Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 PB PDF
1 PB PDF
Resumen. En este artculo se presenta el enfoque conexionista utilizado en psicologa cognitiva para entender algunos procesos de comprensin
y aprendizaje de las ciencias.
Palabras clave. Redes neuronales, conexionismo, aprendizaje, comprensin.
Summary. In this article I introduce the connectionist approach used in Cognitive Psychology in order to understand some comprehension and
learning processes in science education.
Keywords. Neural networks, connectionism, learning, comprehension.
1. INTRODUCCIN
Uno de los problemas bsicos en ciencia cognitiva esquemas corresponden a diferentes dominios del cono-
consiste en entender los problemas de aprendizaje. Dis- cimiento y pueden incluir conocimientos sobre personas,
tintas teoras psicolgicas sobre el aprendizaje nos han objetos, acciones, secuencias de acontecimientos, etc.
ayudado a explicar diversos dominios de fenmenos y (Graesser y Goodman, 1985, p. 115). Por ejemplo, todos
datos relacionados con los problemas de aprendizaje y los profesores tienen un esquema ms o menos similar
comprensin. sobre la accin de examinar. En esta accin intervienen
un examinador y uno o varios examinados. Tambin sue-
Quiz una de las teoras ms exitosas en este dominio le haber algn tipo de prueba (oral, escrita, prctica...).
es la de los esquemas (McLelland y Rumelhart, 1986).
Otros psiclogos han propuesto modelos de organiza- En la ltima dcada, la teora de los esquemas ha de-
cin del conocimiento basados en estructuras organiza- rivado en un nuevo enfoque a la ciencia cognitiva, el
das tales como esquemas (Rumelhart y Ortony, 1977; conexionismo. Este enfoque multidisciplinar, basado
Rumelhart, 1980); guiones (scripts) (Schank, 1980; en el uso de redes neuronales, mantiene relaciones con
Schank y Abelson, 1977); modelos mentales (Johnson- campos tan aparentemente ajenos a la didctica de las
Laird, 1980) o marcos (Minsky, 1975). Segn Graesser ciencias como son las matemticas, la inteligencia arti-
y Goodman, los esquemas son paquetes naturales de ficial, la epistemologa, la lingstica, la informtica, la
conocimiento genrico altamente estructurado. Los neurobiologa y otros.
El enfoque conexionista se ha traducido en nuevos ciones del conexionismo que conviene tener en cuenta.
conocimientos y realizaciones prcticas. Por ejemplo, Los modelos sencillos, como el que presentamos, tie-
algunos programas informticos de reconocimiento de nen aplicaciones interesantes que nos pueden permitir
voz estn basados en el uso de redes neuronales que pue- analizar y entender desde una slida base terica, y
den adaptarse tras un proceso repetido de entrenamiento sin excesivas complicaciones matemticas, algunos
y reconocer la voz de diferentes personas. Adems, fenmenos y procesos del aprendizaje de las ciencias
existen sistemas basados en el uso de redes neuronales y esto se hace en la ltima parte del apartado 3. Dado
que interpretan sntomas de enfermedades o conceden que el dominio de conocimientos que abordamos es
crditos bancarios con ms eficacia y menos errores que amplsimo, hemos elegido la intelegibilidad sobre la
un experto. Otros sistemas basados en el uso de redes precisin. Por ltimo se formulan unas conclusiones
neuronales tienen aplicacin para clasificar unidades o generales y se insiste en la necesidad de profundizar
elementos de acuerdo con criterios de semejanza que son en la aplicacin de nuevos enfoques en didctica de las
posteriormente interpretados por el investigador. En un ciencias, pero siendo conscientes de las limitaciones de
trabajo anterior, por ejemplo, hemos utilizado una red los mismos.
neuronal para obtener mapas de la ciencia (Campanario,
1995).
A pesar del aumento de trabajos publicados en este nue- 2. EL ENFOQUE CONEXIONISTA EN EL MAR-
vo campo de conocimientos, la aplicacin de modelos CO DE LA PSICOLOGA COGNITIVA
conexionistas en didctica de las ciencias es an escasa.
