La Influencia del Conocimiento Causal en el Proceso de Categorizacin: Evolucin del Campo y Modelos Computacionales Guillermo Antonio Puebla Ramrez

Daniel Ivn Prez Zapata Alex Espinoza Verdejo Universidad de Tarapac Direccin para correspondencia: Guillermo Antonio Puebla Ramrez. Unidad de Anlisis e Investigacin institucional. Universidad de Tarapac. Avda. General Velsquez 1775. Arica, Chile E-mail: pueblaramirezg@gmail.com Telfono: (56 58) 205339 Notas y/o Agradecimientos Agradecemos a Sergio Chaigneau por sus comentarios y sugerencias.

La Influencia del Conocimiento Causal en el Proceso de Categorizacin: Evolucin del Campo y Modelos Computacionales El proceso de categorizacin, el cual nos permite clasificar un objeto dentro de una categora, ha sido un tema de estudio clsico dentro de la psicologa cognitiva. Recientemente, un nmero creciente de investigaciones ha destacado el rol que el conocimiento causal tiene en el proceso de categorizacin. Por ejemplo, respecto a la categora caballo, una persona tiene informacin respecto a sus atributos caractersticos (e.g., veloz, piernas largas, etc.) pero tambin tiene informacin respecto a las relaciones causales que ligan a los atributo de la categora (e.g., el caballo es veloz debido a que tiene piernas largas). El presente artculo aborda el rea de investigacin conocida como categorizacin causal, la cual investiga cmo el conocimiento causal afecta la forma en que las personas clasifican los objetos dentro de una categora. Se revisan los principales resultados encontrados en el rea, as como dos modelos computacionales rivales diseados para explicar estos efectos. Por ltimo, se identifican nuevas direcciones en esta rea de investigacin. Palabras clave: Conceptos y categoras; Categorizacin causal; Cognicin causal; Efecto de estatus causal; efecto de Coherencia The Influence of Causal Knowledge in the Categorization Process: Evolution of the Field and Computational Models The categorization process, which allows us to classify objects into categories, has been one classic topic of study within cognitive psychology. Recently, a growing body of research has highlighted the role that causal knowledge plays in the categorization process. For example, concerning the category horse, a person has information about its characteristic attributes (eg, fast, long legs, etc.) but also has information about the causal relationships linking the category attributes (eg, the horses are faster because they have long legs). This article discusses the research area known as causal-based categorization, which examines how causal knowledge affects how people classify objects within categories. We review the main results in the area, as well as two rival computer models designed to explain these effects. Finally, we identify new directions in this area of research. Keywords: Concepts and categories; Causal-based categorization; Causal cognition; Causal status effect; Coherence effect

1. Introduccin Uno de los principales objetivos histricos de la psicologa cognitiva ha sido la caracterizacin de la naturaleza del conocimiento semntico y la determinacin de los procesos mentales mediante los cuales los conceptos son utilizados en las competencias cognitivas superiores. En este campo de investigacin, un concepto puede ser entendido como el cuerpo de conocimiento, almacenado en memoria a largo plazo, que es utilizado por defecto en los procesos cognitivos superiores cuando stos se refieren a una clase de entidades o categora (Machery, 2009). Las teoras psicolgicas de los conceptos han estado estrechamente ligadas al estudio del proceso de categorizacin, el cual permite a las personas clasificar un estmulo dentro de una categora a partir de (pero no limitado a) sus caractersticas o atributos. Por ejemplo, si una persona ve un objeto que tiene dos ruedas, dos pedales, un manubrio y un silln, podra categorizar tal objeto como una bicicleta, lo que a su vez traera a memoria operativa el cuerpo de conocimiento asociado a tal categora (e. g., sirve para transportarse). Una caracterstica de muchos conceptos es que estn organizados mediante conocimiento terico. Por ejemplo, respecto al concepto de animal, la mayora de las personas sabe que distintas especies de animales cumplen diferentes roles en un medioambiente (e.g., herbvoros, carroeros, etc.) y que estos roles se complementan formando una cadena alimenticia. Adems, las personas tambin saben que el quiebre de la cadena alimenticia (e.g., a travs de la extincin de alguna especie) tiene consecuencias para la supervivencia de todas las especies involucradas en la cadena. Esta caracterstica llev a Murphy y Medin (1985), a proponer que los conceptos corresponderan a teoras acerca de categoras de objetos. Consecuentemente, la investigacin subsecuente se ha enfocado en analizar cmo el conocimiento terico influye en el proceso de categorizacin (vase Murphy, 2002 para una revisin exhaustiva). En este programa de investigacin, un tipo particular de conocimiento terico, el conocimiento causal que relaciona a los atributos dentro de una categora, ha recibido una gran atencin debido a su presencia generalizada en los sistemas conceptuales (Ahn, Marsh, Luhmann, y Lee, 2002). Siguiendo con el ejemplo de la bicicleta, las personas no slo saben que las bicicletas tienen dos ruedas, dos pedales, un manubrio, un silln y sirven para transportarse, sino tambin que las ruedas se mueven debido al accionar de los pedales, que la bicicleta se desplaza debido al movimiento de las ruedas y que el desplazamiento de la bicicleta es dirigible debido al manubrio. En el presente artculo, se revisan las principales teoras y hallazgos del rea conocida como categorizacin causal1, la cual investiga cmo el conocimiento causal afecta la forma en que las personas clasifican los objetos dentro de una categora, con el propsito de proporcionar una visin de la evolucin de este campo de investigacin. 2. El Modelo de Dependencia y el Efecto de Estatus Causal Las primeras investigaciones que analizaron el rol del conocimiento causal en el proceso de categorizacin surgieron a partir del modelo de dependencia desarrollado por Sloman, Love y Ahn (1998). Estos autores estaban interesados en la manera en que la importancia de un atributo se ve afectada por sus relaciones con otros atributos. Ellos partieron del supuesto de que los conceptos pueden ser caracterizados como una serie de atributos ligados por relaciones de dependencia. Las relaciones de dependencia incluyen a las relaciones causales as como a otras relaciones direccionales asimtricas (e. g., X incluye a Y o X antecede a Y). Adems, entendieron la importancia de un
1

Traduccin del trmino causal-based categorization.

atributo como su inmutabilidad o el grado en el que su transformacin altera la coherencia conceptual. Sloman et al. (1998) propusieron que uno de los determinantes de la inmutabilidad de un atributo es su grado de centralidad conceptual. Segn el modelo de dependencia, la centralidad conceptual de un atributo es funcin de su cantidad de dependientes directos e indirectos, por lo que en trminos de relaciones causales el modelo predice un efecto de estatus causal. La asuncin del modelo es que la transformacin de un atributo conceptualmente central llevara a la transformacin de muchos dependientes y, por tanto, a una baja de la coherencia conceptual. Este modelo parte de una matriz D que representa las relaciones de dependencia de a pares entre los atributos de un concepto. Una celda particular de D, dij es un nmero positivo que representa el grado en que el atributo j depende del atributo i. Por ejemplo, si se asume que las fuerzas de las relaciones de dependencia son iguales a 2, la matriz D para un concepto con 3 atributos organizados en una cadena causal XYZ sera:
d XX D = d YX d ZX d XY d YY dZY dXZ 0 2 0 d YZ = 0 0 2 dZZ 0 0 0

