Conexionismo e Instruccion

Conexionismo e instruccin
Rosa Mara Pons Parra*

Jos Manuel Serrano Gonzlez-Tejero**
Recibido: Septiembre 2 de 2011
Aceptado: Septiembre 30 de 2011
Conexionism and instruction

Palabras clave: Conexionismo,
Resumen
,QWHOLJHQFLDDUWLFLDO
El estudio comienza con un anlisis de los esfuerzos de la psicologa cognitiva por
Procesamiento humano de la
entender cmo se representa el conocimiento sobre el mundo y cmo operan los
informacin, Simulacin de
procesos cognitivos para alcanzar esa representacin. Tras diferenciar entre proce-
procesos.
samiento simblico (procesamiento serial de la informacin) y procesamiento no

simblico y subsimblico (procesamiento distribuido en paralelo), el trabajo se centra en este ltimo desde la perspectiva conexionista, describiendo las unidades y los
procesos de procesamiento. A continuacin, describe tambin el aprendizaje en el
modelo conexionista para abordar las implicaciones de este en la educacin escolar
y fundamentalmente en la enseanza universitaria, estableciendo un modelo hipottico que resalta la importancia del procesamiento paralelo a la hora de simular el
aprendizaje. Enseguida, compara los modelos de procesamiento serial y paralelo,
y concluye con la importancia que pueden tener en el momento actual los modelos
hbridos de procesamiento.
Key words: Conexionism,
Abstract
$UWLFLDOLQWHOOLJHQFH+XPDQ
This research aims to analyze of the ways cognitive psychology attempts to understand
information processing, Process
KRZNQRZOHGJHDERXWWKHZRUOGLVUHSUHVHQWHGDQGKRZFRJQLWLYHSURFHVVHVZRUN
simulation.
to achieve that representation. After differentiating between symbolic processing

(serial processing of information), and non-symbolic processing and subsymbolic
(parallel distributed processing), this paper focus on the latter from conexionism,
describing the units and prosecution processes. The following describes learning in
WKHFRQH[LRQLVPPRGHOWRWDFNOHLWVLPSOLFDWLRQVLQVFKRROHGXFDWLRQDQGPDLQO\
in higher education, by establishing a hypothetical model which highlights the
importance of parallel processing when stimulating learning. Finally, it compares
serial and parallel processing models, and sums up with the importance of the hybrid
processing models nowadays.
* Profesora contratada de la Universidad de Murcia. rmpons@um.es

** Profesor titular de la Universidad de Murcia, Espaa. serrano@um.es
Educ. Humanismo, Vol. 13 - No. 21 - pp. 51-82 - Diciembre, 2011 - Universidad Simn Bolvar - Barranquilla, Colombia - ISSN: 0124-2121
http://portal.unisimonbolivar.edu.co:82/rdigital/educacion/index.php/educacion
CONEXIONISMO E INSTRUCCIN
52
Introduccin
plicar lo que el sujeto hace, se puede plantear
La psicologa cognitiva, como escuela psi-
en los trminos del dualismo tradicional de cuer-
colgica o, mejor, como paradigma psicolgico,
po y mente. De manera que el conductismo da
tiene una historia reciente. De hecho, aunque al-
poca importancia al cuerpo y a las predisposi-
JXQDVSURSXHVWDVGHQDOHVGHORVDxRV\GHOD
ciones genticas de la conducta, aunque tambin
dcada de los 50 se puedan considerar como los
rechaza la mente, de la que prescinde de forma
primeros esbozos de esta forma de hacer psico-
explcita como elemento explicativo y, en mu-
loga, es a partir de los aos 60 cuando realmen-
chos casos, incluso llega a combatirla. Podra-
te se empieza a extender por el mundo entero,
mos decir, entonces, que la psicologa conductis-
compitiendo en los centros de estudio y de inves-
ta estudia la conducta para explicar la conducta.
WLJDFLyQ FRQ HO FRQGXFWLVPR DO TXH QDOPHQWH

desbanc como paradigma dominante.
Esta idea del ambientalismo y del organismo

vaco entra en crisis en los aos 60, cuando los
El conductismo supuso uno de los mayores
principios explicativos bsicos que los susten-
esfuerzos de los psiclogos por hacer de su disci-
tan son ampliamente cuestionados, tanto por los
plina una ciencia. Los principios metodolgicos
etlogos y por las investigaciones que emanan
que exigi a la ciencia psicolgica (experimen-
desde las neurociencias como por los propios de-
tacin, rechazo de la introspeccin, empleo de
sarrollos de la disciplina psicolgica.
FDWHJRUtDV H[SOLFDWLYDV GHQLGDV RSHUDFLRQDOmente, etc.) fueron un adelanto y una conquista
Por parte de la psicologa cognitiva, la crti-
que la mayora de los psiclogos consideran, hoy
ca se referir bsicamente al olvido de la mente.
da, irrenunciables. Sin embargo, estos triunfos
En efecto, sabemos que la psicologa cognitiva
se vieron claramente empaados en dos cuestio-
result atractiva, fundamentalmente, porque in-
nes fundamentales:
trodujo de nuevo en la psicologa temas como
(OFRQGXFWLVPRHUDXQDSVLFRORJtDVLQVXMHWR
el de la atencin, la percepcin, la memoria, el
SVLFRORJtDGHORUJDQLVPRYDFtR
pensamiento y el lenguaje, que son al parecer
6X SUHWHQVLyQ WHyULFD IXQGDPHQWDO FRQVLV-
irrenunciables para toda psicologa que busque
ta en explicar toda la conducta a partir del
ser completa y que el conductismo a duras pe-
aprendizaje, por lo que para esta teora son
nas pudo incluir en sus investigaciones. Y como
los refuerzos y los estmulos presentes en la
compendio de todas estas capacidades y activi-
vida de los organismos los que determinan su
dades, la psicologa cognitiva resalt el valor
modo de relacionarse con el medio y de resol-
de la mente. De nuevo la mente entra, as, en la
ver sus problemas adaptativos.
psicologa, y, adems, es explicada con mtodos

que se heredan del conductismo y que albergan
Esta paradjica renuncia al sujeto para ex-
la tan manida pretensin de objetividad, por
ROSA MARA PONS PARRA, JOS MANUEL SERRANO GONZLEZ-TEJERO
53
cuanto la psicologa cognitiva rechaza la intros-
vidades mentales que no son cogniciones, es de-
peccin como acceso privilegiado a lo psquico
cir, las actividades mentales que no consisten en
y favorece los informes objetivos obtenidos en
informar o describir el mundo, solo pueden en-
ODERUDWRULR6LPSOLFDQGRVLHOPHQWDOLVPRWUD-
WUDUFRQHQRUPHVGLFXOWDGHVHQHOSURJUDPDGH
dicional pretende estudiar la mente mirando a la
investigacin cognitivo (y aqu hay que incluir
mente, la psicologa cognitiva busca estudiar la
fundamentalmente el mundo de las emociones y
mente mirando la conducta. En este sentido, la
el de la motivacin): estar triste no es tener un
psicologa cognitiva considera irrenunciable la
estado informativo determinado, desear no es te-
referencia a la mente como causa de la conducta,
ner una representacin del mundo, aunque, evi-
pero tambin considera irrenunciable la obser-
dentemente, el problema es que la informacin
vacin objetiva de la conducta para el descubri-
PDQHMDGDSRUHOVXMHWRWLHQHXQDFODUDLQXHQFLD
miento de las estructuras y procesos mentales,
tanto en la emocin y en el sentimiento, como
supuestamente elicitadores de la conducta.
en el deseo y la voluntad. En trminos clsicos,

la psicologa cognitiva estudia la dimensin in-
Pero la diferencia con otros mentalismos no

solo radica en el mtodo sino en los conceptos
telectual de la psique, pero no la emotiva y la

volitiva.
y categoras fundamentales con los que intenta comprender la mente, es decir, la diferencia
esencial est en la idea de mente.
En su forma de entender la informacin y en

el modo de procesarla, fueron importantes cierWDV LGHDV ORVyFDV \ ORV DYDQFHV WHFQROyJLFRV
La categora explicativa bsica que utiliza el
en informtica. En primer lugar, y mirando de
paradigma cognitivo es la de informacin: la
FDUDD OD ORVRItD OD LQXHQFLD PiV FODUDWLHQH
mente es una entidad capaz de recibir, almace-
que ver con las tesis racionalistas. En segundo
nar y procesar de diversos modos la informacin
lugar, por la importancia que se le da a las re-
y de generar una conducta en virtud de dichas
presentaciones, ya que el trato con las cosas est
actividades. Podemos decir as que lo ms ge-
determinado por el conocimiento que el sujeto
neral y comn que podemos decir de la psico-
tiene del mundo, conocimiento que ha de estar
ORJtD FRJQLWLYD HV TXH UHHUH OD H[SOLFDFLyQ GH
presente de algn modo en l para que su con-
la conducta a entidades mentales, a estados, a
GXFWDUHVXOWHHFD]$HVWDIRUPDYLFDULDGHVHU
procesos y a disposiciones de naturaleza mental,
mundo se le suele llamar representacin, y la
para los que reclama un nivel de discurso pro-
investigacin de su estatus y de sus peculiari-
pio (Rivire, 1987, p. 21). Esta tesis primordial
dades es precisamente uno de los temas princi-
tiene importantsimas consecuencias en la idea
pales en el paradigma cognitivo. Las entidades
de mente y de psicologa propuesta por este pa-
WLHQHQFRQWHQLGRVHPiQWLFRVLJQLFDQDOJRSRU
radigma. Por ejemplo, parece claro que las acti-
HMHPSOR FRQFHSWRV JXUDV IRUPDV iQJXORV
54
notas, propiedades, etc.) y gracias a dicho signi-
computador como metfora del funcionamien-
FDGRVRQUHIHUHQFLDVDOPXQGR'HHVWHPRGR
to cognitivo humano (Pozo, 2010, p. 43). Esta
las representaciones se convierten en las uni-
analoga est basada en el test de Turing, segn
dades informativas que maneja el sujeto, cuyo
el cual, si la ejecucin de dos sistemas de pro-
procesamiento determina la conducta. Pero las
cesamiento, en una determinada tarea, alcanza
representaciones se combinan unas con otras si-
XQ LVRPRUVPR TXH GLFXOWD OD GLVWLQFLyQ HQ-
guiendo reglas y el rendimiento de cada una de
tre ambos, los dos sistemas deben considerarse
las facultades mentales (percepcin, memoria,
idnticos.
OHQJXDMHDWHQFLyQHWFHVHQFLDOPHQWHHVGHnido a partir de las distintas reglas de transfor-
La tecnologa existente estableci el modo
macin y combinacin de las representaciones.
concreto de concebir las formas de instanciar
De este modo, reglas y representaciones son dos
la representacin y de procesar la informacin.
de los elementos conceptuales bsicos del cog-
Aunque en los primeros aos de la informti-
nitivismo y dan lugar a uno de los programas de
ca, hubo algunos intentos de construir sistemas
investigacin ms caractersticos de este para-
DUWLFLDOHV GH SURFHVDPLHQWR TXH UHSURGXMHVHQ
digma: el procesamiento de la informacin.
algunos aspectos muy abstractos del cerebro (el

perceptrn1 o el adaline2, por ejemplo), el mo-
De esta manera, podemos considerar el pro-
delo que sin embargo tuvo ms xito fue el del
cesamiento de la informacin como un sistema
ordenador Von Neumann, al punto que los orde-
representacional que se organiza en tres niveles
nadores actuales son ejemplos de este modelo.
(Ballesteros, 1992, p. 345):
Sus caractersticas principales son las siguientes:
a) El nivel semntico, que explica por qu este
/DLQIRUPDFLyQHVWiORFDOL]DGDHQSDUWHVItVL-
VLVWHPDVDEHFXiOHVVRQVXVREMHWLYRV
cas concretas: si guardo en el disco duro de
E (OQLYHOVLPEyOLFRTXHFRGLFDPHGLDQWHH[-
mi ordenador lo que ahora estoy escribiendo,
presiones simblicas el contenido semntico,
la informacin se almacenar fsicamente en
al tiempo que dicta las reglas que permiten
un lugar preciso, al que el ordenador sabr
PDQLSXODUGLFKRVVtPERORV\
acceder mediante un sistema preciso de diUHFFLRQHV
c) El nivel fsico que acta como soporte material del sistema.
/DLQIRUPDFLyQVHSURFHVDen serie: si hago
La concepcin del ser humano como pro-