Sauleda y Martnez han comentado, de paso, este enfo- En la dcada de los noventa, muchos investigadores
que en un artculo sobre las propensiones esenciales en comenzaron a aplicar las redes neuronales a la psicolo-
el escenario de la enseanza de las ciencias experimen- ga cognitiva. Este tipo de trabajos en redes neuronales
tales (Sauleda y Martnez, 1994), pero no parece que la configuran un punto de vista que se ha dado en llamar
comunidad investigadora haya prestado una atencin enfoque conexionista (McLelland y Rumelhart, 1989;
preferente al uso de redes neuronales para entender los McLelland y Rumelhart, 1986; Hanson y Burr, 1990;
problemas de aprendizaje de las ciencias. Ello no resul- Hertz, Krogh y Palmer, 1991; Rumelhart, McClelland y
ta raro si tenemos en cuenta que la teora del esquema, el grupo PDP, 1992).
precursora del enfoque conexionista, tampoco se emplea
con asiduidad para entender los problemas cognitivos de El enfoque conexionista en psicologa cognitiva est
aprendizaje de las ciencias. basado en el clculo mediante redes neuronales de
determinadas propiedades que tienen su contrapartida
Por otra parte, sabemos que los conocimientos previos psicolgica. Una red neuronal est compuesta por un
desempean un papel fundamental en el aprendizaje y en conjunto conectado de neuronas artificiales. Estas
la comprensin. Algunas teoras generales hacen de este neuronas artificiales, en general, no existen fsicamente
hecho su punto clave, pero resultan de poca utilidad para y se implementan mediante programas de ordenador
explicar algunas patologas que los profesores conside- que almacenan en matrices de datos los parmetros
ran tpicas de los alumnos de ciencias. Como veremos, que caracterizan la neurona, de la misma manera que
los enfoques conexionistas pueden arrojar alguna luz almacenan y se tratan, por ejemplo, los datos corres-
sobre estas cuestiones. pondientes a las distintas posiciones fsicas de un mo-
delo climtico que represente al plantea Tierra. Como
De acuerdo con lo anterior, el objetivo general de este se explica ms adelante, el clculo matricial permite
artculo es presentar a grandes rasgos los elementos gestionar un conjunto ms o menos grande de estas
esenciales del enfoque conexionista en psicologa cog- neuronas artificiales que, como indicamos, son un mero
nitiva para entender e interpretar algunos fenmenos artificio matemtico.
y procesos cognitivos tpicos del aprendizaje de las
ciencias. Este objetivo est al servicio de una meta adi- Los modelos conexionistas se inspiran en la forma de
cional: ampliar el dominio de conocimientos, tcnicas trabajar en paralelo que tienen las neuronas del cerebro
y recursos explicativos del rea de conocimientos de humano. Para ello se utilizan modelos basados en el
didctica de las ciencias experimentales, en especial paralelismo masivo, mediante los que se trata de mo-
impulsar la aplicacin de los modelos cognitivos para delar procesos cognitivos humanos con distinto nivel de
entender problemas de aprendizaje y enseanza de las complejidad (p.e., desde la percepcin al pensamiento
ciencias. consciente). La interpretacin sobre el sentido que debe
asignarse a dichas unidades bsicas origin ciertos deba-
El resto del trabajo se organiza como sigue: en primer tes en los primeros tiempos de la aplicacin del enfoque
lugar se analizan los rasgos generales de las redes conexionista a la psicologa cognitiva (Smolensky, 1988;
neuronales como instrumento bsico de trabajo en el Fodor y Pylyshyn, 1988). Adems, como se indica en un
enfoque conexionista. Dado que existen muchos tipos apartado posterior, algunos autores han sealado limita-
de redes neuronales y de algoritmos de funcionamiento, ciones importantes del conexionismo y de los modelos
resulta obligado centrar la discusin en algn modelo basados en redes neuronales.
concreto. En el apartado 3 se describe un modelo sen-
cillo basado en la competencia de las distintas unidades A continuacin se describen brevemente los elementos
por la activacin. Tambin se discuten algunas limita- bsicos que intervienen en una red neuronal (Fig. 1):
d) Un patrn de conexiones entre unidades. Este patrn 3.1. Un modelo conexionista sencillo basado en la
de conexiones puede representarse mediante una matriz competencia entre unidades
de pesos o conexiones W(n,n) que se multiplica por el
vector de salida para obtener el vector de impulsos de A continuacin describiremos un modelo conexionista
entrada de cada unidad. Las conexiones pueden ser fijas sencillo que aplicaremos posteriormente a algunos pro-
o variables. En este ltimo caso, las conexiones suelen blemas de aprendizaje de las ciencias. En este modelo,
depender del vector de activacin. los conocimientos del sujeto y, en su caso, la informa-
cin que ste aprende se conciben como una red cuyos
e) Una regla de activaciones que combine, en un instante nodos se activan o desactivan mutuamente (Fig. 2). El
determinado, los impulsos de entrada en cada unidad conocimiento almacenado en la memoria a largo plazo
junto con la activacin actual de la unidad para obtener del sujeto que aprende se concibe como una red que
la activacin en el instante siguiente. consta de conceptos. Las conexiones entre los elementos
que componen la red pueden variar en magnitud depen-
De la descripcin anterior se desprende una caracters- diendo de las relaciones semnticas que existan entre
tica importante de los modelos conexionistas: todas las los conceptos en cuestin. Adems, estas conexiones
unidades estn realizando clculos, recibiendo entradas pueden ser positivas o negativas. Las conexiones son po-
y enviando salidas simultneamente (en paralelo). Las sitivas cuando los significados se refuerzan (p.e., fuerza
unidades son tontas, en el sentido de que realizan clculos y aceleracin). Las conexiones son negativas cuando los
sin saber lo que estn haciendo. Simplemente reciben significados se oponen (p.e., los distintos significados de
impulsos, realizan unas operaciones matemticas con una palabra tienden a desactivarse entre s).
