La representación del conocimiento en la memoria
© Juan Antonio Vera Ferrándiz
Todos los derechos reservados
© de esta edición, FUOC, 2019
Av. Tibidabo, 39-43, 08035 Barcelona
Realización editorial: FUOC

Índice
- Objetivos
- 1.Cuestiones preliminares sobre la mente y los sistemas representacionales
- 2.Formatos de representación
- 3.La representación por imágenes mentales
- 4.La representación proposicional
- 5.El concepto de representación en disputa
- Bibliografía
Objetivos
1.Cuestiones preliminares sobre la mente y los sistemas representacionales
1.1.La representación mental y el sistema cognitivo
1.1.1.Introducción
1.1.2.Las representaciones mentales y la percepción

1.1.3.Función psicológica de las representaciones mentales
1.2.Características generales de los sistemas de representación
1.2.1.Elementos constitutivos de los sistemas de representación
1.2.2.Relación entre los componentes de un sistema de representación
Para estudiar en profundidad todos los pormenores acerca de los elementos constitutivos de los sistemas de representación, podéis consultar:
M. de Vega (1992). Representaciones mentales: paradojas, debates y soluciones. En J. Mayor y M. de Vega, Memoria y Representación (p. 263-305). Tomo IV del Tratado de Psicología General, editado por J. Mayor y J. L. Pinillos. Madrid: Alhambra.
2.Formatos de representación
2.1.El formato de representación analógico
2.1.1.La representación analógica
2.2.El formato de representación digital
2.2.1.La representación digital
(a) La rosa roja tiene el tallo verde |
(b) La rosa roja tiene el tallo verde |
2.3.La representación mental: reflexiones en torno al primer modelo de Paivio
Lo que voy a proponer es que una de las cosas más importantes que comparten todas las entidades que conocen [y el ser humano es una de ellas] es que actúan sobre la base de representaciones. Para decirlo de otra forma, al explicar aspectos importantes de su conducta, debemos tener en cuenta sus metas y su conocimiento ... Si sabemos qué representaciones poseen y además adoptamos el supuesto de que gran parte de su conducta está conectada a sus representaciones mediante determinados principios generales, entonces podremos explicar una parte sustancial de las regularidades que estos seres que conocen exhiben en su conducta.
Z. Pylyshyn (1988). Computación y conocimiento (p. 11). Madrid: Debate, 1984.
2.3.1.La teoría del doble código de Paivio
La teoría asume que la conducta cognitiva es mediada por dos sistemas simbólicos, independientes pero estrechamente interrelacionados, que están especializados en la codificación, organización, transformación, almacenamiento y recuperación de la información. Uno de ellos (el sistema de imágenes) está especializado en el tratamiento de la información perceptiva sobre objetos y sucesos no verbales. El otro (el sistema verbal) está especializado en el tratamiento de la información lingüística. Los sistemas se diferencian en la naturaleza de sus unidades de representación, el modo de organización de éstas en unidades superiores y el modo de reorganización o transformación posible de las estructuras.
A. Paivio (1979). The relationship between verbal and perceptual codes. En E. C. Carterette y P. P. Friedman (Comps.), Handbook of perception (Vol. IX: Perceptual Processing). Nueva York: Academic Press. (Citado por A. Rivière (1986, p. 85). Razonamiento y representación. Madrid: Siglo XXI.
Formato de representación |
||
---|---|---|
Sistema imaginativo |
Sistema verbal |
|
Naturaleza del símbolo |
Representación analógica |
Representación digital |
Tipos de símbolo |
![]() |
m e s a |
Dominio al que está referido |
Objetos concretos |
Objetos concretos y conceptos abstractos |
Organización interna del dominio |
Asociaciones por contigüidad y semejanza |
Estructuración por vínculos semánticos |
Tipo de procesamiento |
En paralelo |
Secuencial |
Función referencial |
Por el parecido estructural |
Por vínculos arbitrarios |
Origen del código |
Son copias esquemáticas que proceden de los contenidos perceptivos |
Proceden del aprendizaje de las reglas que conectan sintaxis y semántica |
Fue la experiencia fenomenológica el objeto de investigación de muchos psicólogos mentalistas del siglo pasado, y la conciencia, el privilegiado instrumento para su introspección. Pero la evolución de la metodología de la ciencia hizo desconfiar a los psicólogos de las teorías que se abastecían únicamente de los datos aportados por la experiencia fenomenológica, que por definición es privada, individual e intransferible.
3.La representación por imágenes mentales
3.1.Las imágenes y la mente
3.1.1.Características de las imágenes en tanto que representaciones mentales

3.1.2.Función psicológica de las imágenes mentales

3.2.Los mapas cognitivos
3.2.1.Propiedades esenciales de los mapas cognitivos
3.2.2.Naturaleza heurística de los mapas cognitivos
4.La representación proposicional
4.1.Naturaleza de la representación proposicional
4.1.1.Características de las proposiciones en tanto que representaciones mentales
4.1.2.La forma de las proposiciones

4.1.3.Significado psicológico de las proposiciones
4.2.Red proposicional y memoria semántica
4.2.1.La red proposicional de Quillian: donde el concepto de memoria semántica entra en juego



4.2.2.Las alternativas a TCL: el modelo de rasgos.