Luego, la centralidad de un atributo se computa aplicando la ecuacin iterativa: ci,t+1 = dijcj,t (1)

Donde ci,t es la centralidad del atributo i al tiempo t. De acuerdo con la ecuacin, la centralidad del atributo i es determinada en cada paso del proceso sumando todas las dependencias sobre el atributo i multiplicadas por la centralidad del dependiente. Ntese que segn el modelo, un atributo gana centralidad adicional si su dependiente tiene, a su vez, otros dependientes. Para implementar este modelo, se debe dar algn valor inicial arbitrario a las centralidades y, adems, se debe sumar a la matriz D una matriz identidad de su mismo orden. Por ejemplo, si se asumen las condiciones definidas anteriormente y se asigna un valor inicial a las centralidades igual a 1, el cmputo de dos iteraciones sera:
1 2 0 1 1 1+ 2 1+ 0 1 t + 1 = 0 1 2 1 = 0 1 + 1 +2 1 1 0 0 1 1 0 1+ 0 1+ 1 1 3 3 = 1

1 2 0 3 1 3+ 2 3+ 0 1 0 1 2 3 = 0 3 + 3 +2 1 t + 2 = 1 0 0 1 1 0 3+ 0 3+ 1 1

9 = 5 1

Es decir, las centralidades de X, Y y Z, despus de dos iteraciones, seran iguales a 9, 5 y 1, respectivamente. Sloman et al. (1998) mostraron evidencia a favor de su modelo. Estos autores presentaron a sus participantes atributos de diversas categoras cotidianas (silla, manzana, etc.) escritos en papel y les pidieron trazar relaciones de dependencia entre los atributos de cada categora. Luego, se presentaron varios objetos que posean todas las caractersticas de una categora excepto una y se pidi a los participantes responder a varias medidas de inmutabilidad para cada atributo de un concepto (e. g., Qu tan fcil le es a usted concebir una manzana real que no crezca en rboles?).

Sloman et al. mostraron que las centralidades de los atributos, calculadas a partir de las relaciones de dependencia trazadas por los participantes, se correlacionaban positivamente con las medidas de inmutabilidad. Aplicando este tipo de metodologa a conceptos de enfermedades mentales, Kim y Ahn (2002a, 2002b) han mostrado una alta correlacin entre las centralidades de sntomas de enfermedades mentales (calculadas a partir de las relaciones de dependencia generadas por los participantes) y la inmutabilidad de los sntomas. Aunque este tipo de estudios han proporcionado importantes datos, un problema que supone el uso de conceptos cotidianos es la carencia de control sobre posibles variables enmascaradas que puedan explicar los resultados. De hecho, es ampliamente conocido que la informacin estadstica asociada a los atributos de un concepto influye en su importancia al momento de categorizar. En concreto, los atributos con mayor validez de categora (la probabilidad de que un objeto posea un atributo, dado que pertenece a cierta categora) proporcionan mayor evidencia de membreca (Rosch y Mervis, 1975). Para controlar este tipo de variables, otros estudios han utilizado conceptos artificiales, en los que se puede manipular la informacin dada a los participantes. Por ejemplo, Ahn, Kim, Lassaline y Dennis (2000) presentaron a sus participantes informacin respecto a tres atributos caractersticos de varias categoras artificiales (e. g., una especie de animal llamado Rooban, el cual tenda a comer frutas, tener patas pegajosas y construir nidos en los rboles). En la condicin experimental, estos atributos se organizaron en una cadena XYZ (e. g., el comer frutas haca que los Roobans tuvieran las patas pegajosas y a su vez el tener patas pegajosas haca que estos animales construyeran nidos en los rboles). Adems se entreg informacin acerca de cada relacin causal (e.g., respecto a la relacin causal entre las patas pegajosas y los nidos en los rboles: las patas pegajosas hacan que los Roobans pudieran escalar fcilmente a los rboles). Por ltimo se presentaron tres tems, cada uno de los cuales tena dos de los atributos caractersticos y uno no caracterstico (e. g., un animal que coma gusanos, tena los pies pegajosos y construa nidos en los rboles). La tarea de los participantes fue evaluar que tan probable era que cada tem perteneciera a la categora de referencia. Ahn et al. (2000) encontraron que los tems con la causa inicial de la cadena alterada reciban los puntajes menores, seguidos por los tems con la causa intermedia alterada, mientras que los tems con la causa final alterada recibieron los puntajes ms altos. Como se puede apreciar, estos resultados muestran un efecto de estatus causal, tal como predice el modelo de dependencia. Sin embargo, como se apreciar en los apartados siguientes, la explicacin ofrecida al este efecto por el modelo de dependencia no es consistente con otra serie de resultados encontrados en la literatura. 3. El Mtodo de Regresin Rehder y Hastie (2001) introdujeron un nuevo mtodo para evaluar la influencia del conocimiento causal en el proceso de categorizacin. En este mtodo, se presentan todos los tems que se pueden generar a partir de las combinaciones posibles de los atributos de un concepto binariamente considerados (i. e., con valor presente o ausente) y la tarea de los participantes es evaluar el grado de membreca de cada tem a la categora de referencia. Con el fin de evaluar la importancia de cada uno de los atributos, se realiza un anlisis de regresin en el que el criterio es el puntaje otorgado a cada tem y las variables independientes corresponden a un predictor por cada atributo, los cuales codifican si el atributo est presente (1) o ausente (1) en cada tem. Los pesos de regresin asociados a cada uno de los predictores se interpretan como la