3.3. La simulacin de algunos procesos y proble- La interpretacin de los resultados anteriores es sencilla:
mas de aprendizaje de las ciencias mediante un por ms que insistamos en activar un esquema determi-
modelo conexionista nado (bloque superior izquierdo, primeros siete compo-
nentes del vector de activaciones), si no existe relacin
En esta seccin se aplica el modelo descrito en la sec- (conexin) con otro esquema (bloque inferior derecho),
cin 3.1 y el cuadro I para entender algunos problemas es imposible que ste se active. Esta situacin hipottica
de comprensin y aprendizaje de las ciencias. Es preciso podra producirse, por ejemplo, en el caso de un alumno
insistir en que el modelo que hemos descrito es cierta- que est estudiando qumica y, debido a un aprendizaje
mente sencillo y slo representa uno de los muchos po- superficial, ignora que los equilibrios cido-base son un
sibles dentro del marco general conexionista, y que otros caso especial de los equilibrios en general. Para este
problemas de aprendizaje podran requerir la utilizacin alumno no tiene sentido el clculo de las concentra-
de enfoques diferentes, ms complicados. ciones en el equilibrio de disociacin de un cido o una
base. Mientras no se establece una conexin concreta
a) El aprendizaje de las ciencias como establecimiento entre estos dos dominios de conocimiento, el alumno no
de nuevas conexiones entre esquemas o conocimientos aplica lo que sabe de los equilibrios qumicos en general
previos al caso particular de los equilibrios cido-base. Un profe-
sor con experiencia sabr, seguramente, identificar otras
Una de las quejas ms comunes de los profesores es que situaciones en el aula que se pueden entender utilizando
los alumnos tienden a aprender las ciencias como un el modelo que estamos considerando.
conjunto de conocimientos inconexos o de dominios ais-
lados con escasa relacin entre s. El enfoque conexio- Ahora, por efecto del aprendizaje, se establece una
nista nos permite entender el desarrollo de esquemas conexin entre ambos esquemas o dominios de conoci-
ms completos como el paso de una matriz con bloques mientos (conexin N6-N9).
bien diferenciados y sin conexiones entre s a una matriz
con bloques interconectados. N1 1 1 0 0 0 0 0 0 0 0
N2 1 1 1 0 0 0 0 0 0 0
La primera matriz es como sigue y representa el conoci- N3 0 1 1 1 0 0 1 0 0 0
miento de un alumno relativo a dos dominios de conoci- N4 0 0 1 1 1 1 0 0 0 0
miento que, en principio, aparecen sin relacin entre s: N5 0 0 0 1 1 0 0 0 0 0
los nodos N1-N7 y N8-N0. N6 0 0 0 1 0 1 0 0 1 0
N1 1 1 0 0 0 0 0 0 0 0 N7 0 0 1 0 0 0 1 0 0 0
N2 1 1 1 0 0 0 0 0 0 0
N3 0 1 1 1 0 0 1 0 0 0 N8 0 0 0 0 0 0 0 2 1 0
N4 0 0 1 1 1 1 0 0 0 0 N9 0 0 0 0 0 1 0 1 2 1
N5 0 0 0 1 1 0 0 0 0 0 N0 0 0 0 0 0 0 0 0 1 2
N6 0 0 0 1 0 1 0 0 0 0
N7 0 0 1 0 0 0 1 0 0 0 En este segundo caso, la activacin de un nodo cualquiera
lleva la activacin de todos los nodos, va conexiones
N8 0 0 0 0 0 0 0 2 1 0 indirectas. Este sencillo modelo nos permite, asimismo,
N9 0 0 0 0 0 0 0 1 2 1 interpretar el fenmeno de la reconciliacin integradora
N0 0 0 0 0 0 0 0 0 1 2 de Ausubel como nodos que representan conceptos y co-
nexiones entre estos conceptos. Recordemos que la recon-
Como puede comprobarse con una sencilla simulacin ma- ciliacin integradora, en trminos de la teora ausubeliana,
temtica, si se activa cualquier elemento de alguno de los consiste en el establecimiento de relaciones entre concep-
dominios de conocimientos (esquemas), slo se activan los tos o dominios en conflicto o aparentemente sin relacin.
