico por imagenes para identificar los correlates neu-
ronales de distintos tipos de pensamiento.
Goel etal. (1998) han recurrido a las tomografias para iden-
tificar las areas comprometidas en tareas de razonamiento tales
como el silogismo. Como no encontraron activaciones signi-
ficativas en el hemisferio derecho, concluyeron que el razona-
miento deductive es puramente lingi.iistico, conclusion que se
corresponde con la teoria de la l6gica mental. Sin embargo, Kro-
ger, Cohen y Johnson-Laird (en prensa) compararon las areas
cerebrales involucradas en el razonamiento l6gico con las zonas
. que intervienen en las operaciones matematicas y descubrie-
ron que algunas regiones del hemisferio derecho estaban mas
activas durante la deducci6n que durante el calculo. Esos resul-
 r·
7!. i LA tHNlE
tados son incompatibles con una teoria que conciba el razo-
namiento logico como un con junto de reglas de inferencia for-
males. Despues de analizar distintos estudios por neuroima-
genes del razonamiento silogistico, Goel (2003) concluye que
este comprende dos caminos neuronales en los que se inclu-
yen tanto el sistema lingUfstico como los sistemas visoespacia-
les. El debate contemporaneo entre la logica mental y los mode-
los mentales se vale de tres metodos de las ciencias cognitivas:
los experimentos psicologicos, los modelos computacionales
y los experimentos neurol6gicos.
APLICABILIDAD PRACTICA
Como enfoque de las ciencias cognitivas, la l6gica no ha sido
de gran utilidad en el campo de la educaci6n, en tanto no echa
luz sabre la comprensi6n del aprendizaje. Piaget e Inhelder
(1969) han hecho algunos intentos por relacionar algunos prin-
cipios del desarrollo cognitive humano con categorias logicas,
pero para la teoria educativa contemporanea la logica propo-
sicional no desempefia ningun papel de importancia en los dis-
tintos estadios evolutivos. Desde otra perspectiva, sin embargo,
la logica puede ser interesante para la educacion, en tanto puede
servir para mostrar como mejorar el razonamiento. De heche,
como se sabe que esto es necesario, han proliferado los cursos
de 16gica formal y pensamiento critico. La logica deductiva y
la teoda de probabilidades constituyen herramientas muy uti-
les para determinar como deben llevarse a cabo algunas clases
de pensamiento.
Dym y Levitt (1991) han encontrado una relaci6n entre cier-
tos requisitos de disefio en ingenieria y los enunciados de la
L('GICA i 7}
l6gica. Por ejemplo, un codigo estructural podria tormularse
asf: "Si una viga tiene un (mico apoyo, la profundidad de empo-
tramiento debera ser mayor que el valor de una determinada pro-
porcion de la luz libre". Ellenguaje de programacion PROLOG,
que utiliza representaciones 16gicas y tecnicas deductivas, se ha
aplicado a problemas de disefio edilicio en los que hay que satis-
facer restricciones fisicas y legales. Por otro lado, Levesque ct al.
( 1997) desarrollaron un lenguaje de programacion de base l6gica
para aplicar en e! control superior de robots y procesos indus-
triales. Si bien la l6gica es una de las herramicntas preferidas de
los expertos en inteligencia artificial, los sistemas inteligentes
en sf se valen de reglas, casas y redes neuronales, todas repre-
sentaciones que trataremos en futuros capftulos. No obstante,
cada vez mas sistemas incluyen razonamientos probabilisticos;
por ejemplo, el caso de un tutor artificial que opera con la inccr-
tidumbre respecto del conocimiento y los objetivos de los estu-
diantes (Conati, Gertner y Vaniehn, 2002).
RESUMEN
La logica formal proporciona un conjunto de herramientas muy
utiles para estudiar la naturaleza de las representaciones y los
procesos computacionales. La logica proposicional y la l6gica
de predicados sirven para expresar f01·mas complejas de cono-
cimiento y, gracias a reglas como el modus ponens, much as infe-
rencias pueden entenderse en terminos de deducci6n logica. El
esquema explicative para el enfoque 16gico seria el siguiente:
Objetivo de la explicaci6n
tPor que las personas realizan determinadas inferencias?
 r:··
74 I lA MENTE
Modelo explicativo
Las personas tienen representaciones mentales similares a las
proposiciones de la l6gica de predicados.
Las personas cuentan con un conjunto de procedimientos induc-
tivos y deductivos que se aplican a esas proposiciones.
La aplicaci6n de esos procedimientos a las proposiciones da ori-
gen a las inferencias.
Sin embargo, nose puede afirmar que la l6gica proporciona
las ideas centrales sobre la representaci6n y la computaci6n que
necesitan las ciencias cognitivas, pues existen enfoques mas
eficaces y ma.s realistas desde el punta de vista psicol6gico para
dar cuenta del pcnsamiento.
P!<EGUNTAS PARA PENS/,R
1. ~Que puede ser difkil de expresar en ellenguaje formal de la
l6gica? ·
2. ~Suelen ser 16gicos nuestros razonamientos? lDeberian ser1o?
3. ~Puede decirse que la deducci6n es un componente fundamen-
tal del pensamiento? lC6mo se llevan a cabo las deducciones?
4. lEl razonamiento no deductivo esta gobernado por !eyes de
probabilidad?
5. lLa estructura dellenguaje es lade la 16gica?
LECTURAS RECOMENDADAS
Historia de la l6gica: Prior (1967).
Manuales de 16gica: Bergmann, Moor y Nelson (2003), entre otros.
ljGICA I 75
Problemas filos6ficos y l6gica formal: Pollock (1995).
L6gica e inteligencia artificial: Genesereth y Nilsson (1987);
Russell y Norvig (2003).
Defen.sa del enfoque l6gico para el razonamiento deductivo:
Rips (1994).
SITIOS WEB
Introducci6n ala 16gica: <http:/ /people.hofstra.edu/faculty/
Stefan_Waner/RealWorld/logic/logicintro.html>
Logica y programaci6n: <http://www.afm.sbu.ac.uk/
logic-prog/>
Modelos mentales: <http:/ /www.tcd.ie/Psychology/
Ruth_Byrne/mental_models/index.html>
NOTAS
La logica formal no se ocupa solo de la sintaxis de las oracio-
nes (es decir, de su estructura) como hemos vista en cste capi-
tulo, sino tambien de la semantica (condiciones deverdad). Por
ejemplo, la conjunci6n p 1\ q es verdadera si y s6lo sip es ver-
dadera y q es verdadera.
La mayoria de los sistemas artificiales de planificaci6n que
utilizan lenguajes l6gicos no incluyen un conjunto complete
de reglas de inferencia sino un procedimiento inferencial que se
basa en una regia simple conocida como principia de resoluci6n
(Genesereth yNilsson, 1987). Se trata de un principia algo com-
plicado para explicar aqui pero que, basicamente, toma expre-
 ~-~-
76 lA MfNH
siones que se han traducido a una version simplificada de la
l6gica de predicados y les aplica un poderoso operador para
ver que se puede deducir a partir de elias. Fikes y Nilsson (1971)
emplean Ia deducci6n 16gica en un sistema de planificaci6n deno-
minado STRIPS, que ha tenido aplicaciones en rob6tica y otros
campos.
La formula del teorema de Bayes es la siguiente:
P(hle) = [P(h) * P(e!h)} I P(e).
En inteligencia artificial, la 16gica y Ia teoria de probabilidades
suelen considerarse como enfoques alternatives para la repre-
sentaci6n del conocimiento. Las he presentado juntas porque
en ambas las inferencias se basan en principios muy generales
y abstractos.
En este capitulo hemos mostrado un unico enfoque para
los modelos mentales, pero existen otras clases importantes de
razonamientos que uti!izan modelos (Magnani, Nersessian y
Thagard, 1999).
3
Reglas
Las reglas son estructuras de tipo condicional: SI A, ENTONCES B.
Por ejemplo: SI se cursan y aprueban cuarenta materias, EN TON-
CBS se obtiene una licenciatura. Las reglas tienen una serie de
propiedades representacionales y computacionales. A diferen-
cia de la mayoria de los modelos computacionales l6gicos, que
no fueron concebidos como modelos de la cognici6n humana,
los modelos de reglas se han aplicado a la psicologia desde un
comienzo. El primer programa de inteligencia artificial fue el
Te6rico L6gico, ideado por Allen Newell, Cliff Shaw y Her-
bert Simon (1958). Introducido en una computadora rudimen-
taria en 1956, el programa resolvfa ejercicios de 16gica formal.
Su comportamiento no era el de un mero sistema inteligente
complejo desde el punto de vista matematico sino el de un
modelo del razonamiento l6gico humano. Ademas de reglas
de inferencia, el Te6rico L6gico incluia reglas estrategicas para
la busqueda eficiente de pruebas. Pronto se convirti6 en el pri-
mer marco general para el estudio del pensamiento humano:
el Solucionador General de Problemas (en ingles, General Pro-
blem Solver o GPS; Newell y Simon, 1972), que utilizaba reglas
para simular soluciones humanas para distintos tipos de pro-
blemas, como los criptoaritmeticos que se ilustran mas ade-
lante. En inteligencia artificial, las reglas suelen denominarse
"producciones".
 r:--
78 I lA MlNlf
Despues del Solucionador General de Problemas, hubo dos
sistemas cognitivos de reglas que tuvieron una influencia impor-
tante en el desarrollo de las ciencias cognitivas, dada su gran
aplicabilidad a la cognici6n humana. El primero fue el sistema
ACT, creado por John Anderson (1983, 1993), que ha tenido una
enorme cantidad de apiicaciones en psicologia. El segundo fue
SOAR, un poderoso programa basado en reglas con muchisi-
mas posibilidades de aplicaci6n en psicologia y computacion,
disefiado por john Laird y Paul Rosenbloom (Newell, 1990;
Rosenbloom, Laird y Newell, 1993).
El objetivo de este capitulo no es describir estos sistemas en
dctalle, sino analizar que es lo que hace que las reglas sean tan
importantes desde el punta de vista computacional y psicolo-
gico. En los capitulos siguientes, sin embargo, presentaremos
teorias alternativas de la cognicion segun las cuales el pensa-
miento humano no puede reducirse a reglas, al menos no en
su totalidad.
CAPACIDAD REPRESENTACIONAL
Pese a su estructura sencilla -una condicion (si ... ) y una con-
secuencia o accion (ENTONCES ... )-,las reglas pueden usarse para
representar distintos tipos de conocimiento. En primer lugar,
pueden codificar informacion general sobre el mundo: sr x es
estudiante, ENTONCES x estudia mucho. Luego, tambien pueden
representar informacion sobre como hacer casas en el mundo:
sr uno se inscribe con La debida anticipaci6n, ENTONCES conse-
guird vacantes en las materias que mas le interesen. Tambien pue-
den expresar regularidades lingi.iisticas: SI el nucleo del sujeto esta
en plural, ENTONCES el verba principal tambien estara en plural.
RlGlA) I 79
En cuarto lugar, pueden utilizarse para reproducir reglas de infe-
rencia como el modus ponens: SI tenemos una regia del tipo "si .. .,
entonces ... "y la condici6n es verdadera, EN'fONCEs la consccuen-
cia tambien sera verdadera. Como vemos en el ultimo ejemplo,
las reglas pueden incluir mas de una condicion y mas de una
acci6n: sr uno se inscribe con la debida anticipaci6n, ENTONCES
conseguird vacantes en las materias que mas le interesen y tendrd
que hacer menos cola.
Podria parecer extrafio que los sistemas de reglas hayan tenido
tanta irnportancia para las ciencias cognitivas, ya que las reglas
no tienen Ia elegancia representacional de las formulas logicas.
De hecho, la logica proporciona formas estandarizadas de repre-
sentar relaciones y operaciones basicas ("y", "o", "no") que puc-
den expresarse de distintas formas en un sistema de reglas. Pero
los sistemas de reglas ganan en capacidad computacionallo que
pierden en rigor representacional. Una de las ventajas es que
las reglas no tienen que interpretarse en terminos de val ores de
verdad: mientras que la generalizaci6n 16gica (para todo x) (estu-
diante (x) _,. estudiar mucho (x)) debe interpretarse como una
afirmacion universal de que todo estudiante estudia mucho, Ia
regia sr xes estudiante, ENTONCES x estudia mucho se interpreta
por defecto, es decir, como una generalizacion aproximada que
admite excepciones. De hecho, podriamos tener otra regia como
esta: s1 x es estudiante y elige solo materias faciles, ENTONCES x
no estudia mucho. Las dos reglas pueden formar parte del mismo
sistema sin que el resultado sea una contradicci6n (que el mis-
mo estudiante estudie inucho y no estudie mucho ), pues las ope-
raciones computacionales de un sistema de reglas pueden garan-
tizar que solo se aplique la regia mas adecuada.
A diferencia de la logica, los sistemas de reglas tambien pue-
den representar informacion estrategica acerca de como actuar.
Las reglas pueden contener acciones que !levan al cumplimiento
 ?

