Paul Thagard

La mente
Introducción a las
ciencias cognitivas

Del mismo autor Traducido por Silvia Jawerbaum y Julieta Barba

Conceptual revolutions, Princeton, 1992

Computational philosophy ofscience, Massachusetts, 1993
Mind readings: Introductory selections on cognitive science,
Massachusetts, 1998
How scientists explain disease, Princeton, 2000
Coherence in thought and action (Life and mind: Philosophical issues
in biology and psychology, Massachusetts, 2002
Hot thought: Mechanisms and applications ofemotional cognition,
Massachusetts, 2006

Mente. Una introducción a las ciencias cognitivas, ha sido publicado

en italiano por Guerini, bajo el título: La mente. Introduzione
alia scienza cognitiva; en alemán por Klett-Cotta, bajo el título:
Kognitionswissenschaft; en portugués por Artmed como Mente:
introdufao á ciencia cognitiva. Hay, igualmente, ediciones en checo
y en coreano, y en dos variantes del chino.

conocimiento
 índice

Primera edición, 2008

9 Agradecimientos
©Katz Editores 11 Prefacio
Sinclair 2949, B
1425 Buenos Aires
I. E N F O Q U E S D E LAS C I E N C I A S COGNITIVAS
Fernán González, 59 Bajo A
28009 Madrid 17 1. Representación y computación
www.katzeditores.com 47 2. Lógica
Título de la edición original: Mind. Introduction 77 3- Reglas
to cognitive science 101 4. Conceptos
© 2005 Massachusetts Institute oí Technology, 129 5. Analogías
The HIT Press, Cambridge, MA
153 6. Imágenes
ISBN Argentina: 978-987-1283-63-7 175 7. Conexiones
ISBN España: 978-84-96859-21-0 205 8. Resumen y evaluación
1. Conocimiento. I . Jawerbaum, Silvia, trad. II. Barba,
Julieta, trad. I I I . Título II. EXTENSIONES DE LAS CIENCIAS COGNITIVAS
CDD 001 223 9. El cerebro
El contenido intelectual de esta obra se encuentra
245 10. Las emociones v#
protegido por diversas leyes y tratados 265 11. La conciencia
internacionales que prohiben la reproducción 289 12. Cuerpo, mundo y sistemas dinámicos
íntegra o extractada, realizada por cualquier
procedimiento, que no cuente con la autorización
311 13. Sociedad
expresa del editor. 327 14. El futuro de las ciencias cognitivas

Diseño de colección: tholon kunst

Impreso en la Argentina por Latingráfica S.R.L.
343 Glosario
349 Bibliografía
Hecho el depósito que marca la ley 11.723 381 índice temático
Prefacio

