Las cuatro causas del comportamiento

Las cuatro causas de comportamiento

Peter R. Killeen 1

Departamento de Psicología, Arizona State University, Tempe, Arizona

Abstracto

La comprensión de un fenómeno implica identificar su origen, estructura, sustrato y función,

y representando estos factores en algún sistema formal. Aristóteles proporcionó una clara especificación de

este tipo de explicación, a la que llamó causas eficientes (desencadenantes), causas formales (modelos),

causas materiales (sustratos o mecanismos) y causas finales (funciones). En este artículo, el de Aristóteles

marco se aplica al condicionamiento y al debate de computación-contra-asociación. El critico

el problema empírico es la reducción temprana o tardía de la información a la disposición. Teoría de autómatas

proporciona una gramática para los modelos de acondicionamiento y procesamiento de la información en los que

restricción puede ser representada.

Palabras clave

asociaciones; autómata; causalidad; explicación; modelos

Juzgar si el aprendizaje se explica mejor como un proceso asociativo o computacional

requiere que aclaremos los términos clave. Este ensayo proporciona un marco para discutir

explicación , asociación y computación ; deja el aprendizaje como un primitivo no examinado.

LAS CUATRO CAUSAS DE ARISTÓTELES

Aristóteles (1929) describió cuatro tipos de explicación. Por mala traducción y

mala interpretación por "charlatanes eruditos" (Santayana, 1957, p.238), sus cuatro "becauses"

[ aitia ] "fueron derogados como un tratamiento incoherente de la causalidad (Hocutt, 1974). A pesar de que

antiguas, las cuatro (las) causas de Aristóteles proporcionan un marco invaluable para los científicos modernos

explicación, y en particular para la resolución del debate actual sobre el aprendizaje.

En el marco de Aristóteles, las causas eficientes son desencadenantes, eventos que producen un "efecto".

Este es el significado contemporáneo de la causa . Filósofos como Hume, Mill y Mackie

han aclarado los criterios para identificar varias relaciones causales eficientes (p. ej., necesidad,

suficiencia, eventos insuficientes pero necesarios en el contexto de eventos que de otro modo serían suficientes).

Las causas eficientes identifican las primeras partes de una secuencia que son esenciales para las partes posteriores;

ellos nos dicen lo que inicia un cambio de estado. "Causal" de Jachmann y van den Assem (1996)

análisis etológico "del comportamiento de cortejo de una avispa ejemplifica este significado de causa .

Las causas materiales son sustratos

Estos son los tipos más comunes de explicación causal en uso hoy en día, ejemplificados por la mayoría

de la neurociencia y la investigación de imágenes cerebrales. Una vez que la maquinaria ha sido identificada, muchos la gente considera el fenómeno explicado. El enfoque exclusivo en la maquinaria se conoce como reduccionismo Las causas formales son modelos El gran logro de Newton fue dar credibilidad a tales modelos en ausencia de causas materiales: Para él, no había "ganchos y ojos" para la gravedad- "Hipótesis [sobre la base mecanismo] no es parte de mi diseño "-simplemente matemáticas desnudas. Esta era una posición difícil para Newton a adoptar, porque como filósofo mecánico aborrecía lo oculto (y por lo tanto ad hoc) cuentas Newton con gusto habría equipado su teoría con ganchos y ojos-material causas, pero no podría concebir nada suficiente para mantener los planetas en sus órbitas. Las causas formales son mapas lógicos. La forma favorita de Aristóteles era el silogismo, así como Los favoritos del físico moderno son ecuaciones diferenciales. Tales ecuaciones describen el curso de cambiar de un estado a otro; en concierto con las condiciones iniciales (causas eficientes), describe la trayectoria completa de cambio. No importa cuán exitosos sean los modelos formales, no son máquinas: matemática Las ecuaciones describen las trayectorias de las pelotas de béisbol y los planetas, pero esos cuerpos no resuelven ecuaciones para proyectar sus movimientos. Los modelos formales de los contribuyentes a este Especial Las secciones son mudas en cuanto a causa eficiente, sustrato y función. Es posible especular sobre los mecanismos subyacentes y generar modelos formales de ellos; pero sin datos directos sobre esos mecanismos, los modelos son conjeturas no verificables y típicamente sujeto a cambios a medida que las modas van y vienen, son ocultas. Las causas finales son explicaciones funcionales "Para reconocer una máquina real, tenemos que tener una idea de lo que se supone que debe hacer" (Minsky, 1967, p.4). Preguntas como "¿Para qué sirve?" Y "¿Por qué hace eso?" Para causas funcionales (finales); supervivencia de la teoría de alimentación óptima más apta e ideal las explicaciones en general brindan respuestas relevantes. La mayoría de la física moderna se puede escribir en términos de funciones que optimizan ciertas variables, como la energía. Todas las leyes establecidas en términos de tales óptimos se refieren a las causas finales. Ejemplos comunes son rayos de luz que siguen caminos que minimizar los tiempos de tránsito, los animales se comportan de manera que maximicen la representación genética en generaciones futuras, y los humanos se comportan de manera que maximicen los beneficios de un población. Las causas finales recibieron un mal nombre ( teleología ) porque fueron tratadas como causas formales, materiales o eficientes. Una razón por la cual las jirafas tienen cuellos largos es dejarlas navegar alto follaje; esta causa final no desplaza formal (variación y natural selección) y explicaciones materiales (genéticas); ni es una causa eficiente (lamarkianismo). Pero ninguna de esas otras explicaciones causales tiene sentido sin la especificación de la final porque. Los biólogos reintrodujeron las causas finales bajo el eufemismo "mecanismos últimos" refiriéndose a las causas eficientes y materiales de un comportamiento como "mecanismos próximos". Dos sistemas que comparten causas finales similares pueden tener sustratos bastante diferentes. Análisis de análogos evolutivos, como alas en insectos, pájaros y murciélagos, brindan útiles información funcional (por ejemplo, sobre presiones evolutivas convergentes y variedades de estrategias adecuadas para esa función), a pesar de que las alas no son homólogos (es decir, son no evolucionado desde el mismo órgano en un antiguo antecesor). Análisis de funciones analógicas caen víctima de "la falacia analógica" solo cuando se asume que la similitud de funciones implica similitud de causas eficientes (historia evolutiva) o materiales (fisiológicas). Tal las confusiones pueden prevenirse contabilizando cada tipo de causa por separado. Causas eficientes, entonces, son las condiciones iniciales para un cambio de estado; las causas finales son condiciones terminales; las causas formales son modelos de transición entre la inicial y la terminal condiciones; las causas materiales son el sustrato sobre el que actúan estas otras causas.