80 I LA MENTE R£GlAS I 81

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

SI diferentes de prendas para usar, pero nadie tiene tiempo para
billete de autobus, ENTONCES puede tamar el autolnls. Este tipo considerar todas y cada una de esas posibilidades, ni estamos
de informacion sirve para concentrarse en una tarea concreta interesados en hacerlo. Preferimos, en cambia, la heuristica, es
cuando se trata de resolver problemas. Por lo tanto, aunque los decir, un conjunto de reglas generales que nos pro.porcionen
sistemas de reglas no tienen toda la capacidad representacional soluciones satisfactorias sin necesidad de repasar todas las posi-
de Ia l6gica formal, su expresi6n permite ganar en capacidad bilidades existentes. Asi, una regla heuristica del estilo de "Usar
computacional yen plausibilidad psicologica. medias marrones con pantalones marrones pero no con pan-
talones negros" constituye una soluci6n eficaz al problema de
que ponerse. La soluci6n de problemas, el aprendizaje y ellen-
guaje pueden analizarse en terminos de la apiicacion de reglas
l;· CAPACIDAD COMPUTACIONAL heuristicas en amplios universos de posibilidades.
En psicologia se hace una distinci6n fundamental entre la
,jl,
~~· Soluci6n de problemas memoria a largo plaza (don de se almacena la informacion en
~!' En los sistemas 16gicos, Ia operaci6n fundamental del pensa- forma permanente) y la memoria a corto plazo (don de se guat·da
miento es la deducci6n. En los sistemas de reglas, en cambio, la una selecci6n men or de informacion para su uso inmediato en
~:
operaci6n lxisica es la busqueda. Cuando tenemos que resolver distintos tipos de procesos mentales). Enfocada esta distinci6n
un problema (por ejemplo, escribir una monografia para una desde la perspectiva de los sistemas de reglas, podemos decir que
materia), tenemos un universo de posibilidades que habra que la memoria a largo plazo contiene muchisimas reglas, pero solo
recorrer. En ese universo se incluyen los temas sobre los que po- un pequefio grupo se encuentra activo en la memoria a corto
driamos escribir, los recursos bibliograficos que podriamos con- plaza, listo para usar. Por ejemplo, todos tenemos guardada la
sultar y los medios que podriamos utilizar para escribir la mono- fecha del cumpleafios de nuestra madre en la memoria a largo
r grafia. Para cumplir con la tarea asignada, tenemos que buscar plaza, pero alleer esta oraci6n esa informacion se activa en la
~~
1~
l: en todo el universo de acciones posibles y encontrar un camino memoria a corto plazo y se vuelve consciente.
!~ que nos lleve del estado inicial ( tenemos una monografia que Tanto en psicologia como en computacion se establece una
h\• escribir) al estado deseado (la monografia terminada y mere- distinci6n en~re procesamiento en serie (el pensamiento avanza
F
j<
cedora de una buena calificaci6n). Los sistemas de reglas per- de a un paso por vez) y el procesamiento en paralelo (se dan
li miten realizar este tipo de busquedas de soluciones. muchos pasos al mismo tiempo). El procesamiento que se vale
E En el caso de problemas complejos, es imposible realizar bus- de reglas puede ser tanto serial como paralelo, segtm se aplique
l'
ir
~:
quedas exhaustivas para encontrar la mejor solucion. Suponga- a una regla por turno o a varias reglas en un mismo paso. El pen-
j! mos que tenemos que ponernos cuatro prendas de vestir (una samiento consciente suele producirse en serie; es facil com pro-
:l. ~
camisa, un par de medias, etc.) y que de cada prenda tenemos bar que vamos haciendo una inferencia tras otra. Sin embargo,
j:
11.
~r
diez ejemplares. Habra entonces diez mil (10 4) combinaciones esas inferencias pueden depender de la aplicaci6n simultanea
[~·,;
1M:.
-; ~

1;
 r·
82 I lA MENlE
de varias reglas de las que no somas conscientes. En el capitulo
11 desarrollaremos el tema de la concicncia y su rclacion con el
pensamiento.
Planificaci6n. Muchos cstudiantes abandonan su ciudad para
ira la universidad. De ben resolver entonces el problema de como
regresar los fines de semana o cuando termina el semestre. Los
medios para llegar de la universidad ala casa pueden expresarse
a traves de reglas:
SI vamos en auto por la autopista, ENTONCES podemos volver
de Ia universidad a nuestra ciudad.
sr tomamos la carretera, ENTONCES podemos ir de la universi-
dad a la autopista.
si tomamos la avenida principal, ENTONCES podemos ir de la
universidad a la carretera.
SI tomamos un autobtls en la terminal, ENTONCES podemos vol-
ver de la universidad a nuestra ciudad.
Sl tomamos un auto bus de Ia universidad ala terminal, ENTON-
CES podemos llegar a la terminal.
Habrfa otras posibilidades tam bien, como to mar el tren o hacer
autostop. Los estudiantes que deben resolver el problema de
c6mo regresar a su casa el fin de semana pueden buscar en el
universo de acciones posibles (ira la terminal, tamar la auto-
pista, etc.) y elaborar un plan que los lleve adonde quieren ir.
Las reglas pueden usarse para razonar hacia adelante o hacia
atras. Un ejemplo de lo segundo seria: "Para llegar a casa, tengo
que tomar la autopista, y para eso tengo que tomar la carrete-
ra, que implica tamar 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
RlGLAS I bj
intermedios, como llegar a Ia autopista. La primera clase de razo-
namiento, en cambio, seria asi: "Por la avenida principalllego a
la carretera, y por la carretera llego ala autopista ... ': En los dos
casos se trata de encontrar una sucesi6n de reglas que puedan
aplicarse para llegar del punta de partida al objetivo; lo que
difiere es la estrategia.
Otro metoda posible es la busqueda bidireccional, en la que
se combina el avance y el retroceso en el razonamiento: del punto
de partida hacia adelante y del objetivo hacia atras. Aunque
muchos problemas de planificacion pueden explicarse en termi-
nos de razonamientos basados en reglas, este tipo de planifica-
ci6n se complica cuando hay muchas reglas que son potencial-
mente pertinentes y el sujeto tiene que elegir cual aplicar en cada
paso. La resoluci6n de problemas por media de reglas se pa rece
mucho ala deduccion 16gica, con la diferencia de que, en el caso
de las reglas, las estrategias para la aplicaci6n de la regia correcta
en el mom en to indicado tienen un papel fundamental.
Lo mismo vale para los problemas de planificacion que de ben
resolver los estudiantes en las materias que cursan. Suponga-
mos que estamos frente a un problema matematico cuyo enun-
ciado dice que un estudiante tarda 75 minutos en ir de la uni-
versidad ala casa de sus padres, que queda a 100 kilometros, y la
pregunta que hay que contestar es cual es la velocidad media
del viaje. Las reglas, que se plasman en las operaciones mate-
maticas, nos muestran c6mo pasar de Ia informacion del enun-
ciado a la respuesta que podemos inferir a partir de ella. Sin
embargo, muchas veces es util moverse hacia atnis, desde el obje-
tivo (en este caso, la respuesta que estamos buscando) hasta la
informacion inicial. Pero en los dos casas pretendemos encon-
trar una secuencia de reglas que nos proporcione una camino
para ir del punto de inicio al objetivo final. No obstante, no
toda planificacion puede hacerse a traves de reglas. Hay casos
 f~~
84 I lA MENTE
en los que el uso de esquemas o analogias es mucho mas ade-
cuado, como veremos en capitulos posteriores.
Toma de decisiones. A pesar de su utilidad para la planifica-
cion, las reglas no suelen ser de mucha ayuda cuando se trata
de decidir entre planes alternatives. Volviendo al ejemplo ante-
rior, las reg! as sirven al estudiante que desea volver a su casa para
elaborar dos planes, pero no le permiten decidir emil seguir. Se
puede ir en auto, en autobl"1s o en tren, pero Ia decision final
entre esos medias de transporte depende de consideraciones
mas complejas, entre las que se incluyen nuevas objetivos: pre-
cia, tiempo y co modi dad, par ejemplo. Por lo tanto, para Ia toma
de decisiones es necesario complementar el razonamiento basado
en reglas con otros procedimientos, como el calculo del valor
esperado (capitulo 2) o la determinacion de Ia coherencia expli-
cativa (capitulo 7).
E:x'Plicaci6n. Como alirmamos en el capitulo 2, la explicacion puede
verse como un tipo de proceso deductivo que puede llevarse a
cabo par medio de inferencias logicas o de reglas. Algunas clases
de formulacion de hipotesis pueden entenderse como una bus-
queda de explicaciones a traves de reglas. Supongamos que que-
remos inscribirnos en una materia para la que no hay mas vacan-
tes. Podriamos aplicar entonces distintas reglas, como estas dos:
s1 una materia es obligatoria para mas de una carrera, ENTON-
cEs se llena el cupo rapidamente.
sr una materia tiene un docente a cargo que es muy popular,
ENTONCES se llena el cupo rapidamente.
El conocimiento de que, en efecto, la materia que nos interesa
tiene un docente muy popular, sumado a la aplicacion de la
segunda regla, nos permite explicar por que ya no quedaban
REGli\S I 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 obiigatoria para distintas can·eras
que el docente a cargo sea popular), es posible conjeturar
0
que Ia aplicacion de las reglas se verifica (vease la seccion dedi-
cada al aprendizaje abductive mas adelante). Podemos concluir
entonces que la busqueda de explicacioncs puede analizarse en
terminos de razonamientos hasados 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 terminos de la adquisici6n, la modifica-
cion y la aplicaci6n de reglas. Algunas reglas pueden ser inna-
tas, es decir, formar parte de los mecanismos biologicos de los
que estamos dotados cuando nacemos. sr una basurita nos entra
en el ojo, ENTONCE_S pestaiieamos, por ejemplo, noes algo que un
organismo con ojos tenga que aprender. Algunos investigado-
res que trabajan en el campo de las ciencias cognitivas sostie-
nen que muchas reglas lingiiisticas tam bien son innatas, lo cual
es bastante mas polemico. Sin embargo, nadie se atreveda a afir-
mar que las reglas para anotarse en la universidad son innatas.
lC6mo se adquieren, entonces?
Como los enunciados logicos que vimos en el capitulo 2, las
reglas pueden aprenderse por generalizaci611 inductiva: una can-
tidad de ejemplos particulares se generalizan en forma de regia.
Hay reglas que necesitan muchos ejemplos para formarse: nose
puede inferir de una sola clase de ingenieria que la ingenieria
es dificil ode un solo curso de filosofia que la filosofia es inte-
resante. Son reglas que se adquieren gradualmente a partir de
 r-:- ,_
~-.