Las ciencias cognitivas, dedicadas al estudio de la mente y la inte-

ligencia desde un punto de vista interdisciplinario, son fruto de
la confluencia entre lafilosofía,la psicología, la inteligencia arti-
ficial, la neurociencia, la lingüística y la antropología. Sus orígenes
intelectuales se remontan a mediados de la década de 1950, cuando
investigadores provenientes de distintos campos comenzaron a
formular teorías de la mente valiéndose de representaciones y pro-
cesos computacionales complejos. En cuanto a los orígenes insti-
tucionales, éstos datan de mediados de los años setenta, época en
que se fundó la Sociedad de Ciencias Cognitivas en los Estados
Unidos y se publicó por primera vez la revista Cognitive Science.
Desde entonces, más de sesenta universidades estadounidenses y
europeas han creado carreras de ciencias cognitivas, y muchas otras
universidades dictan materias relacionadas con este campo.
La enseñanza de las ciencias cognitivas no es tarea sencilla,
pues los estudiantes llegan con formaciones académicas muy di-
versas. Yo, personalmente, dicto en la Universidad de Waterloo,
desde 1993, una materia muy concurrida titulada Introducción
a las Ciencias Cognitivas. Por un lado, se inscriben en mi cátedra
estudiantes con conocimientos avanzados de computación, pro-
venientes de carreras de computación científica o ingeniería, que
saben poco de psicología o filosofía, pero, por otro lado, vienen
muchos estudiantes que están familiarizados con esas discipli-
12 I LA MENTE
ñas pero que de computación entienden bastante poco. Mi inten-
ción al escribir este libro ha sido poder contar con un manual
que no requiere conocimientos previos en ninguno de los cam-
pos de las ciencias cognitivas. También he pretendido mostrar a
los estudiantes interesados en los problemas de la mente y la inte-
ligencia que existen muchos enfoques complementarios en la
investigación sobre las funciones mentales.
Existen al menos tres formas distintas de presentar las cien-
cias cognitivas ante un público formado en disciplinas diversas.
La primera consiste en centrarse en los distintos campos: la psi-
cología, la inteligencia artificial y las demás disciplinas involucra-
das. La segunda es organizar el curso según las distintas funcio-
nes mentales, como la resolución de problemas, la memoria, el
aprendizaje y el lenguaje. En este libro, he decidido tomar otro
camino, en el que hago una descripción y una evaluación siste-
máticas de las principales teorías de la representación mental for-
muladas por distintos teóricos, que incluyen la lógica, las reglas,
los conceptos, las analogías, las imágenes y las conexiones (redes
neuronales artificiales). Con la presentación de esos enfoques teó-
ricos fundamentales he querido mostrar de manera coherente los
aportes realizados por los distintos campos de las ciencias cog-
nitivas al conocimiento del funcionamiento de la mente.
M i propósito al escribir el presente libro ha sido poner a
disposición de estudiantes provenientes de distintas disciplinas
un material básico que les permita comprender sin problemas un
curso introductorio a las ciencias cognitivas. Para cumplir con
el objetivo que me había propuesto, debí explicar lógica de forma
tal que fuera accesible a los estudiantes de psicología, exponer
algoritmos computacionales para que los entendieran los estu-
diantes de literatura, o presentar debates filosóficos de modo
sencillo para que a los estudiantes de ciencias de la computa-
ción les resultaran atractivos.
PKtFAClO I 13
Aunque este libro está dirigido principalmente a estudiantes
de carreras de grado, también ha sido mi intención que fuese de
utilidad para los estudiantes de posgrado y los profesores inte-
resados en descubrir cuál es la participación de sus propias dis-
ciplinas en los distintos proyectos de las ciencias cognitivas.
No se trata, por tanto, de un texto enciclopédico sino de un
manual con capítulos breves y concisos, en los que resalto las
cuestiones generales en desmedro de las particulares. Dado
que abordo las ciencias cognitivas como la intersección y no
como la unión entre todos los campos que forman parte de ellas,
decidí omitir algunos temas que ya se han tratado en manuales
de inteligencia artificial, psicología cognitiva y filosofía de la
mente, por nombrar sólo algunas disciplinas sobre las que exis-
ten infinidad de textos. Para cerrar cada capítulo, he incluido un
resumen y un listado de lecturas recomendadas.
El libro está escrito con gran entusiasmo y respeto por los
aportes que han hecho las teorías de la representación mental
y los procesos computacionales al conocimiento de la mente,
aunque soy consciente de que las ciencias cognitivas tienen un
largo camino por recorrer. En la segunda parte, me refiero a las
extensiones de los supuestos básicos de las ciencias cognitivas
y propongo distintas ideas para trabajar en el futuro.
Estoy muy agradecido a quienes me han hecho llegar ejempla-
res de la primera edición traducida al italiano, alemán, checo,
portugués, japonés, coreano y dos variedades de chino. Para
esta segunda edición, he actualizado la primera parte y revisado
la segunda, además de añadir capítulos sobre el cerebro, las emo-
ciones y la conciencia. Otras novedades son un listado de sitios
web al final de cada capítulo y un glosario al final del libro.
Para complementar el presente texto, recomiendo la lectura de
otro libro del que soy editor: Mind readings: Introductory selec-
tions on cognitive science ( M I T Press, 1998).
I
Enfoques de las ciencias
cognitivas
1
Representación y computación

EL ESTUDIO D E LA M E N T E

¿Quién no se ha preguntado alguna vez cómo funciona la mente?

Todos realizamos a diario una gran variedad de tareas menta-
les, desde resolver problemas en el trabajo o la escuela hasta
tomar decisiones vinculadas con nuestra vida personal, encon-
trar los motivos de las acciones de los demás o adquirir nuevos
conceptos, como el de telefonía celular o Internet. El objetivo
principal de la ciencia cognitiva es encontrar las explicaciones
de cómo se realizan esas formas de pensamiento. Esta disciplina
científica no se limita a describir los distintos tipos de estrate-
gias de aprendizaje y de resolución de problemas, sino que ofrece
una explicación acerca de cómo realiza la mente esas operacio-
nes. Además, da cuenta de los casos en los que la mente no fun-
ciona con la eficacia deseada; por ejemplo, cuando se toman
decisiones equivocadas.
Comprender cómo funciona la mente es importante para
muchas actividades prácticas. Si los docentes saben cuáles son
los mecanismos de pensamiento de los estudiantes, podrán apli-
car los métodos de enseñanza adecuados. Para los ingenieros y
otros profesionales dedicados al diseño de productos, es impor-
tante saber cuáles son los probables procesos mentales que per-
mitirán que los futuros usuarios hagan un uso eficaz o ineficaz