cesador de la informacin se basa, pues, en la
aceptacin de la analoga entre la mente humana y el funcionamiento de un computador. Para

ser ms exactos, se adaptan los programas de
(OSHUFHSWUyQHVXQWLSRGHQHXURQDDUWLFLDORHQVXFDVRGH
UHGQHXURQDODUWLFLDO
El adaline (de ADAptative LINear Element, aunque originalmente el nombre corresponda a ADAptative LInear NEuron)
HV XQ WLSR GH UHG QHXURQDO DUWLFLDO /D GLIHUHQFLD HQWUH HO
adaline y el perceptrn estndar es que el perceptrn solo tieQH FDSDFLGDG SDUD FODVLFDU \D TXH XWLOL]D XQD IXQFLyQ XPbral sobre la suma ponderada de las entradas, a diferencia del
adaline, que es capaz de estimar una salida real.
55
que corra un programa en mi ordenador, las
ga cognitiva consiste, por tanto, en determinar
instrucciones de que este consta se realizarn
cmo se representa el conocimiento. El nmero
siguiendo un orden, y una en cada unidad de
GHWHRUtDVTXHWUDWDGHH[SOLFDUFyPRVHFRGLFD
tiempo, nunca dos (o ms) en el mismo mo-
almacena y recupera el conocimiento ha demos-
PHQWRXQ~QLFRSURFHVDGRU
trado una falta de acuerdo y una dispersin con-
/DLQIRUPDFLyQFRQODTXHWUDEDMDHORUGHQD-
ceptual que ha generado una serie de constructos
GRUHVVLJQLFDWLYDDOPHQRVHQHOQLYHOGHO
distintos y diferenciados, a la hora de explicar
programador: una palabra, una letra, una l-
este proceso de representacin. Por ello, algunos
QHDXQiQJXORXQDJXUDHWF
autores proponen albergar este subparadigma en
(O RUGHQDGRU FRQVWD GH SDUWHV ItVLFDPHQWH
un paradigma ms general, como es el construc-
diferenciadas para tareas realmente diferen-
tivista, que, adems, permita incluir los elemen-
tes: grandes estructuras como la memoria, los
tos emotivos y volitivos (Serrano y Pons, 2008,
perifricos, la unidad lgico-matemtica, la
2011).
XQLGDGGHSURFHVDPLHQWRFHQWUDOHWF
/D LQIRUPDFLyQ HVWi FRQWURODGD GHVGH XQD
Esta es la razn por la que los chunks3 del
parte privilegiada del ordenador: la unidad
procesamiento humano de la informacin o las
central de procesamiento (CPU), unidad que
unidades representacionales que utiliza este
se encarga de establecer las jerarquas en la
subparadigma de la psicologa cognitiva, se pue-
DFWXDFLyQ\HOFRQWUROGHOVLVWHPD
den agrupar en un conjunto amplio de estructu-
/DVUHJODVGHSURFHVDPLHQWRGHVFULEHQWUDQV-
ras como: las redes semnticas (Quillian, 1968),
formaciones que atienden a restricciones l-
los sistemas de produccin (Anderson, 1983),
gicas, semnticas y sintcticas.
los esquemas (Rumelhart, 1989), los guiones o

scripts 6FKDQN ODV imgenes mentales
La teora psicolgica cognitiva clsica tom

estas ideas y las traslad a la psicologa, de ma-
(Serrano, 2008), los modelos mentales (JohnsonLaird, 1980) y los marcos0LQVN\
nera que, partiendo de la idea de que la mente

era como un programa informtico y el cerebro
Una red semntica4 o esquema de repre-
como el hardware del ordenador, intent descri-
sentacin en red es una forma de explicacin
ELUHOXMRGHODLQIRUPDFLyQFRQODLGHDGHTXH
del conocimiento en la que los conceptos y sus
la mente procesa la informacin a travs de ma-
interrelaciones se designan mediante un grafo.
croestructuras que la transforman a su manera.

De este modo, la investigacin deba centrarse
en buscar el autntico modo en el que se produ-

cen las representaciones (Pons y Serrano, 2011).

El principal problema actual de la psicolo-
8Q FKXQN HV XQ IUDJPHQWR GH LQIRUPDFLyQ (Q FRPSXWDFLyQ

distribuida, es un conjunto de datos que se enva a un
procesador o cada una de las partes en que descompone el
problema para su paralelizacin.
Conviene no confundir red semntica semantic network con
web semntica semantic web.
56
En un grafo (o red semntica), los elementos se-
to en que la primera fue seleccionada. Un siste-
mnticos se representan por nodos. Cierto tipo de
ma de produccin es parcialmente conmutativo
relaciones no simtricas requieren grafos direc-
si existe un conjunto de reglas que al aplicarse
FLRQDOHVTXHXVDQHFKDVHQOXJDUGHOtQHDVSRU
en una secuencia particular transforma un estado
tanto, dos elementos semnticos entre los que se
A en otro B, y si con la aplicacin de cual-
admite que se da la relacin semntica que re-
quier permutacin posible de dichas reglas se
presenta la red, estarn unidos siempre mediante
puede lograr el mismo resultado. Un sistema de
XQDOtQHDXQDHFKDXQHQODFHRXQDDULVWD(Q
produccin es conmutativo, si es monotnico y
caso de que no existan ciclos, estas redes pueden
parcialmente conmutativo.
ser visualizadas como rboles. Las redes semnticas son usadas a la hora de elaborar, entre otras
cosas, mapas conceptuales y mentales.
Una imagen mental es una experiencia

que, en muchas ocasiones, se asemeja considerablemente a la experiencia de percibir un objeto,
Un sistema de produccin es una estructu-
suceso o escena, con la diferencia de que puede
ra que facilita la descripcin y la ejecucin de un
producirse cuando ese elemento no se encuentra
proceso de bsqueda, y consiste en:
realmente expuesto a los sentidos.
D 8QFRQMXQWRGHIDFLOLGDGHVSDUDODGHQLFLyQ
GHUHJODV
b) Mecanismos para acceder a una o ms bases
GHFRQRFLPLHQWRV\GDWRV
Un guin (script) es un archivo de rdenes

o de procesamiento por lotes que por lo regular
se almacena en un archivo de texto plano. Los
F 8QD HVWUDWHJLD GH FRQWURO TXH HVSHFLFD HO
scripts son casi siempre interpretados, pero no
orden en el que las reglas son procesadas, y
todo programa interpretado es considerado un
OD IRUPD GH UHVROYHU ORV FRQLFWRV TXH SXH-
script. El uso habitual de los scripts implica la
den aparecer cuando varias reglas coinciden
realizacin de diversas tareas como combinar
VLPXOWiQHDPHQWH\
componentes y/o interactuar con el sistema ope-
d) Un mecanismo que se encarga de ir aplicando

las reglas.
rativo o con el usuario. Por este uso, es frecuente

que los shells sean a la vez intrpretes de este
tipo de programas.
/RVVLVWHPDVGHSURGXFFLyQVHGHQHQFRPR
un conjunto de caractersticas que permiten vi-
Se denomina marco (frame) a una estructu-
sualizar la mejor forma en que pueden ser imple-
ra de datos que contiene una descripcin general
mentados. Se dice que un sistema de produccin
de un objeto, que se deriva de conceptos bsicos
es monotnico si la aplicacin de una regla no
\ GH OD H[SHULHQFLD (Q ,QWHOLJHQFLD $UWLFLDO
evita que ms tarde se pueda aplicar otra que
es bsicamente una estructura de conocimiento
tambin pudo ser aplicada en el mismo momen-
que contiene una secuencia estereotipada de ac-
57
ciones. Un marco encierra toda la informacin
se organiza en torno a prototipos. Ello permite su
descriptiva y de comportamiento concerniente
ajuste a una gran variedad de situaciones a partir
DXQFRQFHSWRGHPDQHUDFRPSDFWDFRGLFDGD
GH XQD VHULH GH HOHPHQWRV MRV FRQ OR FXDO VH
y fcilmente accesible (por ejemplo, la palabra
logra una gran economa cognitiva.
elefante nos hace evocar un marco que contieQHODLPDJHQJUiFDGHHVWHDQLPDOSHURWDPELpQ
Los esquemas se construyen gracias a una
su peso y la vegetacin tropical de su hbitat na-
poderosa maquinaria inductiva especializada
tural).
HQ DSUHVDU UHJXODULGDGHV DUPDFLRQHV \ GLIHrencias (negaciones) en las situaciones, compor-
$SDUWLUGHODLGHDLQLFLDOGH0LQVN\VHKDQ
tamientos e ideas que perciben las personas en
desarrollado dos corrientes opuestas: los marcos
su entorno. Esta maquinaria opera siguiendo los
como prototipos y los marcos como clases. La
principios del aprendizaje implcito, que es la
SULPHUDDUPDTXHHOKRPEUHDSUHQGHDSDUWLUGH
forma ms comn de cognicin humana y a tra-
ejemplos particulares que luego generaliza: un
vs de la cual detectamos y procesamos incons-
prototipo incluye la descripcin completa de un
cientemente informacin sobre posibles covaria-
individuo particular, representativo de una cate-
ciones entre caractersticas o sucesos del mundo
gora (por ejemplo, el ruiseor es un prototipo de
circundante. Por esta razn, los esquemas, se
ave). En la aproximacin de clases, un marco es
construyen inadvertidamente y su contenido es
la descripcin general, esquemtica, de una cla-
difcil de verbalizar.
se y constituye una descripcin incompleta que

incluye solo los atributos comunes a todos los
Finalmente, un modelo mental es una re-
individuos de esa clase. Las clases se relacionan
presentacin episdica que incluye personas, ob-
formando una jerarqua que parte de una clase
jetos y sucesos enmarcados en unos parmetros
general y se va especializando (por ejemplo, el
espaciales, temporales, intencionales y causales
marco ave, como especializacin de la clase
PX\VLPLODUHVDORVXWLOL]DGRVSDUDFRGLFDUVL-
vertebrados, contiene informacin comn a to-
tuaciones reales (De Vega, Daz y Len, 1999).
das las aves: vuela, tiene plumas, etc.). En este

esquema, aprender es ubicar un nuevo conoci-
Conexionismo
miento en la posicin adecuada de la jerarqua.
En la segunda mitad de los aos 80, surge