86 I lA MENTE REG!',' I 87

Ia experiencia de la vida universitaria: SIxes una materia de com-
putaci6n, ENTONCES preparar x llevani mucho tiempo; SI, quiero
conseguir vacante en un curso muy concurrido, ENTONCES debo
inscribinne con anticipaci6n.
En la generalizaci6n inductiva, las reglas seforman partiendo
de ejemplos. Tambien pueden formularse a partir de otras reglas,
por medio de un procedimiento que en el modelo SOAR de la
i
I. cognici6n se denomina "agrupaci6n" (chunking) yen el modelo
ACT se llama "com posicion': Supongamos que hemos recurrido
I orden de una regla para proporcionar una explicaci6n de lo ocu-
i a muchas reglas para planificar como ir de la universidad a casa
,,·I~ y que finalmente encontramos una buena secuencia para ir de
.}l~
;.~·:
la universidad a Ia carretera y de alli ala autopista que nos lleva
ti:~ a casa. La proxima vez que necesitemos utilizar esa secuencia,
~; ya no sera preciso hacer toda la busqueda nuevamente, sino que
;;
~.
podcmos agrupar los componentes en una regla general: SI quiero
~~
Como vimos en el capitulo 2, las reglas tambien pueden uti-
lizarse en el aprendizaje abductivo. Supongamos que tenemos
un amigo que esta enojado y deprimido. Es natural en ese caso
que queramos buscar explicaciones de por que esta asL Por gene-
ralizaci6n inductiva hemos adquirido la regla sr a unestudiante
leva mal en un examen, ENTONCES ese estudiante estani enojado
y deprimido. Utilizando esa regia podriamos pensar que nues-
tro amigo esta enojado porque le ha ido mal en un examen. Ese
seria un razonamiento abductivo, pues estarfamos invirtiendo el
rrido. Ese tipo de inferencia es muy riesgoso, clara esta, dado
que podria haber una explicacion mucho mas plausible para el
estado en que se encuentra nuestro amigo. Par ejemplo, una fun-
dada en esta regla: sr alguien sufre un desengai1o amoroso, ENTON-
CES esa persona estd enojada y deprimida. Elegir la mejor cxpli-

ir de la universidad a mi casa, ENTONCES voy w auto. De la misma caci6n para una situaci6n determinada implica un proceso de
~
~··
;N inferencias mucho mas complejo, que presentamos en el capi-
~
manera, la primera vez que armamos un horario para el cur-
~
,::
sado de materias, es probable que tengamos que realizar una tulo 7. No obstante, las reglas pueden ser muy utiles cuando las
!t: busqueda compleja para encontrar un plan, pero cuando ya explicaciones son del tipo de la primera de este ejemplo. Vemos
1:
!1
tenemos expericncia podemos recurrir a una regla de orden entonces que el razonamiento abductivo va bien con el razona-
~ superior: SI quiero tener un buen horario, ENTONCES es mejor miento basado en reglas (Thagard, 1998), aunque presentare-
l~
~ juntar las clases de las distintas materias en Iugar de tenerlas en mos otros tipos de representaciones que tambien cuadran.
~
w dias separados. Ya veremos en la seccion sabre plausibilidad psi- Las reglas tambien pueden utilizarse para describir procesos
a col6gica que el proceso computacional de agrupar reglas se ha de aprendizaje lentos con incrementos peri6dicos, asignando a
"
~
ll
l u
utilizado como modelo de muchos tipos de aprendizaje. cada regia un valor numerico que representa su utilidad o plau-

,,
lf
j.l Otra forma de derivar unas reglas de otras es la especializaci6n, sibilidad. Par ejemplo, cada vez que aplicamos con exito la regia
ll! proceso por medio del cual se modifica una regla existente para sr quiero ir de la universidad ami casa, ENTONCES voy en auto,
ll'~
aplicarla a una situacion en particular. Par ejemplo, si un viernes esta gana fuerza e incrementa sus posibilidades de que volva-
d par la tarde trasladarse en auto se hace un poco dificil por el tran- mos a utilizarla en el futuro. En sintesis, las reglas pueden for-
marse a partir de ejemplos o de otras reglas, aplicarse en pro-
sito pesado, la experiencia puede llevarnos a generar una regia

1
'l1.~: especializada del tipo de si quiero ir de la universidad a mi casa, es cesos de razonamiento abductivo y evaluarse cuantitativamente
~~ viernes par la tarde y estoy apurado, ENTONCES es mejor no ir en auto. segun el exito de su aplicacion.
I

11

Iu
 :,;:,,-
88 I lA IHNIE
Lenguaje
Antes de la revoluci6n cognitiva de la decada de 1950, se con-
sideraba que ellenguaje consistia en un tipo de conducta que
se aprendia por asociaci6n. A traves de la experiencia con pares
de palabras, los hablant'es esperaban oirlas una a continua-
cion de la otra. En Estructuras sintacticas, publicado en 195 7,
Noam Chomsky propuso una teo ria completamente distinta. Se-
gun Chomsky, los modelos conductistas del aprendizaje no
podian dar cuenta de la capacidad generativa dellenguaje, es
decir, del hecho de que los hablantes puedan producir y com-
prender una cantidad infinita de oraciones. Es probable que
nunca hayamos oido este enunciado: "Cecilia llego a la facul-
tad en un camello violeta". Sin embargo, podemos decodificarla
sin ningt'm problema.
De acuerdo con la concepcion chomskiana dellenguaje, Ia
capacidad de hablar y de entender lo que se dice es producto
de una gram;hica compleja, un sistema de reglas de cuyo cono-
cimiento no somos conscientes. Cuando empiezan a formar el
pasado de ios verbos en ingles, los nifios tienden a usar la de-
sinencia regular, "-ed", sin tener conciencia de que estan apli-
cando una regla del tipo de SI quiero usar un verba para dena-
tar una acci6n en el pasado, ENTONCES tengo que agregarle "-ed"
alverbo. Los nifios de menos de 5 afios sobregeneral~zan la regia
y la aplican tambien a verbos irregulares (es decir, a excepcio-
nes), de modo que producen formas como "goed" en lugar de
"went"y "bringed" en lugar de "brought". Pinker (1999) explica
que las reglas del tipo de la de formaci on del pasado son un com-
ponente fundamental de la capacidad de produccion y com-
prcnsi6n linglilsticas. Taatgen y Anderson (2002) utilizan el sis-
tema ACT para modelizar la adquisici6n del pasado de los verbos
en ingles. Akmajian et al. (2001), por su parte, presentan reglas
que se aplican a otros aspectos dellenguaje. Por ejemplo, la regia
R£GI AS I 89
rnorfol6gica que permite formar un sustantivo que signit1que
"agente'' a partir de un verbo agregando el sufijo "-or": de "cscri-
bir" obtenemos "escritor"; de "actuar", "actor"; y asi sucesiva-
rnente. Los autores tambien muestran reglas fonologicas, tales
corno las que nos indican que al6fono del fonema /d/ debemos
usar los hablantes de espafiol en cada contexte. (Si pronuncia-
rnos Ia palabra "declo" en voz alta, notaremos Ia diferencia entre
los dos alMonos.) Y por ultimo, estan las reglas sintacticas, como
las que nos permiten formular preguntas o introducir la nega-
ci6n, entre otras.
La teoria de Chomsky ha sido tan influyente como polemica.
En el capitulo 7 presentaremos la concepcion conexionista, segl'm
}a cual ellenguaje no esta forma do por reglas sino por asociacio-
nes mas laxas representadas por pesos entre distintas unida-
des. Ademas de la cuestion de si la rnejor representaci6n dell en-
guaje son las reglas, esta el debate en torno de la hip6tesis del
innatismo. lEs ellenguaje algo innato o adquirido? Chomsky
sigue siendo fiel ala idea de que los seres humanos nacemos con
una gramatica universal innata. Un tanto alejado de sus pri-
meras formulaciones te6ricas, segun las cuales los nifios adqui-
rian la capacidad de usar ellenguaje en forma abductiva, por
medio de hip6tesis sobre que reglas se aplican a Ia lengua par-
ticular que hablan quienes los rodean (Chomsky, 1972), hoy en
dia sostiene que la adquisicion dellenguaje consiste en el reco-
nocimiento automatico de un conjunto finito de parametros y
de su configuraci6n particular para una lengua determinada
(Chomsky, 1988). Todas las lenguas tienen verbos, sustantivos,
adjetivos y preposiciones. Pero el japones, por ejemplo, no tienc
artkulos como los del espafiol, de modo que los nifios que apren-
den japones como prim era lengua configuran la gramatica uni-
versal con la que nacen de una manera distinta de como lo hacen
los nifios del mundo hispanoparlante. En sus trabajos mas recien-
 ;·~-
90 I lll MENTE
tes, Chomsky (2002) pone en duda su concepcion de la grama-
tica como un sistema de reglas.
PLAUSIBILIDAD PSICOL6GICA
De todos los enfoques computacionales- representacionales pre-
sentados en este libra, los sistemas de reglas son los que han
tenido, sinlugar a dudas, la mayor cantidad de aplicaciones psi-
cologicas. Es imposible repasarlas todas en una seccion tan breve
como esta, de modo que me limitare a mostrar las formas mas
comunes de recurrir a sistemas de reglas para dar cuenta del
pensamiento.
Newell (1990) ha mostrado las aplicaciones del modelo SOAR
en una enurme cantidad de fen6menos psicologicos. Por ejem-
plo, en Ia resoluci6n de problemas criptoaritmeticos, que son
problemas en los que los numeros se sustituyen por letras (Newell
y Simon, 1972). Dado el enunciado DONALD+ GERALD= ROBERT,
hay que reemplazar cada letra por un numero distinto del o al
9 para que la ecuacion sea correcta. Las reglas son muy utiles
para resolver problemas como este, que se representa con mas
claridad de la siguiente forma (como el algoritmo que suele
usarse para las sumas):
DONALD
+
GERALD
ROBERT
lComo podemos empezar a resolver el problema? Podriamos
advertir que, en la segunda columna partiendo de la izquierda,
REGlAS I 91
0 sumada a E da 0. Eso podria llevarnos a pensar en una regia
asi: 51 se suma cero (0) a un numero, ENTONCES el numero no cam-
bia. De Ia aplicacion 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 s. Sin embargo, optar por
este tipo de razonamiento puede complicarnos Ia existencia, por-
que en else presupone que no nos llevamos nada de la columna
de Ia derecha (L + L = R, y N + R = B). Conclusion: R debe ser
eJ dobie deL y un numero lo suficientemente pequefio para que
no tengamos que llevarnos nada cuando lo sumamos a N. En
nuestra forma habitual de hacer sumas, elllevarse algo de una
columna a otra implica la regia sJ los digitos que se sum an dan 1 o
0 mas, ENTONCES hay que escribir solo el segundo digito y llevarse
el primero ala siguiente columna ala izquierda. Asi, hay otro valor
posible para E: si E = 9, entonces 0 + E = 0, siempre y cuando
nos llevemos un digito de Ia columna N + R = B. Con este pu nto
departida y sus consecuencias, mas las reglas de adicion y arras-
tre que conocemos, mas el conocimiento de reglas adicionales
como sr un digito aparece en la primera columna de un numcro,
ENTONCES ese digito noes cero (0), podemos llegar ala respuesta
(no sin esfuerzo, claro esta). Con el sistema SOAR se pueden mode-
lizar distintos aspectos de este tipo de razonamiento utilizando
un conjunto de operadores que asignan valores numericos a los
digitos y constatan que los resultados no sean contradictories.
El sistema SOAR se ha utilizado tamhien para modelizar otros
tipos de razonamiento de arden 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 Ia logica mental ni a los
modelos mentales, los dos enfoques para la deduccion presen-
tados en el capitulo 2, sino a una busqueda dentro de un uni-
verse de inferencias posibles, hasta que llega a Ia conclusion de
 r:'·
92 I LA ~lENH
que "Algunos arqueros son remeros". Desde el punto de vista
logico, esta conclusion noes valida, pero el enfoque cognitivo
de la deduccion se centra en como razonamos los seres huma-
nos, de modo que incluye los errores que cometemos.
Newell tambien utiliza el sistema SOAR para dar cuenta de
varios aspectos del aprendizaje yen especial de la ley de poten-
cias de la pnictica, segun la cmd la tasa de aprendizaje dismi-
nuye cuanto mas se sabe. Esta ley se aplica a muchas tareas,
como escribir con un teclado o aprender a escribir las letras al
reves, tal como seven en nn espejo. Las agrupaciones de infor-
macion que realiza el sistema SOAR permiten explicar por que
la velocidad del aprendizaje disminuye cuanta mas experien-
cia tenemos en una determinada tarea. Cuando comenzamos
a practicar, vamos integrando informacion con rapidez, y a
medida que construimos bloques de informacion se incrementa
la velocidad de la pnktica. Por ejemplo, cuando aprendemos a
usar un teclado para escribir, al principia progresamos rapido
tanto en velocidad como en precision. Sin embargo, cuanto
mayores son los bloques de informacion que vamos constru-
yendo, menos utiles se vuelven, pues las situaciones en las que
podemos aplicarlos son cada vez menos frecuentes. Asi, la tasa
de aprendizaje de un sistema de reglas se desacelera con la prac-
tica, como sucede con el aprendizaje de los seres humanos.
Holland et al. (1986) utilizan sistemas de reglas para explicar
muchos tipos diferentes de aprendizaje. Por ejemplo, el condi-
cionamiento en roedores (la capacidad de evitar una descarga
electrica) puede explicarse conjeturando que una parte del apren-
dizaje con reglas consiste en ajustar la fuerza de las reglas que se
utilizan. Cada vez que una rata baja una palanca para obtener
com ida, la regia SI bajo la palanca, ENTONCES obtengo comida se
fortalece. Por el contrario, si al bajar la palanca la rata recibe
una descarga electrica, se genera la regla SI bajo la palanca, ENTON-
RE(,I A'. I 93
cBS recibo una descarga electrica, y eso lleva al roedor a dejar de
accionar la palanca. Las reglas tambien pueden usarse para des-
cribir los modelos mentales dinamicos con los que las personas
perciben los cambios del mundo fisico: sr un auto choca contra
u.11 paste, ENTONCES el paste sea bolla. De hecho, la capacidad y las
limitaciones de los seres humanos para manejarse en el mundo
fisico yen el entorno social tam bien pueden explicarse con reglas.
Una vez que adquirimos un estereotipo, por ejemplo, lo aplica-
mos en todas las situaciones posibles, incluso en mas de lo que
corresponde.
Crowleyy Siegler (1993) han demostrado que las variaciones
en la capacidad de los nifios para jugar al ta-te-ti o juego del
tres en raya pueden entenderse en terminos de la adquisici6n
de reglas sobre que movimientos esta permitido hacer, suma-
das al conocimiento estrategico de que regla aplicar en cada
momento. A continuaci6n mostramos algunos ejemplos de
reglas para jugar al ta-te-ti:
Jugada ganadora: SI hay una fila, columna o diagonal condos pie-
zas mias y un espacio en blanco, ENTONCES tengo que utilizar el
espacio en blanco para ganar.
Bloqueo de la linea del oponente: SI hay una fila, columna o
diagonal condos piezas de mi rival y un espacio en blanco, ENTON-
CES tengo que utilizar el espacio en blanco para evitar que com-
plete su linea.
Jugada inicial: sr el casillero del centro estci vacio, ENTONCES me
conviene ocuparlo.
Jugada importante: SI un casillero de una esquina estci vacio,
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-
 ~-·~-­