importancia del atributo. La idea de este mtodo es que la evaluacin de la importancia de un atributo debe estar basada en el impacto promedio que el atributo tiene en los puntajes dados a todos los tems posibles de la categora de referencia. Adems, en el modelo de regresin se pueden incluir como predictores trminos de interaccin dobles y de rdenes superiores, con el fin de evaluar la importancia de las relaciones entre los atributos. Por ejemplo, un trmino de interaccin de dos vas XY codifica si los atributos X e Y tienen el mismo estado o estados distintos y su peso de regresin asociado se puede interpretar como la importancia de la correspondencia de estados entre X e Y2. Rehder y Hastie (2001) utilizaron el mtodo de regresin para investigar la influencia del conocimiento causal en el proceso de categorizacin. Estos autores presentaron a sus sujetos conceptos artificiales con cuatro atributos binarios organizados en los esquemas causa comn o efecto comn (Figuras 1A y 1B). Por ejemplo, a los participantes que aprendieron la categora Camarn del Lago Victoria organizada en el esquema causa comn, se les dijo que los atributos tpicos de la categora fueron altos niveles de neurotransmisor ACh (W), respuesta de huida de larga duracin (X), ciclo de sueo acelerado (Y), alto peso corporal (Z) y que los altos niveles de neurotransmisor ACh causaban independientemente la respuesta de huida de larga duracin, el ciclo de sueo acelerado y el alto peso corporal. A los participantes tambin se les proporcion informacin acerca del valor atpico de cada atributo (e.g., la mayora de los Camarones del Lago Victoria tienen un ciclo de sueo acelerado, mientras que algunos no tienen un ciclo de sueo acelerado) e informacin acerca del mecanismo causal especfico para cada relacin causal (e.g., respecto a la relacin causal WX: La alta cantidad de neurotransmisor ACh causa una respuesta de huda de larga duracin: la duracin de la seal elctrica a los msculos es ms larga debido al exceso de neurotransmisor). La tarea de los participantes fue evaluar los 16 estmulos que pueden ser formados a partir del cruce de las cuatro dimensiones binarias. Rehder y Hastie encontraron que cuando los atributos se organizaban en un esquema de causa comn, el atributo W (la causa comn) obtuvo el peso de regresin ms alto, mientras que X, Y y Z obtuvieron pesos menores y similares. Por el contrario, en el esquema de efecto comn Z (el efecto comn) obtuvo el mayor peso de regresin, mientras que W, X e Y obtuvieron pesos menores y similares.
A B

X W Y Z
C

W X Y Z

Figura 1: Esquemas Causa Comn (A), Efecto Comn (B) y Cadena (C).

Al codificar los predictores correspondientes a los atributos como 1 o 1, los predictores correspondientes a las interacciones entre los atributos se vuelven multiplicativos, e.g., un predictor que codifica la interaccin entre los atributos X e Y se calcula: predictor X predictor Y.

Rehder y Hastie (2001) tambin analizaron los trminos de interaccin de a pares entre los atributos. Ellos encontraron que en el esquema de causa comn, los trminos de interaccin WX, WY e WZ, recibieron pesos de regresin altos y similares, mientras que XZ, YZ y XY recibieron pesos menores y similares. En cambio, en el esquema de efecto comn, los trminos de interaccin WZ, XZ y YZ, recibieron pesos de regresin altos y similares, mientras que WX, WY y XY recibieron pesos menores y similares. Es decir, los trminos de interaccin que corresponda a pares de atributos ligados directamente por una relacin causal mostraron mayor una capacidad predictiva de los puntajes dados a los tems. Estos resultados revelaron que los participantes tomaron en consideracin el grado en que la configuracin de atributos en un tem era consistente el patrn de correlaciones esperado entre los atributos de un concepto a partir del esquema causal del mismo. Este resultado es conocido actualmente como el efecto de coherencia. Cabe destacar que el efecto de coherencia tiene implicancias metodolgicas. Esto se debe a que el puntaje de membreca dado a un tem es afectado simultneamente por los efectos individuales de los atributos y por los efectos de sus interacciones. En este sentido, el mtodo de regresin constituye un mtodo de evaluacin ms riguroso de los efectos del conocimiento causal en la categorizacin que el procedimiento utilizado en Sloman et al. (1998) y Ahn et al. (2000). Esto se debe principalmente a que el mtodo de regresin es que permite separar los efectos individuales de los atributos y las interacciones a travs de predictores que codifican estos elementos independientemente3. 4. El Modelo Generativo y el Efecto de Coherencia El modelo generativo (Rehder, 2003a, 2003b, 2007, 2010; Rehder y Kim, 2006, 2010) surgi con el objeto de proporcionar una explicacin al efecto de coherencia. Este modelo, propone que las relaciones causales entre los atributos de un concepto son representados como mecanismos causales probabilsticos y que las personas estiman la probabilidad de que un objeto haya sido generado por estos mecanismos. Especficamente, un objeto tiene una membreca estimada a una categora en la medida que su combinacin de atributos tiene una alta probabilidad de ser generada por el modelo causal del concepto correspondiente. Para enunciar la implementacin matemtica del modelo se utilizar el caso ms simple posible, en el cual dos atributos i y j, que caracterizan a los miembros de la categora K, estn relacionados causalmente: la presencia de i causa la presencia de j (figura 2). Segn el modelo generativo, el concepto de K almacenara tres elementos acerca de la relacin entre j e i, representados por los parmetros mij, bj y ci. El parmetro mij representa la probabilidad de que el mecanismo causal que liga a i con j efectivamente genere a j cuando i est presente, es decir, corresponde a la fuerza de la relacin causal. El parmetro bj representa la probabilidad de que j est presente cuando i est ausente, lo que puede ser interpretado como la tasa base de j o la probabilidad de que j sea generado por causas contextuales no especificadas en el modelo. Por ltimo, ci corresponde a la probabilidad de que la causa i est presente en los miembros de la categora.

De hecho, este mtodo genera predictores ortogonales, es decir, con correlaciones inter-predictores iguales a cero.

K
i
ci m ij

j
bj

Figura 2: Modelo causal simple con dos atributos binarios y una relacin causal. Asumiendo que los mecanismos causales operan independientemente, i junto con las causas contextuales generan a j con probabilidad: P(j|i) = 1 (1 bj)(1 mij) = mij + bj mijbij (2)

A su vez, cuando i est ausente el mecanismo causal no tiene efecto en j, por lo que la probabilidad de j es: P(j|~i) = bj (3)

Aplicando las ecuaciones (2) y (3) iterativamente es posible derivar ecuaciones que representen la combinacin de la presencia o ausencia de cualquier nmero de atributos en cualquier topologa causal que evite ciclos. En las tablas 1 y 2 se presentan estas ecuaciones para los esquemas causales de la figura 1 asumiendo ci = .6, bj = .6 y mij = . 75. Respecto a la importancia de los atributos individuales, el modelo generativo asume que la evidencia que un atributo proporciona respecto a la membreca a una categora dada es determinada por su probabilidad de ocurrencia dentro de los miembros de la categora (i.e., su validez de categora). El modelo generativo propone que la validez de categora se puede derivar de las relaciones causales en las que participa un atributo. Especficamente, la probabilidad de ocurrencia de un atributo j se deriva de (2) y (3)4: P(j) = P(j|i)P(i) + P(j|~i)P(~i) P(j) = (mij + bj mijbj) P(i) + bjP(~i) P(j) = mijP(i) + bj mijbjP(i)

(4)

En la figura 3 se muestran las probabilidades predichas por el modelo generativo para los esquemas causales de la Figura 1. Para generar las predicciones, se asumi la misma parametrizacin que en las tablas 1 y 2 (ci = bj = .6; mij = .75). En estas condiciones, el modelo generativo predice un efecto de causa mltiple: la probabilidad de un atributo aumenta en la medida que este tiene ms causas que lo generen. Por ejemplo, en el esquema causa comn X, Y y Z tienen las probabilidades pronosticadas ms altas (.78), ya que son generadas por la causa comn W (.6). A su vez, en el esquema efecto comn el modelo predice que el efecto comn Z (.93) tendr una probabilidad de ocurrencia mayor que W, X e Y (.6), ya que tiene tres causas que lo generen. Por ltimo, en el esquema cadena, las probabilidades van aumentando a medida que se avanza en la cadena causal, ya que cada efecto va siendo generado con mayor probabilidad que su causa (.6, .78, .83 y .85 para W, X, Y y Z, respectivamente). Como se puede apreciar, las predicciones del modelo generativo difieren de los resultados de Rehder y Hastie (2001). Este asunto ser abordado en detalle en la seccin 5.
4

Equivalentemente, es posible calcular la probabilidad de un atributo sumando las probabilidades de los tems en los que el atributo est presente.