5.El concepto de representación en disputa
5.1.El concepto de representación en disputa: introducción
5.2.El computacionalismo: la ''versión dura'' de la Psicología cognitiva
5.2.1.El concepto de algoritmo en los sistemas computacionales
5.2.2.El papel de la conciencia dentro de un sistema computacional
Algoritmo |
|
---|---|
Operaciones por pasos |
Significado de cada paso |
1ø LET I = 0 |
Asigna el valor 0 a la variable I. |
2ø LET I = I + 1 |
Contador: cada vez que el programa da una vuelta, el valor de I aumenta una unidad. |
3ø LET C = I * I |
Asigna a la variable C el valor resultante de multiplicar a I por sí misma. |
4ø PRINT C; |
Imprime el valor de C, uno detrás de otro. |
5ø IF I <10 THEN 2ø |
Establecimiento de bucle o subrutina: si el valor de I es inferior a 10, entonces hay que repetir la operación que se inicia en la línea 2ø. |
6ø GOTO 1ø |
Cuando el valor de I es igual a 10, entonces la línea 5ø desactiva la subrutina, y en esta línea se ordena a la máquina reiniciar la operación desde la línea 1ø. |
De este modo, en una mente esencialmente automática, la conciencia sólo puede ser concebida como un epifenómeno, como una realidad derivada que no desempeña ningún papel significativo en el escenario de lo psicológico. De este modo, los psicólogos computacionalistas no ponen en duda la existencia de la conciencia (ellos, según dicen, también la tienen), pero afirman que no cumple ninguna función en la ordenación de nuestros actos mentales.
5.3.El sistema de representación en los modelos PDP o conexionistas
El atractivo del procesamiento distribuido en paralelo
¿Qué hace que las personas sean más listas que las máquinas? Desde luego las personas no son ni más rápidas ni más precisas. Y, sin embargo, a la gente le resulta mucho más fácil que a las máquinas percibir objetos situados en escenarios naturales y darse cuenta de sus relaciones, comprender el lenguaje y extraer de la memoria información adecuada al contexto, hacer planes y llevar a cabo acciones contextualmente apropiadas, así como ejecutar una amplia gama de tareas cognitivas naturales. A las personas también se les da mucho mejor que a las máquinas aprender a hacer todas estas cosas con mayor precisión y habilidad gracias a la experiencia.
¿A qué se deben estas diferencias? Una respuesta a esta pregunta, quizás la típica que cabe esperar de la inteligencia artificial, es que se trata de una cuestión de programación. La idea que hay tras esta respuesta es que, si dispusiéramos del programa de ordenador adecuado, seríamos capaces de reproducir la maestría y la adaptabilidad que caracterizan al procesamiento humano de la información.
No cabe duda de que esta respuesta es parcialmente correcta. Se han producido grandes avances en nuestra comprensión del conocimiento como consecuencia del desarrollo de lenguajes expresivos de ordenador de nivel superior y algoritmos de gran potencia. No cabe duda de que en el futuro se producirán más avances como éstos. Sin embargo, nosotros no creemos que todo se reduzca a una cuestión de programación.
En nuestra opinión, las personas son más inteligentes que los ordenadores actuales porque la arquitectura computacional básica que emplea el cerebro se encuentra mejor adaptada para enfrentarse a un aspecto fundamental de esas tareas naturales de procesamiento de información que tan bien se le dan a la gente.
Intuitivamente, parece que este tipo de tareas necesita mecanismos en los que cada aspecto de la información que hay en una situación dada pueda actuar sobre otros aspectos, de manera que cada aspecto esté influyendo sobre él. Para plasmar de forma articulada estas intuiciones, nosotros y otros investigadores hemos recurrido a una clase de modelos a los que hemos dado el nombre de "modelos de procesamiento distribuido en paralelo" o "modelos PDP". Estos modelos parten de la suposición de que el procesamiento de la información se produce mediante la interacción de un gran número de elementos procesadores simples llamados "unidades", cada una de las cuales envía señales excitadoras e inhibidoras a otras unidades.
Una razón que explica el atractivo de los modelos PDP es su incuestionable "aroma fisiológico". Parece que están mucho más ligados a la fisiología del cerebro que otros modelos de procesamiento de la información. El cerebro consta de un gran número de elementos con un elevado nivel de interconexión, que aparentemente se envían entre sí mensajes excitatorios e inhibitorios muy sencillos mediante los cuales ajustan sus excitaciones. Las propiedades de las unidades de muchos de los modelos PDP que vamos a examinar más adelante están inspirados en propiedades básicas de las estructuras neurales (...)
