La función del aprendizaje de

relaciones en el contexto de una

teoría computacional
(The learning function of relations in the
context of a computational theory)
JOSÉ ANTONIO GONZÁLEZ Y ROSARIO POZO
Universidad de Salamanca

Perales, Catena y Maldonado presentan una síntesis teórica sobre el problema

de qué es el aprendizaje de relaciones causales y por qué se produce. Su trabajo
adopta una concepción del procesamiento de la información basada en dos nive-
les, uno computacional y otro algorítmico. Su aportación principal consiste en
desarrollar el nivel computacional que tiene consecuencias importantes para
especificar qué operaciones lleva a cabo el sistema cognitivo sobre las relaciones
existentes en el ambiente. Pero, al mismo tiempo establece cuáles son las condi-
ciones que producen ese aprendizaje y la estrategia que debe seguirse en su inves-
tigación. Se trata de una valiosa aportación, al dar a entender que es el problema
central del aprendizaje de relaciones, a la vez que suscitan un interesante debate
sobre diversas cuestiones.
Uno de los objetivos de una perspectiva computacional es especificar por qué
se produce el aprendizaje. Esta cuestión se refiere al valor funcional o adaptativo
del aprendizaje. Aunque los autores asumen que es funcional y adaptativo dis-
tinguir entre meras correlaciones y relaciones causales consideramos que no pro-
porcionan una verdadera explicación de esa funcionalidad. Un segundo aspecto
asumido en el artículo es que la detección de las relaciones de causalidad es adap-
tativa, pero lo es en mayor medida que la detección de las relaciones predictivas.
La explicación evolucionista de las adaptaciones de las especies implica la
variabilidad de las especies, la selección natural de los individuos que poseen una
mejor adaptación y la retención de esa selección (Dennet, 1995). En primer
lugar, las funciones adaptativas, como la capacidad para aprender relaciones cau-
sales diferentes de la capacidad de aprender relaciones de covariación, se refiere a
la distinción entre las causas últimas, la función adaptativa integrada en la histo-
ria evolutiva de un organismo, y las causas próximas, la función adaptativa que
depende de las condiciones antecedentes. Las causas últimas pueden tener un
doble origen. Por un lado, las variaciones genéticas que demuestran una ventaja
selectiva contribuyen a la función adaptativa. Los patrones de conducta instinti-
vos son un ejemplo de esta adaptación debido a la regularidad ambiental que los
organismos han encontrado a lo largo de millones de generaciones.
Por otro lado, una plasticidad fenotípica como el aprendizaje puede guiar la
evolución si una característica adquirida proporciona una ventaja selectiva al
individuo que la haya adquirido. Baldwin (1896) argumentó que el aprendizaje

Correspondencia con los autores: José Antonio González del Campo. Departamento de Psicología Bási-
ca, Psicobiología y Metodología de las CC del Comportamiento. Universidad de Salamanca.
37071 Salamanca. E-mail: campo@gugu.usal.es
© 2002 by Fundación Infancia y Aprendizaje, ISSN: 0214-3550 Cognitiva, 2002, 14 (1), 65-69
 66
puede contribuir evolutivamente a una mejor adaptación de las especies. Esta
posibilidad ha sido explorada en el ámbito de la computación evolucionista
(Harvey, 1996). No obstante, la función adaptativa del aprendizaje implica un
elevado coste para los organismos que disponen de esta característica. Este coste
es el tiempo y energía que se debe dedicar al aprendizaje de las relaciones predic-
tivas y causales y la posibilidad de cometer errores fatales para los individuos
(Maley, 1996; Turney, Whitley y Anderson, 1996). Por tanto, la adaptación pro-
porcionada por el aprendizaje para constituir una verdadera ventaja selectiva
necesariamente debería evolucionar hacia un patrón de conducta instintivo. Esto
requiere la existencia de dos procesos complementarios: un ajuste mediante el
mecanismo de aprendizaje y en un segundo momento una asimilación genética
que permita transmitir la característica asimilada a la descendencia. Es probable
que algunos de los fenómenos de condicionamiento clásico y operante desempe-
ñaran una función de mecanismo evolutivo en la selección natural. Los organis-
mos que manifiestan esta clase de adaptación, con independencia de que se haya
originado en las variaciones genéticas o en la asimilación genética, podemos con-
siderarlos darwinianos (Dennet, 1995).