Tabla 1: Ecuaciones de Probabilidad para los Esquemas Efecto Comn y Causa comn

ModeloEfecto Comn tems P(ci; mij; bj) WXYZ (1cW)(1cX)(1cY)(1bZ) WXYZ (1cW)(1cX)(1cY)bZ WXYZ (1cW)(1cX)cY(1mYZ)(1bZ) WXYZ (1cW)cX(1cY)(1mXZ)(1bZ) WXYZ cW(1cX)(1cY)(1mWZ)(1bZ) WXYZ (1cW)(1cX)cY(mYZ+bZmYZbZ) WXYZ (1cW)cX(1cY)(mXZ+bZmXZbZ) WXYZ (1cW)cXcY(1mXZ)(1mYZ)(1bZ)
WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ

Causa Comn P(.6; .75; .6) .026 .038 .010 .010 .010 .086 .086 .004 P(.6; .75; . 6) .026 .038 .038 .038 .001 .058 .058 .058 .005 .005 .005 .086 .049 .049 .049 .437

P(ci; mij; bj) (1cW)(1bX)(1bY)(1bZ) (1cW)(1bX)(1bY)bZ (1cW)(1bX)bY(1bZ) (1cW)bX(1bY)(1bZ) cW(1mWX)(1bX)(1mWY)(1bY)(1mWZ)(1bZ) (1cW)(1bX)bYbZ (1cW)bX(1bY)bZ (1cW)bXbY(1bZ) cW(1mWX)(1bX)(1mWY)(1bY)(mWZ+bZ cW(1cX)(1cY)(mWZ+bZmWZbZ) .086 mWZbZ) cW(1mWX)(1bX)(mWY+bYmWYbY)(1mWZ) cW(1cX)cY(1mWZ)(1mYZ)(1bZ) .004 (1bZ) cW(mWX+bXmWXbX)(1mWY)(1bY)(1mWZ) cWcX(1cY)(1mWZ)(1mXZ)(1bZ) .004 (1bZ) (1cW)cXcY[1(1mXZ)(1mYZ)(1bZ)] .140 (1cW)bXbYbZ cW(1mWX)(1bX)(mWY+bYmWYbY)(mWZ+bZ cW(1cX)cY[1(1mWZ)(1mYZ)(1bZ)] .140 mWZbZ) cWcX(1cY)[1(1mWZ)(1 mXZ) cW(mWX+bXmWXbX)(1mWY)(1bY) (1bZ)] .140 (mWZ+bZmWZbZ) cW(mWX+bXmWXbX)(mWY+bYmWYbY)(1mWZ) cWcXcY(1mWZ)(1mXZ)(1mYZ)(1bZ) .001 (1bZ) cWcXcY[1(1mWZ)(1mXZ)(1mYZ) cW(mWX+bXmWXbX)(mWY+bYmWYbY) .215 (1bZ)] (mWZ+bZmWZbZ) Tabla 2: Ecuaciones de Probabilidad para el Esquema Cadena tems
WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ WXYZ

P(ci; mij; bj) (1cW)(1bX)(1bY)(1bZ) (1cW)(1bX)(1bY)bZ (1cW)(1bX)bY(1mYZ)(1bZ) (1cW)bX(1mXY)(1bY)(1bZ) cW(1mWX)(1bX)(1bY)(1bZ) (1cW)(1bX)bY(mYZ+bZmYZbZ) (1cW)bX(1mXY)(1bY)bZ (1cW)bX(mXY+bYmXYbY)(1mYZ)(1bZ) cW(1mXY)(1bX)(1bY)bZ cW(1mWX)(1bX)bY(1mYZ)(1bZ) cW(mWX+bXmWXbX)(1mXY)(1bY)(1bZ) (1cW)bX(mXY+bYmXYbY)(mYZ+bZmYZbZ) cW(1mWX)(1bX)bY(mYZ+bZmYZbZ) cW(mWX+bXmWXbX)(1mXY)(1bY)bZ cW(mWX+bXmWXbX)(mXY+bYmXYbY)(1mYZ)(1bZ) cW(mWX+bXmWXbX)(mXY+bYmXYbY)(mYZ+bZmYZbZ)

P(.6; .75; .6) .026 .038 .010 .010 .010 .086 .014 .022 .014 .004 .022 .194 .032 .032 .049 .437

El modelo generativo tambin hace predicciones respecto al patrn de relaciones esperado a partir del modelo causal que relaciona a los atributos de un concepto. Especficamente, el modelo generativo predice que un par de atributos causalmente conectados deberan estar correlacionados y que las correlaciones entre pares de atributos conectados directamente deberan ser ms altas que las correlaciones entre pares de atributos conectados indirectamente. Para expresar el grado de correlacin entre un par de atributos se utiliza un estadstico denominado contraste probabilstico, el cual se define como la diferencia entre la probabilidad de j dada la presencia de i y la probabilidad de j dada la ausencia de i: i, j = P(j|i) P(j|~i) (5)

En la figura 2 se muestran los contrastes probabilsticos predichos por el modelo generativo para los esquemas causales de la figura 1. Como se puede apreciar, para el esquema causa comn, el modelo generativo predice que la causa comn correlacionar fuertemente con cada efecto (WX = WY = WZ = 0,3), mientras que el modelo predice correlaciones moderadas entre los efectos, debido a que estos comparten una causa (XY = XZ = YZ = 0,13). Para el esquema efecto comn, el modelo generativo predice que cada causa correlacionar moderadamente con el efecto, debido a que la varianza del efecto se comparte entre tres causas (WZ = XZ = YZ = 0,09). En cambio, el modelo predice una ausencia de correlacin entre las causas (WX = WY = XY = 0), ya que en el esquema efecto comn las causas operan independientemente.

Figura 3: Predicciones del modelo generativo para los esquemas Causa Comn, Efecto Comn y Cadena. Nota: para generar las predicciones se utiliz la siguiente parametrizacin ci = bj = .6; mij = .75.