elementos correspondientes a ese bloque. Ntese cmo los
elementos N8, N9 y N0 no se activan, dado que no existe Vector inicial
ninguna relacin entre este dominio de conocimientos y el
dominio de conocimientos representado por los nodos N1 [1,0,0,0,0,0,0, 0,0,0]
a N7. La mecnica de la multiplicacin repetida y la falta [0,0,0,0,0,0,0, 0,0,1]
de conexiones entre bloques da como resultado los vectores
finales que se presentan a continuacin. Vector final
Conclusiones
a) Por la frmula v st
d m
v Si conocemos la densidad y adems cono- Dos coches
cemos la masa, el volumen se puede calcular. parten al mismo tiempo de dos
m ciudades diferentes separadas por una distancia de 500 km
vd y corren por la carretera que las conecta. El primer coche circula a una velocidad
de 100 km/h, mientras el segundo lo hace a 120 km/h. Cul de los coches
b) El principio de Arqumedes, el cual dice que, si introducimos llega antes al punto donde se cruzan?
un objeto en un lquido, el volumen del objeto es igual al volu-
men del lquido desalojado.
Las lneas continuas representan conexiones positivas, mientras
El alumno que ha contestado la pregunta ha activado los nodos que las lneas discontinuas representan conexiones negativas. Es-
correspondientes al principio de Arqumedes, probablemente tas conexiones negativas reflejan el hecho de que las ecuaciones,
mediante un mecanismo indirecto. como los distintos significados de una misma palabra, compiten
por la activacin que reciben de otros elementos. El lector man-
tiene conexiones basadas en la coincidencia de trminos en el pro-
Si aplicamos un modelo de conexiones como el que se blema con variables que intervienen en las ecuaciones. Muchas
ha analizado anteriormente, es fcil entender este tipo de veces, los procesos de activacin de ecuaciones son automticos
activacin de conocimientos inadecuados. El mismo me- y el alumno se dedica a los clculos numricos sin generar ningn
canismo explicativo nos permite entender la persistencia modelo mental que le permita obtener la solucin evidente del
de las ideas alternativas y el hecho de que stas con fre- problema (Campanario y Otero, 2000).
cuencia se activen durante una tarea de aprendizaje o estu-
datos y de la formulacin superficial del problema. conjunto de ideas alternativas, casi siempre inadecuadas,
Este tipo de conductas ha sido identificado hace tiempo a un conjunto de concepciones ms acordes con las co-
(Carrascosa y Gil, 1985) sin que hayamos sido capaces mnmente admitidas por los cientficos) ha sido uno de
de profundizar en su comprensin utilizando modelos los objetivos tradicionales de la enseanza de las cien-
basados en la psicologa del procesamiento de la infor- cias (Marn, 1999). El cambio conceptual se inspira en el
macin. cambio desde una teora cientfica a otra, un proceso bien
estudiado en filosofa de la ciencia (Campanario, 2002).
c) Medida de la consistencia del estado final de la re- Un modelo sencillo como el que estamos utilizando en
presentacin alcanzada nuestro trabajo puede ayudarnos a entender el papel
de las explicaciones y las evidencias cientficas en el
Una aplicacin adicional del enfoque que estamos tra- proceso del cambio de teoras. Thagard ha analizado el
tando consiste en la medida de la consistencia del estado cambio conceptual considerando las condiciones globa-
final que se alcanza tras un proceso de activacin de les de coherencia de las teoras cientficas. El elemento
conocimientos previos. Este problema est en la base de ms llamativo del enfoque de Thagard es el uso que hace
situaciones tales como la comprensin de un texto o el del formalismo matemtico de redes neuronales para
cambio conceptual, en las cuales el alumno debe decidir implementar la coherencia global de las teoras en com-
si una representacin final es satisfactoria desde su punto petencia (Thagard, 1993). Esta coherencia depende tanto
de vista. del nmero de hechos conocidos y nuevos que explican
las teoras como de su grado de articulacin.