XQD PRGLFDFLyQ VXVWDQFLDO HQ HO SDUDGLJPD
Los esquemas son estructuras complejas
cognitivo con el desarrollo de una variacin pa-
de datos que representan los conceptos genri-
radigmtica que utiliza una nueva arquitectura
cos almacenados en la memoria. La organiza-
no simblica y que se conoce con el nombre de
cin interna de este conocimiento en la memoria
conexionismo. De manera concreta, en 1986, D.
semntica sigue principios de tipicidad, esto es,
E. Rumelhart y J. L. McClelland editan Parallel
58
distributed processing, obra considerada como
la idea de cmputo, consideran que el mode-
la Biblia del conexionismo y que supuso el
lo del computador no responde al conocimien-
cambio de rumbo en la psicologa cognitiva. Es
to que, en el momento actual, se tiene sobre el
comn sealar la radicalidad de dicho cambio,
funcionamiento del cerebro, ya que parece muy
hasta el punto de que algunos autores dicen que
poco probable que nuestro cerebro implemente
con el conexionismo se da realmente un cambio
programas que puedan funcionar de manera se-
de paradigma.
rial: si se tiene en cuenta que una neurona necesita de unos pocos milisegundos para realizar
(Q HO FRQH[LRQLVPR FRQX\H XQ FRQMXQWR
una funcin y que una tarea de un cierto nivel de
de enfoques de los mbitos de la inteligencia
complejidad puede realizarse en unos cientos de
DUWLFLDO SVLFRORJtD FRJQLWLYD FLHQFLD FRJQLWL-
milisegundos, el cerebro solo podra pasar por
YDQHXURFLHQFLD\ORVRItDGHODPHQWH(QHVHQ-
unos cien pasos discretos para realizar la tarea,
cia, este concepto presenta los fenmenos de la
lo que Feldman (1985) llam el programa de
mente y del comportamiento como procesos que
los 100 pasos. Por esta razn, para que pueda
emergen de redes formadas por unidades senci-
pasar a travs de los miles de pasos de informa-
llas interconectadas. En Psicologa, esta nueva
FLyQFRGLFDGDHQXQSURJUDPDGHRUGHQDGRUHV
forma de estudiar y explicar la mente y la con-
necesario que funcione en paralelo. Adems, el
ducta recibe el nombre de deconexionismo (aun-
modelo conexionista niega la necesidad de un
TXH RWURV SUHHUHQ HO WpUPLQR QHRFRQH[LRQLV-
programa almacenado y de un lenguaje interior
mo, para distinguirlo del antiguo conexionismo
(constituido por la manipulacin de smbolos),
propuesto por Alexander Bain en la segunda mi-
por lo que el conexionismo est constituido por
tad del siglo XIX, autor que tambin subray la
modelos no simblicos o subsimblicos en los
importancia de las conexiones entre neuronas, y
que la actividad surge por la fuerza de las co-
ODLQYHVWLJDFLyQ\H[SHULPHQWDFLyQVLROyJLFD
nexiones entre las unidades del sistema, no de

ORVVtPERORVFRGLFDGRVdentro del sistema (los
Dado que, para este paradigma, el procesa-
pesos de las conexiones determinarn el funcio-
miento y el almacenamiento de la informacin
namiento de las redes). Finalmente, como cada
recaen en amplios conjuntos de elementos sim-
unidad de procesamiento corresponde a un ras-
ples (las unidades de las redes conexionistas), el
go (letra, nmero, palabra, etc.) las representa-
modelo de procesamiento conexionista se llama
ciones en los sistemas conexionistas se encuen-
tambin Procesamiento Distribuido en Parale-
tran distribuidas entre las distintas unidades de
lo (o PDP).
la red. En trminos generales, podramos decir

que la perspectiva conexionista tiene como ob-
En efecto, aunque los conexionistas ofrecen
jetivo investigar los niveles subsimblicos que
una explicacin del procesamiento basada en
subyacen a los formalismos de alto nivel, tales
59
como esquemas, sistemas de produccin, etc.,
ma manera que otros semejantes que ya exis-
que son utilizados por el paradigma cognitivo
ten en el sistema.
6PROHQVN\ /RV FRQH[LRQLVWDV SLHQVDQ
7LHQHQODFDSDFLGDGGHFRPSOHWDUXQSDWUyQ
que la representacin mental no puede ser expli-
TXHVHHQFXHQWUDHVSHFLFDGRGHPDQHUDLQ-
cada adecuadamente apelando a la analoga con
completa, proporcionando las activaciones
las caractersticas computacionales de una m-
correspondientes en los nodos que carecen de
quina Turing-Von Neumann y, en contraste con
ellas.
los enfoques proposicionales simblicos clsi-
7ROHUDQLPSHUIHFFLRQHVGHPDQHUDTXHFXDQ-
FRVDUPDQTXHHOFRQRFLPLHQWRQRSXHGHHVWDU
do se lesionan algunas unidades, su funcio-
localizado, ya que no se encuentra almacenado
namiento se resiente, pero no se imposibilita.
como tal.
En los enfoques de procesamiento distribuido
(OHQIRTXHFRQH[LRQLVWDGHHQGHTXHHOFR-
en paralelo, los conceptos input/output se repre-
nocimiento es el resultado de la activacin de
sentan como diferentes patrones de activacin
una red de conexiones entre unidades muy sim-
sobre el mismo conjunto de unidades. De mane-
SOHV QHXURQDV DUWLFLDOHV VLPLODUHV SHUR QR
ra que es posible asociar conceptos similares y
LGHQWLFDEOHVDODVQHXURQDV'HPDQHUDTXHHQ
generalizar propiedades al compartir los mismos
una red conexionista, el proceso computacional
subpatrones de actividad.
total est descrito en trminos de las interacciones entre miles de procesadores restringidos y la
Redes neuronales
representacin de conocimiento est distribuida
(Q ,QWHOLJHQFLD $UWLFLDO ORV PpWRGRV GH
a travs de estas redes formadas por unidades y
computacin basados en redes neuronales se in-
conexiones (Iza y Ezquerro, 1999). Por tanto,
cluyen en un campo de computacin que pres-
recuperar un determinado contenido representa-
cinde del enfoque algortmico tradicional y toma
cional supone una reconstruccin5. Una cuestin
FRPRPRGHORORVVLVWHPDVELROyJLFRVHVWDQXH-
LPSRUWDQWHVLQHPEDUJRHVFyPRVHFRGLFDHQ
va forma de computacin incluye, entre otras, la
tales sistemas el input y el output.
lgica borrosa, las redes neuronales y el razonamiento aproximado, y recibe los nombres de
Las redes conexionistas estn dotadas de las
computacin cognitiva, computacin del mundo
siguientes propiedades:
real o Computacin Soft, para distinguirlo del
7LHQHQ FDSDFLGDG GH DXWRJHQHUDUVH \D TXH
enfoque algortmico tradicional o Computacin
nuevos inputsSXHGHQFODVLFDUVHGHODPLV-
Hard. As, en Psicologa, se le llama conexionismo al paradigma (o subparadigma) que utiliza

redes neuronales para comprender y explicar
Esta concepcin est inspirada en la realizacin de una

mquina de Boltzmann (Rumelhart y McClelland, 1986).
la vida psquica y la conducta.
60
/DVUHGHVQHXURQDOHVDUWLFLDOHVGHQRPLQD-
travs de una funcin logstica sobre la base
das habitualmente como RNA o, por sus siglas
de la suma de las entradas de cada unidad.
en ingls ANN) son los modelos conexionistas
(ODOJRULWPRGHDSUHQGL]DMHFDGDWLSRGHUHG
PiV XWLOL]DGRV KR\ HQ GtD \ SRGUtDQ GHQLUVH
PRGLFD VXV FRQH[LRQHV GH GLVWLQWD IRUPD
como un retculo que colabora para producir
(por lo general, cualquier cambio matemti-
un estmulo de salida. Muchas investigaciones
FDPHQWHGHQLGRTXHVHGpHQORVSHVRVGHODV
en las que se utilizan redes neuronales son de-
FRQH[LRQHVDORODUJRGHOWLHPSRVHUiGHQL-
nominadas con el nombre ms genrico de co-
do como un algoritmo de aprendizaje).
nexionistas. Aunque hay gran variedad de modelos de redes neuronales, casi siempre siguen
Los conexionistas estn de acuerdo en que
dos principios bsicos relativos a la mente:
las redes neuronales recurrentes (en las cuales
&XDOTXLHU HVWDGR PHQWDO SXHGH VHU GHVFULWR
las conexiones de la red pueden formar un ci-
como un vector (N)-dimensional de los valo-
clo dirigido) son un modelo del cerebro mejor
res numricos de activacin en las unidades
que las redes neuronales feedforward (redes sin
neurales de una red.
ciclos dirigidos). Muchos modelos recurrentes
/DPHPRULDVHFUHDFXDQGRVHPRGLFDQORV
conexionistas tambin incorporan la teora de
valores que representan la fuerza de las co-
los sistemas dinmicos y son bastantes los inves-
nexiones entre las unidades neurales. La fuer-
WLJDGRUHVFRPR3DXO6PROHQVN\TXHKDQDUJX-
za de las conexiones, o pesos, son general-
mentado que los modelos conexionistas evolu-
mente representados como una matriz de (N
cionarn hacia sistemas dinmicos no lineales
N) dimensiones.
con un enfoque plenamente continuo y de mltiples dimensiones.
La mayora de los distintos modelos de redes

neuronales se caracterizan por:
La rama de las redes neuronales del conexio-
/D LQWHUSUHWDFLyQ GH VXV XQLGDGHV VH SXH-
nismo sugiere que el estudio de la actividad
den interpretar como neuronas individuales o
mental es en realidad el estudio de los sistemas
como grupos de estas.
neurales. Esto permite enlazar el conexionismo
/D GHQLFLyQGHODDFWLYDFLyQKD\PXOWLWXG
con la neurociencia y con modelos que implican
de formas de describirla. Por ejemplo, en una
diferentes grados de realismo biolgico. Por lo
mquina de Boltzmann la activacin se in-
general, los trabajos conexionistas no necesitan
terpreta como la probabilidad de generar un
ser biolgicamente realistas, pero algunos inves-
pico de potencial de accin, y se determina a
tigadores de redes neuronales, los neurocientFRV FRPSXWDFLRQDOHV SRU HMHPSOR LQWHQWDQ

modelar los aspectos biolgicos de los sistemas
Una mquina de Boltzmann es un tipo de red neuronal capaz

de aprender mediante representaciones internas.
naturales neuronales muy cerca de las denomi-
61
QDGDVUHGHVQHXURPyUFDV$PXFKRVDXWRUHV
Los elementos presentes en la mayora de los
les atrae del conexionismo la clara relacin que
modelos conexionistas, pueden sintetizarse en el
se puede encontrar entre la actividad neuronal y
siguiente declogo (Raimnguez, 2009).
la cognicin, aunque estos planteamientos han
1. La red es un conjunto de unidades de proce-
sido duramente criticados por ser excesivamente

reduccionistas.
samiento (neuronas) muy simples.

2. Las neuronas interactan entre s mediante
las conexiones que las asocian.
En una primera aproximacin, podramos
3. Tanto los estmulos que afectan a las unida-
GHQLU ODV UHGHV QHXURQDOHV FRPR FRQMXQWRV GH
des de entrada, como las seales de salida se
unidades interconectadas masivamente capaces
expresan en trminos cuantitativos.
de procesar y almacenar informacin median-
7RGD XQLGDG GH OD UHG YLHQH GHQLGD SRU
WH OD PRGLFDFLyQ GH VXV HVWDGRV $XQTXH OD
un nivel de activacin expresado de forma
VLJXLHQWH DUPDFLyQ H[LJLUtD LPSRUWDQWHV SUH-
cuantitativa.
cisiones, en general se puede decir que el psi-
5. Toda conexin viene caracterizada por un va-
clogo conexionista considera que ha explicado
lor de fuerza del trazo o peso de la conexin,
un fenmeno psicolgico (el reconocimiento de
tambin expresado de forma cuantitativa.
formas, la produccin de lenguaje, la memoria,
6. El procesamiento y almacenamiento de la in-
etc.) cuando el modelo neuronal que construye
formacin se realiza de forma paralela y dis-
se comporta del mismo modo que los seres hu-
tribuida.
manos cuando realizan la misma tarea. No hay
7. Existen reglas o funciones que computan la
que olvidar que el conexionismo participa de
informacin en distintos niveles del proce-
una idea comn con la psicologa cognitiva cl-
VDPLHQWR SDUD OD PRGLFDFLyQ GHO QLYHO GH
sica: para ambos la mente es un sistema capaz de
activacin a partir de las entradas, para la
procesar informacin, un sistema capaz de reci-
produccin de la salida a partir del nivel de
bir seales de entrada, almacenar informacin y
activacin, etc.).
provocar informacin de salida, a partir, tanto de
8. Existen reglas o funciones de aprendizaje que
la informacin de entrada, como de la informa-
OHSHUPLWHQDODUHGPRGLFDUORVSHVRVGHODV
cin almacenada y los mecanismos de cmpu-
conexiones para acomodar de modo cada vez
to. Dada esta suposicin de que los fenmenos
ms perfecto la informacin de entrada a la
mentales y la conducta son consecuencia de ele-
salida requerida.
mentos internos al sujeto, el conexionismo con-
9. La funcin de cada unidad es simplemen-
sidera adecuada la explicacin cuando la red que
te realizar clculos con las entradas que re-
construye es capaz de realizar, a partir del vector
ciben y producir la informacin que envan a
de entrada, los distintos cmputos que provocan
las unidades con las que estn conectadas.
el vector de salida deseado.
10. Dado que toda la actividad de la red no es
62
otra cosa que clculos o transformaciones de
Unidades de entrada: Les correspon-
Q~PHURV VH SXHGH DUPDU TXH HQ UHDOLGDG
de este nombre por recibir informacin de
la red neural es un dispositivo para compu-
fuentes externas a la propia red. Si la red
tar una funcin, es decir, un sistema capaz de
dispone de sensores (por ejemplo, un es-
transformar la informacin de entrada en in-
cner), la informacin externa es informa-
formacin de salida. La funcin presente en
FLyQVHQVRULDOVLODUHGHVWiFRQHFWDGDFRQ
la red y que realiza el cmputo es bsicamen-
otras redes, las unidades de entrada reci-
te el patrn o conjunto de pesos sinpticos de
EHQGDWRVGHODVVDOLGDVGHODVRWUDVUHGHV
las unidades.
en otros casos, simplemente, las unidades

de entrada reciben los datos que el usua-
En la Tabla 1, se resumen los elementos y

mecanismos bsicos para el procesamiento de
rio de la red introduce manualmente en el

ordenador.
las redes conexionistas:

Unidades de salida: Ofrecen las seaLos elementos bsicos de procesamiento de
les o informacin al exterior de la red y,
la informacin en el cerebro son las neuronas
por lo tanto, dan la respuesta del sistema.
y dado que los modelos conexionistas son mode-
Si la red dispone de conexiones con sis-
los de inspiracin biolgica, tambin a las unida-
temas motores (robots, por ejemplo), su
des bsicas encargadas del procesamiento en las
respuesta ser la intervencin en el mundo
redes conexionistas se las llama habitualmente
ItVLFR VL OD UHG HVWi FRQHFWDGD FRQ RWUDV
neuronas. Aunque tambin podemos encontrar
redes, su respuesta se compondr de datos
en la literatura los trminos clulas, unida-
GH HQWUDGD SDUD HVWDV ~OWLPDV UHGHV \ VL
GHVQHXURQDVDUWLFLDOHVQRGRV\HOHPHQ-
simplemente, son redes que utilizamos en
tos de procesamiento (PEs) o simplemente ele-
nuestro ordenador, las unidades de salida
mentos (Figura 1). Cada una de estas unidades
ofrecen datos al usuario para su posterior
representa una variable, un rasgo, un concepto,
tratamiento.
etc. Las unidades no tienen existencia fsica real

y se implementan mediante programas de orde-
Unidades ocultas: Aunque no todas
nador. La funcin de estas unidades se relaciona
las redes poseen este tipo de unidades, las
esencialmente con la recepcin y tratamiento de
UHGHVPtQLPDPHQWHVRVWLFDGDVODVLQFOX-
la informacin: recibir informacin a partir de
yen. Estas unidades no tienen una relacin
las conexiones que mantienen con otras neuro-
directa ni con la informacin de entrada
nas, elaborar o transformar la informacin reci-
ni con la de salida, por lo que no son vi-
bida y emitir informacin de salida hacia otras
sibles al ambiente exterior a la red (de
neuronas. Existen tres tipos de unidades:
ah su nombre). Su funcin es procesar la
63
Tabla 1
Elementos de la estructura conexionista
Conceptos y mecanismos
bsicos para el
procesamiento en las redes
conexionistas
La entrada (input) total
Un conjunto de n unidades de procesamiento (neuronas
DUWLFLDOHVTXHUHFLEHQLPSXOVRVGHHQWUDGDGHRWUDVXQLdades y envan impulsos de salida a las restantes unidades
(nodos). Cada nodo puede representar una variable, un
rasgo, un concepto, etc. Estas neuronas no tienen existencia fsica real y se implementan mediante programas de
ordenador.
La regla de propagacin
Una regla de propagacin que consiste en una funcin
(generalmente lineal) que permite obtener, a partir del
producto de las entradas y los pesos, el valor potencial
postsinptico de la neurona.
El estado de activacin
Las conexiones Un estado de activacin de cada unidad (neurona), a(n).
entre las
Este estado de activacin es funcin de las entradas que
unidades
recibe la unidad y determina la salida que se enva a las
(las sinapsis)
restantes unidades. El estado de activacin global viene
dado por un vector de orden n y es la magnitud ms imSRUWDQWHGHODUHGQHXURQDOGHKHFKRHOYHFWRUQDOGH
activaciones es la magnitud que se suele comparar con los
datos experimentales que se desea interpretar.
La regla o funcin de
Una regla de activaciones que combine, en un instante deactivacin
terminado, los impulsos de entrada en cada unidad junto
con la activacin actual de la unidad para obtener la activacin en el instante siguiente.
La salida (output) de las
El peso sinptico Un vector de orden n que representa los impulsos de saliunidades
da de cada unidad. Estos impulsos de salida son funcin
de la activacin de cada una de las unidades.
Una funcin de transferencia que, a travs de un cociente, La funcin de transferencia
relaciona la respuesta (modelada) de un sistema con una
seal de entrada o excitacin (tambin modelada).
Reglas de aprendizaje
El patrn de
Este patrn puede representarse mediante una matriz de
conexin
pesos o conexiones W(n, n) que se multiplica por el vector
de salida para obtener el vector de impulsos de entrada de
FDGDXQLGDG/DVFRQH[LRQHVSXHGHQVHUMDVRYDULDEOHV
En este ltimo caso, suelen depender del vector de activacin.
Conceptos y
elementos de
la estructura
conexionista
Las unidades
Caractersticas y condiciones
64
informacin en niveles ms complejos, fa-
neuronas) y ofrecen informacin al mismo des-
YRUHFHUFyPSXWRVPiVHFDFHV
tino (al usuario, a sistemas motores o a otra capa

de neuronas).
La informacin que puede recibir una red, la

que puede ser almacenada y la que puede emitir,
Las sinapsis, por su parte, son las conexiones
est determinada en gran medida por lo que se
entre las neuronas. En la mayor parte de redes
llama el abanico de entrada (fan-in) y el abanico
las sinapsis son unidireccionales, es decir, que
de salida (fan-out). El abanico de entrada es el
la neurona k transmite informacin a la neuro-
nmero de elementos que excitan o inhiben una
na j y la neurona j la recibe, pero nunca llega a
unidad dada. El abanico de salida de una unidad
ocurrir lo contrario. Sin embargo, en redes como
es el nmero de unidades que son afectadas di-
ODVGH+RSHOGODVVLQDSVLVVRQELGLUHFFLRQDOHV
rectamente por dicha unidad (Figura 2).
Hay dos tipos de sinapsis:

Sinapsis inhibidora: En este tipo de
Se llama capa (o nivel, o estrato) al conjunto
conexin el impulso transmitido por una
de neuronas que reciben informacin de la mis-
neurona inhibe la activacin de la neuro-
ma fuente (informacin externa, otra capa de
na con la que est conectada: si la neuro-
Figura 1
1HXURQDDUWLFLDOGH0F&XOORFK3LWWV
65
Figura 2
Red neuronal
na k le transmite a la neurona j un impulso
al o informacin que por dicha conexin
que inhibe a esta, el nivel de activacin
se le enva (se suele representar este tipo
de la neurona j decrecer en funcin del
de conexin mediante puntos huecos) (Fi-
peso establecido para dicha conexin y de
gura 3).
la cantidad de informacin que se transmite por dicha sinapsis (se suele represen-
El peso sinptico o peso de la conexin es uno
tar la sinapsis inhibidora mediante puntos
de los conceptos ms importantes en las redes, y
negros).
ello por varias razones: En primer lugar porque

los cmputos de la red tienen que ver esencial-
Sinapsis excitadora: En este tipo de
PHQWHFRQHOORVHQVHJXQGROXJDU\FRQFUHWDQ-
conexin el impulso transmitido por una
GR OD DUPDFLyQ DQWHULRU SRUTXH ORV FiOFXORV
neurona excita la activacin de la neuro-
que el sistema realiza a partir de la informacin
na con la que est conectada: si la neuro-
de entrada para dar lugar a la informacin de sa-
na k est conectada mediante una sinapsis
OLGDVHEDVDQHQGLFKRVSHVRV\HQWHUFHUOXJDU
excitadora con la neurona j, el nivel de ac-
porque en cierto modo (como veremos) son el
tivacin de la unidad j aumentar si le lle-
anlogo a las representaciones de los objetos en
ga informacin por dicha conexin desde
los modelos cognitivos tradicionales.
la neurona k, y lo har en funcin del peso

de la conexin y de la magnitud de la se-
Una sinapsis es fuerte, o tiene un gran peso
66
Figura 3
Tipos de sinapsis
de conexin, si la informacin por ella recibi-
la neurona j recibe la informacin que la neu-
da contribuye en gran medida en el nuevo es-
rona k emite, pero habitualmente se designa por
tado que se produzca en la neurona receptora, y
WMN o wMN (del ingls weight, peso). Dado que en
es dbil en caso contrario. Los pesos sinpticos
ocasiones es importante representar mediante un
son valores numricos, se expresan en trminos
vector la totalidad de los pesos correspondientes
numricos sencillos (generalmente nmeros en-
a las conexiones de varias neuronas con una sali-
teros o fraccionarios negativos o positivos) con
da, y que se reserva para dicho vector correspon-
los que se ponderan las seales que reciben
diente al peso la W mayscula, cuando nos re-
por dicha sinapsis.
ferimos al peso correspondiente a una conexin

parece ms adecuado utilizar la w minscula.
En la literatura sobre redes, encontramos

ligeras variantes en la notacin utilizada para
En los modelos conexionistas el conocimien-
representar el peso sinptico de una conexin
to que la red alcanza a partir del aprendizaje se
entre la neurona k y la neurona j, de modo que
representa mediante el llamado patrn de co-
Figura 4
0RGHORGHQHXURQDGH5RVHQEODWWFRQHVSHFLFDFLyQGHIXQFLRQHV
67
nexin. Este patrn determina el modo de proce-
la unidad k inhibe a la unidad j (la conexin es
samiento de las seales y la respuesta del sistema
inhibitoria). Si el nmero correspondiente a w es
DQWHFXDOTXLHUHQWUDGDOD)LJXUDHVSHFLFDODV
VLJQLFDTXHODXQLGDGk no est conectada a la
IXQFLRQHVHQHOVHQRGHXQDQHXURQDDUWLFLDO
unidad j (www.torredebabel.com).
En los modelos ms simples, la entrada total
Aunque existen varios modelos para expresar
correspondiente a cada unidad depende esencial-
el procesamiento conexionista de la informacin,
mente de los valores de entrada y de los pesos
bsicamente, podran ser aglutinados en dos: las
que ponderan el modo en que dichos valores
redes secuenciales y las redes no-secuenciales.
colaboran en la entrada total. Por ello, en estos

modelos, el patrn de conexin es simplemente
Las redes no-secuenciales, o redes puramente
el conjunto de pesos correspondientes a cada una
paralelas, son aquellas que asocian una represen-
GHODVFRQH[LRQHVGHODUHGORVSHVRVSRVLWLYRV
tacin en su capa input con una representacin
indicarn entradas excitatorias y los negativos,
en su capa output que se generaliza a nuevas si-
entradas inhibitorias (Figura 5). Para representar
tuaciones. Esta memoria semntica puede ser el
el patrn de conexin, se utiliza una matriz de
residuo del solapamiento de trazas episdicas,
pesos W, en donde cada uno de los elementos de
puesto que, en los modelos conexionistas, el co-
la matriz (representado como wMN) indica el peso
nocimiento se almacena en las conexiones entre
correspondiente a la conexin de la unidad k y la
unidades de procesamiento.
unidad j. En este caso, el nmero correspondiente a w representa la intensidad o fuerza de la co-
Las redes secuenciales son aquellas en las que
QH[LyQ\HOVLJQRRLQGLFDVLODXQLGDGk ex-
solo existe un patrn input. En estos sistemas,
cita a la unidad j (la conexin es excitatoria) o si
la red detecta regularidades en la distribucin
Figura 5
Representacin del patrn de conexin
68
de elementos (objetos, situaciones, etc.) encaja-
el marco de las redes neuronales conexionistas,
dos entre s (por ejemplo, letras en palabras y
aunque, de todos modos, pueden considerarse
palabras en oraciones). Desde un punto de vista
como un caso especial de 3), puesto que el cam-
psicolgico (Elman, 1988), estas redes parecen
bio de la fuerza de conexin de cero a algn otro
ms plausibles que las anteriores. Este tipo de
valor, sea positivo o negativo, tiene un efecto
red puede tener una doble tarea:
similar al hecho de desarrollarse una nueva co-
a. Extraer informacin estructural contenida en
QH[LyQ\DODLQYHUVDVLHPSUHTXHVHPRGLTXH
los elementos, y
b. Extraer informacin estructural sobre el me-
la fuerza de conexin situndola en cero es como