Por ltimo, para el esquema cadena, el modelo generativo predice que los atributos conectados directamente mostrarn las correlaciones ms altas (WX = XY = YZ = 0,3), seguidas por las correlaciones entre los atributos separados por un atributo (WY = XZ = 0,09) y por la correlacin entre W y Z (WZ = 0,03), separados por dos atributos. Rehder y Hastie (2001) y Rehder (2003a) han mostrado que en los esquemas causa comn y efecto comn los pesos de regresin de las interacciones entre pares de atributos respetan las predicciones del modelo generativo. Rehder (2003b) ha mostrado que las predicciones del modelo generativo se cumplen para el esquema causal cadena. Adicionalmente, el modelo generativo hace predicciones respecto al patrn de relaciones de orden superior esperables a partir del modelo causal de un concepto. Por ejemplo, una relacin de segundo orden que define cmo la relacin entre i y j es modificada por un tercer atributo h es dada por: h,i,j = [P(j|ih) P(j|~ih)] [P(j|i~h) P(j|~i~h)] (6)

La figura 2 muestra los contrastes triples para los esquemas causales de la figura 1. Como se puede apreciar, el modelo generativo predice que en el esquema causa comn el contraste triple WXY = 0, indicando que el contraste entre XY no es afectado por el estado de W, lo cual corresponde al principio normativo del razonamiento causal conocido como la condicin causal de Markov (Hausman y Woodward, 1999). Segn este principio, X e Y slo estn relacionados en la medida que no hay informacin respecto al estado de W. Por ejemplo, supngase que se tiene un concepto (simplificado) de la categora marea roja, en el que W corresponde a un cierto tipo de microorganismo que puede estar presente o ausente en el mar, el cual produce una coloracin rojiza en la marea (X) y la presencia de peces muertos (Y). Suponga ahora que una persona que no tiene informacin respecto a la presencia del microorganismo W, est tratando de hacer una prediccin respecto a la presencia de peces muertos en el mar. En este caso, la informacin respecto al estado de X sera crtica: la presencia de una coloracin rojiza en la marea vuelve mucho ms probable la probabilidad de encontrar peces muertos en el mar. Sin embargo, si se conoce el estado de W (e.g., se sabe que el microorganismo X est presente en el mar), la presencia de una pigmentacin rojiza en la marea no aportar informacin extra respecto a la presencia de peces muertos en la marea (ya se puede inferir la presencia de los peces muertos debido a la misma presencia de W). En trminos estadsticos, X e Y son condicionalmente independientes dado W. En cambio, para el esquema efecto comn el modelo generativo predice interacciones triples negativas entre cada par de causas y el efecto comn Z (WXZ = WYZ = XYZ = 0,124). Esto corresponde al principio normativo conocido como descuento en el caso de causacin mltiple en atribucin causal (Morris y Larrick, 1995): cuando el efecto comn Z est presente en un tem, la presencia de una causa (e.g., X) har al tem un miembro ms probable de la categora. Sin embargo, la presencia de X aumentar en menor medida la probabilidad de que el tem sea un miembro de la categora cuando otra causa (e.g., W) tambin est presente, dado que Z ya tiene una causa que da cuenta de su presencia. Por ejemplo, supngase nuevamente que tenemos un concepto simplificado, esta vez de la categora obesidad, en la que un estilo de vida sedentario (W) y una predisposicin gentica (X) causan independientemente un estado de sobrepeso (Z). En este caso, W y X son independientes si el valor de Z es desconocido, ya que no tienen causas en comn y tampoco tienen ninguna relacin causal directa que los conecte. Por ejemplo, la probabilidad de una predisposicin gentica no aumenta si una persona tiene un estilo

de vida sedentario. Sin embargo, si el estado de Z es conocido, W y X se vuelven condicionalmente dependientes. Siguiendo con el ejemplo, si se sabe que una persona tiene un estado de sobrepeso, la probabilidad de un estilo de vida sedentario disminuye si se sabe que existe una predisposicin gentica, ya que la predisposicin gentica explica el sobrepeso. Rehder (2003a) ha mostrado que los pesos de regresin de las interacciones triples siguen las predicciones del modelo generativo para los esquemas causales causa comn y efecto comn. 5. La Importancia de los Atributos Individuales Segn lo revisado en la seccin 4, el modelo generativo ha proporcionado una explicacin satisfactoria de la manera en que ciertas combinaciones de atributos hacen a un tem un miembro ms o menos probable de una categora. Este apartado se centrar en la manera en que el conocimiento causal afecta a la importancia de los atributos considerados individualmente. En el apartado 5.1 se centrar en la pregunta acerca de que factor o factores determinan la importancia de un atributo. El apartado 5.2 se centrar en uno de los fenmenos que ms ha llamado la atencin de los investigadores, es decir, el efecto de estatus causal. 5.1. Qu Determina la Importancia de un Atributo? Tal como se adelant en la seccin 3, los resultados de Rehder y Hastie (2001) y Rehder (2003a) mostraron que, cuando los atributos de un concepto son organizados en el esquema causa comn de la Figura 1, W recibe el mayor peso de regresin (reflejando un efecto de estatus causal). Por otro lado, cuando los atributos son organizados segn el esquema efecto comn, Z recibe el mayor peso de regresin (reflejando un efecto de causa mltiple). Cabe destacar que estos resultados son susceptibles de una explicacin alternativa a las revisadas hasta este punto. Segn la hiptesis de la centralidad relacional (Ahn et al., 2000; Rehder y Hastie, 2001; Sloman et al., 1998), la importancia de un atributo est dada por el nmero de relaciones causales en las que participa, sin importar si juega un rol de causa o de efecto. Estos resultados plantean la pregunta acerca de si la importancia de un atributo cambia en funcin de su nmero de causas, efectos o relaciones. Con el fin de responder esta pregunta, Rehder y Kim (2006) contrastaron si la importancia de un atributo aumenta con su nmero de causas o con su nmero de efectos, para lo cual utilizaron los esquemas causales de la Figura 4. Rehder y Kim (2006, experimento 2) utilizaron en una condicin experimental categoras compuestas por cinco atributos binarios organizados segn el esquema causal de la Figura 4A. En la condicin control, los participantes aprendieron los mismos conceptos pero sin las relaciones causales entre V e Y y X e Y, por lo que Y slo tuvo una causa. Los participantes evaluaron los 32 tems que pueden ser formados a partir de la combinacin de las cinco dimensiones binarias. Los resultados mostraron que el peso de regresin de Y fue mayor cuando tena tres causas en comparacin con slo una. Complementariamente, Rehder y Kim (2006, experimento 3) utilizaron en la condicin experimental varios conceptos organizados segn la estructura causal de la Figura 4B. Nuevamente, en una segunda condicin se ocuparon las mismas categoras, pero sin las relaciones causales entre V e Y y X e Y. Los resultados no mostraron diferencias entre los pesos de regresin obtenidos para Y entre las dos condiciones. En resumen, estos resultados sugieren que la importancia de un atributo se incrementa en funcin de su nmero de causas, no en funcin de su nmero de efectos, o en funcin del nmero de relaciones causales en las que participa.