f'
94 I LA MENTE REGI.AS I 95

Con otras reglas se muestra como lograr los objetivos parciales

IX()
--+- -~
0
',X: I
para llegar a una oraci6n completa como "El nifio lanz6la pelota':
en Ia que un agente hace algoa un objeto. Anderson (1993) pre-
senta unas cuantas aplicaciones de este sistema de reglas ACT

- -'v
/ '
-~-~-T--
()
/~ - e1 desempefio de los sistemas de reglas y Ia conducta de los
Figura 3J.. Aplicaci6n 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: Ia jugada ganadora (casillero del angulo
superior izquierdo), Ia jugada de bloqueo (casillero del angulo inferior
dcrecho ), Ia jugada inicial (casillero central) y Ia jugada importante
(casillero del angulo superior izquierdo 0 del angulo inferior derecho ).
Adaptado de Crowley y Siegler (1993: 537), con autorizaci6n.
das. La capacidad de jugar este juego mejora a medida que se
adquieren reglas de este tipo y se establecen prioridades adecua-
das para su aplicaci6n. Muchos niiios en edad preescolar no han
incorporado Ia regia de bloqueo y otros Ia tienen pero Ia apli-
can incluso cuando podrian aplicar una que les permitiera ganar.
Los sistemas de reglas se han utilizado tambien para dar cuenta
de la adquisici6n y el uso dellenguaje. Anderson (1983) describe
el conocimiento de Ia lengua inglesa en terminos de reglas como
Ia siguiente (version simplificada):
SI mi objetivo es comunicar una estructura de significado de la
forma {relaci6n, agente, objeto }, ENTONCES tengo que establecer
como objetivos parciales
1. describir al agente
2. describir Ia relaci6n
3· describir el objeto.
en la adquisicion de capacidades tales como la resoluci6n de
problemas geometricos o la programaci6n informatica. Hay
rnuchisimos ejemplos que muestran Ia correspondencia entre
seres humanos cuando piensan.
PLAUSIBILIDAD NEUROLOGICA
Entre las reglas y las neuronas puede trazarse una analogia
un tanto burda, en tanto Ia sinapsis puede expresarse en una
regia: si una neurona se activa, ENTONCES provoca la activaci6n
de la neUJ·ona con la que estd conectada. Sin embargo, se trata
de una similitud superficial, pues en realidad poco se sabe de
como se implementan las reglas en el cerebro.Anderson (1993)
presenta un bosquejo de implementacion neuronal de reglas
en ei sistema ACT. Tambien ha habido intentos de implemen-
tar sistemas de reglas simples en redes neuronales artificiales
(capitulo 7). Mas recientemente, Anderson et al. (2004) rela~
cionan la nueva version del sistema ACT, denominada ACT-R,
con areas especificas del cerebra. Partiendo de tomografias
cerebrales de sujetos durante la resolucion de problemas, los
autores infieren que las reglas de producci6n se aplican en los
ganglios basales, un conjunto de nucleos que se hallan dentro
de la materia blanca de la corteza cerebral. Tambien afirman
que los hechos que se corresponden con las reglas estan alma-
cenados en un conjunto de memorias intermedias en Ia cor-
96 I LA ~1EtlTE
teza prefrontal. Asi, el ACT, que se origin6 como un modelo
puramente cognitivo, se ha convertido tambien en un modelo
neurol6gico. El capitulo 9 del presente libro esta dedicado al
estudio del cerebro, las tecnicas de diagn6stico por imagen y
los modelos neurol6gicos.
APUCABILIDAD PRACTICA
Si el aprendizaje consiste en la adquisici6n de reglas, uno de los
objetivos de la educaci6n tendni que ser ayudar a los estudian-
tes a mejorar esa capacidad. Anderson (1993) presenta muchas
aplicaciones de sistemas ACT basados en reglas en el ambito
educativo, que incluyen la programaci6n de computadoras, la
edici6n de textos y las pruebas geometricas. De hecho, los sis-
temas de reglas se ban utilizado no solo para modelizar el des-
empefio de los alumnos sino tambien para crear tutores artifi-
ciales que los ayudan en el proceso de aprendizaje.
En ingenieria y campos relacionados, el disefio puede enten-
derse en terminos de reglas. Newell (1990) presenta una ver-
sion de SOAR que crea algoritmos informaticos valiendose de
operadores que generan y ponen a prueba especificaciones del
programa para realizar busquedas dentro de un universo de
posibles algoritmos. Newell y sus colaboradores tambien se
han ocupado de la utilidad de ver a los usuarios de computa-
doras como sistemas de reglas para disefiar maquinas que sean
faciles de usar (Card, Moran y Newell, 1983). En la actualidad
se esta incorporando el sistema SOAR a juegos como el Quake
para lograr que los oponentes de los usuarios se comporten
como humanos (Laird, 2001). Los personajes de los juegos sue-
len tener muy poca flexibilidad; con el sistema SOAR puede
RHit.~S ! <)7
dotarselos de una parte de la compleja capacidad de tomar
decisiones gracias ala cuallos jugadores de carney hueso son
tan eficaces.
La mayoria de los sistemas expertos que se utilizan en el
gobierno y la industria son sistemas de reglas. De hecho, estos
fueron los primeros sistemas inteligentes que se crearon (Bucha-
nan y Shortliffe, 1984; Feigenbaum, McCorduck y Nii, 1988). El
conocimiento especializado de muchos ambitos distintos, desde
Ia configuraci6n de computadoras hasta la exploraci6n petro-
lera, puede expresarse por medio de reglas. Algunos cjemplos de
sistemas e:>...rpertos basados en reglas aparecen en las aetas del deci-
rnonoveno congreso de innovaciones en inteligencia artificial
aplicada ( e incluso en ediciones anteriores ), publicadas por AAAI
Press. Langley y Simon (1995) ofrecen una buena cantidad de
ejemplos de aplicaciones industriales de programas informati-
cos que generan reglas a partir de ejemplos. Entre ellas se inclu-
yen el control de procesos quimicos, la toma de decisiones finan-
cieras y el diagn6stico de aparatos mecanicos.
RESUMEN
Gran parte del conocimiento humano puede representarse ade-
cuadamente por medio de reglas, y muchos tipos de pensamiento
(Ia planificaci6n, por ejemplo) pueden modelizarse utilizando
sistemas de reglas. El esquema explicativo para los sistemas de
reglas seria el siguiente:
Objetivo de la explicaci6n
iPor que las personas presentan un tipo particular de conducta
inteligente?
 r-:-~_-:-·
98 I LA MfNH
Modelo explicative
Las personas tienen reglas mentales.
Las personas cuentan con un con junto de procedimientos para
la aplicaci6n de las reglas dentro de un universo de posibles solu-
ciones y con otro conjunto de procedimientos para la generaci6n
de nuevas reglas.
La aplicaci6n de esos procedimientos para la utilizaci6n y gene-
raci6n de reglas da origen a la conducta.
Los modelos computacionales basados en reglas han dado ori-
gen a simulaciones muy detalladas de una enorme cantidad de
procesos psicol6gicos, desde la resoluci6n de problemas crip-
toaritmeticos o la adquisici6n de determinadas habilidades basta
el uso dellenguaje. Los sistemas de reglas tambien han tenido
utilidad pnictica en la mejora de la ensefianza y el desarrollo
de sistemas artificiales inteligentes.
PREGUNTAS PARA PENSAR
1. lQue areas del conocimiento pueden describirse con mayor
facilidad por media de reglas?
2.lQue areas del conocimiento son mas dificiles de explicar uti-
lizando reglas?
3· lCmiles son las principales diferencias entre los sistemas de
reglas y los sistemas l6gicos presentados en el capitulo 2?
4·lC6mo podrian aplicarse las reglas en el cerebra?
5· El conocimiento del lenguaje, les innato o adquirido?
lilGIAS I 99
LECTURAS RECOMENDADAS
Fuentes clasicas sabre la mente como sistema de reglas: Newell
y Simon (1972), Newell (1990 ); Anderson (1983, 1993).
Enfoques de distintos tipos de aprendizaje a partir de siste-
mas de reglas: Holland et al. (1986).
Utilizaci6n de reglas en el razonamiento: Smith, Langston y
Nisbett (1992); Nisbett (1993).
Teoria chomskiana dellenguaje e importancia de las reglas en
el conocimiento lingliistico: Pinker (1994).
Caracter innato de la conducta human a en general: Pinker (2002).
Polemica en torno de la hip6tesis del innatismo: Elman et al.
(1996); Quartz y Sejnowski (2002).
SITIOS WEB
Pagina web del sistema ACT 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/>
Pagina web del sistema soAR en la Univcrsidad de Michigan:
<http:/ /sitemaker. umich.edu/soar>
NOTAS
Los enfoques que no estan basados en reglas tambien pueden
describirse en terminos de busqueda, pero hist6ricamente ese
;I ~---"