De acuerdo con esta lógica podríamos considerar altamente adaptativo una
rápida detección de la causalidad si se ha producido la asimilación genética com-
pleta. Sin embargo, este hecho requiere no sólo la existencia de una regularidad
de las relaciones independizadas de los diversos contextos, sino también la exis-
tencia de una regularidad a lo largo de la historia evolutiva de las especies que se
han visto sometidas a la presión de esas relaciones causales. La regularidad de las
relaciones intercontextos, sin una regularidad intergeneracional, exige un meca-
nismo de aprendizaje y necesariamente posee la contrapartida del tiempo y la
energía necesarios para que tenga lugar el aprendizaje. Por tanto, aunque la fun-
ción del aprendizaje es posibilitar una adaptación de los organismos ante las
situaciones estables ontogenéticamente en determinados marcos temporales,
está directamente unido a los errores que se cometen antes de haberlo logrado
completamente. No obstante, es posible que se haya producido algún valor
intermedio de asimilación genética de determinadas relaciones predictivas y
causales, especialmente aquellas en las que la contigüidad es elevada. En todo
caso resulta muy difícil especificar con los procedimientos experimentales cúales
son aquellos casos en los que se ha podido producir la asimilación genética, por-
que sigue siendo necesaria la plasticidad fenotípica propia de los mecanismos de
aprendizaje.
Esto permite elucubrar la posibilidad de que exista un mayor grado de asimi-
lación en las condiciones de contigüidad que en las relaciones predictivas (Savas-
tano y Miller, 1998); al mismo tiempo es posible que las relaciones predictivas
impliquen un mayor grado de asimilación genética que las relaciones causales
(Dickinson y Shanks, 1995). Por tanto, desde esta perspectiva existiría un mayor
grado de adaptación cuanto mayor fuera la asimilación genética.
En segundo lugar, cuando la regularidad de las relaciones sólo se producen en
marcos temporales dentro la escala ontogenética el aprendizaje desempeña un
papel adaptativo mayor que la asimilación. Skinner (1981) ha defendido una
idea “seleccionista” del aprendizaje, destacando la similitud existente entre la
perspectiva de la teoría de la evolución y el desarrollo de las relaciones respuesta-
consecuencia. Algunos autores han ampliado esta concepción seleccionista al
condicionamiento clásico, de modo que se recogen las dos grandes tradiciones
procedimentales del estudio del aprendizaje (Donahoe, Palmer y Burgos, 1997;
Palmer y Donahoe, 1992). Conviene destacar que parte de las ideas actuales
sobre esta cuestión no se entenderían ni habrían tenido suficiente desarrollo sin
 67
la aportación del actual conexionismo y el desarrollo de las redes neuronales
(Donahoe, 1996).
Desde esta perspectiva, el aprendizaje de una relación predictiva es menos
adaptativo que el de una relación causal por las restricciones que impone a la
actuación. De hecho proporciona información sobre la ocurrencia de un resulta-
do, pero no permite alterar la relación existente entre los elementos predictor y
predicho. Esto es lo que ocurre en una situación de condicionamiento clásico y
en los procedimientos de juicios predictivos. Sin embargo, es probablemente
una característica de los estudios de laboratorio donde la relación de contingen-
cia programada se mantiene rígida a lo largo de todo el escenario experimental.
En cambio, en situaciones naturales, al menos en aquellos casos en los que la
relación predictiva induzca a una actuación de naturaleza instrumental, después
de un suficiente número de ensayos, esta respuesta puede acabar alterando la
relación predictiva para convertirla en una relación instrumental. De este modo,
la conducta de un animal o un ser humano acaba introduciendo una nueva rela-
ción mucho más eficaz adaptativamente para el individuo, puesto que permite
controlar el ambiente. Esta nueva relación es de naturaleza causal, esta clase de
función adaptativa tiene más en común con la perspectiva skinneriana según la
cual existe una selección de aquellas conductas que producen consecuencias que
permiten una adaptación del organismo. Los organismos que manifiestan esta
clase de adaptación podemos considerarlos skinnerianos (Dennet, 1995).