EXPLICANDO EL ACONDICIONAMIENTO Skinner (1950) criticó formalmente ("teorizar"), material ("neuroreductora") y final (Causas "intencionales") y causas científicas eficientes como "las variables de las cuales el comportamiento es un función. "Estaba preocupado de que las causas complementarias se utilizarían en lugar de, en lugar de que junto con su análisis funcional. Pero de todos los fenómenos conductuales, el condicionamiento es el menos capaz de ser comprendido sin referencia a las cuatro causas: la capacidad de ser condicionado ha evolucionado debido a la ventaja que confiere en la explotación eficiente causal relaciones. Causas finales El acondicionamiento forma trayectorias conductuales en caminos más cortos para el refuerzo (Killeen, 1989). Cuando un estímulo predice un evento biológicamente significativo (un estímulo incondicionado, EE. UU.), Los animales mejoran su estado físico mediante "asociaciones de aprendizaje" entre eventos externos, y entre esos eventos y las acciones apropiadas. Nichos estables, aquellos habitados por la mayoría plantas, animales y hongos, ni requieren ni apoyan el aprendizaje: tropismos, impuestos y reflejos simples coinciden adecuadamente con las regularidades cotidianas de la luz, la marea y la temporada. Sin embargo, cuando el entorno cambia, la función de aprender a reconectar la maquinaria explotar las nuevas contingencias. Los mejores explotadores están mejor representados en la próxima Generacion. Este es el último final, en términos de los biólogos, causa del condicionamiento. Comprender el aprendizaje requiere saber qué pueden tener las respuestas aprendidas logrado en los entornos que seleccionó para ellos. Causas eficientes Estas son las clases de causas prototípicas, lo suficientemente importantes para la supervivencia que muchos animales han desarrollado sensibilidad hacia ellos. Parámetros que son indicadores de causas eficientes contigüidad en espacio y tiempo, prioridad temporal, regularidad de asociación y similitud- afectar tanto los juicios de causalidad por parte de los humanos (Allan, 1993) como la velocidad de condicionamiento (Miller y Matute, 1996). Causas materiales El sustrato del aprendizaje es el sistema nervioso, que proporciona una vergüenza de riquezas en mecanismos. El desarrollo de explicaciones formales y eficientes del condicionamiento puede guiar la búsqueda de mecanismos neuronales operativos A su vez, elucidación de esa arquitectura neuronal puede guiar modelos formales, como modelos conexionistas paralelos-redes neuronales-que emular varias funciones cerebrales. Cada una de las cuatro causas es un recurso para comprender la otros. Causas formales Los modelos son subconjuntos apropiados de todo lo que se puede decir en un lenguaje de modelado. Asociación y Los modelos computacionales de aprendizaje están formulados en los lenguajes de probabilidad y autómatas, respectivamente. Sus estructuras se bosquejan a continuación. Modelos asociativos: implicación material, la relación suficiente (si C, luego E; simbolizado como C → E), proporciona un modelo simplista de causalidad eficiente y acondicionamiento. Sostiene que siempre que C, entonces también E; falla siempre que C y E. Cuando el la presencia de una señal (C, el estímulo condicionado, o CS) predice con precisión un reforzador (E, los EE. UU.), la fuerza de la relación C → E aumenta. La probabilidad condicional de los Estados Unidos dado el CS- p (E | C), generaliza esta relación de todo o nada con una probabilidad. Los animales son también sensible a la presencia de EE. UU. en ausencia del CS, p (E | ⁓C); solo si esto la probabilidad es cero es una causa que se dice que es necesaria para el efecto. Los efectos innecesarios se degradan condicionamiento, así como los eventos inesperados hacen que un observador cuestione su comprensión de una situación. Buenos predictores de la fuerza del aprendizaje son (a) la diferencia entre estos dos probabilidades condicionales y (b) la capacidad de diagnóstico de la CS, p (E | C) / p (E), que es la grado en que la causa (CS) reduce la incertidumbre sobre la ocurrencia del efecto (NOS). Como es el caso para todas las probabilidades, la medición de estos condicionales requiere una definiendo contexto. Esto puede comprender combinaciones de señales, entornos