TEORIA DEL MUESTREO DE ERSTIMULOS DE ESTES

NTRODUCCIÓN

A principios del siglo pasado, se difundieron internacionalmente las observaciones experimentales realizadas en el laboratorio de Iván Pavlov, acerca de un tipo de aprendizaje asociativo en el cual los animales cambian su patrón de respuesta a un estímulo, llamado condicionado, en virtud de su asociación con otro estímulo, llamado incondicionado (Pavlov, 1927). Este tipo de aprendizaje, conocido como condicionamiento clásico o pavloviano, fue inicialmente estudiado en el reflejo salivatorio de perros, pero rápidamente se desarrollaron otros procedimientos que incluían los sistemas de respuesta de una variedad de especies, tales como moluscos, insectos, peces, aves, roedores, conejos, simios y humanos.

Con el fin de dar cuenta de los innumerables hallazgos experimentales obtenidos con el condicionamiento pavloviano, los investigadores comenzaron a elaborar teorías que rápidamente evolucionaron hacia modelos matemáticos. Esta temprana inclinación por la cuantificación obedeció a la necesidad de examinar hipótesis no ambiguas, lo cual era una de las grandes dificultades de la Psicología en el comienzo del siglo pasado. Desde entonces, los modelos de condicionamiento han crecido en complejidad y poder explicativo, siguiendo los avances de otras disciplinas afines tales como la inteligencia artificial y la neurociencia.

Además, la década de los ochenta fue testigo del perfeccionamiento de varios procedimientos experimentales mixtos, tales como el retiro del sifón en la aplysia, el condicionamiento de temor en ratas, y el condicionamiento palpebral en conejos, los cuales permitieron abordar en forma simultánea los aspectos conductuales y neurobiológicos del aprendizaje. Hoy en día, los circuitos neuronales que subyacen a algunas formas de condicionamiento se han descrito con cierto detalle (McCormick & Thompson, 1983) y sus mecanismos celulares están comenzando a ser identificados (Medina et al., 2000). Estos hallazgos significan nuevos desafíos para las teorías, las cuales, además de explicar los fenómenos conductuales, deben cumplir con criterios de plausibilidad biológica.

En los últimos años, con la proliferación del uso de computadores personales que favorecen la realización de gran cantidad de cálculos en poco tiempo, se observa un explosivo crecimiento en el número de modelos cuantitativos de condicionamiento clásico. La mayoría de estos son presentados en la forma de redes neuronales conexionistas, donde los estímulos se representan por nódulos que se influyen unos a otros a través de conexiones plásticas. En el presente artículo, más que revisar un gran número de modelos, hemos optado por clasificarlos en unas pocas categorías, describiendo uno o dos de los modelos más representativos de cada categoría y los fenómenos para los cuales fueron creados.

PRIMERA GENERACIÓN: MODELOS DE ENSAYO DISCRETO

El fenómeno de condicionamiento clásico se describe usualmente como el resultado de la presentación conjunta del estímulo condicionado (inicialmente neutral) y el estímulo incondicionado. Cada una de estas presentaciones o "pareamientos" se denomina ensayo, y se asume que el grado de aprendizaje es una función directa del número de éstos. Aquellos modelos que se han preocupado por describir cómo ocurre el aprendizaje a través de los ensayos, se denominan modelos de ensayo discreto, enfatizando con ello que el ensayo es la unidad mínima de aprendizaje, y que, por lo tanto, el aprendizaje se describe exclusivamente en función de la ausencia o presencia de los estímulos en el ensayo como un todo.

En la Figura 1 se presenta una red neuronal que se puede utilizar para describir la mayoría de los modelos de ensayo discreto. Se asume que los eventos del ambiente (estímulos condicionados o EC y estímulo incondicionado o EI), activan sus respectivas unidades sensoriales de procesamiento representadas por círculos. El nivel de activación de las unidades, xi (para el EC) y z (para el EI), es binario, es decir asume el valor de 1 cuando el estímulo está presente y de 0 cuando no lo está. La unidad adaptativa es la encargada de la generación de la respuesta. Las unidades sensoriales influyen a la unidad adaptativa por medio de sus conexiones, las cuales se representan gráficamente como líneas que las conectan. Los valores de vi representan la fuerza asociativa de cada estímulo condicionado (EC), es decir la capacidad de éstos para provocar la respuesta, mientras que el valor de l representa la fuerza de la asociación entre el estímulo incondicionado (EI) y la respuesta. Se asume que el EI tiene una conexión "máxima" o perfecta con la unidad adaptativa, y que la fuerza asociativa de cada EC, vi, es una expresión de la asociación entre el EC y el EI. Esta figura nos servirá como punto de partida para describir las distintas categorías de modelos de condicionamiento pavloviano.

El operador lineal

La tradición cuantitativa en teoría del aprendizaje se inició simultáneamente bajo la influencia de 2 enfoques teóricos diferentes: Las formulaciones de Clark Hull y Keneth Spence (Hull, 1943; Spence, 1960), y la "teoría estadística del aprendizaje" o "teoría del muestreo de estímulos" (Bush & Mosteller, 1955; Estes, 1950). Pese a que la contribución de ambos enfoques es vasta, en este artículo incluimos solamente un mínimo de detalles, considerados necesarios para comprender los desarrollos teóricos posteriores.

Dejando de lado importantes diferencias entre ambos enfoques, se puede decir que ambos postulan virtualmente el mismo algoritmo para describir cómo se produce el aprendizaje a lo largo de los ensayos. La idea básica, conocida como "operador lineal", señala que las variaciones en la fuerza del hábito (en el caso de las formulaciones de Hull y Spence) o de la probabilidad de la respuesta (en el caso de los modelos estocásticos) son una función de la discrepancia entre un valor máximo o asintótico y el valor asociativo actual del EC. La siguiente ecuación general describe el operador lineal usando la terminología de la red neuronal de la Figura 1:

Δvi=Θ(zλ–xivi) (1)

Donde vi es la fuerza asociativa del ECi, λ la fuerza asociativa máxima proporcionada por el EI, y Θ un parámetro que dicta la tasa de aprendizaje. Este algoritmo de aprendizaje asume que el aprendizaje es un proceso gradual de corrección de errores. Es decir, en cada ensayo el animal aprende

...