l8 I LA MENTE
de esos productos. En el caso de los científicos especializados en
informática, el conocimiento de qué factores hacen que las per-
sonas sean inteligentes es de utilidad en el diseño de computa-
doras más inteligentes. Y para los políticos y los responsables de
la toma de decisiones, el éxito de su carrera depende de la com-
prensión de los procesos mentales de las personas con las que
interactúan.
Sin embargo, el estudio de la mente no es tarea sencilla, puesto
que no es posible tener acceso directo a ella. A lo largo de los
siglos, losfilósofosy los psicólogos han recurrido a un conjunto
de metáforas y comparaciones para referirse a la mente. Se ha
afirmado que es como una página en blanco sobre la que se hacen
impresiones, o como un instrumento hidráulico en el que se
ejercen distintas fuerzas o que es semejante a un conmutador
telefónico. En los últimos cincuenta años han surgido nuevas
metáforas gracias al desarrollo de nuevas clases de computa-
doras. Muchos especialistas en ciencia cognitiva, si bien no todos,
consideran que el pensamiento es una especie de proceso com-
putacional y utilizan metáforas relacionadas con el campo de
la computación para describir y explicar cómo las personas
aprenden y resuelven problemas.
¿QUÉ SABEMOS? ' ,
Cuando empiezan una carrera universitaria, los estudiantes tie-
nen que aprender mucho más que lo que dicen los textos. Según
la carrera elegida, variarán los temas, pero en todas es necesa-
rio aprender algunos aspectos básicos sobre cómo funciona la
universidad. ¿Cómo se hace para anotarse en una materia? ¿A
qué hora empiezan las clases? ¿Qué cátedras son buenas y cuá-
Kct-KtitHiHiiun I lunfuiftiiuN I l y
les no? ¿Cuáles son los requisitos para obtener el título? ¿Cuál
es el mejor camino para ir de un aula a otra? ¿Cómo son los
demás estudiantes? ¿Cuál es el mejor lugar para salir un vier-
nes a la noche?
Las respuestas a esas preguntas se almacenan en algún lugar
de la mente, pero ¿dónde? La mayoría de los especialistas coin-
ciden en que el conocimiento consiste en representaciones men-
tales. Todo el mundo sabe qué es una representación no men-
tal, como lo son las palabras escritas en esta página. La frase "esta
página" es a su vez una representación de la página que el lec-
tor está viendo en este momento. En las instituciones educati-
vas abundan las representaciones gráficas, los mapas, por ejem-
plo, de modo que los estudiantes están habituados a verlas. Para
explicar varios tipos de conocimiento, como qué saben los estu-
diantes sobre el funcionamiento de la universidad, la ciencia
cognitiva propone distintos tipos de representaciones menta-
les: reglas, conceptos, imágenes y analogías, etc. Los estudian-
tes conocen, entre otras, la regla que determina Si quiero reci-
birme, tengo que cursar diez materias del ciclo de especialización.
También adquieren conceptos nuevos representados por térmi-
nos como "bird", ''Mickey Mouse" o "guf\e en las universida-
des de algunos países angloparlantes se utilizan para referirse a
las materias muy fáciles. Para ir de un aula a otra, les resulta
útil contar con una representación mental de la distribución
espacial de la facultad. Después de completar una materia que
les ha parecido buena, es probable que traten de inscribirse en
otras similares. Al tenei: la oportunidad de relacionarse con estu-
diantes de otras carreras, construyen estereotipos aunque les
resulte difícil expresar con precisión qué características tiene
cada uno.
El conocimiento sobre la vida en la universidad no se
adquiere sólo para acumular información. Los estudiantes se