,,I
:i 100 ! LA M£:.11(
r-
!!!
(

tipo de descripci6n ha estado asociado con los sistemas de reglas. 4

La metafora de la busqueda es adecuada para los problemas bien Conceptos
definidos en los que pueden especificarse los estados y los ope-
radores, pero es mucho menos clara en los problemas en los que
1:1
.I una determinada tarea implica el aprendizaje de nuevas repre-
,,.1
I
sentaciones y operadores.
,,~' !
:,I
I'
Una definicion mas tecnica de la ley de potencias de la prac-
,I
:q tica es la siguiente: "si ellogaritmo del tiempo de reacci6n para
i'!'
,:! una tarea se grafica en funci6n dellogaritmo del numero de inten-
1)'1 tos pnicticos, el resultado es una recta con pendiente negativa': Cuando los estudiantes aprenden a manejarse en la universidad,
!;j'"
,:: incorporan un conjunto de reglas sobre ella, pero tambien
i·::l
;i~r
adquieren nuevos conceptos. Muchos pertenecen al campo admi-
!l· ~ ~ nistrative: asignatura principal, inscripci6n, legajo. Otros sirven
,j!
i;' para describir las materias en las que se inscriben: plomo y pan
:"~~:j comido, por ejemplo. En el ambito social, el conocimiento tam-
:,;·J
:~··\ bien se incrementa, pues se aprenden conceptos que permiten
: ~.:
I~ j definir a los compafieros o a los profesores: traga, aparato, puro
musculo, bohemia y otros. Asimismo, al asistir a clases con for-
mato de seminario ode conferencia, los estudiantes seven obli-
gados a modificar el concepto que tenian de clase en la escuela
secundaria.
El estudio de la funci6n que tienen los conceptos en el cono-
cimiento se remonta a Plat6n, que fue el primero en proponerse
responder preguntas tales como "tQue es la justicia?'' o "tQue
es el conocimiento?", y tambien el primero en advertir que las
respuestas no eran sencillas, pues conceptos como el de justicia
o el de conocimiento no son faciles de definir. Plat6n conside-
raba que el conocimiento de este tipo de conceptos es inn a toy
que la educaci6n nos permite recordar cual es su esencia. Vein-
ticinco siglos despues, Chomsky sostiene que las reglas lingi.iis-
ticas tambien son innatas y, fil6sofos racionalistas como Leibniz
y Descartes defendieron la hip6tesis de que los conceptos fun-
102 I U. MENTE
damentales forman parte de la estructura de la mente y nose
aprenden.
El empirismo, en cambio, cuyos maximos representantes fue-
ron Lockey Hume, afirma que los conceptos se adquieren por
medio de la experiencia sensible. La forma en que aprendemos
un concepto como perro, por ejemplo, no es pensar en c6mo
son los perros sino conocer una buena cantidad de perros dis-
tintos. Aunque Jerry Fodor (1975), un fil6sofo de la mente que
ha recibido una fuerte influencia de Chomsky, defiende la hip6-
tesis del innatismo, las ciencias cognitivas estudian en la actua-
lidad los procesos que intervienen en la formaci6n de concep-
tos a partir de la experiencia y de otros conceptos.
El in teres psicol6gico y computacional en el estudio de la natu-
raleza de los conceptos hizo eclosi6n en la decada de 1970, cuando
los investigadores crearon terminos como "marco': "esquema"
y "guion" para referirse a distintas concepciones novedosas en
la materia. (Ya Bartlett [1932] y Kant [1781] habian formulado
explicaciones similares.) En el texto de inteligencia artificial mas
importante de la decada, Marvin Minsky (1975) sostiene que el
pensamiento debe explicarse en terminos de aplicaci6n de mar-
cosy no de 16gica deductiva. Pocos afios mas tarde, en un tra-
bajo interdisciplinario que reline la psicologfa y las ciencias de
la computaci6n, Schank y Abelson (1977) demuestran que una
gran parte del conocimiento social esta codificada en guiones,
que constituyen secuencias tipicas de determinadas situacio-
nes, tales como ira un restaurante. En la misma epoca, David
Rumelhart (1980) y otros psic6logos describen el conocimiento
en terminos de estructuras conceptuales denominadas esque-
mas, que representan las caracteristicas tipicas de los individuos
a los que hace referencia un concepto, en Iugar de la esencia del
concepto en sL El tl.l6sofo Hilary Putnam (1975), por su parte,
presenta la idea de que el significado de los conceptos adopta
(OIHEPTO~ I 103
la forma de estereotipos y no de condiciones necesarias y sufi-
cientes. En la decada siguiente, el analisis de los conceptos desde
la perspectiva computacional tom6 un nuevo cariz como con-
secuencia del desarrollo de modelos conexionistas capaces de
aprender conceptos, seg"lm veremos en el capitulo 7.
CAPACIDAD REPRESENTACIONAL
lCuantas veces hemos oido a alguien pedir a su interlocutor
que definiera los terminos que eran objeto de debate durante una
discusi6n? Muchas veces se pide la definicion de un termino para
poder avanzar en un intercambio de ideas: "No podemos hablar
de inteligencia sino sabemos bien de que hablamos cuando habla-
mos de 'inteligencia'". Este argumento es un pedido cuya res-
puesta nos permite aplicar el siguiente par de reglas: SIxes inte-
ligente, ENTONCES x tiene el conjunto de propiedades y, y SIx tiene
el conjunto de propiedades y, ENTONCES xes intelige11te. Pero, como
ya Plat6n advierte, en muchos casos, como en el del concepto
de justicia, proporcionar definiciones de este tipo es imposible.
Para poner a prueba lo dicho, tratemos de definir escuela, uni-
versidad, materia o aparato. A lo sumo, las definiciones podran
venir como resultado de una investigaci6n, pero nunca como
punto de partida. De hecho, fuera del campo de la matematica,
las definiciones del tipo SI. .., ENTONCES ... no existen.
Si se los piensa como marcos, esquemas o guiones, los con-
ceptos son representaciones de individuos o situaciones tipicas
y no definiciones en sentido estricto. Por ejemplo, los estu-
diantes adquieren un concepto de materia segun el cual un
docente imparte conocimiento y un grupo de alumnos asisten
a clase, cumplen con una serie de trabajos pnicticos y exame-
104 I LA M[Nl[
nes y obtienen una calificaci6n por su desempeflo. Asi, lo que
se espera de un curso puede sintctizarse en un con junto de casi-
lleros que deben completarse con informacion espedfica de una
situaci6n en particular.
Curs a
Tipo de: proceso (sucesi6n sistematica de acciones)
Tipos de curso: taller, seminario, etc.
Docente:
Aula:
Horario:
Modalidad de evaluaci6n: examenes, trabajos practices, etc.
Ejemplos particulares: Filosofia 100, Matematica 242, etc.
Una de las prim eras cosas que tratan de averiguar los estudian-
tes cuando se inscriben en una materia es el nombre del docente.
Con eso Henan un casiilero muy importante. El concepto mate-
ria tambien podria representarse por medio de reglas (sr xes
una rnateria, ENTONCES x tiene un docente a cargo) pero, tal como
veremos en la secci6n siguiente, hay una serie de razones com-
putacionales por las cuales es mas adecuado representarlo con
un conjunto de casilleros. Asf, aunque es caracteristico de una
materia tener un docente, hay veces en que las dicta un equipo
y no una sola persona, y otras en que no hay ningun docente a
cargo (por ejemplo, en el caso de los estudios a distancia).
Algunos conceptos, como examen, incluyen secuencias tem-
porales:
Examen
Tipo de: requisito para aprobar una materia
Tipos de examen: oral, escrito, domiciliario, presencia}, par-
cial, final, etc.
COHHlOS I 105
Aula:
Secuencia:
Recibir las preguntas
Escribir el nombre en la hoja
Contestar las preguntas
Revisar
Entregar
Tam bien en este caso, es posible representar el concepto examen
par medio de reglas (sr uno se presenta a w1 examen, ENTONCES
primero 'recibe las preguntas ... ). Sin embargo, desde el pun to
de vista cognitivo, es mucho mas adecuado representar la infor-
macion como un paquete que se adquiere como un todo.
Si bien los casilleros conceptuales pueden convertirse a reglas,
es importante recordar que no expresan verdades universales sino
caracteristicas. Los valores de los casilleros a veces se denominan
opciones por defecto. Por ejemplo, en el concepto de materia, la
opci6n por defecto para el casillero "docente" serfa el valor uno.
En realidad, las reglas tambien pueden interpretarse como la expre-
si6n de opciones por defecto en lugar de verdades universales
(sixes una materia, ENTONCES es caracteristico de x tener un docente
a cargo). Otro ejemplo seria el de los examenes domiciliarios para
el casillero "aula", pues se trata de examenes que nose hacen en
la universidad, de modo que no tienen aula asignada.
Los conceptos constituyen una forma fundamental de orga-
nizaci6n del conocimiento que no puede expresarse en sistemas
de reglas. Vimos que para materia teniamos casilleros que nos
permitian saber que tipo de objeto es una materia ytambien que
tipos de objetos son materias. Entre esas relaciones se estable-
cen redes conceptuales jerarquicas como la que se muestra en la
figura 4.1. Un seminario es un tipo de materia, una materia es
un tipo de proceso educativo, y asi sucesivamente. La organi-
 F;:··
106 I LA tHN fE
,,r.
pme<w t""'"
matena
~T~~-----:---___
. _.-----
------
Jaboratono semmano
. . -------
taller a distancia
Figura 4.1. Organizaci6n jenirquica del concepto de materia.
zacion de los conceptos en estructuras jenirquicas les confiere
propiedades computacionales que los conjuntos de reglas (entre
las cuales no se establecen jerarquias) no tienen. Para muchos
conceptos fisicos, el casillero "parte" es muy importante, pues
tambien funda una jerarquia: el parpado es una parte del ojo,
el ojo es una parte de la cara, la cara es una parte del cuerpo, y
podriamos seguir la cadena. Tam bien esta relacion puede expre-
sarse por media de reg] as (SIxes un parpado, ENTONCES x forma
parte del ojo) pero, como veremos en Ia proxima secci6n, la orga-
nizacion jerarquica de los cas illeros y de los conceptos tiene unas
cuantas ventajas desde el punta de vista computacional.
Los conceptos no pueden constituir una teoria completa de
la representaci6n mental, y de hecho nunca se pretendi6 que asi
fuera. La estructura conceptual de materia, por ejemplo, no
incluye la informacion de que si en una materia no hay mas vacan-
tes, el estudiante puede conseguir que se lo inscriba si cuenta con
el permiso par escrito del profesor. Esa es una regla de las mate-
rias que se aprende con ]a experiencia. Sin embargo, las propie-
dades computacionales de las representaciones conceptuales aqui
presentadas hacen de los conceptos un complemento fundamen-
tal de las reglas en la modelizaci6n del pensamiento humano.
CONCEPlOS I 107
CAPACIDAD COMPUTACIONAL
Organizar la informacion en forma de conceptos estructurados
jenirquicamente permite realizar importantes operaciones com-
putacionales. Los sistemas de muchas reglas nos presentan el
problema de tener que elegir que regla se aplica en cada caso.
lQue sentido tiene que el sistema cuente con la regia que nece-
sitamos sino podemos recuperarla para aplicarla en el mom en to
pertinente? En los sistemas conceptuales, en cambio, puede usarse
un metoda muy eficaz que se denomina herencia, segun el cu~l
se realizan inferencias a partir de la jerarquia que se establece
con el casillero "tipo': tHay un docente a cargo en un semina-
rio? La respuesta a esta pregunta podria no estar representada
en el concepto seminario, pero puede inferirse de la informa-
cion de que un seminario es un tipo de materia, y las materias
suelen tener docentes a cargo. Nose trata de una deduccion
l6gica, ya que no todos las materias tienen docentes a cargo, pero
es razonable esperar de un seminario que lo tenga si el concepto
seminario hereda la expectativa del concepto materia en virtud
de que el primero es un tipo de la segunda.
tEn que pensamos cuando oimos la palabra "escritorio"? Es
probable que se nos aparezcan imagenes de sillas, lamparas o
papeles. No todo el pensamiento consiste en hacer el tipo de
inferencias que proponen la logica o los sistemas de reglas. Si
bien el escritorio podria estar relacionado con una silla en vir-
tud de una regia (todo escritorio tiene una silla), la asociacion
tambien podria ser mas informal: el escritorio es un mueble y
la silla tam bien. Desde el pun to de vista computacional, esta aso-
ciaci6n libre se define como un caso de propagaci6n de activa-
ci6n. De un concepto activo en una red, la activacion se propaga
a otros que entran en relaciones de tipo o de otras clases con
este. La propagaci6n es como una especie de contagio elec-
 ~--~
108 I LA MENlE
trico: un objeto electrificado electrifica a otros que estan conec-
tados con el. Por ejemplo, si alga activa el concepto de eSC1·ito-
rio, la activaci6n puede propagarse al concepto de mueble (en
tanto los escritorios son un tipo de mueble) y al de cajon (pues
los cajones son una parte del escritorio). A su vez, Ia activaci6n
de esos dos conceptos puede llevar ala activaci6n de otros con-
ccptos relacionados con ellos, como mesa (otro tipo de mueble)
o madera (material del que estan hechos los cajones). Algunos
sistemas de reglas incluyen un mecanisme de propagaci6n de
activaci6n como complemento de la activaci6n de una regia para
reproducir ]a forma en que las personas recuperan reglas de la
memoria (Anderson, 1983; Thagard, 1988).
La organizacion de la informacion en estructuras concep-
tuales es sumamente util cuando se trata de atravesar situa-
ciones nuevas. Cuando empiezan a cursar una materia, los estu-
diantes la ubi can rapidamente dentro de su sistema conceptual:
seminario, pan comido y otras categorias. El proceso tiene dos
p:tsos fundamentales: correspondencia e inferencia. Encontrar
los conceptos mas adecuados para aplicar a una materia implica
encontrar correspondencias entre los casilleros de distintas
materias ya cursadas y la informacion especifica de que dispo-
nemos sabre la nueva. Por ejemplo, si el curse nuevo tiene
solo diez inscriptos, esa informacion se cmTesponde con el casi-
llero de taller, una de cuyas caracteristicas es que se dicta en cla-
ses de pocos alumnos. En cambia, si cuando llegamos vemos
~
[ que hay unos cien estudiantes esperando la clase, es probable
n
~ que asociemos esa situacion con el concepto de seminario. Una
Il! vez que se encuentra la correspondencia entre una situacion y
~
tj un concepto, se hacen inferencias sabre la situacion mediante
~ la extrapolaci6n del conjunto de expectativas que generan todos
II
I'
~ los rasgos del concepto. Asi, una vez que la materia se clasifica
~ les, etcetera) .
como taller, el estudiante inscripto en ella esperara que las cla-
•~
~
L
fi
COJ<lcPTOS 109
ses sean muy participativas. Por lo tanto, para entender cual es
la funci6n computacional de los conceptos, podemos incluir
los pasos que acabamos de analizar dentro de un sistema de
procesamiento:
1. El sistema tiene activados ciertos conceptos que represen-
tan una situaci6n.
2. La activaci6n se propaga de esos conceptos a otros que
son potencialmente relevantes.
3· Se seleccionan los conceptos que se corresponden con la
situaci6n en cuestion.
4· El sistema lleva a cabo inferencias sobre la situacion por
herencia con los conceptos seleccionados.
Resoluci6n de problemas
Planificaci6n. La primera vez que nos enfrentamos a una situa-
ci6n nueva -la inscripcion a materias, por ejemplo-, necesita-
remos recurrir a reglas generales para saber como proceder. Si
resolvemos con exito las primeras inscripciones, sera mas facil
en las subsiguientes, pues bastara con seguir la misma secuen-
cia de procedimientos. En ese caso, habremos adquirido el guion
de la inscripci6n a materias. Vista asi, la planificacion no con-
siste en una busqueda ni en un conjunto de deducciones logi-
cas, sino en la aplicacion de conceptos. Dada una representa-
ci6n de la situaci6n por la que tenemos que pasar y unos
objetivos que debemos cumplir (inscribirnos en las materias
que nos interesan, por ejemplo), recuperamos de Ia memoria
el concepto que mejor se corresponda con la situacion y los
objetivos planteados (en este caso, el de inscripci6n). Luego,
aplicamos el guion asociado a ese concepto para ver que pasos
seguir yen que orden (llenar el formulario, pagar los arance-