V W X Y Z

V Z Y W X

Figura 4: Esquemas causales utilizados en Rehder y Kim (2006). A: Experimento 2. B: Experimento 3. 5.2. El Efecto de Estatus Causal El efecto de estatus causal plantea dos problemas tericos interrelacionados. En primer lugar, tal como se revis en la seccin 5.1, la importancia de un atributo aumenta con su nmero de causas, no con su nmero de efectos, por lo que el efecto de estatus causal debera tener una explicacin distinta a la ofrecida por el modelo de dependencia. En segundo lugar, utilizando el esquema cadena de la Figura 1, diversos estudios han encontrado un efecto de estatus causal (Ahn, 1998; Ahn et al., 2000; Rehder, 2003b; Rehder y Kim, 2006), aunque el tamao del efecto vara dramticamente de estudio a estudio, desde un efecto robusto (Ahn, 1998; Ahn et al., 2000), hasta una ausencia total del efecto (Rehder, 2003b, experimento 2). Esta variacin de estudio a estudio sugiere que pueden existir variables que modulen el efecto de estatus causal, por lo que una explicacin completa de este efecto debera dar cuenta de estos factores. Recientemente, Rehder y Kim (2010) han mostrado que el modelo generativo puede generar un efecto de estatus causal al manipular los parmetros que representan la fuerza de las relaciones causales y la tasa base de los efectos (mij y bj, respectivamente). Con respecto a la fuerza de las relaciones causales, el modelo generativo predice un efecto de estatus causal cuando estas son probabilsticas en vez de deterministas. Por ejemplo, en el caso de una cadena causal XYZ, si se sabe que la causa primaria X est presente en el 75% de los miembros de la categora (cX = 0,75), las relaciones causales entre los atributos actan con una efectividad del 75% (mij = 0,75) y ningn efecto ocurre cuando su causa directa est ausente (bj = 0), entonces Y debera estar presente en los miembros de la categora en un porcentaje menor al 75%, ya que X no siempre generar a Y. Del mismo modo, Z estar presente en los miembros de la categora en un porcentaje an menor de lo que lo estar Y, ya que Y no siempre generar a Z. En cambio, si las relaciones causales son deterministas en vez de probabilsticas (i. e., mij = 1), cada vez que X est presente en un miembro de la categora tambin lo estarn Y y Z, por lo que el modelo predice probabilidades iguales para X, Y y Z. En la figura 5A se pueden apreciar las predicciones del modelo generativo para la cadena XYZ en funcin de los valores de mij con bj = 0.

Figura 5: Predicciones del modelo generativo para la cadena XYZ en funcin de la fuerza de las relaciones causales (mij) y de las tazas bases de los efectos (bj). 5A: Para contrastar estas predicciones, Rehder y Kim (2010, experimento 1) manipularon directamente la fuerza de las relaciones causales. Sus participantes aprendieron categoras con tres atributos binarios organizados en una cadena XYZ. Por ejemplo, los participantes aprendieron acerca de una categora llamada maystar (un tipo de estrella) y se les dijo que sus atributos tpicos fueron una alta temperatura, alta densidad y un gran nmero de planetas orbitndola y que la alta temperatura causaba la alta densidad, la cual a su vez causaba el gran nmero de planetas orbitndola. Tambin se incluy informacin acerca del valor atpico de cada atributo (e.g., La mayora de las mayastars tienen una alta temperatura, mientras que algunas tienen una baja temperatura). Adems, se entreg informacin explcita acerca de la fuerza de las relaciones causales. En la primera condicin experimental, se dijo a los participantes que cada relacin causal tena una efectividad del 100%. En la segunda condicin, se dijo a los participantes que cada relacin causal operaba con una efectividad del 75%. Luego, los participantes evaluaron los ocho estmulos que pueden ser formados a partir del cruce de las 3 dimensiones binarias y se llevaron a cabo anlisis de regresin por

sujeto con predictores para cada atributo. Los resultados mostraron un efecto de estatus causal cuando las relaciones causales operaban con una efectividad del 75% y una ausencia total del efecto de estatus causal cuando las relaciones causales operaban con una efectividad del 100%. Otro factor que influye en el efecto de estatus causal es la tasa base de los efectos, o la probabilidad de que un efecto sea generado por causas contextuales no especificadas (bj). Siguiendo con el caso de la cadena XYZ, con cX = 0,75 y mij = 0,75, el efecto de estatus causal vara crticamente en funcin de bj. Cuando ningn efecto ocurre cuando su causa directa est ausente (bj = 0), surge el efecto de estatus causal. Sin embargo, cuando la probabilidad de que un efecto sea generado por sus causas contextuales es de un 50% (bj = 0,5), el efecto de estatus causal desaparece. Estas predicciones se pueden apreciar al comparar las lneas punteadas de las figuras 5A y 5B. Eso ocurre debido a que a medida que las tasas bases de las causas y los efectos se van igualando (ci = bj), los efectos se vuelven ms probables ya que tienen una probabilidad de ocurrencia adicional a su sola tasa base. Para contrastar estas predicciones, Rehder y Kim (2010, experimento 2) manipularon directamente la magnitud de las tasas bases de los efectos. Tal como en el experimento 1, sus participantes aprendieron categoras con tres atributos binarios organizados en una cadena XYZ en la cual cada relacin causal tena una efectividad del 75%. A diferencia del experimento 1, en una condicin los participantes aprendieron que no existan otras causas contextuales distintas a las especificadas en el modelo causal de la categora aprendida. Por ejemplo, los participantes que aprendieron la categora myastar no slo aprendieron que la alta densidad provoca un gran nmero de planetas con una probabilidad del 75%, sino tambin que "No existen otras causas de un gran nmero de planetas. Debido a esto, cuando su causa conocida (alta densidad) est ausente, un gran nmero de planetas se produce en el 0% de todos las myastars. En cambio, en una segunda condicin los participantes aprendieron que existan uno o varios atributos adicionales de la categora que producan cada efecto (e.g., gran nmero de planetas) en el 50% de los miembros de la categora aun cuando su causa conocida (e.g., alta densidad) estuviera ausente. Los resultados mostraron que cuando no haba causas contextuales se produjo un efecto de estatus causal y cuando las causas contextuales generaron a los efectos el 50% de las veces, el efecto de estatus causal desapareci por completo. Una ltima explicacin para el hecho de que a veces las causas se vuelven ms importantes que sus efectos al momento de categorizar un objeto proviene del fenmeno conocido como el esencialismo psicolgico (Ahn et al., 2001), que consiste en la tendencia general a creer en la existencia de un atributo inalterable o esencia subyacente a varios tipos de categoras. Este heurstico afecta a diversos procesos cognitivos tales como la generalizacin, el razonamiento y la explicacin (Gelman, 2004), por lo que es esperable que las personas en los experimentos razonen con un modelo causal ms complejo del que se les proporciona en los experimentos, el cual incluira una causa subyacente que produce el resto de los atributos. El modelo generativo es capaz de explicar cmo una estructura causal que incluye una esencia subyacente promueve el efecto de estatus causal. Para mostrar esto se utilizarn los esquemas causales de la Figura 6. Como se puede apreciar, la Figura 6A (modelo esencializado) incluye un atributo presente en todos los miembros de la categora que produce al primer atributo de la cadena con una efectividad del 100%, mientras que en la Figura 6B este atributo tambin est presente en todos los miembros de la categora, pero no es una causa de W (ni de ningn otro atributo). En la Figura 6 tambin se puede apreciar que los parmetros de ambos modelos estn fijados de tal