Podemos obtener una medida cuantitativa de la consis-
tencia del estado final de la representacin alcanzada La idea bsica que subyace al enfoque de Thagard es la
mediante una magnitud propia de los modelos conexio- eliminacin, en la representacin final de la red (vector
nistas que, a veces, se denomina bondad de ajuste o de activaciones), de una informacin por otra con la que
armona (McLelland y Rumelhart, 1989). Por ejemplo, la primera est conectada negativamente. sta es quiz
para el tipo de red que estamos utilizando, definimos la la aplicacin ms evidente e inmediata del tipo de red
bondad de ajuste como que estamos estudiando y es una de las posibilidades ms
fructferamente explotadas. De hecho, suele ser el ejem-
b = aT W a plo tpico que se propone en los libros de texto introduc-
torios (McLelland y Rumelhart, 1986; Hertz, Krogh y
donde a y aT representan el vector final de activaciones Palmer, 1991; http://cogsci.uwaterloo.ca/Biographies/
y su traspuesto. Recurdese que C representa la matriz pault.html).
de conexiones. Ntese cmo de la definicin anterior
se desprende que la bondad es un valor numrico. Qu En la figura 5 se presenta una ilustracin del marco
sucede cuando se activan simultneamente dos nodos (ni general que sirve para entender los procesos de cam-
y nj) entre los cuales no existe conexin o existe una bio conceptual. En este esquema existen dos teoras
conexin negativa? La definicin anterior da como re- compuestas por una serie de postulados (P1i) y datos
sultado que la contribucin a la suma final del producto experimentales que se derivan de dichos postulados o
ai*Wij*aj es nula o negativa y, por tanto, tiende a hacer que se intentan explicar (Da, Db...). Existen conexiones
disminuir la bondad de la red. positivas entre los postulados de cada teora, mientras
que las conexiones entre postulados de diferentes teo-
Aunque la definicin anterior no es nueva, permite ob- ras son, lgicamente, negativas. Como puede compro-
tener una medida cuantitativa del grado de consistencia barse, el conjunto de datos que se explican con cada
de una red conexionista. As, por ejemplo, es evidente teora refuerza en mayor o menor medida los postula-
que una red con pocas conexiones negativas y muchas dos, dependiendo de la importancia que se conceda a
conexiones positivas entre sus elementos (lo cual re- cada dato. Si se genera una matriz conexionista y se
presenta un esquema o un dominio de conocimientos permite que fluya activacin entre los distintos elemen-
consistente) da lugar a un valor de bondad mayor que el tos (datos y postulados) de la misma manera que hemos
que se obtendra para una red con conexiones negativas estado trabajando en las simulaciones anteriores, una
entre sus nodos o conceptos. En cambio, un dominio de de las dos teoras desplaza a la otra. Este desplazamien-
conocimientos con escasas conexiones entre s o con to depende tanto de la cantidad y variedad de datos que
muchas conexiones negativas da lugar a un valor pe- explica cada teora como del grado de interconexin de
queo de bondad que correlaciona con la idea intuitiva los elementos y postulados que componen cada teora.
de que es un dominio en el que uno sabe poco y mal. En el caso que analizamos, se puede evitar que una teo-
ra muy compleja con poco apoyo emprico derrote a
otra ms sencilla con un respaldo superior concediendo
d) Una interpretacin del cambio conceptual una cantidad fija de conexin interna para ambas teo-
ras de manera que esta cantidad fija se reparta entre
El cambio conceptual (entendido como el paso de un los postulados que las componen.
Figura 5
4. CONCLUSIONES Y PERSPECTIVAS
Representacin hipottica (y muy simplificada) de un dominio
de conocimientos caracterizado por un conjunto En general, en nuestra rea de conocimientos presta-
de datos experimentales (Da, Db...) y dos teoras en competencia mos poca atencin a la fundamentacin cognitiva de
que intentan dar cuenta de algunos de los datos. los procesos de enseanza y aprendizaje de las ciencias
mediante las teoras psicolgicas del procesamiento de
la informacin. Sirva, como ejemplo, un libro colectivo
AH reciente que recoge las principales tendencias en la in-
vestigacin en didctica de las ciencias experimentales
(Perales y Caal, 2000). Como puede comprobarse por
P11 P12 P21 P22 el ndice de contenidos de este volumen, la aplicacin
de las teoras psicolgicas del procesamiento de la
informacin a nuestro dominio de conocimientos es
P2-12
limitada. Creemos, sin embargo, que las posibilidades
de este enfoque en psicologa y didctica son enormes.