VL VH SHUGLHVH XQD FRQH[LyQ H[LVWHQWH (Q GHnitiva, el aprendizaje en las redes conexionistas
dio.
FRQVLVWH HQ OD PRGLFDFLyQ GH ODV LQWHQVLGDGHV

Algo similar ocurre cuando una red procesa
inputs con una estructura comn.
GHODVFRQH[LRQHVODVUHJODVGHDSUHQGL]DMHQR
son otra cosa que las reglas o procedimientos
para cambiar los pesos sinpticos o pesos de las
Una red conexionista es capaz de extraer los
conexiones (Raimnguez, 2009).
chunks (frames, scripts, etc.) de conocimiento

compartidos por varios elementos.
En la vida de la red, se suelen distinguir dos

periodos o fases: durante la fase de aprendiza-
El aprendizaje conexionista
MH VH OD HQWUHQD SDUD TXH PRGLTXH VXV SHVRV
En las redes neuronales, se dice que la red
sinpticos hasta que su respuesta ante los patro-
aprende cuando es capaz de ofrecer ante un de-
nes de entrada sea correcta. En la fase de funcio-
terminado patrn de entrada el correspondiente
namiento real o fase de ejecucin, la red ya es
patrn de salida. Esta capacidad para empare-
operativa y sus pesos sinpticos no volvern a
jar adecuadamente los vectores de entrada y los
VHUPRGLFDGRV$ORFXUULUHVWR~OWLPRODUHG\D
vectores de salida lo consigue la red mediante la
se puede utilizar en la tarea para la que ha sido
PRGLFDFLyQ GH ORV SDWURQHV GH LQWHUFRQH[LyQ
diseada.
Las redes neuronales biolgicas realizan estas

PRGLFDFLRQHVSRUPHGLRGHORVVLJXLHQWHVSUR-
Existen varios modelos de aprendizaje, sien-
cedimientos:
do los principales el supervisado, el no supervi-
(OGHVDUUROORGHQXHYDVFRQH[LRQHV
sado y el reforzado.
/DSpUGLGDGHODVFRQH[LRQHVH[LVWHQWHV
/DPRGLFDFLyQGHODIXHU]DGHODVFRQH[LRnes que ya existen.
Aprendizaje supervisado: En este modelo

existe un agente externo (supervisor o maestro) que controla el proceso de aprendizaje de la
Los aspectos 1 y 2 han sido poco tratados en
red. La red debe relacionar dos fenmenos (X e
69
Y) mediante la presentacin de un conjunto de
pocos o muchos ciclos para el aprendizaje. La
ejemplos (x1, y1), (x2, y2), ..., (xn, yn). En esta for-
fase de aprendizaje termina cuando los pesos
mulacin, X representa las entradas e Y, las
se estabilizan o convergen en unos valores p-
salidas requeridas. Se llama juego de ensayo al
timos. En tal caso, la red consigue responder
conjunto formado por las parejas anteriores: pa-
correctamente a todas las presentaciones de los
trn de estmulos-respuesta deseada. En algu-
patrones estimulares del juego de ensayo. Aun-
nos casos, no hay ninguna duda en cuanto a los
que el ideal de aprendizaje es alcanzar el cien
elementos que deben componer dicho juego de
por cien de aciertos, se considera que concluye
ensayo puesto que se conocen perfectamente to-
cuando se minimizan razonablemente los errores
dos los patrones que la red debe reconocer y sus
ante el conjunto de ejemplos presentados.
salidas correspondientes (esto ocurre, por ejemplo con el uso del perceptrn para el cmputo
GHODVIXQFLRQHVOyJLFDVSHURHQODPD\RUtDGH
los casos, no ocurre as, por lo que es preciso
tener mucho cuidado en la eleccin del juego
de ensayo y tratar de incluir en l los patrones
ms representativos del problema o fenmeno
que se intenta computar. El maestro presenta a
la red una entrada x y la red produce una salida Oi. Normalmente esta salida no coincide con
la salida requerida, por lo que el maestro debe
calcular el error de salida, ei = e(Oi, Yi) y proFHGHUDODPRGLFDFLyQGHORVSHVRVXWLOL]DQGR
alguna regla de aprendizaje con la intencin de
aproximar la salida obtenida a la salida deseada.
Aprendizaje no supervisado: En este tipo de

aprendizaje, no existe ningn agente externo que
YD\D PRGLFDQGR ORV SHVRV VLQiSWLFRV HQ IXQFLyQGHODFRUUHFFLyQGHODVDOLGDGHODUHGODUHG
no compara su respuesta efectiva con la salida
FRUUHFWDSXHVWRTXHQRVHOHHVSHFLFDFXiOKDGH
ser dicha salida correcta. Con este aprendizaje
se busca que la red se autoorganice y encuentre
por s misma caractersticas, regularidades, correlaciones o categoras en los datos de entrada.
En el aprendizaje no supervisado, es necesario
presentar un mayor nmero de patrones de entrada y utilizar reglas de aprendizaje diferentes a
ODVTXHQRVVLUYHQSDUDHOFDVRDQWHULRUDGHPiV
las arquitecturas de las redes suelen ser distintas
7UDV HVWD PRGLFDFLyQ VH SUHVHQWD HO VLJXLHQWH
(por ejemplo, muchas de ellas tienen dos capas).
patrn del juego de ensayo y se procede de la
El modelo que comentamos tiene mucha impor-
misma manera. Cuando se termina con el lti-
tancia para los sistemas biolgicos pues es evi-
mo patrn del juego de ensayo, se debe empezar
dente que la cantidad de habilidades aprendidas
GHQXHYRSXHVORVSHVRVVHKDQPRGLFDGR\HV
con la ayuda de un profesor es muy inferior a
preciso comprobar que la red responde adecua-
la que se aprende espontneamente. Un ejem-
damente. A cada uno de los pasos completos del
plo destacado son los mapas autoorganizados
MXHJRGHHQVD\RVHOHOODPDFLFORGHSHQGLHQGR
620 R UHGHV GH .RKRQHQ \ ODV UHGHV
de la complejidad del problema, sern precisos
de Grossberg (2010).
70
Aprendizaje reforzado: En cierto modo es
al peso. En la dcada de 1980, se hizo popular el
una variante del aprendizaje supervisado pues
algoritmo de retropropagacin, que es probable-
tambin utiliza un supervisor que examina las
mente el algoritmo conexionista de descenso de
VDOLGDVGHOVLVWHPDVLQHPEDUJRHQHODSUHQGL-
gradiente ms conocido en la actualidad.
zaje reforzado, no se dispone de salidas deseadas

precisas por lo que tampoco es posible computar
Conexionismo y educacin
el error para cada una de las unidades de salida.
Como acabamos de ver, la psicologa cogniti-
El supervisor valora el comportamiento global
va, en general, y el conexionismo, en particular,
de la red mediante un criterio y en funcin de
han hecho un gran esfuerzo durante dcadas por
pO PRGLFD ORV SHVRV PHGLDQWH XQ PHFDQLVPR
entender cmo se representa el conocimiento so-
de probabilidades. Para ilustrar la diferencia en-
bre el mundo y cmo operan los procesos cog-
tre este tipo de aprendizaje y el supervisado se
nitivos que se basan en l. Las distintas teoras
suele indicar que, en el reforzado, el supervisor
sobre la representacin del conocimiento y de
se comporta como un crtico (que opina sobre
los procesos cognitivos han dedicado una parte
la respuesta de la red) y no como un maestro
importante de este esfuerzo al campo educati-
(que indica a la red la respuesta concreta que
vo y, en concreto, al aprendizaje escolar, ya que
debe generar), mientras que en el supervisado
procesos como el aprendizaje, la comprensin y
el supervisor se comporta como un maestro. En
la memoria componen una parte esencial de la
el aprendizaje reforzado, los algoritmos son ms
maquinaria constructiva que da sentido al mun-
complejos que en el supervisado y el tamao de
do que nos rodea y que permite relacionar todo
las muestras superior. Uno de los algoritmos ms
lo nuevo con el conocimiento existente. Estos
conocidos para este tipo de aprendizaje es el al-
procesos tienen un protagonismo indiscutible en
goritmo asociativo con recompensa y penaliza-
los escenarios instruccionales porque estn muy
cin, presentado por Barto y Anandan (1985).
LPSOLFDGRVHQODPRGLFDFLyQ\WUDQVIRUPDFLyQ
del conocimiento que se produce como conse-
Para formalizar el aprendizaje, concebido de
cuencia de la participacin de las personas en
esta manera, los conexionistas tienen muchas
situaciones de enseanza y aprendizaje (Rodrigo
herramientas. Una estrategia muy comn de los
y Correa, 2004).
mtodos conexionistas de aprendizaje es la incorporacin del descenso de gradiente sobre una
La importancia de los modelos de represen-
VXSHUFLHGHHUURUHQXQHVSDFLRGHQLGRSRUOD
tacin del conocimiento y de los procesos cog-
matriz de pesos. Todo el aprendizaje por descen-
nitivos en los escenarios acadmicos ha determi-
so de gradiente en los modelos conexionistas im-
nado que numerosos investigadores vayan ms
plica el cambio de cada peso mediante la deriva-
all del anlisis crtico de las teoras cognitivas,
GDSDUFLDOGHODVXSHUFLHGHHUURUFRQUHVSHFWR
para vislumbrar las aplicaciones e implicaciones
71
de estas en el mbito de la educacin escolar.
los procesos de enseanza y aprendizaje, una
Esta situacin no ha sido ajena a los estudiosos
posible cuestin a la que deben responder es la
GHO FRQH[LRQLVPR 6FKQHLGHU \ *UDKDP
de determinar la verdad o falsedad del siguiente
Snowling, 1998) y su accin se ha extendido
enunciado: El proceso de interaccin entre igua-
a diversos campos educativos como ortogra-
les posibilita una mejor construccin de los sig-
fa (Berninger et al., 2000), lectura (Foorman,
QLFDGRV JUDFLDV DO SDSHO TXH MXHJDQ WDQWR HO
1994), lengua (Mellow, 2004), fsica (Campana-
FRQLFWRVRFLRFRJQLWLYRFRPRODFRQVWUXFFLyQ
rio, 2004) o matemticas (Raftopoulos y Cons-
guiada del conocimiento que se establece entre
tantinou, 2004), incluido el aprendizaje en red
los participantes. Nuestros estudiantes suelen
*ODVVPDQ\.DQJ
decir que esta proposicin es verdadera y el

error puede deberse a la interferencia que ejer-
Simulacin de un proceso de aprendizaje
cen conocimientos inadecuados, a la ausencia de
en Psicologa mediante un modelo conexionis-
conexiones entre los esquemas que soportan las
ta
teoras explicativas, y/o a la falta de activacin

A continuacin, presentamos la simulacin
de ideas previas que no han sido consideradas
de un modelo basado en nuestra experiencia do-
relevantes para la solucin del problema (Figura
cente en las materias de Psicologa de la Educa-
6).
cin y Psicologa de la Instruccin.