manera que se produzca un efecto de estatus causal. Por una parte, la fuerza de las relaciones causales que van desde X a Y y desde Y a Z son probabilsticas (.8) y por otra, las tasas bases de los efectos son iguales a cero, de modo que ningn efecto puede estar presente sin que su causa directa lo este. En la tabla 3, se muestran las ecuaciones de probabilidad para los modelos causales de las figuras 5A y 5B. Al aplicar los valores de los parmetros de las figuras 5A y 5B a las ecuaciones de la tabla 3 se obtiene un mayor efecto de estatus causal en el modelo esencializado. Esto se pude apreciar en la diferencia X Y, la cual corresponde a (1 0,64) 0,36 en el caso del modelo esencializado y a (0,75 0,48) 0,27 en el caso del modelo no esencializado. Esta diferencia surge debido a que X tiene una probabilidad igual a 1 en el modelo esencializado (ya que la esencia siempre genera a su causa), en comparacin con una probabilidad de 0,75 en el modelo no esencializado. Esta diferencia resulta en una mayor cada en las probabilidades a travs de la cadena causal XYZ en el modelo esencializado en comparacin con el modelo no esencializado (esta prediccin se mantiene para cualquier valor de cX < 1 y para cualquier valor de bX).
A W B
cW=1 mWX =1

X
bX=0

mWX=.8

Y
bY=0

mYZ =.8

Z
bZ=0

W
P(W)=1

X
cX=.75

mWX=.8

Y
bY=0

mYZ =.8

Z
bZ=0

Figura 6: Esquemas causales utilizados en Rehder y Kim (2010). A: Cadena Esencializada. B: Cadena. Rehder y Kim (2010, experimento 3) contrastaron las predicciones del modelo generativo respecto a la capacidad de las causas esenciales para promover el efecto de estatus causal. Para esto, utilizaron los esquemas causales de la Figura 6. En la primera condicin experimental, los participantes aprendieron categoras consistentes de cuatro atributos binarios, tres de los cuales formaban una cadena causal XYZ, en la cual cada relacin causal tena una efectividad del 80%. Adems, los participantes aprendieron que no existan otras causas contextuales distintas a las especificadas en el modelo causal de la categora aprendida. Por ltimo, el atributo restante fue descrito como un atributo esencial diciendo que estaba presente en todos los miembros de la categora y que no estaba presente en ningn miembro de otra categora. Por ejemplo, para la categora Camarn del Lago Victoria el atributo esencial fue altos niveles de neurotransmisor ACh y se dijo a los participantes que todos los camarones del lago Victoria posean altos niveles de neurotransmisor ACh y que ningn otro tipo de camarn posea esa caracterstica. En la segunda condicin, se agreg una tercera relacin causal que ligaba al atributo esencial con X y esta relacin causal se describi con una efectividad del 100%. La tarea de los participantes en ambas condiciones fue evaluar el grado de membreca de los 16 atributos que pueden ser formados por el cruce de las cuatro dimensiones binarias. Los resultados mostraron un efecto de estatus causal en ambas condiciones, sin embargo el efecto fue significativamente mayor cuando la categora posea un atributo esencial subyacente.

Tabla 3: Ecuaciones de Probabilidad para los Esquemas Cadena y Cadena Esencializada. Modelo Cadena tems P(ci; mij; bj) XYZ (1cX)(1bY)(1bZ) XYZ (1cX)(1bY)bZ XYZ (1cX)bY(1mYZ)(1bZ) XYZ cX(1mXY)(1bY)(1bZ) XYZ (1cX)bY(mYZ+bZmYZbZ) XYZ cX(1mXY)(1bY)bZ XYZ cX(mXY+bYmXYbY)(1mYZ)(1bZ) XYZ cX(mXY+bYmXYbY)(mYZ+bZmYZbZ) Cadena Esencializada P(ci; mij; bj) (1mWX)(1bX)(1bY)(1bZ) (1mWX)(1bX)(1bY)bZ (1mWX)(1bX)bY(1mYZ)(1bZ) (mWX+bXmWXbX)(1mXY)(1bY)(1bZ) (1mWX)(1bX)bY(mYZ+bZmYZbZ) (mWX+bXmWXbX)(1mXY)(1bY)bZ (mWX+bXmWXbX)(mXY+bYmXYbY)(1mYZ)(1bZ) (mWX+bXmWXbX)(mXY+bYmXYbY)(mYZ+bZmYZbZ)

Nota: En el caso del esquema cadena esencializada se puede prescindir del parmetro cW (que representa la tasa base de ocurrencia de W), ya que en todos los tems de la categora este tiene un valor igual a 1.

En conclusin, la respuesta a la pregunta acerca de la forma en la que el conocimiento causal afecta a la importancia de un atributo considerado individualmente es doble. Por un lado, las investigaciones revisadas son consistentes con la existencia de un efecto de causa mltiple, en el cual un atributo gana importancia en la medida que tiene ms causas que lo generen. Por otro lado, se ha encontrado que, bajo ciertas condiciones, se produce un efecto de estatus causal, en el cual un atributo gana importancia en la medida que tiene una posicin primaria en una cadena causal. Segn Rehder (2010), estos efectos del conocimiento causal sobre la importancia de los atributos actuaran paralelamente. A favor de esta afirmacin, cabe destacar los resultados de Rehder y Kim (2010, experimentos 2 y 3), en los cuales se mostr que al aumentar la probabilidad de que los efectos de una cadena causal fueran generados por causas contextuales distintas a las especificadas en la cadena, el efecto de estatus causal se anul. En resumen, al predecir el efecto de causa mltiple y ofrecer una explicacin del efecto de estatus causal distinta de la propuesta por el modelo de dependencia, el modelo generativo ofrece una explicacin integrada de los efectos que el conocimiento causal tiene en la importancia de los atributos considerados individualmente. 6. Nuevas Direcciones En el presente artculo, se presentaron los principales hitos en la investigacin de la influencia del conocimiento causal en el proceso de categorizacin. Se caracterizaron los principales efectos del conocimiento causal en la importancia asignada tanto a los atributos individualmente considerados como a las configuraciones de atributos, a la vez que los dos principales modelos computacionales diseados para explicar estos efectos. Con todo, an quedan muchas facetas del conocimiento causal que han sido poco examinadas o permanecen inexploradas por completo. Por ejemplo, en todas las investigaciones revisadas solo se estudi un tipo de relacin causal, en la cual la presencia de un atributo binario causaba, a travs de un mecanismo causal generativo, la presencia de otro atributo. Sin embargo, existen relaciones causales inhibitorias (Rehder, 2010), en las que la presencia de un atributo previene la presencia de otro (e.g., la presencia de una vacuna evita una enfermedad). Un tercer caso, denominado relaciones causales conjuntivas5 (Rehder, 2010), se da cuando para obtener un efecto se requiere la operacin simultnea de varias causas (e.g., una baja en las defensas del organismo y un virus especfico son necesarios para desencadenar un resfriado). Por otra parte, los valores o estados de los atributos de algunos conceptos pueden ser vistos como un continuo en vez de dimensiones binarias, aunque apenas existen investigaciones que han tomado este punto en consideracin en el rea del aprendizaje categrico (Waldman et al., 1995). Un tema particularmente importante son los casos en los que los atributos de un concepto estn organizados en un ciclo causal. Cuando se pide a las personas reportar sus teoras causales de los conceptos, un 66,7% construyen espontneamente ciclos causales para categoras naturales y de artefactos (Kim, 2005), mientras que un 65% lo hace para conceptos de enfermedades mentales (Kim y Ahn, 2002a, 2002b). Sin embargo, a pesar de la evidente relevancia de los ciclos causales, el modelo computacional ms exitoso en explicar los efectos del conocimiento causal en la categorizacin (modelo generativo) no est diseado para trabajar con ciclos causales. Por otra parte, desde el modelo de dependencia ya se iniciaron las primeras
5