Los sencillos ejemplos analizados en nuestro trabajo de-
muestran que podemos ir ms all de las interpretaciones
tradicionales de algunos problemas bien conocidos en
Da Db Dc enseanza y aprendizaje de las ciencias. En particular,
nuestra opinin es que las fundamentaciones filosficas e
histricas deberan ir cediendo el paso, progresivamente,
a aqullas otras basadas en los modelos psicolgicos de
comprensin y procesamiento de la informacin. No ol-
Dd De Df Dg Dh videmos que, en definitiva, el ser humano es un sistema
complejo que procesa informacin procedente de muy
diversas fuentes.
La primera teora consta de dos postulados, mientras que la
El modelo utilizado en este trabajo no es sino uno de
segunda consta de tres (uno de ellos, P2-12 es consecuencia de
los muchos que existen en el rea de redes neuronales.
los dos primeros). Las conexiones positivas se muestran me-
No olvidemos que existen redes neuronales que apren-
diante lneas continuas y representan ejemplos de datos que son
den, entendindose el aprendizaje como un cambio en
consecuencia de los postulados correspondientes o que pueden
el conocimiento o, en el marco en el que nos movemos,
ser explicados por dichos postulados. Las conexiones negativas
como un cambio en las conexiones entre nodos. Existen
representan contradicciones entre datos y postulados debidos, por
diversos paradigmas de aprendizaje de redes neuronales
ejemplo, a que un dato est en conflicto con un postulado. La se-
(supervisado, no supervisado) y no cabe duda de que este
gunda teora tiene, adems, una hiptesis ad hoc que se introduce
formalismo puede ayudarnos en el futuro a interpretar
para dar cuenta de un dato particular (De) que parece tener espe-
y analizar ms problemas de aprendizaje y enseanza
cial importancia (por eso la conexin entre la hiptesis ad hoc y
de las ciencias. Es posible, por ejemplo, utilizar este
el dato De es mayor). La hiptesis ad hoc se deriva de uno de los
enfoque para simular los procesos de control de la propia
postulados. Para evitar complicaciones innecesarias, no se mues-
comprensin en el estudio a partir de textos cientficos
tran las conexiones negativas entre los postulados de las distintas
(Otero y Kintsch, 1992), para simular el procesamiento
teoras que, lgicamente, tienden a desactivarse entre s.
de relaciones causales (Singer, 1996) o bien, en combi-
nacin con otro enfoque llamado anlisis semntico la-
tente, para medir la coherencia textual (Foltz, Kintschy y
Landauer, 1998) o, incluso, la comprensin de metforas
(Kintsch, 2000).
Un modelo similar, aunque algo ms complicado, ha
sido utilizado por Thagard (1993, 2000) para inter- La aplicacin de los modelos citados puede ayudarnos a
pretar procesos histricos de cambios de competencia entender los procesos de aprendizaje de las ciencias de
entre teoras cientficas y competencia entre diversas la misma manera que en fsica o en qumica recurrimos a
argumentaciones cientficas en trminos de coheren- explicaciones microscpicas o explicaciones basadas en
cia explicativa. No cabe duda de que estos modelos modelos abstractos (p.e., transiciones de niveles prota-
conexionistas pueden ayudarnos a entender que algu- gonizadas por partculas puntuales cargadas que giran en
nos cientficos se resisten a abandonar un paradigma torno a un ncleo) que nos ayuden a entender procesos o
(entendido como un conjunto ricamente conectado de propiedades macroscpicos perceptibles (p.e., el color).
postulados, principios, observaciones y aplicaciones) Cuando recurrimos con xito a estos modelos micros-
incluso cuando existen evidencias en contra. A la vista cpicos, basados muchas veces en entidades ideales o
del enfoque que analizamos, se hace evidente que con- inexistentes, nos sentimos con ms derecho a concluir
seguir un cambio conceptual no consiste nicamente en que hemos pasado de la descripcin a la explicacin. El
acumular hechos contrarios a un paradigma, por lo que paralelismo con los temas que hemos tratado es eviden-
cabe esperar resistencia ante los intentos destinados a te: no podemos quedarnos satisfechos con la descripcin
modificar las teoras dominantes (Campanario, 2003; de un problema de aprendizaje en trminos de fallos apa-
Campanario y Martin, 2003). rentes de comprensin o de control de la comprensin.