20 I LA MENTE
enfrentan con numerosos problemas: cómo lograr un buen
desempeño al cursar las materias, cómo llevar una vida social
satisfactoria y cómo obtener un trabajo después de recibirse.
Resolver ese tipo de problemas requiere operar con represen-
taciones mentales; por ejemplo, cuántas materias les restan
para recibirse o no anotarse nunca más en ninguna materia
dictada por el profesor Tedio. Según la ciencia cognitiva, las
personas experimentan procesos mentales que actúan sobre las
representaciones para generar pensamientos y acciones. Los
distintos tipos de representaciones mentales, como las reglas
y los conceptos, se asocian con distintas clases de procesos men-
tales. Tomemos por caso las distintas maneras de representar
números. La mayoría de las personas conocen la representa-
ción arábiga de los números (i, 2, 3,10,100...) y los procedi-
mientos para realizar operaciones de adición o multiplicación,
entre otras. También pueden utilizar números romanos (i, 11,
I I I , x, c...), pero los procedimientos para realizar operaciones
aritméticas son distintos. Hagamos la prueba de dividir civ
(104) por xxvi (26).
En la primera parte de este libro presentaremos los distin-
tos enfoques sobre las representaciones y los procesos menta-
les propuestos en los últimos cuarenta años de investigación
en el marco de la ciencia cognitiva. El valor de algunos de
esos enfoques ha sido motivo de controversia, y muchos de los
principales teóricos de la ciencia cognitiva defendieron con
vehemencia la validez del enfoque de su preferencia. En mi
caso personal, tiendo a ser más ecléctico, pues creo que las dis-
tintas teorías de la representación mental no se excluyen entre
sí sino que se complementan. La mente humana es sumamente
compleja, y se comprende mejor si se tiene en cuenta el uso
de las reglas mencionadas anteriormente y de otras no tan
obvias, como las representaciones propuestas por los modelos
REPRESENTACION Y COMPUIACIÚN | 21
"conexionistas" o "de redes neuronales" que comentaremos en
el capítulo 7.
LOS INICIOS
Los primeros intentos por comprender la mente y su funciona-
miento se remontan a la antigua Grecia, o quizás antes, con las
primeras teorías sobre la naturaleza del conocimiento formula-
das por filósofos como Platón y Aristóteles. Platón pensaba que
el conocimiento más importante provenía de conceptos como la
virtud, conceptos innatos que no dependían de la experiencia
sensible. Otrosfilósofos,como Descartes y Leibniz, pensaban que
el conocimiento se adquiría gracias al pensamiento y al razona-
miento, por lo que su enfoque se denomina racionalismo. Por el
contrario, Aristóteles abordó el tema del conocimiento recu-
rriendo a reglas que se aprenden gracias a la experiencia, como
ocurre con el enunciado Todos los hombres son mortales. Esa pos-
tura filosófica, que luego abrazaron Locke, Hume y otros pen-
sadores, se denomina empirismo. En el siglo x v i i i , Kant pro-
puso una combinación del racionalismo y el empirismo, pues
sostenía que el conocimiento humano depende de la experien-
cia sensible y de las capacidades innatas de la mente.
El estudio de la mente permaneció confinado al campo de la
filosofía hasta el siglo xix, época en que nació la psicología expe-
rimental. Wilhelm Wundt y sus discípulos diseñaron métodos
de laboratorio para el estudio sistemático de las operaciones
mentales. Al cabo de unas pocas décadas, la psicología experi-
mental cedió terreno ante el conductismo, que negaba la existen-
cia de la mente. Algunos conductistas, John B. Watson (1913),
por ejemplo, sostenían que la psicología debía limitarse al estu-