Pongamos que, por ejemplo, un alumno ha
En las pruebas de estas disciplinas que los
determinado que las teoras que pueden dar
alumnos deben realizar para comprobar el ni-
FXHQWD GH HVWD DUPDFLyQ VRQ ODV WHRUtDV GH
vel de comprensin alcanzado en el tema so-
3LDJHW \9LJRWVN\ WHQGUHPRV HQ FXHQWD TXH OD
bre Variables interpersonales implicadas en
Psicologa de la Educacin y la Psicologa de la
Figura 6
Activacin de las teoras
72
Instruccin pertenecen al Departamento de Psi-
construccin errnea o incompleta que hace que
cologa Evolutiva y de la Educacin) e ignora
los esquemas, en palabras de Piaget (1978), se
las aportaciones que Deutsch puede efectuar
HQFXHQWUHQ LQVXFLHQWHPHQWH DOLPHQWDGRV 3RU
desde su teora de la cooperacin y la compe-
ejemplo, existe una tendencia bastante comn
ticin (Departamento de Psicologa Social). Si
entre los alumnos universitarios a considerar las
considera solo las aportaciones de la Escuela de
WHRUtDV GH 3LDJHW \ 9LJRWVN\ FRPR LQFRPSDWL-
*LQHEUDKLSyWHVLVGHOFRQLFWRVRFLRFRJQLWLYR
bles y mutuamente excluyentes, de manera que
y de la Escuela Histrico-cultural Sovitica (ley
toman como base explicativa una de las dos teo-
de doble formacin), tal vez no perciba que esa
ras, incluso cuando los datos empricos denie-
solucin nicamente es verdadera en una situa-
gan alguno de los postulados bsicos sobre los
cin de aprendizaje cooperativo (rara vez en una
que se asientan (Figura 7).
situacin de aprendizaje individualista y nunca

en una situacin de aprendizaje competitivo) en
Esta situacin nos conduce al tercer tipo de
la que, por su propia naturaleza, existe una in-
errores, que se encuentra larvado en los dos an-
terdependencia positiva de objetivos, con lo que
WHULRUHVSHURTXHWLHQHXQHVWDWXVHVSHFtFRORV
estaramos ante lo que hemos denominado erro-
errores debidos a la ausencia de conexiones en-
res por falta de activacin de ideas previas, es
tre esquemas. Estos errores, que han sido denun-
decir, la fuerza con la que ejercen su presencia
FLDGRV HQ HO LQIRUPH '(6(&2 'HQLWLRQ DQG
ODVWHRUtDVGH3LDJHW\9LJRWVN\LPSLGHODDFWLYD-
Selection of Competences), parten de la base de
cin de otras teoras relevantes para el problema
XQDPDODSODQLFDFLyQGHODVGLVFLSOLQDVGHXQD
(ver Figura 7, donde los trazos discontinuos re-
titulacin que, tradicionalmente, ha venido bus-
presentan conexiones negativas y los continuos
FDQGR HO ORJUR GH FRPSHWHQFLDV HVSHFtFDV GH
conexiones positivas).
materia y no el logro de competencias de profesin. De esta manera, el profesor de una dis-
Algunas veces, esos errores tienen su base
ciplina se ha preocupado en disear el proceso
en interferencias cognitivas motivadas por una
instruccional con el objetivo de que los alumnos
Figura 7
Patrones activacin y desactivacin de las teoras
73
Figura 8
Confrontacin de teoras
alcancen un dominio adecuado de los contenidos
incapaces de conectar los contenidos de las
de su disciplina (diseos logocntricos), olvi-
distintas disciplinas, sino que no conectan los
dando que el alumno no debe ser un experto en
contenidos de una misma rea de conocimien-
una materia sino en una profesin, es decir, no
to y ni siquiera los de una misma materia. Esto
se trata de formar a un alumno con un amplio
se debe a que se dedica muchsimo ms tiempo
dominio en, pongamos por ejemplo, Psicologa
a estudiar teoras que a confrontar teoras.
de la Educacin, sino formar un pedagogo com-
Vemoslo en la lnea del ejemplo que estamos
petente, un maestro competente o un psiclogo
PDQHMDQGR\VLPSOLFDQGRDOPi[LPRODVLWXD-
competente. De modo que los contenidos de la
FLyQFRQODVWHRUtDVGH3LDJHW\9LJRWVN\
disciplina deben ser adaptados a las necesidades profesionales (diseos por competencias).
La primera teora (Piaget) consta de tres pos-
(QHVWHVHQWLGRSRGHPRVDUPDUTXHHQODHQ-
tulados (uno de ellos, P1-2, es consecuencia de
seanza universitaria (probablemente tambin
los dos primeros). Esta teora presenta, adems,
en otros niveles educativos), existe una desco-
una hiptesis ad hoc que se introduce para dar
nexin interdisciplinar y, lo que es ms grave,
cuenta de un dato particular (Df) que pudiera te-
una desconexin intradisciplinar que conduce a
ner especial importancia y que se deriva de uno
una especie de esquizofrenia semntica en nues-
GHORVSRVWXODGRV/DVHJXQGDWHRUtD9LJRWVN\
tros universitarios: los estudiantes no solo son
consta de dos postulados. Las conexiones po-
74
sitivas se muestran mediante lneas continuas
(Thagard, 1993). Esta coherencia depende tanto
y representan ejemplos de datos que son con-
del nmero de hechos conocidos y nuevos que
secuencia de los postulados correspondientes o
explican las teoras como de su grado de articu-
que pueden ser explicados por dichos postula-
lacin.
dos. Las conexiones negativas representan contradicciones entre datos y postulados debidas,
La idea bsica que subyace al enfoque de
por ejemplo, a que alguno de esos datos entra
Thagard es la eliminacin, en la representacin
HQFRQLFWRFRQXQGHWHUPLQDGRSRVWXODGRSDUD
QDO GH OD UHG YHFWRU GH DFWLYDFLRQHV GH XQD
evitar que el modelo sea muy farragoso no se
informacin por otra con la que la primera est
muestran las conexiones negativas entre los pos-
conectada negativamente. Esta es quiz la apli-
tulados de las distintas teoras que, lgicamente,
cacin ms evidente e inmediata del tipo de red
tienden a desactivarse entre s).
que estamos estudiando y es una de las posibilidades ms fructferamente explotadas. De he-
El cambio conceptual (entendido como el

paso de un conjunto de ideas alternativas, casi
siempre inadecuadas, a un conjunto de concep-
cho, suele ser el ejemplo tpico que se propone

en los libros de texto introductorios (Rumelhart
y McClelland, 1986).
ciones ms acordes con las comnmente admitiGDVSRUORVFLHQWtFRVKDVLGRXQRGHORVREMHWLvos tradicionales de la enseanza (Marn, 1999).
El cambio conceptual se inspira en el cambio
GHVGH XQD WHRUtD FLHQWtFD D RWUD ELHQ GLVWLQWD
o bien integradora de teoras previas, y es un
SURFHVRELHQHVWXGLDGRHQORVRItDGHODFLHQFLD
(Campanario, 2002). Un modelo sencillo, como
el que estamos utilizando en este trabajo, puede
ayudarnos a entender el papel de las explicacio-
En nuestro ejemplo, como se pretende evitar

que una teora derrote a otra, se establecer
XQD FDQWLGDG MD GH FRQH[LyQ LQWHUQD SDUD DPEDVWHRUtDVGHPDQHUDTXHHVWDFDQWLGDGMDVH
reparta entre los postulados que las componen
(el modelo es muy simple y solo representa uno
de los muchos posibles dentro del marco general
conexionista).
QHV\ODVHYLGHQFLDVFLHQWtFDVHQHOSURFHVRGH
integracin de teoras. Thagard ha analizado el
En este sentido, el modelo conexionista es un
cambio conceptual considerando las condiciones
buen simulador para determinar cmo se puede
JOREDOHVGHFRKHUHQFLDGHODVWHRUtDVFLHQWtFDV
llevar a cabo el establecimiento de nuevas co-
El elemento ms llamativo del enfoque de Tha-
nexiones entre esquemas y/o conocimientos pre-
gard es el uso que hace del formalismo mate-
vios. Compliquemos algo ms la situacin. Ima-
mtico de redes neuronales para implementar la
ginemos que el conocimiento de una teora parte
coherencia global de las teoras en competencia
del dominio de diez postulados bsicos (nodos)
75
y la otra teora de tres. La matriz de conexiones
Tabla 2
(Tabla 2) representa el conocimiento del alum-
Matriz de conexiones
no relativo al dominio de ambas teoras que, en

principio, parecen sin relacin (Postulados 1-7 y
8-10). Los valores de la matriz corresponden a
las conexiones de nodos entre s: el valor 0 hace
referencia a ausencia de conexin entre nodos,
los valores positivos (conexiones positivas) a la
conexin de un nodo con otro o consigo mismo
(si existieran valores negativos indicaran que
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P1
1
1
0
0
0
0
0
0
0
0
P2 P3
1 0
1 1
1 1
0 1
0 0
0 0
0 1
0 0
0 0
0 0
P4 P5 P6
0 0 0
0 0 0
1 0 0
1 1 1
1 1 0
1 0 1
0 0 0
0 0 0
0 0 0
0 0 0
P7
0
0
1
0
0
0
1
0
0
0
P8
0
0
0
0
0
0
0
2
1
0
P9 P10
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2
1
1
2
GRVFRQFHSWRVSUHVHQWDQVLJQLFDGRVFRQWUDULRV
por lo que la utilizacin de uno desactivara al
otro).
caso 1 x 10-7).
Los resultados seran los siguientes:
Con una sencilla simulacin matemtica, podemos comprobar que si se activa cualquier elemento de alguno de los dos dominios de conocimientos, solo se activan los elementos correspondientes a ese dominio. En efecto, siguiendo
Vector inicial [1, 0, 0, 0, 0, 0, 0, 0, 0, 0]

9HFWRU QDO >
.00, .00, .00]
La interpretacin de los resultados es muy
simple: por ms que insistamos en activar un es-
HOPRGHORSURSXHVWRSRU.LQWVFKSHUPL-
quema determinado (bloque superior izquierdo),
tiremos que la activacin se propague. Para ello,
si no existe relacin con la otra teora (bloque
elegiremos un vector columna de activaciones
inferior derecho), resulta imposible que esta se
con todos los componentes con el mismo valor
active.
(1/n), con lo que, en nuestro caso, el vector de
Tabla 3
0DWUL]GHFRQH[LRQHVPRGLFDGD
activacin tendra todos sus componentes iguales a 01. A continuacin multiplicamos repetidamente la matriz de conexiones por el vector
de activaciones (normalizando7 el vector en
cada iteracin), deteniendo el proceso cuando
GRVYHFWRUHVVXFHVLYRVGLHUHQHQWUHVtHQXQD
cantidad criterio elegida previamente (en nuestro
La normalizacin se efecta haciendo que la suma de los

componentes del vector de activaciones sea igual a 1.
P1
P2
P3
P4
P5
P6
P7
P8
P9
P10
P1
1
1
0
0
0
0
0
0
0
0
P2
1
1
1
0
0
0
0
0
0
0
P3
0
1
1
1
0
0
1
0
0
0
P4 P5 P6
0 0 0
0 0 0
1 0 0
1 1 1
1 1 0
1 0 1
0 0 0
0 0 0
0 0 1
0 0 0
P7 P8 P9 P10
0 0 0
0
0 0 0
0
1 0 0
0
0 0 0
0
0 0 0
0
0 0 1
0
1 0 0
0
0 2 1
0
0 1 2
1
0 0 1
2
76
Ahora bien, si, por efecto del aprendizaje, se
un enfoque de red neuronal que destac el ca-
establece una conexin entre postulados de am-
rcter paralelo del procesamiento neuronal, y la
bas teoras (por ejemplo, P6 y P9), la activacin
naturaleza distribuida de las representaciones
de un nodo cualquiera conduce a la activacin de
neuronales. Dicho enfoque proporciona a los in-
todos los nodos, va conexiones indirectas.
vestigadores un marco matemtico general en el