En la literatura de atribucin causal en psicologa social este caso se conoce como causas necesarias mltiples.

aproximaciones al fenmeno de los ciclos causales (Kim et al., 2009) en lo que promete ser una fuente de abundante trabajo terico y emprico. Un ltimo aspecto que segn la opinin de los autores merece una especial atencin corresponde a las relaciones causales inter-conceptuales. Diversos investigadores han argumentado que los conceptos estn organizados en sistemas de relaciones o teoras (e.g., Murphy y Medin, 1985) y (desde distintas displinas) que el significado de un concepto depende de sus relaciones con otros conceptos (e.g., en filosofa, Block, 1998; en psicologa, Goldstone, 1996; en inteligencia artificial, Quillian, 1968). Considerar este tipo de relaciones (al menos parcialmente) en trminos de relaciones causales, plantea la pregunta acerca de cmo las relaciones causales inter-conceptuales influyen en el proceso de categorizacin. De hecho, en el rea del aprendizaje categrico Kempt el al. (2010) ya han presentado un modelo computacional capaz de descubir sistemas completos de conceptos interrelacionados. Cabe esperar, entonces, que en los aos siguientes contine el rpido desarrollo terico y emprico en esta rea de investigacin. A travs de la presente revisin, los autores esperan haber mostrado sus principales hitos y caractersticas.

Referencias Ahn, W. (1998). Why are different features central for natural kinds and artifacts? The role of causal status in determining feature centrality. Cognition, 69, 135-178. Ahn, W., Kalish, C., Gelman, S. A., Medin, D. L., Luhmann, C., Atran, S., Coley, J. D., y Shafto, P. (2001). Why essences are essential in the psychology of concepts. Cognition, 82, 59-69. Ahn, W., Kim N. S., Lassaline, M. E. y Dennis, M. J. (2000). Causal Status as a determinant of feature centrality. Cognitive Psychology, 41, 361-416. Ahn, W., Marsh, J. K., Luhmann, C. C., y Lee, K. (2002). Effect of theory-based feature correlations on typicality judgments. Memory y Cognition, 30, 107-118. Block, N. (1998). Holism, Mental and Semantic. En Craig, (ed.), The Routledge Encyclopedia of Philosophy. London: Routledge. Gelman, S. A. (2004). Psychological essentialism in children. Trends in Cognitive Sciences, 8, 404-409. Goldstone, R. L. (1996). Isolated and interrelated concepts. Memory and Cognition, 24, 608628. Hausman, D. y Woodward, J. (1999). Independence, Invariance, and the Causal Markov Condition. British Journal for the Philosophy of Science, 50, 52183. Kemp, C., Tenenbaum, J. B., Niyogi, S. y Griffiths, T. L. (2010) A probabilistic model of theory formation. Cognition. 114(2), 165-196. Kim, N. S. (2005). Stability and instability over time in explanatory theories of concepts. En B. G. Bara, L. Barsalou, y M. Bucciarelli (Eds.), Proceedings of the Twenty-Seventh Annual Conference of the Cognitive Science Society (p. 2500). Mahwah, NJ: Erlbaum. Kim, N. S., y Ahn, W. (2002a). Clinical psychologists theory-based representations of mental disorders predict their diagnostic reasoning and memory. Journal of Experimental Psychology: General, 131, 451-476. Kim, N. S., y Ahn, W. (2002b). The influence of naive causal theories on lay concepts of mental illness. American Journal of Psychology, 115, 33-65. Kim, N. S., Luhmann, C. C., Pierce, M. E., y Ryan, M. M. (2009). The conceptual centrality of causal cycles. Memory y Cognition, 37, 744-758. Machery, E. (2009). Doing Without Concepts. New York : Oxford University Press. Morris, M. W., y Larrick, R. P. (1995). When one cause casts doubt on another: A normative analysis of discounting in causal attribution. Psychological Review, 102, 331-355. Murphy, G. L. (2002). The big book of concepts. Cambridge, MA: MIT Press. Murphy, G.L., y Medin, D.L. (1985). The role of theories in conceptual coherence. Psychological Review, 92, 289-316. Quillian, M. R. (1968). Semantic memory. En M. Minsky (Ed.), Semantic information processing. Cambridge, MA: MIT Press Rehder, B. (2003). Categorization as causal reasoning. Cognitive Science, 27, 709-748. Rehder, B. (2003). A causal-model theory of conceptual representation and categorization. Journal of Experimental Psychology: Learning, Memory, and Cognition, 29, 1141-59. Rehder, B. (2007). Essentialism as a generative theory of classification. En A. Gopnik, y L. Schultz, (Eds.), Causal learning: Psychology, philosophy, and computation, pp. 190-207. Oxford, UK: Oxford University Press. Rehder, B. (2010). Causal-based classification: A review. En B. Ross, (Ed.), The Psychology of Learning and Motivation (52), 39-116.

Rehder, B., y Hastie, R. (2001). Causal knowledge and categories: The effects of causal beliefs on categorization, induction, and similarity. Journal of Experimental Psychology: General, 130, 323360. Rehder, B. y Kim, S. (2006). How causal knowledge affects classification: A generative theory of categorization. Journal of Experimental Psychology: Learning, Memory, and Cognition, 32, 659-683. Rehder, B. y Kim, S. (2010). Causal status and coherence in causal-based categorization. Journal of Experimental Psychology: Learning, Memory, and Cognition, 36, 11711206. Rosch, E., and Mervis, C. (1975). Family resemblances: Studies in the internal. Cognitive Psychology, 7, 573605. Sloman, S. A., Love, B. C., y Ahn, W. (1998). Feature centrality and conceptual coherence. Cognitive Science, 22, 189228. Waldmann, M. R., Holyoak, K. J., y Fratianne, A. (1995). Causal models and the acquisition of category structure. Journal of Experimental Psychology: General, 124, 181-206.