22 I LA MENTE
dio de la relación entre estímulos y reacciones observables de
la conducta. La conciencia y las representaciones mentales no
eran temas de los que la ciencia respetable debiera ocuparse.
En los Estados Unidos en particular, el conductismo dominó
el campo de la psicología hasta la década de 1950.
Hacia 1956, el panorama intelectual experimentó un cambio
drástico. George Miller (1956) presentó una reseña de numero-
sos estudios que demostraban que la capacidad del pensamiento
humano es limitada y que la memoria a corto plazo no es capaz
de almacenar más de siete elementos. (Por esa razón, es difícil
retener un mimero de teléfono con sus códigos de área o el del
carné de la obra social.) Miller sugirió que las limitaciones de
la memoria se superan si la información se recodifica en forma
de unidades más pequeñas, es decir, por medio de representa-
ciones mentales que requieren procesos mentales para codifi-
car y decodificar información. Era la época de las primeras com-
putadoras y de pioneros como John McCarthy, Marvin Minsky,
Alien Newell y Herbert Simón, fundadores del área del conoci-
miento conocida como inteligencia artificial. Por su parte, Noam
Chomsky (1957,1959) rechazó los supuestos conductistas sobre
el lenguaje como hábito adquirido y afirmó que la capacidad del
hombre de comprender el lenguaje se explica en términos de
una gramática mental constituida por reglas. No sería injusto
considerar a los seis científicos mencionados en este párrafo
como los fiindadores de la ciencia cognitiva.
En los capítulos siguientes, mostraremos la historia posterior
de la ciencia cognitiva vinculándola con distintas teorías de la
representación mental. McCarthyfíieuno de los principales expo-
nentes del enfoque de la inteligencia artificial basado en la lógica
formal (capítulo 2). En la década de 1960, Newell y Simón demos-
traron el poder de las reglas en su descripción de algunos aspec-
tos de la inteligencia humana, tradición retomada en numero-
ncrMijcn iBLiun T I . U n K U Ift1. I U M |
sos trabajos posteriores (capítulo 3). En los años setenta, Minsky
propuso la noción de marco conceptual como estructura central
de las representaciones del conocimiento. Otros investigadores
del área de la psicología y la inteligencia artificial plantearon la
existencia de estructuras similares a las que denominaron guio-
nes y esquemas (capítulo 4). En esa misma época, los psicólo-
gos también comenzaron a interesarse en las imágenes menta-
les (capítulo 6). A partir de la década de 1980, se han reaUzado
innumerables trabajos de investigación experimental y compu-
tacional centrados en el pensamiento analógico o razonamiento
inductivo (capítulo 5). Las propuestas más interesantes de esa
década fueron las teorías conexionistas, que establecieron cierto
grado de relación entre las representaciones y los procesos men-
tales y las redes neuronales del cerebro (capítulo 7). Todos esos
enfoques han hecho su contribución al conocimiento de la mente,
cada uno con sus aciertos y desaciertos (capítulo 8).
La noción fundamental de que la mente debería pensarse en
términos de representaciones y procesos mentales ha recibido crí-
ticas y sufrido modificaciones, de las que nos ocuparemos en la
segunda parte de este libro (capítulos 9 a 14). La década de 1990
fue testigo de la proliferación del uso de técnicas de escaneo cere-
bral para el estudio de las zonas del cerebro asociadas con el pen-
samiento y en la actualidad se trabaja con modelos computacio-
nales de la mente cuya estructura refleja la estructura neurológica
real. Esos modelos proponen nuevas formas de entender las emo-
ciones y la conciencia (capítulos 10 y 11). Las reacciones contra-
rias al modelo computacional-representacional se apoyan en el
argumento de que el organismo y los entornos físico y social
desempeñan un papel importante en el pensamiento (capítulos
12 y 13). Finalmente, nos dedicaremos a plantear el futuro de las
ciencias cognitivas y a brindar algunas sugerencias para poten-
ciales trabajos de carácter interdisciplinario (capítulo 14).
24 I LA MENTE
MÉTODOS D ELASCIENCIAS COGNITIVAS
Las ciencias cognitivas no son sólo el quehacer de un conjunto
de personas provenientes de distintas disciplinas que se reúnen
en un bar a conversar sobre la mente. Para apreciar cuáles son
las ideas unificadoras sobre las que se construyen las ciencias
cognitivas es necesario tener un panorama de los métodos que
los investigadores de las distintas disciplinas utilizan en el estu-
dio de la mente y la inteligencia.
Si bien en la actualidad abundan la teorización y los mode-
los computacionales en la psicología cognitiva, el método prin-
cipal de investigación es la experimentación con sujetos huma-
nos. Las personas que participan en los estudios -por lo general,