que operar. Dicho marco implica ocho aspectos
Vector inicial [1, 0, 0, 0, 0, 0, 0, 0, 0, 0]
principales:
9HFWRU QDO >
8QFRQMXQWRGHunidades de procesamiento,
.18, .30, .18]
representadas por un conjunto de nmeros

enteros.
A pesar de su simplicidad, este modelo nos
8QDactivacin para cada unidad representa-
permite interpretar, tanto el caso de la reconcilia-
da por un vector de funciones dependientes
cin integradora propuesto por Ausubel (1960),
del tiempo.
como el de los dos niveles superiores de equili-
8QDfuncin de activacin para cada unidad,
bracin propuestos por Piaget (1978). En efecto,
representada por un vector de funciones de
por una parte, al utilizar nodos que representan
activacin.
conceptos o proposiciones y conexiones entre
8Q patrn de conectividad entre las unida-
ellos, permite el establecimiento de relaciones
des, representado por una matriz de nmeros
HQWUH GRPLQLRV HQ FRQLFWR R DSDUHQWHPHQWH
reales que indica la fuerza de conexin.
sin relacin (reconciliacin integradora). Por
8QD regla de propagacin que extienda las
otra parte, la necesidad de asegurar una equili-
activaciones a travs de las conexiones, re-
bracin en las interacciones entre subsistemas
presentada por una funcin de salida de las
(teoras particulares) y entre estas y un modelo
unidades.
general que las engloba, posibilita, por un lado
8QD regla de activacin para combinar las
la conservacin de las teoras particulares y, por
entradas a una unidad y determinar su nueva
otro, su integracin en un sistema de conjunto
activacin, representada por una funcin de
de carcter paradigmtico (i.e. teoras construc-
activacin actual y de propagacin.
WLYLVWDVSDUDGLJPDFRQVWUXFWLYLVWD
8QDregla de aprendizajeSDUDPRGLFDUODV
conexiones, basada en la experiencia y repre-
A modo de conclusin: Procesamiento serial de la informacin versus procesamiento

distribuido en paralelo
sentada por un cambio en los pesos sobre la

base de cualquier nmero de variables.
8Qentorno que provee al sistema de la expe-
El enfoque conexionista que prevalece hoy
riencia, representado por conjuntos de vecto-
en da fue originalmente conocido como Pro-
res de activacin para algunos subconjuntos
cesamiento Distribuido en Paralelo (PDP) y es
de unidades.
77
Tras la lectura de este breve trabajo, se puede
buido en paralelo (PDP) hace la simula-
apreciar el contraste entre dos posibles formas
cin mediante arquitecturas semejantes a
de hacer psicologa cognitiva (procesamiento
las del cerebro.
serial de la informacin y procesamiento distribuido en paralelo) y se pueden esbozar algunas
El PSI propone un sistema basado en la
semejanzas y diferencias entre ambos enfoques.
lgica y un sistema de reglas que imponen

restricciones semnticas y sintcticas para
Parece claro que un primer punto comn es
realizar los cmputos (como ocurre en los
la referencia a la computacin: ambas teoras
programas de ordenador de la Inteligencia
entienden la mente como un sistema que pro-
$UWLFLDO WUDGLFLRQDO HO FRQH[LRQLVPR
cesa informacin y responde al medio a partir
sin embargo utiliza herramientas matem-
de dicho procesamiento. Pero ni siquiera en este
ticas para la realizacin de los cmputos
punto, que sin duda es el que da continuidad a las
que se supone realiza nuestra mente.
dos corrientes, se da el acuerdo:

La psicologa cognitiva clsica entien-
El objetivo del PSI es el descubrimien-
de el procesamiento como la aplicacin de
to de las reglas que rigen los procesos
un conjunto de reglas a entidades situadas
mentales y de los elementos o estructuras
en el mundo real (entidades reconocibles).
EiVLFDVGHOSURFHVDPLHQWRKXPDQRHOGHO
Sin embargo, el conexionismo entiende
PDP, es el descubrimiento de redes ade-
el procesamiento como el clculo de las
cuadas para la simulacin de tareas ca-
seales de salida a partir de los cmpu-
ractersticamente mentales y de reglas de
tos que realizan las unidades de la red en
DSUHQGL]DMHHFLHQWHV
funcin de los pesos de las conexiones y

de ciertas funciones matemticas que de-
Otro contraste que se suele destacar es
terminan la activacin de dichas unidades
HOTXHVHUHHUHDODSUHQGL]DMHORVPRGH-
y las salidas correspondientes a cada una
los clsicos rechazan el asociacionismo y
de ellas.
tienden a defender posiciones ms innatistas, el conexionismo parece una vuelta
Las dos teoras proponen el uso de
al asociacionismo (las redes neuronales
la simulacin por ordenador para la com-
no son otra cosa que asociaciones entre
probacin de las hiptesis relativas a los
unidades). Y, puesto que las redes comien-
procesos mentales, pero mientras que el
zan el aprendizaje con pesos establecidos
Procesamiento Serial de la informacin
aleatoriamente, el conexionismo tiende
(PSI) propone la simulacin en el ordena-
a defender la idea de la mente como una
dor convencional, el procesamiento distri-
tabula rasa, siendo la experiencia, el
78
ambiente en el que se desenvuelve la red,
ques. Durante su desarrollo, algunos investiga-
y no factores innatos, lo que provoca la
dores han argumentado que el conexionismo y
aparicin de los pesos adecuados para el
la IA convencional son totalmente compatibles,
procesamiento y el almacenamiento de la
aunque no se ha alcanzado un consenso pleno
informacin.
sobre esta cuestin. Las diferencias entre los dos

enfoques ms citados son las siguientes:
Mientras el conexionismo se haca cada vez
(Q ,$ FRQYHQFLRQDO VH SODQWHDQ PRGHORV
ms popular en la dcada de 1980, hubo una reac-
simblicos que no se asemejan en nada a la
cin contraria por parte de algunos investigado-
estructura cerebral subyacente, mientras que
UHV LQFOX\HQGR D -HUU\ )RGRU 6WHYHQ 3LQNHU \
en conexionismo se aborda un modelado de
otros, que argumentaban que el conexionismo,
bajo nivel, tratando de asegurar que los
tal y como se estaba desarrollando, corra el pe-
modelos se asemejen a estructuras neurolgi-
ligro de olvidar lo que vean como los progresos
cas.
realizados por el enfoque clsico de la Inteligen-
/D ,$ FRQYHQFLRQDO VH FHQWUD JHQHUDOPHQWH
FLD$UWLFLDO ,$ HQ ORV FDPSRV GH OD FLHQFLD
en la estructura de smbolos explcitos (mo-
FRJQLWLYD\OD3VLFRORJtD/D,QWHOLJHQFLD$UWL-
delos mentales9) y reglas sintcticas para su
cial convencional argumenta en este sentido que
manipulacin a nivel interno, mientras que
la mente opera mediante la realizacin de ope-
los conexionistas se centran en el aprendizaje
raciones simblicas puramente formales, como
mediante estmulos procedentes del medio y
una mquina de Turing . Algunos investigadores
en el almacenamiento de esta informacin en
sealaron que la tendencia hacia el conexionis-
forma de conexiones entre neuronas.
PRHUDXQHUURU\DTXHVLJQLFDEDXQDUHYHUVLyQ
/RV SDUWLGDULRV GH OD ,$ FRQYHQFLRQDOFUHHQ
hacia el asociacionismo y el abandono de la idea
que la actividad mental interna consiste en la
de un lenguaje del pensamiento. Por el contrario,
manipulacin de smbolos explcitos, mien-
estas tendencias hicieron que otros investigado-
tras que los conexionistas creen que la mani-
res fueran atrados hacia el conexionismo.
pulacin de smbolos explcitos es una representacin muy pobre de la actividad mental.
El conexionismo y la IA convencional no
/RVSDUWLGDULRVGHOD,$FRQYHQFLRQDODPH-
tienen porqu ser excluyentes, pero el debate, a
nudo plantean subsistemas simblicos de do-
QDOHVGHODGpFDGDGH\SULQFLSLRVGHODGH
PLQLR HVSHFtFR GLVHxDGRV SDUD DSR\DU HO
1990, condujo a la oposicin entre los dos enfo-
DSUHQGL]DMH HQ iUHDV HVSHFtFDV GHO FRQRFL-
Una mquina de Turing (MT) es un modelo computacional que

realiza una lectura/escritura de manera automtica sobre
una entrada llamada cinta, generando una salida en esta misma
cinta.
Un modelo mental es un mecanismo del pensamiento mediante

el cual un ser humano, u otro animal, intenta explicar cmo
funciona el mundo real. Es un tipo de smbolo interno o
representacin de la realidad externa.
79
miento (por ejemplo, lenguaje, intencionali-
este desarrollo relativamente reciente an no ha
dad, nmeros), mientras que los conexionis-
alcanzado un consenso aceptable entre aquellos
tas postulan uno o un pequeo conjunto de
que trabajan en otros campos, tales como la psi-
mecanismos de aprendizaje muy generales.
FRORJtDRODORVRItDGHODPHQWH
A pesar de estas diferencias, algunos tericos
Parte del atractivo de las descripciones de
han propuesto que la arquitectura conexionista
la IA convencional radica en que son relativa-
es simplemente la forma en que el sistema de
mente fciles de interpretar, y por lo tanto pue-
manipulacin de smbolos es implementado en
den ser vistas como una contribucin a nuestra
el cerebro orgnico. Esto es en gran medida lgi-
comprensin de determinados procesos menta-
co, pues se sabe que los modelos conexionistas
les, mientras que los modelos conexionistas son
pueden implementar sistemas de manipulacin
por lo general ms oscuros, en la medida en que
de smbolos del tipo de los utilizados en los mo-
solo se pueden describir en trminos muy gene-
delos de la IA convencional. De hecho, esto debe
UDOHV HVSHFLFDQGR DOJRULWPRV GH DSUHQGL]DMH
de ocurrir as, al ser uno de los propsitos de los
nmero de unidades, etc.) o en trminos de bajo
sistemas conexionistas el explicar la capacidad
QLYHOTXHGLFXOWDQODFRPSUHQVLyQGHORVSURFH-
humana para realizar tareas de manipulacin de
sos cognitivos. En este sentido, los modelos co-
smbolos. La cuestin reside en si esta manipu-
nexionistas pueden aportar datos para una teora
lacin de smbolos es la base de la cognicin en
general del conocimiento sin que ello represen-
general. Sin embargo, las descripciones compu-
te una teora til del proceso particular que est
tacionales pueden ser tiles descripciones de la
siendo modelado. El debate podra considerarse
cognicin de alto nivel, por ejemplo, de la lgica.
HQFLHUWDPHGLGDXQPHURUHHMRGHODVGLIHUHQcias en el nivel de anlisis en el que se enmarcan
El debate sobre si las redes conexionistas
las teoras particulares.
eran capaces de producir la estructura sintctica

observada en razonamientos de tipo lgico fue
La reciente popularidad que han adquirido
tardo, y el hecho de que los procedimientos uti-
ORVVLVWHPDVGLQiPLFRVHQORVRItDGHODPHQWH
lizados eran muy improbables en el cerebro, hizo
debido fundamentalmente a las publicaciones de
que la controversia persistiera. Hoy en da, los
autores como Tim van Gelder (Port y Van Gel-
DYDQFHV GH OD QHXURVLRORJtD \ GH OD FRPSUHQ-
GHU 9DQ *HOGHU KD DxDGLGR XQD
sin de las redes neuronales han llevado a la ela-
nueva perspectiva al debate. De ah que, en el
boracin de modelos que han tenido xito en la
momento actual, muchos autores argumentan
superacin de gran nmero de aquellos primeros
que cualquier divisin entre el conexionismo y
SUREOHPDV3DUDORVQHXURFLHQWtFRVODFXHVWLyQ
la IA convencional queda mejor caracterizada
fundamental sobre el conocimiento se ha incli-
como una divisin entre la IA convencional y
nado a favor del conexionismo. Sin embargo,
los sistemas dinmicos.
80
Nuestra opinin es que PSI y PDP no son
modelos incompatibles. Opinin que est arrai-
las ciencias. Enseanza de las Ciencias,