físicos y historia de refuerzo El refuerzo engendra una actualización de los condicionales; velocidad de el condicionamiento depende del peso implícito de la evidencia conferida en los condicionales previos. Las bases de datos de algunos condicionales, como la probabilidad de enfermarse después experimentar un gusto particular, a menudo comienza pequeño, de modo que uno o dos emparejamientos aumentan enormemente la probabilidad condicional y generar aversiones gustativas. Maridajes anteriores del gusto y la salud, sin embargo, dará a los condicionales previos más inercia, causando la condicional probabilidad de aumentar más lentamente, y posiblemente proteger al individuo de un sabor aversión causada por la asociación posterior del gusto con la enfermedad. Estímulos más comunes como formas, puede ser lento para condicionar debido a un historial de exposición que no es asociado con la enfermedad El teorema de Bayes proporciona un modelo formal para este proceso de actualizar probabilidades condicionales Esto ejemplifica cómo los subconjuntos de la teoría de la probabilidad pueden servir como un modelo formal para la teoría de la asociación. Las teorías asociativas continúan evolucionando en luz de experimentos manipulando variables contextuales; Hall (1991) proporcionó un excelente historia de la restricción progresiva de los modelos asociativos por datos. Modelos computacionales: las computadoras son máquinas que asocian direcciones con contenidos (es decir, van a un archivo especificado por una dirección y recuperan un dato o una instrucción). No solo las computadoras se asocian, sino que las asociaciones calculan: "Toda máquina de estados finitos es equivalente a, y puede ser 'simulado' por, alguna red neuronal "(Minsky, 1967, p.55). Ordenadores puede instanciar todos los modelos asociativos de condicionamiento y sus inversas. Para el metáfora computacional para convertirse en un modelo, debe estar restringido a un subconjunto apropiado de lo las computadoras pueden hacer; Una forma de lograr esto es a través de la teoría de los autómatas (Hopkins & Moss, 1976). La teoría de autómatas es una caracterización formal de las arquitecturas computacionales. UN La distinción crítica entre los autómatas es la memoria: los autómatas finitos pueden distinguir solo aquellos insumos (historias de condicionamiento) que pueden representarse en su memoria interna finita. La representación puede extenderse incrementalmente con memoria externa en forma de push- almacenes descendentes, discos reescribibles finitos o cintas infinitas. Estas arquitecturas amplificadas corresponden a las gramáticas libres de contexto de Chomsky (1959/1963), gramáticas sensibles al contexto, y máquinas universales de Turing, respectivamente. Las máquinas de Turing son modelos de la arquitectura de una computadora de propósito general que puede calcular todas las expresiones que son computables por cualquier máquina. La arquitectura de una máquina de Turing es engañosamente simple, dado su universal poder; es el acceso a una "cinta" de memoria potencialmente infinita que le da este poder. Personal las computadoras son, en principio, máquinas de Turing, instrumentos de silicio cuya universalidad desplazó a la mayoría de los instrumentos de bronce de una psicología anterior. La Distinción Crucial- La memoria también es lo que divide a la asociativa de la enfoques computacionales. La reducción temprana de la memoria a la disposición requiere menos memoria estados que la reducción tardía y permite respuestas reflexivas más rápidas; la reducción tardía es más flexible e "inteligente". El comportamiento de los animales puede reflejar el cálculo en cualquier nivel hasta, pero no excediendo, su capacidad de memoria. La mayoría de los comportamientos humanos son reflejos simples correspondiente a autómatas finitos. Incluso los repertorios más complicados pueden convertirse "Automatizado" por práctica, reduciendo una respuesta originalmente computacional-intensa-un niño intenta atar un zapato, a un hábito sin sentido. La adaptación permitida por el aprendizaje tener un precio demasiado alto si finalmente no lleva a una respuesta automática y, por lo tanto, rápida. La conciencia de la acción permite la adaptación, la inconsciencia permite la velocidad.

...