estudiantes universitarios- acuden al laboratorio, donde se las
estudia en un entorno con condiciones controladas. Algunos
de los trabajos realizados, como veremos en distintos capítu-
los de este libro, consisten en analizar los errores que se come-
ten al hacer razonamientos deductivos, la forma en que se crean
y aplican conceptos, la velocidad con que se piensa utilizando
imágenes mentales y el desempeño durante la resolución de
problemas mediante analogías. Las conclusiones sobre cómo
funciona la mente deben trascender el "sentido común" y la
introspección, porque como muchas de las operaciones men-
tales no son accesibles a nivel consciente, pueden darnos una
idea general equivocada. Los experimentos psicológicos que
intentan desentrañar las operaciones mentales desde distintos
ángulos son fundamentales para que las ciencias cognitivas ten-
gan carácter científico.
Es cierto que la teoría sin experimentación está vacía, pero
también es cierto que la experimentación sin teoría es ciega. El
tratamiento de las cuestiones esenciales de la naturaleza de la
mente requiere que los experimentos psicológicos puedan inter-
KbPKtitNIAUUN Y COMPUTACION | 25
pretarse dentro de un marco teórico que postule la existencia de
representaciones y procesos mentales. Una de las mejores mane-
ras de construir marcos teóricos consiste en crear y poner a
prueba modelos computacionales análogos a las operaciones
mentales. Para complementar los experimentos psicológicos
centrados en el razonamiento deductivo, la formación de con-
ceptos, las imágenes mentales y la resolución de problemas por
analogía, los investigadores han creado modelos computacio-
nales que simulan distintos aspectos del desempeño humano.
El diseño y la construcción de modelos computacionales y la
experimentación subsiguiente conforman las actividades pri-
mordiales de la inteligencia artificial, la rama de las ciencias de
la computación que se ocupa de los sistemas inteligentes. En
un contexto ideal, en el campo de las ciencias cognitivas, los mo-
delos computacionales y la experimentación psicológica van de
la mano, pero muchos estudios fundamentales en el campo de la
inteligencia artificial sobre la relevancia de distintos abordajes
de la representación del conocimiento no han tenido relación
con la psicología experimental.
En lingüística, a veces se realizan experimentos psicológicos
o se desarrollan modelos computacionales; sin embargo, los
métodos utilizados en esta disciplina suelen ser otros. Los lin-
güistas que siguen la tradición chomskiana se dedican a buscar
los principios gramaticales que permiten explicar la estructura
básica del lenguaje. La detección de esos principios se realiza
mediante la comparación de las diferencias sutiles existentes
entre oraciones gramaticales y agramaticales. En español, por
ejemplo, "Juan pateó la pelota" o "¿Qué pateó Juan?" son gra-
maticales; en cambio, "Juan la pateó pelota" y "¿Qué patearon
Juan?" son agramaticales. Una gramática del español debe poder
explicar por qué las primeras oraciones son aceptables y las
segundas no lo son. En los capítulos siguientes daremos otros
26 I LA MENTE
ejemplos de la investigación teórica y empírica que llevan a cabo
los lingüistas chomskianos y los pertenecientes a otras tradicio-
nes lingüísticas.
Al igual que en el campo de la psicología cognitiva, en neuro-
ciencia se realizan experimentos controlados, pero las observa-
ciones son muy distintas, pues el objeto de estudio de la neuro-
ciencia es el cerebro en sí. Cuando usan sujetos no humanos en
los experimentos, los investigadores pueden insertar electrodos
y registrar así el estímulo de neuronas individuales. Esa técnica
es imposible de usar en humanos porque es demasiado inva-
siva; no obstante, en los últimos años se han empezado a utili-
zar la resonancia magnética y la tomografía por emisión de posi-
trones, que permiten observar la actividad de distintas zonas
del cerebro en personas a las que se solicita que realicen diver-
sas tareas mentales. Por ejemplo, gracias a la tomografía compu-
tada, se determinó qué zonas del cerebro participan en la forma-
ción de imágenes mentales y la interpretación de palabras. Otras
evidencias del funcionamiento del cerebro surgen de la observa-
ción de pacientes con determinados daños cerebrales. Un acci-
dente cerebrovascular que afecta a zonas asociadas con el len-
guaje puede ocasionar deficiencias tales como la incapacidad
de emitir oraciones. Como la psicología cognitiva, la neuro-
ciencia es una disciplina teórica y experimental a la vez, en la que
gran parte de la teoría se construye a partir de modelos compu-
tacionales del comportamiento de grupos neuronales.
La antropología cognitiva se ocupa de analizar el pensamiento
humano con relación a distintos entornos culturales. El estu-