No obstante, si la evolución de los organismos mediante la selección natural
es un producto de un algoritmo genético (Dennet, 1995; Donahoe, 1996) y la
selección de la conducta es resultado de un algoritmo de aprendizaje (Burgos,
1996; Donahoe, 1996), entonces un análisis de la función adaptativa del apren-
dizaje desde una perspectiva evolucionista, necesariamente ha de ser una explica-
ción algorítmica y no computacional. Puesto que el algoritmo responde a la
cuestión de cómo se produce el aprendizaje, debemos intentar una reflexión
sobre el valor adaptativo desde la perspectiva computacional.
Puesto que una perspectiva computacional establece un orden jerárquico en la
construcción teórica, desde lo más abstracto (qué y por qué) al modo en que se
producen las operaciones (cómo), debemos analizar una posibilidad de una adap-
tación basada en una concepción computacional.
Una posibilidad la encontramos en la concepción que se deriva de los trabajos
sobre los humanos en juicios de contingencia y los estudios sobre la capacidad de
los animales para detectar las relaciones de causalidad. Dickinson (1989) estable-
ció una distinción entre relaciones predictivas y relaciones causales en el estudio
del condicionamiento. La distinción la fundamentó en el concepto de intención,
al argüir que el condicionamiento instrumental consistía en que un organismo
establecía una creencia entre su acción y el resultado y que dicho organismo
debería desear dicho resultado. Los estudios humanos sobre los juicios de causali-
dad mediante un procedimiento instrumental en los cuales se observa una eleva-
da convergencia entre las respuestas instrumentales y los juicios sobre la causali-
dad de su acción son un ejemplo de la función adaptativa desde una perspectiva
computacional (Chatlosh, Neunaber y Wasserman, 1985; Shanks y Dickinson,
1991). Al mismo tiempo, los estudios llevados a cabo con animales, sobre la
capacidad de los mismos para detectar las relaciones de causalidad (Hammond,
1980; Killeen, 1981), sugieren que también parecen poseer alguna forma de
representación de la función causal de sus acciones. De forma complementaria, la
demostración del efecto que la demora del resultado posee en situaciones de con-
dicionamiento operante (Dickinson, Watt y Griffits, 1992) sugiere que las com-
putaciones de la información recibida pueden ser importantes en el aprendizaje y
 68
el comportamiento de la rata. Por otro lado, los trabajos llevados a cabo median-
te el procedimiento de devaluación del reforzador (Adams y Dickinson, 1981)
suscitan la idea de que este conocimiento puede desempeñar un papel importan-
te en el aprendizaje, lo cual concuerda con una teoría computacional. Todo ello
converge, grosso modo, con una tercera categoría de organismos denominados por
Dennet (1995) “popperianos”. Diversos organismos, entre los cuales nos encon-
tramos los humanos, compartimos con otras especies animales la capacidad de
probar nuestras hipótesis en lugar de probarnos a nosotros mismos. Esta idea
expresa un concepto de adaptación compatible con la visión computacional que
explica el valor adaptativo de las relaciones predictivas y las relaciones de contin-
gencia. Sin embargo, una vez aprendidas estas relaciones son más adaptativas si
se transforman en algorítmicas como sugiere la idea de autonomía conductual
(Adams y Dickinson, 1981). Este proceso de algoritmación de la evolución de la
conducta desempeña un papel adaptativo semejante al logrado por la asimilación
genética en el caso de la evolución de las especies.
Por último, la teoría computacional propuesta tiene una serie de caracterís-
ticas específicas que la hace referirse a un nivel de procesamiento superior y con
mayor grado de abstracción. En dicho nivel asumen, al menos de un modo
implícito, que se trata de una característica del aprendizaje de relaciones causales
en los humanos. La similitud establecida con el desarrollo científico expresa de
forma clara esta idea, al establecer que la acción conjunta del conocimiento pre-
vio y las condiciones de inferencia es la condición crítica que posibilita esta clase
de procesamiento. Este hecho posibilita una rápida adquisición por lo que es más
adaptativo que las otras clases de relaciones, aunque sean causales. Incluso esta
clase de relaciones pueden adquirirse mediante una transmisión cultural lo cual
hace que sea más rápido el aprendizaje de una relación causal. Dennet (1995)
estable una cuarta categoría de organismos a los que denomina “gregorianos”,
porque pueden obtener información de las herramientas de la mente, como el
lenguaje, los productos de la técnica y la ciencia. Esto hace que en condiciones
novedosas sea más adaptativa que cualesquiera otras clases de adaptación. Esta
función adaptativa es de naturaleza computacional en el sentido que probable-
mente lo tratan los autores de la teoría computacional, ya que no es necesario
pasar por una larga experiencia: basta con añadir la imitación.