110 I LA tHNTE
Sin embargo, la aplicacion de conceptos solo es posible cuando
contamos con informacion organizada que se corresponde con
la situacion nueva. Despues de su primer afio en la universi-
dad, los cstudiantcs ya han adquirido un conjunto de esque-
mas muy utiles y aplicables a distintos contextos educativos. Los
alumnos de primer afio, en cambio, s6lo tienen almacenados los
esquemas del colegio secundario, y si intentan aplicarlos pue-
den llegar a soluciones erroneas. Por ejemplo, los estudiantes
que se inscriben en mi curso de Introduccion a las Ciencias Cog-
nitivas a veces esperan que los contenidos se parezcan a los de
materias con las que ya estan familiarizados (filosofia, psicolo-
gfa o informatica), y entonces se les hace dificil encontrar corres-
pondencias entre los conceptos adquiridos y los contenidos nue-
vos, que son interdisciplinarios. Los guiones son de suma utilidad
cuando se los aplica a situaciones que se repiten con frecuen-
cia, pero pueden complicarnos en situaciones nuevas que no
encajan en los esquemas que ya tenemos almacenados. Pense-
mos en el dicho popular: Para quien s6lo tiene un martillo, todo
se parece a un clavo. Moraleja: a veces es bueno romper los esque-
mas y abandonar el martillo a tiempo cuando nos encontramos
frente a un tornillo.
Toma de decisiones. Lo mismo puede decirse de la aplicaci6n
de conceptos en la toma de decisiones. En algunas situaciones,
recurrir a guiones conocidos para tomar decisiones nuevas fun-
ciona a la perfecci6n, como cuando vamos a la heladeria y ele-
gimos siempre los mismos gustos de helado. Pero hay circuns-
tancias en las que aplicamos esquemas sin reflexionar en lomas
minimo. Por ejemplo, es frecuente que la selecci6n de personal
para una empresa responda al concepto que tenga el jefe de lo
que es un buen empleado en lugar de ser producto de una eva-
luaci6n de todos los candidatos para ver cual es el que mas se
-r ,
py...
r CONCEPIOS I lH
ajusta a lo que se necesita. El concepto del jefe sabre el em plea-
do ideal puede tener casilleros adecuados, tales como "inteli-
gencia" o "laboriosidad", pero tambien puede incluir requisitos
que no tienen relaci6n directa con lo que significa scr un buen
empleado, como "raza" o "genera". Entonces, si bien es cierto que
en muchas de las decisiones que tomamos a diario aplicamos los
conceptos adquiridos, es bueno que no sea asi en todos los casos.
Recurrir a los conceptos ya internalizados para tamar una deci-
sion es un metodo facil y rapido, pero cuando decidimos de ese
modo obliteramos la enorme cantidad y complejidad de las cues-
tiones (acciones y objetivos) que forman parte de una toma de
decisiones reflexiva.
Explicaci6n. Al igual que los planes, las explicaciones suelen pre-
sentarse en forma de esquemas. A veces mezclamos conceptos
sociales cuando damos explicaciones, quiza con mayor frecuen-
cia de lo que deberiamos.lPor que se qued6 Federico despierto
toda la noche trabajando en un programa? Porque es fanatico
de las computadoras. lPor que Sara se viste siempre de negro?
Porque es bohemia.lPor que Alicia se sac6 un diez en el examen
sin estudiar? Porque la materia es pan comido. Estos ejemplos
ilustran como muchas veces proporcionamos explicaciones en
virtud de una correspondencia casi automatica entre un con-
cepto y una situaci6n en la que este parece encajar.
Los conceptos tambien pueden usarse para dar explicacio-
nes mas reflexivas. En ciencia, las explicaciones suelen tener el
tinte deductivo que les confieren la l6gica y los sistemas de reglas.
Las leyes generales de la ffsica (fuerza = masa x aceleraci6n ),
por ejemplo, pueden aplicarse matematicamente para obtener
una explicaci6n deductiva del movimiento de los planetas. Sin
embargo, hay muchos otros campos, como la biologia evolutiva
y las ciencias sociales, en los que es muy dificil formular leyes
112 I lA IH NTE
generales. En csos casos, la explicacion puede caracterizarse como
la aplicaci6n de un esquema con un objetivo (el fen6meno que
hay que explicar) y un patron que permite proporcionar la expli-
caci6n. Aqui presentamos un esquema explicative simplifi-
cado en el que se utiliza la teoria de Ia evolucion por selecci6n
natural de Darwin para explicar por que una especie tiene una
caracteristica determinada (tomado de Thagard, 1999; veanse
tambien Kitcher, 1993, y Schank, 1986):
Objetivo de la explicaci6n
lPor que una especie tiene una caracteristica determinada?
Modelo explicative
La especie tiene un con junto de caracteristicas variables.
La especie esta expuesta a presiones ambientales.
Las presiones ambientales favorecen a los individuos de la espe-
cie que tienen esa caracteristica.
Asi, los individuos de la especie con esa caracteristica tienen
mas posibilidades de sobrevivir y reproducirse que los miem-
bros de la especie que carecen de esa caracterfstica.
De este modo, con el tiempo, la mayoria de los individuos de la
especie acaba teniendo esa caracteristica.
Los terminos en cursiva son variables que pueden llenarse con
muchos ejemplos distintos. Si quisieramos explicar por que algu-
nas bacterias son resistentes a algunos antibi6ticos, podriamos
aplicar el esquema valiendonos de las correspondencias entre
"caracteristica" y "resistencia a los antibi6ticos", y "bacteria" y
"especie". Los antibi6ticos constituyen presiones ambientales,
de modo que las bacterias con resistencia a los antibioticos ten-
dran mas posibilidades de sobrevivir y reproducirse basta que
la especie en su conjunto sea resistente.
CONCEPTOS I 113
Ya hemos visto distintas instancias de aplicacion del esquema
explicative fundamental de las ciencias cognitivas. En el resu-
men del capitulo 1 proporcionamos un esquema explicative
general basado en representaciones y procedimientos compu-
tacionales, mientras que en los resumenes de los capitulos 2 a 7
presentamos esquemas explicativos especificos para los distin-
tos enfoques representacionales. Los aspectos de Ia mente y la
inteligencia desarrollados en la segunda parte de este libro son
mas dificiles de formalizar en esquemas de este tipo.
Aprendizaje
Las reglas, segun hemos visto, pueden tener tres origenes dife-
rentes: pueden ser innatas, pueden formularse a partir de la
experiencia o pueden inferirse de otras reglas. Las mismas tres
respuestas pueden darse para responder al interrogante sobre
ei origen de los conceptos. La respuesta sera distinta segun el
concepto de que se trate. Los niflos aprenden a razon de unas
diez palabras por dia y, con ellas, adquieren los conceptos corres-
pondientes.
Pensemos en el concepto de rostra humano, que consiste de
dos ojos, dos orejas, una nariz y una boca. Es posible que los
bebes adquieran el concepto a traves de Ia experiencia, luego
de haber visto una cara tras otra. Sin embargo, existe evidencia
empirica de que los niflos no tienen que aprender cual es Ia
estructura tipica de una cara, sino que nacen sabiendo que cspe-
rar de su aspecto y sus componentes. Del mismo modo, hay
pruebas experimentales de que los conceptos fisicos basicos,
como objeto, son innatos, pues, desde muy pequefios, los nifios
demuestran tener expectativas muy fuertes respecto de como
tienen que comportarse los objetos (por ejemplo, cuando un
objeto desaparece detnis de otro y despues vuelve a aparecer).
 w:··: . .
114 I lA MEN!f
Asi, si bien es poco plausible que todos los conceptos, incluidos
los del tipo de reproductor de DVD o telefcno m6vil, sean inna-
tos, algunos conceptos basicos, junto con los mecanismos para
formar otros nuevos, parecen integrar eJ apara to mental del que
estamos dotados al nacer.
AJgunos conceptos se adquieren a partir de ejemplos, asi como
algunas reglas se formulan por generalizacion inductiva. En algu-
nos casos, es necesario estar expuesto a muchos ejemplos antes
de llegar al concepto, como cuando los nifios aprenden a distin-
guir un perro de otro animal. En cambio, cuando ya se tiene bas-
tante conocimiento, Ia adquisicion de conceptos se simplifica y
solo bastan unos pocos ejemplos. Si entramos a una clase y vemos
que tiene solo diez estudiantes y que, en vez de exposiciones a
cargo del profesor, se estimula la discusi6n y el debate, ese solo
ejemplo sera suficiente para adquirir el concepto de taller. Por
supuesto, siempre es posible revisar los conceptos adquiridos a
la luz de experiencias posteriores. Al igual que las reglas, que se
ajustan en contenido y plausibilidad en virtud del uso frecuente,
los conceptos pueden modificarse como consecuencia del
encuentro con nuevos ejemplos. En la actualidad existen nume-
rosos modelos computacionales de adquisici6n de conceptos
(Langley, 1996), yen el capitulo 7 presentamos abordajes cone-
xionistas de la adquisicion conceptual.
No todos los conceptos se forman a partir de ejemplos; algu-
nos se crean combinando otros preexistentes. En el caso de con-
ceotos tales como carzal de musica o correo electr6nico, recurri-
•
mos a ejemplos concretes para completar los detalles, pero el
grueso del contenido coincide con los rasgos de los conceptos
separados que integran el nuevo concepto. Algunas combina-
ciones conceptuales son transparentes: un hospital escuela es un
hospital utilizado para la formaci on de nuevas generaciones de
medicos. Otras son un poco mas complejas: una casa cuna no
CONCEPTOS I 115
es Ia combinaci6n de una casa y una cuna, sino un Iugar don de
se cria y atiende a nifios de corta edad. Algunas combinacio-
nes novedosas o metaforicas implican un componente abduc-
tivo, en tanto sc necesita formular algun tipo de hip6tesis para
explicar la combinacion y su significado. Asi, una oveJa negra
noes una oveja de color negro, sino una persona que se com-
porta de un modo distinto al del resto de los miembros de un
grupo. Para entender este concepto, es necesario saber que casi
todas las ovejas son blancas y que, por lo tanto, una oveja negra
es rara y contraria al res to (Kunda, Miller y Claire, 1990). Exis-
ten modelos computacionales para las combinaciones concep-
tuales simples (Thagard, 1988), pero todavia nose han creado
modelos para dar cuenta de las combinaciones de tipo abduc-
tivo. Costello y Keane (2ooo) presentan una teoria computa-
cional que explica la creatividad y la eficacia de las combina-
ciones conceptuales.
Las inferencias abductivas pueden hacerse echando mano
de esquemas que incluyen informacion causal. A continuaci6n
presentamos el guion de una enfermedad contagiosa como el
resfrfo:
Enfermedad contagiosa
Contacto: La persona entra en contacto con ciertos gcrmenes
(virus o bacterias).
Incubacion: Los germenes se multiplican.
Sintomas: Los germenes hacen que la persona presente sinto-
mas tales como que le gotee la nariz.
Cura: Con el tiempo, el sistema inmunitario del cuerpo mata
los germenes.
Asi, si presentamos sintomas como el de la nariz, podemos com-
pletar el casillero correspondiente en el guion y luego comple-
 -~~'i"~-~
~ ·.
116 I LA ~ifNTE
tar el casillero "contacto" despues de inferir por abduccion que
debemos estar en contacto con germenes.
Lenguaje
En terminos linguisticos, los conceptos se representan con pala-
bras. Si bien es cierto que no todos los conceptos necesitan de
palabras que los describan, existe una fuerte correspondencia
entre las palabras de una lengua y muchos de los conceptos
que manejamos. En el capitulo anterior nos referimos a la rela-
ci6n entre la gramatica y las reglas linguisticas. Sin embargo, el
conocimiento dellenguaje no se agota en las reglas; las pala-
bras son necesarias para insertarlas en las estructuras linguisti-
cas. El conjunto de palabras que se encuentran en un dicciona-
rio se denomina lexica; por analogia, el conjunto de conceptos
representados en la mente se clenomina lexico mental.
De acuerdo con George Miller y otros especialistas, ellexico
mental tiene una organizacion jenirquica (Fellbaum, 1998). Miller
y sus colaboradores disefiaron un lexica electronico enorme al
que denominaron WordNet, que tiene mas de sesenta mil entra-
das de palabras del ingles. En ese lexico, las entradas de sustan-
tivos como "perro" estan organizadas· jenirquicamente, dividi-
das en tipos y partes, en distribuciones similares a las que
ilustramos en la secci6n "Capacidad representacional" de este
capitulo (vease la figura 4.1). Las entradas de verbos que dena-
tan acciones, como "inscribirse" o "correr", tienen otro tipo de
organizaci6n, dividida en formas de hacer distintas cosas. Por
' ejemplo, "correr" es una forma de trasladarse y "trotar" es una
~~
r forma de correr. En el caso de los adjetivos, la organizacion de
! las entradas es distinta. El uso dellenguaje depende de la capa-
i cidad de almacenar y utilizar los conceptos denotados por los
i
i! sustantivos, adjetivos y verbos. Miller (1991) analiza la estruc-
!\
II
l
CCNC~P ;os I 117
tura dellexico mental, la formacion de palabras y la adquisici6n
del U:xico.
La adquisicion dellenguaje no consiste solo en la internali-
zacion de reglas gramaticales, sino que tambien implica el de-
san·ollo de todo un sistema conceptual. Los linguistas de la tra-
dici6n chomskiana presuponen una separacion tajante entre
Jexico y gramatica, pero los defensores de la gramatica cogni-
tiva han presentado objeciones de peso contra esa distinci6n
(Taylor, 2003). Langacker (1987) y Lakoff (1987) afirman que
las estructuras sintacticas estan ligadas ala naturaleza y al sig-
nificado de los conceptos.
tCual es el significado de un concepto y cual es su aporte al
significado de una oracion? Este es un interrogante que durante
mucho tiempo ha desconcertado a los filosofos, quienes a su vez
se han ocupado mucho de ely han proporcionado una buena
cantidad de respuestas diferentes. Por un lado, el significado de
un concepto parece derivarse del significado de otros concep-
tos. Asi, el significado de trotar se deriva de los de correry rcipi-
damente. Por otro lado, el significado conceptual esta relacio-
nado con las observaciones del mundo que hacen los hablantes,
de modo que saber que quiere decir trotarpuede ser consecuen-
cia de haber visto trotar a una o a varias personas o animales.
Por lo general, las definiciones de los conceptos no son solo
reproducciones de las definiciones de otros conceptos, pues las
definiciones exactas son mas bien escasas. Tampoco se agota
un concepto con un conjunto de ejemplos. Por lo tanto, una teo-
ria del significado debe explicar como se relacionan los concep-
tos entre si y con el mundo (vease el capitulo 12). Los dos aspec-
tos son fundamentales para entender la relacion entre los
conceptos y el uso dellenguaje.