dio de la mente, claro está, no se restringe a saber cómo pien-
san los hablantes de una lengua determinada sino a considerar
las posibles diferencias en los modos de pensar en las distintas
culturas. En los capítulos 12 y 13, analizaremos el creciente inte-
res que despierta entre los especialistas en ciencias cognitivas
REPRESENTACIÓN Y COMPUTACIÓN | 27
' el funcionamiento de la mente en entornosfísicosy sociales par-
ticulares. Para la antropología cultural, es primordial el método
etnográfico, que requiere que los investigadores convivan e inter-
actúen con los miembros de una determinada cultura durante
el tiempo necesario para llegar a conocer su sistema social y cog-
nitivo. Los antropólogos cognitivos han investigado, por ejem-
plo, las similitudes y las diferencias entre las palabras que deno-
tan colores en distintas culturas.
Salvo contadas excepciones, los filósofos no se dedican a la
observación empírica ni diseñan modelos computacionales; aun
así, la filosofía sigue siendo esencial para las ciencias cognitivas,
porque se ocupa de temas fundamentales que constituyen los
pilares de los enfoques experimentales y computacionales del
estudio de la mente. Temas abstractos como la naturaleza de la
representación y la computación no necesariamente se tienen en
cuenta en la práctica cotidiana de la psicología o la inteligencia
artificial, pero es inevitable tratarlos cuando los investigadores
reflexionan sobre su tarea. La filosofía también se ocupa de cues-
tiones generales como la relación entre la mente y el cuerpo, y de
aspectos metodológicos como la naturaleza de las explicaciones
proporcionadas por las ciencias cognitivas. Además de la des-
cripción de cómo piensan las personas, la filosofía se dedica a
cuestiones normativas sobre cómo deberían pensar. Las cien-
cias cognitivas añaden al objetivo teórico de la comprensión del
pensamiento humano el objetivo práctico de mejorarlo, proceso
que requiere una reflexión normativa sobre qué esperamos del
pensamiento. La filosofía de la mente no utiliza un método en
• particular y sería deseable que compartiera el interés por los resul-
| tados empíricos con las teorías elaboradas en otras disciplinas.
I En su forma más laxa, las ciencias cognitivas son la suma de
I las disciplinas que hemos mencionado: la psicología, la inteli-
gencia artificial, la lingüística, la neurociencia, la antropología
28 I LA MENTE
y lafilosofía.El trabajo interdisciplinario es mucho más intere-
sante cuando hay una convergencia teórica y experimental res-
pecto de las conclusiones sobre la naturaleza de la mente. En los
capítulos siguientes ilustraremos esa convergencia, es decir, mos-
traremos el trabajo de las ciencias cognitivas en áreas de inter-
sección de varias disciplinas. Por ejemplo, la psicología y la inte-
ligencia artificial confluyen en los modelos computacionales que
describen la conducta de los sujetos experimentales. La mejor
manera de comprender la complejidad del pensamiento humano
consiste en utilizar miiltiples métodos, en especial, en combi-
nar experimentos psicológicos y neurológicos con modelos com-
putacionales. En términos teóricos, la idea más fructífera ha sido
el enfoque computacional-representacional de la mente.
EL MODELO COMPUTACIONAL-REPRESENTACIONAL
DE LA MENTE
La hipótesis central de las ciencias cognitivas es que la mejor
forma de estudiar el pensamiento es entenderlo en términos
de estructuras de representaciones mentales sobre las que ope-
ran procesos computacionales. Si bien no hay consenso en
cuanto a la naturaleza de las representaciones y los procesos
computacionales que constituyen el pensamiento, la hipóte-
sis central es tan general que abarca todos los enfoques actua-
les de las ciencias cognitivas, incluso las teorías conexionis-
tas. Denominaremos M C R M al modelo basado en esa hipótesis
central, como sigla de modelo computacional-representacio-
nal de la mente.
El M C R M podría ser incorrecto. En la segunda parte de este
libro, presentaremos objeciones al modelo según las cuales las
KtHKtbtNIAliUN r LUMHU lALIUN | 29
ideas sobre la representación y la computación no serían ade-
cuadas para exphcar algunas cuestiones fundamentales referi-
das a la mente. Con todo, al evaluar los aciertos de las distintas
teorías de la representación del conocimiento, advertiremos
el gran aporte que ha hecho el M C R M . Sin duda, el modelo es el
mejor a nivel teórico y experimental entre todos los enfoques
del estudio de la mente que se han desarrollado hasta el momento.
A pesar de que no todos los que trabajan en ciencias cognitivas
están de acuerdo con los postulados del M C R M , la cantidad de
artículos publicados en las principales revistas especializadas en
psicología y otras disciplinas demuestra que, hoy en día, es el
enfoque dominante.