Nos gustara ir algo ms all y entender estos problemas El conocimiento y aplicacin del enfoque conexionista
en funcin de modelos que nos permitan formular al- exige un esfuerzo adicional de formacin a los investi-
gn tipo de prediccin general basada en mecanismos gadores en didctica de las ciencias. Este aumento en la
bsicos como son la activacin o desactivacin de la exigencia de formacin es el que cabe esperar de una
informacin. disciplina que poco a poco se consolida a partir de unos
inicios originados por los problemas de aprendizaje y la
En este trabajo hemos citado tambin algunas de las enseanza de las ciencias y que extiende progresivamen-
limitaciones del enfoque conexionista. Buscamos, con te su mbito propio de conocimientos.
ello, evitar que este enfoque se considere una panacea o
solucin mgica que nos permita entender casi cualquier
problema de aprendizaje de las ciencias. Adems, en este
trabajo centramos nuestra atencin en las aplicaciones del
conexionismo para modelar (en su mbito de validez), AGRADECIMIENTOS
fundamentalmente, los procesos de aprendizaje y dejamos
sin abordar problemas relacionados con la enseanza. Quiero expresar mi agradecimiento a Jos C. Otero, de la Universidad
Evidentemente, no podemos extrapolar los mtodos que de Alcal, que me ayud all por 1989 a descubrir la existencia del en-
se siguen para ensear a una red neuronal (un tema que foque conexionista, y a Mike Mozer, de la Universidad de Colorado en
aqu no hemos tratado) a la enseanza de seres humanos. Boulder, que me ense a utilizar las redes neuronales. Los comenta-
Aunque esta limitacin es importante desde el punto de rios de dos revisores annimos ayudaron a mejorar este trabajo. Algu-
vista de la didctica, no tiene excesiva importancia desde nos de estos comentarios se han incluido en el artculo, especialmente
el punto de vista del desarrollo de la ciencia cognitiva. en el apartado 3.3.
REFERENCIAS BIBLIOGRFICAS
CAMPANARIO, J.M. (1995). Using neural networks to FODOR, J.A., PYLYSHYN, Z.W. (1988). Connectionism
study networks of scientific journals. Scientometrics, 33, and cognitive architecture: A critical analysis. Cognition,
pp. 23-40. 28, pp. 3-71.
CAMPANARIO, J.M. y OTERO, J.C. (2000). La comprensin FOLTZ, P.W., KINTSCH, W. y LANDAUER, T.K. (1998). The
de textos de ciencias, en Perales, F.J. y Porln, R. (eds.). Di- measurement of textual coherence with Latent Semantic
dctica de las Ciencias Experimentales. Marfil: Alcoy. Analysis. Discourse Processes, 25, pp. 285-307.
CAMPANARIO, J.M. (2002). La enseanza de las ciencias FURI, C. (1997). Dificultades procedimentales en el aprendi-
en preguntas y respuestas. Alcal: Universidad de Alcal. zaje de la qumica: la fijacin y la reduccin funcionales, en
Disponible en http://www.uah.es/otrosweb/jmc Aspectos didcticos de fsica y qumica, 7, Zaragoza: ICE-
Universidad de Zaragoza.
CAMPANARIO, J.M. (2003). Rejecting Nobel class papers
and resisting Nobel class discoveries (en revisin). GARCA-MADRUGA, J.A. (1992). Introduccin a la edicin
espaola, en Rumelhart, D.E., Mclelland, J.L. y el grupo
CAMPANARIO, J.M. y MARTIN, B. (2004). Challenging PDP (1992). Introduccin al procesamiento distribuido en
dominant Physics paradigms (en revisin). paralelo. Madrid: Alianza Editorial.
CARRASCOSA, J., GIL, D. (1985). La metodologa de la su- GRAESSER, A.C. y GOODMAN, S.M. (1985). Implicit
perficialidad y el aprendizaje de las ciencias. Enseanza de knowledge, question answering and the representation
las Ciencias, 3, pp. 113-120. of expository text, en Britton, B.K. y Black, J.B. (eds.)
Understanding Expository Texts. Hillsdale, Nueva Jersey:
ELOSUA, M.R. (2000). Procesos de la comprensin, memoria Lawrence Erlbaum.
y aprendizaje de textos. Madrid: Sanz y Torres, SL.
HANSON, S.J. y BURR, D.J. (1990). What connectionist
FALK, A. (1996). A connectionist solution to problems posed models learn: Learning and representation in connectionist
by Plato and Aristotle. Behavior and Philosophy, 24, networks. Behavioral and Brain Sciences, 13, pp. 471-
pp. 1-12. 518.