118 I LA MENTE
PLAUSIBILIDAD PSICOLOGICA
lC6mo puede demostrarse la plausibilidad psicol6gica de un
tipo particular de representaci6n mental? Ei metodo directo es
Ia realizaci6n de experimentos cuyos resultados se sigan del
supuesto de que las personas cuentan con la representaci6n men-
tal propuesta. El metodo indirecto es recurrir a simulaciones
por computadora que utilicen el tipo de representaci6n men-
tal propuesta para explicar los resultados de experimentos sobre
determinado comportamiento. Gran parte de la evidencia em pi-
rica de la plausibilidad psicol6gica de las reglas presentadas en
el capitulo 3 es del segundo tipo (por ejemplo, la simulaci6n
basada en reglas de la resoluci6n de problemas criptoaritmeti-
cos). En cambio, gran parte de los datos que prueban la reali- .
dad psicol6gica de los conceptos proviene de experimentos
hechos con los conceptos en si y no de simulaciones por com-
putadora. Los psic6logos han realizado una enorme cantidad
de experimentos para determinar cwiles son la naturaleza de los
conceptos y su funci6n enla categorizaci6n del mundo. A con-
tinuaci6n, menciono algunos de los mas importantes.
Durante el predominio del conductismo en psicologia, se
hablaba poco y nada de representaciones mentales, incluidos
los conceptos. La investigaci6n en materia de adquisici6n con-
ceptual se inici6 en Ia decada de 1950, con Ia teoria clasica de
que los conceptos eran entidades bien definidas como supuesto
de fondo (Bruner, Goodnow y Austin, 1956). Durante la decada
de 1970, sin embargo, se acumul6 experiencia que demostraba
que los conceptos debfan entenderse en terminos de condicio-
nes tipicas y no de condiciones definitorias. Las segundas son
condiciones que dan origen a reglas estrictas del tipo de Una
figura es un triangulo si y solo si tiene exactamente tres lados. Las
primeras, en cambio, permiten excepciones. Por ejemplo, si defi-
CONCtrlOS I 119
nimos a un perro como un cuadrupedo, la definicion no cae aun-
que haya individuos que tienen tres patas en vez de cuatro. Asi
surge Ia idea de prototipo: un conjunto de condiciones tipicas
para un concepto. El prototipo de perro incluye como condicio-
nes ser cuadrupedo, ladrar y ser peludo, entre otras. De acuerdo
con Ia teo ria tradicional, para aplicar el concepto perro a un indi-
viduo en particular, como Lassie, es necesario constatar silas con-
diciones definitorias del concepto se aplican al individuo. Segun
Ia teoria de prototipos, en cambio, la aplicaci6n de un concepto
a un individuo es un proceso bastante menos rfgido, que con-
siste en averiguar silas condiciones tipicas del concepto se corres-
ponden con las caracteristicas del individuo en cuesti6n.
Los experimentos realizados en el campo de la psicologia indi-
can que la aplicaci6n de conceptos responde mejor a una estruc-
tura prototipica que al metodo propuesto por la teoria clasica.
Posner y Keele (1970) realizaron una prueba en Ia que utilizaban
patrones de puntos como categorias perceptivas. En el experi-
mento, se pidi6 a los sujetos que aprendieran con juntos de cua-
tro desviaciones para cada uno de los cuatro patrones de puntos
prototipicos, y luego se les dio un nuevo conjunto de patrones
para dasificar. Los sujetos identificaron los nuevas patrones que
se ajustaban a los prototipos con facilidad, pero tardaron bastante
mas tiempo y cometieron mas errores en Ja clasificaci6n de los
patrones mas alejados de los prototipos. Lo mismo sucede con
las palabras. Es mucho mas facil decidir el valor de verdad de una
oraci6n como "El colibri es un ave" que el de "El pingi.iino es un
ave': yes muy probable que esto se deba a que el colibri esta mucho
mas cerca del prototipo de ave que el pingiiino.
Un estudio realizado por Rips, Shoben y Smith (1973) mues-
tra que los sujetos ubican con relativa homogeneidad a algu-
nos miembros de una categoria como mas tipicos que otros. Por
ejemplo, en America del Norte el platano es una fruta mas tipica
,$Ji
j
"'
~: 120 I lA filNTE
que el mango. Cuando se pide a los sujetos que enumeren dis-
tintos miembros de una categoria conceptual, los mas tipicos
suelen ser los que se mencionan primero (Rosch, 1973). Por ejem-
plo, si se nos pide que digamos nombres de mamiferos, lo mas
probable sera que mencionemos perro antes que ballena. De
acuerdo con Rosch y Mervis (1975), el juicio acerca de cm1n tipica
es una especie de ave esta en correlaci6n directa con cuales de
bs propiedades comunmente atribuidas a las aves (volar, cons-
truir nidos, etc.) tiene Ia especie en cuestion. Asi, el colibri y e)
pingiiino son aves, y seguramente ambos responderian ala defi-
nicion de m·e si se pudiera formular con exactitud, pero desde
el punto de vista cognitive son catcgorfas muy diferentes, pues
colibrf esta mucho mas cerca del prototipo de ave que pingiiino.
Analizar los conceptos como prototipos permite explicar algu-
nas caracteristicas de su aplicaci6n, incluidos los errores que
coinetemos al usarlos. Por ejemplo, cuando Brewery Treyens
(1981) pidieron a los sujetos de su estudio que enumeraran los
objetos que habian vista en una ofici na de la universidad donde
los habfan dejado esperando, muchos mencionaron haber visto
libros, pese a que no habia ninguno en esa oficina. El error res-
ponde a que los libros forman parte del prototipo de oficina aca-
dbnica. Tambien se han llevado a cabo experimentos con el
objeto de desentrafiar algunas de las cuestiones relacionadas con
la combinaci6n conceptual (Smith et al., 1988).
La teoria de prototipos se condice con el enfoque computa-
cional de los conceptos como estructuras de marcos en las que
se enumeran propiedades tfpicas. Sin embargo, existen datos
empiricos que indican que la estructura de los conceptos nose
agota en los prototipos. Barsalou (1983) y otros investigadores
sostienen que los conceptos son mucho mas flexibles y depen-
dientes del contexto que las listas de propiedades tfpicas. Por
su parte, algunos psic6logos afirman que el conocimiento de un
l ~ -~·
CO!HlPTOS 12:
concepto esta estrechamente vinculado con los ejemplos gra-
cias a los cuales fue posible su adquisicion. Segun esta teoria, la
aplicacion de un concepto no consiste en buscar corresponden-
cias con el prototipo, sino en comparar los ejemplos nuevas con
los ya almacenados. En este sentido, seria similar al razonamiento
anal6gico, presentado en el capitulo 5· Barsalou et al. (2003) sos-
tienen que el procesamiento conceptual depende de modalida-
des espedficas como la percepcion, de modo que el concepto
auto esta asociado en la memoria con las experiencias senso-
riales que hemos tenido de los autos.
Murphy y Medin (1985), Keil (1989) y otros especialistas pro-
ponen modelos conceptuales superadores de los prototipos y
los ejemplos. A veces la aplicaci6n de conceptos es una cues-
ti6n de explicacion causal ademas de la correspondencia de ras-
gos. De este modo, cuando definimos a un borracho como una
persona capaz de arrojarse en una piscina con las ropas puestas,
sabemos que este noes un rasgo ni definitorio ni tipico del con-
cepto ebriedad, pero encaja con la idea de no saber lo que uno
hace que forma parte del concepto: cuando estan borrachas,
las personas hacen tonterias. Murphy (2002, cap. 6) hace un
repaso de la evidencia psicologica de que los conceptos forman
parte del conocimiento general del mundo. Por ella, quiza sea
adecuado pensar que los conceptos tam bien se codifican en reglas
del tipo de SIx esta borracho, ENTONCES x no sabe lo que hace.
En ese caso, llegar ala conclusion de que alguien esta borracho
no tendrfa que ver con hallar correspondencias con un proto-
tipo de ebriedad, sino con realizar una inferencia de tipo abduc-
tive utilizando reglas. Kunda, Miller y Claire (1990) proporcio-
nan evidencia de que esto es lo que de hecho ocurre en la
combinacion conceptual. Podemos concluir entonces que los
conceptos estan relacionados con tres tipos de informacion: ras-