Aunque no cabe duda de que el atractivo de los modelos PDP se ve incrementado por su plausibilidad fisiológica y por el hecho de que estén inspirados en estructuras neurales, éstas no son las razones primarias por las que a nosotros nos resultan atractivos. Al fin y al cabo, nosotros somos científicos cognitivos y los modelos PDP nos resultan atractivos por razones psicológicas y computacionales. Estos modelos ofrecen la posibilidad de llegar a darnos una explicación, suficiente desde el punto de vista computacional y precisa desde el punto de vista psicológico, de los mecanismos que hay detrás de los fenómenos del conocimiento humano, los cuales nunca han conseguido explicarse satisfactoriamente mediante formalismos computacionales convencionales. Además, estos modelos han alterado radicalmente nuestra manera de pensar sobre la organización temporal del procesamiento, la naturaleza de la representación y los mecanismos del aprendizaje.
Los modelos de procesamiento distribuido en paralelo son una alternativa a los modelos seriales de la microestructura del conocimiento.
En los últimos años ha habido mucho interés por el aprendizaje dentro de la ciencia cognitiva. Los enfoques computacionales del aprendizaje caen predominantemente dentro de lo que podríamos llamar "la tradición de la formulación de reglas explícitas", de la que constituye una buena muestra el trabajo de Winston (1975), las sugerencias de Chomsky y el modelo ACT* de J. R. Anderson. Todos estos trabajos tienen en común la suposición de que la meta del aprendizaje es formular reglas explícitas (proposiciones, producciones, etc.) capaces de captar poderosas generalizaciones de una manera sucinta. Se trata de mecanismos muy poderosos, que generalmente poseen una cantidad considerable de conocimiento innato sobre un dominio determinado o un conjunto inicial de representaciones proposicionales primitivas, y que después formulan reglas generales hipotéticas, por ejemplo, comparando casos concretos y formulando generalizaciones explícitas.
El enfoque que adoptamos a la hora de desarrollar los modelos PDP es completamente distinto. En primer lugar, nosotros no partimos de la suposición de que el objetivo del aprendizaje sea la formulación de reglas explícitas. Nosotros partimos de la base de que lo que permite a una red de unidades simples actuar 'como si' conociera unas reglas es la adquisición de fuerzas de conexión. En segundo lugar, no atribuimos al mecanismo de aprendizaje la posesión de potentes capacidades computacionales. Más bien suponemos que existen mecanismos muy sencillos de modulación de las fuerzas de conexión que ajustan la fuerza de las conexiones entre las unidades basándose en información local que se encuentra disponible en las conexiones mismas.
Una vez captada la idea de que el conocimiento se encuentra almacenado en la fuerza de las interconexiones entre las unidades, surge una cuestión, ¿existe algún motivo para que asignemos una unidad a cada patrón que deseemos aprender? Otra posibilidad que exploramos ampliamente en este libro es que el conocimiento relativo a un patrón concreto no se encuentre almacenado en las conexiones de una unidad especial reservada para ese patrón, sino que se encuentre distribuido por entre las conexiones pertenecientes a un gran número de unidades de procesamiento.
[Lo importante es que] se hace hincapié en los patrones de activación del conjunto de unidades y en mecanismos, cuyo objetivo explícito es aprender cuáles son las fuerzas de conexión adecuadas para que los patrones de activación apropiados se activen en las circunstancias apropiadas.
Extracto del texto del capítulo 1 introductorio a los modelos PDP o conexionistas, tomado de su versión castellana, cuya referencia completa es la siguiente:
J.L. McClelland, D. E. Rumelhart y G. E. Hinton (1992). El atractivo del procesamiento distribuido en paralelo. En D. E. Rumelhart, J. L. McClelland, y el grupo PDP Introducción al procesamiento distribuido en paralelo (p. 39-79). Madrid: Alianza (edición original, 1986).
5.3.1.Propiedades definitorias de los modelos PDP