HERTZ, J., KROGH, A. y PALMER, R.G. (1991). Introduction PERALES, F.J. y CAAL, P. (2000). Didctica de las ciencias
to the theory of neural computation. Redwood, California: experimentales. Alcoy: Marfil.
Addison-Wesley.
POZO, J.I. (2001). Humana mente: el mundo, la conciencia y
JOHNSON-LAIRD, P.N. (1980). Mental models in cognitive la carne. Madrid: Morata
science. Cognitive Science, 4, pp. 71-115.
RUMELHART, D.E. (1980). Schemata: The building blocks of
KINTSCH, W. (1988). The role of knowledge in discourse cognition, en Spiro, R.J., Bruce, B.C. y Brewer, W.F. (eds.).
comprehension: A Construction-Integration model. Psycho- Theoretical issues in reading comprehension. Hillsdale,
logical Review, 95, pp. 163-182. Nueva Jersey: Lawrence Erlbaum.
KINTSCH, W. (1998). Comprehension: A paradigm for cogni- RUMELHART, D.E. y McLELLAND, J.L. y el grupo PDP
tion. Cambridge: Cambridge University Press. (1992). Introduccin al procesamiento distribuido en para-
KINTSCH, W. (2000). Metaphor comprehension: A com- lelo. Madrid: Alianza.
putational Theory. Psychonomic Bulletin & Review, 7,
pp. 257-266. RUMELHART, D.E. y ORTONY, A. (1977). The representa-
KINTSCH, W., WELSCH, D., SCHMALHOFER, F. y ZIM- tion of knowledge in memory, en Anderson, R.C., Spiro,
NY, S. (1990). Sentence memory: A theoretical analysis. R.J. y Montague, W.E. (eds.). Schooling and the acquisiton
Journal of Memory and Language, 29, pp. 133-159. of knowledge. Hillsdale, Nueva Jersey: Lawrence Erlbaum.
KINTSCH, W. y WELSCH, D.M. (1990). The Construction- SAULEDA, N. y MARTNEZ, M.A. (1994). Evolucin y sim-
Integration Model: A framework for studying memory for biosis de las propensiones esenciales en el escenario de la
text. Institute of Cognitive Science: Technical Report 90-15. enseanza de las ciencias experimentales. Enseanza de las
Boulder, Colorado: University of Colorado at Boulder. Ciencias, 12 (2), pp. 246-253.
MARN, N. (1999). Delimitando el campo de aplicacin del cam- SCHANK, R.C. (1980). Language and memory. Cognitive
bio conceptual. Enseanza de las Ciencias, 17, pp. 80-92. Science, 4, pp. 243-284.
McLELLAND, J.L. y RUMELHART, D.E. (1986). Parallel SCHANK, R.C. y ABELSON, R.P. (1977). Scripts, plans,
distributed processing: Explorations in the microstructure of goals and understanding. Hillsdale, Nueva Jersey:
cognition, Cambridge, Massachussets: MIT Press/Bradford Lawrence Erlbaum.
Books.
SINGER, M. (1996). Comprehending consistent and inconsistent
McLELLAND, J.L. y RUMELHART, D.E. (1989). Explorations causal text sequences: A construction-integration analysis.
in parallel distributed processing. Cambridge, Massachussets: Discourse Processes, 21, pp. 1-21.
MIT Press/Bradford Books.
SMOLENSKY, P. (1988). On the proper treatment of connec-
MINSKY, M. (1975). A framework for the representation of tionism. Behavioral and Brain Sciences, 11, pp. 1-74.
knowledge, en Winston (ed.). The psychology of computer
vision. Nueva York: McGraw-Hill.
THAGARD, P. (1993). Cognitive revolutions. Princeton,
MOTTER, A.E., DE MOURA, A.P.S., DAI, Y.C. y DAS- Nueva Jersey: Princeton University Press.
GUPTA, P. (2002). Topology of the conceptual network of
language. Physical Review E, 65. THAGARD, P. (2000). Probabilistic networks and explanatory
coherence. Cognitive Science Quarterly, 1, pp. 91-114.
OTERO, J.C. y KINTSCH, W. (1992). Failures to detect
contradictions in a text: What readers believe versus what VEGA, M. (1998). La psicologa cognitiva: ensayo sobre un para-
they read. Psychological Science, 3, pp. 229-235. digma en transformacin. Anuario de Psicologa, 29, pp. 21-44.