Sin embargo, este último punto se refiere a la evolución cultural, pero una vez
adquirido puede llegar a funcionar del mismo modo que la teoría de la evolución
de Baldwin: se produce una asimilación cultural con lo cual se convierte nueva-
mente en un algoritmo una vez aprendida la relación causal (véase una concep-
ción darwiniana de la cultura en Blackmore, 2000).

Referencias
ADAMS, C. D. y DICKINSON , A. (1981). Instrumental responding following reinforcer devaluation.
Quarterly Journal of Experimental Psychology, 33B, 109-122.
BALDWIN, J. M. (1896). A new factor of evolution. American Naturalist, 30, 441-451.
BLACKMORE, S. (2000). La máquina de los memes. Barcelona: Paidós
BURGOS, J. E. (1996). Evolving artificial neural networks in Pavlovian environments. En J. W. Dona-
hoe y V. P. Dorsel (Eds.), Neural-network models of cognition (pp. 58-79). Amsterdam: Elsevier.
CHATHLOSH, D. L., NEUNABER, D. J. y WASSERMAN, E. A. (1985). Response-outcome contingency:
Behavioral and judgmental effects of appetitive and aversive outcomes with college students. Lear-
ning and Motivation, 16, 1-34.
DENNET, D. C. (1995). Darwin’s dangerous idea. Nueva York: Simon and Schuster.
DICKINSON , A. (1989). Expectancy theory in animal conditioning. En S. B. Klein y R. R. Mowrer
(Eds.), Contemporary learning theories: Pavlovian conditioning and the status of traditional learning theories
(pp. 279-308). Hillsdale, NJ: LEA.
 69
DICKINSON, A. y SHANKS, D. R. (1995). Instrumental action and causal representation. En D. Sperber,
D. Premack y A. J. Premack (Eds.), Causal cognition. A multidisciplinary debate (pp. 5-25). Oxford:
Clarendon Press.
DICKINSON , A., WATT, A. y GRIFFITHS, W. J. H. (1992). Free-operant acquisition with delayed reinfor-
cement. Quarterly Journal of Experimental Psychology, 45B, 241-258.
DONAHOE, J. W. (1996). The necessity of neural networks. En J. W. Donahoe y V. P. Dorsel (Eds.),
Neural-network models of cognition (pp. 1-19). Amsterdam: Elsevier.
DONAHOE, J. W., PALMER, D. C. y BURGOS, J. E. (1997). The unit of selection: What do reinforcers
reinforce? Journal of the Experimental Analysis of Behavior, 67, 259-273.
HAMMOND, L. J. (1980). The effect of contingency upon appetitive conditioning of free-operant beha-
vior. Journal of the Experimental Analysis of Behavior, 34, 297-304
HARVEY, I. (1996). Is there another new factor in evolution? Evolution, learning and instinct: 100 years
of Baldwin effect. A special edition of Evolutionary Computation, 4, 313-329.
KILLEEN, P. R. (1981). Learning as causal inference. En M. L. Commons y J. A. Nevin (Eds.), Quantitati-
ve analyses of behavior. Vol. 1. Discriminative properties of reinforcement schedules (pp. 89-112). Cambridge,
MA: Ballinger.
MALEY, G. (1996). Landscapes, learning costs and genetic assimilation. Evolution, learning and ins-
tinct: 100 years of Baldwin effect. A special edition of Evolutionary Computation, 4, 213-234.
PALMER, D. C. y DONAHOE, J. W. (1992). Essentialism and selectionism in cognitive science and beha-
vior analysis. American Psychologist, 47, 1344-1358.
SAVASTANO, H. I. y MILLER, R. R. (1998). Time as content in Pavlovian conditioning . Behavioural Pro-
cesses, 44, 147-162.
SHANKS, D. R., y DICKINSON , A. (1991). Instrumental judgment and performance in action-outcome
contingency and contiguity. Memory and Cognition, 19, 353-360.
SKINNER, B. F. (1981). Selection by consequences . Science, 213, 501-504.
TURNEY, P., WHITLEY, D. y ANDERSON, R. W. (1996). Editorial. Evolution, learning and instinct: 100
years of Baldwin effect. A special edition of Evolutionary Computation, 4, 4-8.