22(1), pp. 93-104.
JDQGR HQ OD FRPXQLGDG FLHQWtFD GH WDO PRGR
De Vega, M., Daz, J. y Len, I. (1999). Proce-
que empiezan a aparecer modelos conexionistas
samiento del discurso. En M. de Vega y F.
KtEULGRV+HOLH\6XQ0DUFXV6XQ
Cuetos (Eds.), Psicolingstica del espa-
1998). La mayora de los autores que se mueven
ol (pp. 271-306). Madrid: Trotta.
en esta lnea trabajan con una mezcla de repre-
Elman, J. L. (1988). Finding structure in time.
sentaciones simblicas y de representaciones
CRL Technical Report 8801, Center for
subsimblicas (modelos de redes neuronales).
Research in Language, University of California, San Diego.
Referencias
Anderson, J. (1983). The Architecture of Cognition. Cambridge, MA: The MIT Press.
Feldman, J. A. (1985). Connectionist models and

their applications: Introduction. Cognitive
Science, 9, pp. 1-2.
Ausubel, D. P. (1960). The use of advance or-
Foorman, B. R. (1994). The relevance of a con-
ganizers in the learning and retention of
nectionist model of reading for The Great
meaningful verbal material. Journal of
Debate. Educational Psychology Review,
Educational Psychology, 51, pp. 267-272.
6(1), pp. 25-47.
Ballesteros, S. (1992). La representacin del co-
*ODVVPDQ0\.DQJ0-3UDJPDWLVP
nocimiento en los sistemas conexionistas.
connectionism and the internet: A minds
Psicothema, 4(2), pp. 343-354.
perfect storm. Computers in Human Be-
Barto, A. G. y Anandan, P. (1985). Pattern re-
havior, 26(6), pp. 1412-1418.
cognizing stochastic learning automata.
Grossberg, S. (2010). Towards building a neural
IEEE Transactions on Systems, Man, and
QHWZRUNV FRPPXQLW\ Neural Networks,
Cybernetics, 15, pp. 360-375.
23, pp. 1135-1138.
%HUQLQJHU9:$EERWW5'%URRNVKHU5
Helie, S. y Sun, R. (2010). Incubation, insight,
/HPRV = =RRN ' \ 0RVWDIDSRXU (
DQG FUHDWLYH SUREOHP VROYLQJ $ XQLHG
(2000). A connectionist approach to ma-
theory and a connectionist model. Psy-
NLQJ WKH SUHGLFWDELOLW\ RI (QJOLVK RUWKR-
chological Review, 117(3), pp. 994-1024.
JUDSK\ H[SOLFLW WR DWULVN EHJLQQLQJ UHD-
Iza, M. y Ezquerro, J. (1999). Representacin
ders: Evidence for alternative, effective
conexionista y procesamiento del discur-
strategies. Developmental Neuropsycho-
so. Anales de Psicologa, 15(2), pp. 303-
logy, 17(2), pp. 241-271.
318.
Campanario, J. M. (2004). El enfoque conexio-
Johnson-Laird, P. N. (1980). Mental model in
nista en psicologa cognitiva y algunas
cognitive science. Cognitive Science, 4,
aplicaciones sencillas en didctica de
pp. 71-115.
81
.LQWVFK : Comprehension: A para-
Quillian, M. R. (1968). Semantic memory. En
digm for cognition. Cambridge: Cambrid-
0 / 0LQVN\ (G Semantic Informa-
ge University Press.
tion Processing (pp. 227-270). Cambrid-
.RKRQHQ7Self-Organizing Maps. New

<RUN1<6SULQJHU
ge, MA: The MIT Press.

Raftopoulos, A. y Constantinou, C. P. (2004).
Marcus, G. F. (2001). The Algebraic Mind. In-
Types of cognitive change: a dynamical,
tegrating Connectionism and Cognitive
connectionism account. En A. Demetriou
Science. Massachusetts: Massachusetts
y A. Raftopoulos (Eds.), Cognitive Deve-
Institute of Technology.
lopmental Change: Theories, Models, and
Marn, N. (1999). Delimitando el campo de aplicacin del cambio conceptual. Enseanza

de las Ciencias, 17, pp. 80-92.
Measurement SS 1HZ <RUN

NY: Cambridge University Press.
Raimnguez, A. (2009). Teoras conexionis-
Mellow, J. D. (2004). Connectionism, HPSG
tas, la nueva Psicologa. Recuperado de
Signs and SLA Representations: Spe-
www.conexionismo.com/leer_articulo.
cifying Principles of Mapping between
php?ref=teorias_conexionistas_la_nueva-
Form and Function. Second Language
psicologia-8ygh85|4
Research, 20(2), pp. 131-165.

0LQVN\ 0 / $ IUDPHZRUN IRU UHSUH-
Rivire, A. (1987). El sujeto de la psicologa

cognitiva. Madrid: Alianza Editorial.
VHQWLQJ NQRZOHGJH (Q 3 + :LQVWRQ
Rodrigo, M. J. y Correa, N. (2004). Represen-
(Ed.), The Psychology of Computer Vision
tacin y procesos cognitivos: esquemas y
SS1HZ<RUN1<0F*UDZ
modelos mentales. En C. Coll, J. Palacios
Hill.
y A. Marchesi (Eds.), Desarrollo psico-
Piaget, J. (1978). La equilibracin de las estruc-
lgico y educacin 2. Psicologa de la
turas cognitivas. Problema central del de-
educacin escolar (pp. 117-135). Madrid:
sarrollo. Madrid: Siglo XXI.
Alianza Editorial.
Pons, R. M. y Serrano, J. M. (2011). La adqui-
Rumelhart, D. E. (1989). The architecture of
sicin del conocimiento: Una perspectiva
mind: A connectionist approach. En M. I.
cognitiva en el dominio de las matemti-
Posner (Ed.), The Architecture of Cogni-
cas. Educatio Siglo XXI, 29(2), pp. 117-
tion (pp. 133-156). Cambridge, MA: The
138.
MIT Press.
Port, R. y Van Gelder, T. J. (1995). Mind as
Rumelhart, D. E. y McClelland, J. L. (1986).
Motion: Explorations in the Dynamics of
Parallel Distributed Processing. Explora-
Cognition. Cambridge, MA: MIT Press.
tions in the Microstructure of Cognition.
Pozo, J. I. (2010). Teoras cognitivas del aprendizaje. Madrid: Ediciones Morata.
Vol. 1 y 2. Cambridge, MA: The MIT

Press.
82
6FKDQN5&Dynamic memory. Cambridge: Cambridge University Press.
Schneider, W. y Graham, D. J. (1992). Introduc-
Snowling, M. J. (1998). Connectionism and educational practice: a rejoinder. Educational

and Child Psychology, 15(2), pp. 66-68.
tion to connectionist modeling in educa-
Sun, R. (2008). Introduction to computational
tion. Educational Psychologist, 27(4), pp.
cognitive modeling. En R. Sun (Ed.), The
513-530.
Cambridge Handbook of Computational
Serrano, J. M. (2008). Acerca de la naturaleza

del conocimiento matemtico. Anales de
Psicologa, 24(2), pp. 169-179.
Serrano, J. M. y Pons, R. M. (2008). La concep-
Psychology SS 1HZ <RUN 1<

Cambridge University Press.
Thagard, P. (1993). Cognitive revolutions. Princeton, NJ: Princeton University Press.
cin constructivista de la instruccin. Re-
Torre de Babel Ediciones (s.f.). Conexionismo.
vista Mexicana de Investigacin Educati-
Recuperado de www.e-torredebabel.com/
va, 38, pp. 681-712.
Psicologia/Conexionismo-Elementos-
Serrano, J. M. y Pons, R. M. (2011). El construc-
desuArquitectura.htm
tivismo hoy: Enfoques constructivistas en
Van Gelder, T. J. (1999). Dynamic approaches to
educacin. Revista Electrnica de Investi-
FRJQLWLRQ,Q5:LOVRQ\).HLOHG7KH
gacin Educativa, 13(1), pp. 1-27.
MIT Encyclopedia of Cognitive Scien-
6PROHQVN\ 3 2Q WKH SURSHU WUHDWPHQW

of connectionism. Behavioral and Brain
ces (pp. 244-246). Cambridge, MA: MIT

Press.
Sciences, 11, pp. 1-74.

Conexionismo e Instruccion

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Conexionismo e Instruccion

Cargado por

Copyright:

Formatos disponibles

Conexionismo e instruccin

Rosa Mara Pons Parra*

Aceptado: Septiembre 30 de 2011

Conexionism and instruction

El estudio comienza con un anlisis de los esfuerzos de la psicologa cognitiva por

entender cmo se representa el conocimiento sobre el mundo y cmo operan los

samiento simblico (procesamiento serial de la informacin) y procesamiento no

Key words: Conexionism,

information processing, Process

to achieve that representation. After differentiating between symbolic processing

* Profesora contratada de la Universidad de Murcia. rmpons@um.es

plicar lo que el sujeto hace, se puede plantear

La psicologa cognitiva, como escuela psi-

en los trminos del dualismo tradicional de cuer-

colgica o, mejor, como paradigma psicolgico,

po y mente. De manera que el conductismo da

tiene una historia reciente. De hecho, aunque al-

poca importancia al cuerpo y a las predisposi-

ciones genticas de la conducta, aunque tambin

dcada de los 50 se puedan considerar como los

rechaza la mente, de la que prescinde de forma

primeros esbozos de esta forma de hacer psico-

explcita como elemento explicativo y, en mu-

loga, es a partir de los aos 60 cuando realmen-

chos casos, incluso llega a combatirla. Podra-

te se empieza a extender por el mundo entero,

mos decir, entonces, que la psicologa conductis-

compitiendo en los centros de estudio y de inves-

ta estudia la conducta para explicar la conducta.

WLJDFLyQ FRQ HO FRQGXFWLVPR DO TXH QDOPHQWH

Esta idea del ambientalismo y del organismo

El conductismo supuso uno de los mayores

principios explicativos bsicos que los susten-

esfuerzos de los psiclogos por hacer de su disci-

tan son ampliamente cuestionados, tanto por los

plina una ciencia. Los principios metodolgicos

etlogos y por las investigaciones que emanan

que exigi a la ciencia psicolgica (experimen-

desde las neurociencias como por los propios de-

tacin, rechazo de la introspeccin, empleo de

sarrollos de la disciplina psicolgica.

FDWHJRUtDV H[SOLFDWLYDV GHQLGDV RSHUDFLRQDOmente, etc.) fueron un adelanto y una conquista

Por parte de la psicologa cognitiva, la crti-

que la mayora de los psiclogos consideran, hoy

ca se referir bsicamente al olvido de la mente.

da, irrenunciables. Sin embargo, estos triunfos

En efecto, sabemos que la psicologa cognitiva

se vieron claramente empaados en dos cuestio-

result atractiva, fundamentalmente, porque in-

trodujo de nuevo en la psicologa temas como

el de la atencin, la percepcin, la memoria, el

pensamiento y el lenguaje, que son al parecer

6X SUHWHQVLyQ WHyULFD IXQGDPHQWDO FRQVLV-

irrenunciables para toda psicologa que busque

ta en explicar toda la conducta a partir del

ser completa y que el conductismo a duras pe-

aprendizaje, por lo que para esta teora son

nas pudo incluir en sus investigaciones. Y como

los refuerzos y los estmulos presentes en la

compendio de todas estas capacidades y activi-

vida de los organismos los que determinan su

dades, la psicologa cognitiva resalt el valor

modo de relacionarse con el medio y de resol-

de la mente. De nuevo la mente entra, as, en la

WLJDFLyQ FRQ HO FRQGXFWLVPR DO TXH QDOPHQWH

FDUDD OD ORVRItD OD LQXHQFLD PiV FODUDWLHQH

HMHPSOR FRQFHSWRV JXUDV IRUPDV iQJXORV