gos tipicos, ejemp]os y reglas.
 --~~:::'"-"
,,
I
122 I LA MENTE
l
;
PLAUSIBILIDAD NEUROLOGICA
Pese a que Ia propagacion de Ia activacion de los conceptos en
redes conceptuales es similar a Ia forma en que se propaga Ia
activacion neuronal por impulsos electroquimicos, poco se sabe
acerca de la realizaci6n material de los conceptos en el cerebra.
Hoy en dia se utilizan tecnicas de diagn6stico por imagenes para
conocer la organizaci6n dellenguaje. Posner y Raichle (1994)
presentan estudios en los que se monitorea la reacci6n cerebral
ante palabras como "martillo". Alli se identifican areas bien defi-
nidas que participan en Ia percepcion lexica yen la produccion
del habla. Ashby y Waldron (2ooo) analizan datos empiricos
segun los cuales Ia corteza prefrontal y los ganglios basales estan
comprometidos en Ia adquisici6n de conceptos. Otra forma de
estudiar la estructura neuronal dellexico mental es analizar los
deficits de las personas con dano cerebral: no poder nombrar
objetos inanimados como instrumentos musicales pero si com-
prender los nombres de comidas, flares y animales; perder Ia
capacidad de denominar espedficamente frutas y verduras;
etc. (Kosslyn y Koenig, 1992). Por ultimo, el desarrollo de redes
neuronales artificiales como las que ilustramos en los capitu-
los 7 y 9 ha echado luz sobre como podrian estar almacenados
los conceptos en el cerebra.
APLICABILIDAD PRACTICA
Una de las funciones de Ia educaci6n universitaria es convertir
a los novatos en especialistas en una materia. lCual es la dife-
rencia entre un novato y un especialista? Podriamos responder
esta pregunta diciendo que el experto tiene mas reglas, pero Ia
COIHEPTOS I 123
investigaci6n en el campo de Ia educaci6n ha demostrado que
los expertos tienen conocimientos con un alto grado de orga-
nizacion, que bien pueden describirse en terminos de concep-
tos o esquemas (Bruer, 1993). Por ejemplo, los estudiantes que
asisten por primera vez a un curso de fisica tendran un esquema
para plano inclinado que contiene solo rasgos superficiales tales
como el angulo y la longitud. En cambia, el esquema de un espe-
cialista incluira la conexion inmediata con las leyes de Ia fisica
que se aplican al plano inclinado. Nersessian (1989) y Chi (1992)
afirman que la formaci6n cientifica se dificulta porque los estu-
diantes deben adquirir conceptos abstractos como campo o calor,
a los que tratan erroneamente como sustancias. Entonces, for-
marse en una disciplina compleja conlleva cambios concep-
tuales intencionales y actives (Sinatra y Pintrich, 2003).
En el campo del disefio, todos los problemas involucran con-
ceptos que pueden representarse por medio de marcos o esque-
mas. En Ia construccion de un edificio, el concepto viga puede
representarse por medio de un marco con casi!leros para arco,
carga, soporte y tension maxima (Allen, 1992). A su vez, ese marco
formara parte de la jerarquia conceptual en la que se inscriben
distintos tipos de viga: de acero (doble To cajon), de hormi-
gon (reforzado o pretensado) ode madera. Dym y Levitt (1991)
se refieren a un sistema experto denominado SightPlan, crea-
do para proporcionar apoyo informatica en Ia tarea de ubicar
locaciones temporarias en una obra en construcci6n. Sight-
Plan utiliza marcos para representar conceptos como obra en
construcci6n o central electrica y distintas partes de una obra en
construccion.
Aunque no son tan comunes como los sistemas de reglas, los
sistemas basados en marcos han tenido distintas aplicaciones en
el campo de la inteligencia artificial. Los sistemas expertos basa-
dos exclusivamente en marcos son poco frecuentes, pero hay
 :~c
r,
124 I lA il,tNH
algunos que combinan las reglas con los marcos (Buchanan y
Shortliffe, 1984). El sistema mas ambicioso en la actualidad es
Cyc (abreviatura de "enciclopedia" en ingles), que se vale de mas
de un mill6n de reglas para codificar una gran parte del cono-
cimiento ordinaria en que se apoya la conducta inteligente en
distintos campos (Lenat y Guha, 1990 ). Cyc tiene una base de
datos en la que hay miles de representaciones de objetos y con-
ceptos de Ia vida cotidiana, organizados por medic de una espe-
cie de ontologia que parte de conceptos basicos: cosa, individuo,
animal. La secci6n mas general del sistema ontologico de Cyc
puede encontrarse en el sitio web mencionado en la lista corres-
pondiente a este capitulo.
RESUMEN
Los conceptos, que en parte se corresponden con las palabras de
la lengua que hablamos y escribimos, constituyen un tipo muy
importante de representacion mental. La evidencia computa-
cional y psicologica ha llevado a abandonar la teorfa dasica segun
la cuallos conceptos son entidades que pueden definirse con
exactitud y a adoptar la nocion de prototipo (conjunto de ras-
gos tipicos). Vista asi, la aplicacion de conceptos consiste en
hallar correspondencias entre los conceptos y el mundo. Los
esquemas y los guiones son formas mas col?plejas de corres-
pondencia con las palabras, pero son similares a los conceptos
en el sentido de que tambien estan constituidos por haces de
rasgos con los que pueden encontrarse correspondencias para
aplicarlos a situaciones nuevas. El esquema explicative en que
se basan los sistemas conceptuales puede sintetizarse de la
siguiente manera:
tONtEPTOS I 125
Objetivo de la explicaci6n
lpor que las personas presentan un tipo particular de conducta
inteligente?
}1odelo explicativo
Las personas tienen un conjunto de conceptos organizados en
casillas entre las cuales se establecen relaciones jerarquicas de
tipo, parte y otras.
Las personas cuentan con un conjunto de procedimientos para
la aplicacion de los conceptos: propagacion de la activaci6n, bus-
queda de correspondencias, herencia y otros.
La aplicacion de esos procedimientos a los conceptos genera la
conducta.
Los conceptos pueden convertirse a reglas, pero en ellos la infor-
macion se codifica de otra manera. Eso hace posibles otros meca-
nismos computacionales.
PREGUNTAS PARA PENSAR
1.lQue conceptos son innatos y cuales son adquiridos?
2.tQue conceptos pueden definirse? lCuales tienen rasgos tipi-
cos faciles de especificar?
3. lQue conceptos no se corresponden con ninguna palabra?
tQue conceptos se conocen solo de manera inconsciente?
4-lQue conceptos pueden transformarse en reglas? lQue reglas
pueden convertirse a conceptos?
5-tEn que se diferencian las explicaciones que utilizan concep-
tos de las que se valen de reglas?
6.lC6mo podria representarse el concepto mente?
,..
'!!
."1?~--· .
126 I lA fHNTE !• CONCEPTOS I 127
I!
ti
7·lC6mo se relacionan los conceptos con los objetos del mundo r NOTAS
real?
Los sistemas de conceptos organizados jenirquicamente sue len
! .
denominarse redes semanticas, aunque en inteligencia artificial
se utiliza el termino "ontologia". En filosofla, la ontologia es la
LECTURAS RECOMENDADAS parte de la metafisica que trata del ser en general y de sus pro-
piedades trascendentales.
Investigaciones sobre los conceptos desde ia psicologia: Murphy La inferencia por herencia se utiliza en la programaci6n orien-
(2002). tada a objetos.
Articulos sobre combinaci6n conceptual y uso creativo de los En Thagard (1992), analiza el cambio conceptual de las prin-
conceptos: Ward, Smithy Vaid (1997 ). cipales revoluciones en la historia de la ciencia.
Introducciones all6dco mental: Aitchison (1987 ); Miller (1991).
Sistemas de inteligencia artificial que utilizan marcos: Maida
(1990); Winston (1993).
Modelos computacionales de la adquisici6n conceptual: Lan-
gley (1996).
Articulos fun dam en tales sobre los conceptos: Margolis y Lau-
rence (1999 ).

SITIOS WEB

Mapeo conceptual: <http://cmap.coginst.uwf.edu/>

Ontologia del sistema Cyc (conjunto organizado de miles
de conceptos): <http://www.cyc.com/>
Tesauro visual: <http://·www.visualthesaurus.com/online/
index. html>
WordNet (base de datos lexica para la lengua inglesa):
<http:/ I vvww.cogsci. princeton.edu/ -wn/>