Gran parte del éxito del M C R M se debe al hecho de que emplea
una rica analogía del campo de la computación. Como vere-
mos en el capítulo 5, muchas veces las analogías enriquecen
las ideas científicas. En el tema que nos ocupa, la comparación
de la mente con las computadoras permite un abordaje más
fructífero del estudio de la mente que el de las analogías ante-
riores, como la del conmutador telefónico, por ejemplo. El
lector que sepa de ciencias de la computación estará familiari-
zado con la caracterización de los programas como estructu-
ras de datos y algoritmos. Los lenguajes de programación
modernos incluyen una variedad de estructuras de datos for-
mados por cadenas de letras, "abe", por ejemplo, y números,
además de por estructuras más complejas como las hstas (A B
C) y los árboles. Un algoritmo es un procedimiento mecánico
que opera en varias clases de estructuras. Por ejemplo, en la
escuela primaria los alumnos aprenden un algoritmo para divi-
dir números de varias cifras. Otro algoritmo sencillo consiste
en invertir el orden de una lista, es decir, cambiar el orden (A
B C) por (C B A), procedimiento que se lleva a cabo mediante
otros procedimientos más simples que consisten en tomar un
30 I lA MENTE
elemento de una lista y añadirlo al inicio de otra, de modo
que la computadora arma una lista invertida y forma (A) en
primer lugar, luego (B A) y por último (C B A). De modo simi-
lar, el M C R M adopta el supuesto de que en la mente existen repre-
sentaciones mentales análogas a estructuras de datos y proce-
sos computacionales semejantes a algoritmos tal como se
muestra en el siguiente esquema:
Programa Mente
estructuras de datos representaciones mentales
+ algoritmos + procesos computacionales
= pensamiento
= e j e c u c i ó n de programas
Ésta ha sido la analogía dominante en las ciencias cognitivas, si
bien dio un giro cuando se introdujo otro elemento: el cere-
bro. Desde el conexionismo se propusieron ideas novedosas
sobre la representación y la computación que se valen de las neu-
ronas y sus conexiones como modelo de estructuras de datos,
y del estímulo de las células nerviosas y la diseminación de la
actividad neuronal como modelo de algoritmos. Así, el M C R M
recurre a una compleja analogía tripartita que vincula la mente,
el cerebro y las computadoras, como se observa en lafigurai . i .
La mente, el cerebro y la computación por separado sirven para
sugerir nuevas ideas referidas a los otros dos elementos. Existe
más de un modelo computacional de la mente, ya que las dis-
tintas clases de computadoras y de lenguajes de programación
proporcionan distintos modelos de cómo podría funcionar la
mente. Las computadoras a las que estamos acostumbrados
cuentan con procesadores en serie, es decir, realizan de a una
tarea por vez, pero el cerebro y algunas computadoras moder-
nas tienen procesadores en paralelo, capaces de realizar varias
operaciones en simultáneo.
REPRESENTACIÓN Y COMPUTACIÓN | 31
Figura 1.1. Triple analogía entre la mente, la computadora y el cerebro.
Para quienes saben mucho de computación, concebir la mente
en términos computacionales resulta algo natural, incluso si
no están de acuerdo con la noción de que la mente es compa-
rable a una computadora. Los que nunca han creado un pro-
grama de computación pero están acostumbrados a consuhar
libros de cocina pueden recurrir a otra analogía. Por lo gene-
ral, las recetas constan de dos partes: una Hsta de ingredientes
y una serie de instrucciones que indican cómo combinarlos. El
plato final se obtiene cuando se siguen las instrucciones usando
los ingredientes de la lista; del mismo modo, un programa eje-
cutable se obtiene cuando se aplican algoritmos a las estructu-
ras de datos -números y Hstas- y el pensamiento es, de acuerdo
con el M C R M , el resultado de la aplicación de procesos compu-
tacionales a las representaciones mentales. La analogía entre la
receta y el pensamiento es algo débil, porque los ingredientes no
son representaciones y las instrucciones para cocinar requie-
ren a alguien que las interprete. En los capítulos 2 a 7 ofrecere-
mos ejemplos de procesos computacionales que se ajustan mejor
a las operaciones mentales.
32 I LA MENTE
TEORÍAS, MODELOS Y PROGRAMAS
Los modelos de computación suelen ser útiles para la investi-
gación teórica de los procesos mentales. Para comprender los
modelos formulados por las ciencias cognitivas es necesario
apreciar las distinciones y las relaciones entre cuatro elemen-
tos fundamentales: teoría, modelo, programa y plataforma. Una
teoría cognitiva postula una serie de estructuras representacio-
nales y un conjunto de procesos que operan sobre ellas. Un
modelo computacional vuelve más precisos esos procesos y
estructuras a través de interpretaciones que consisten en ana-
logías con programas de computación formados por estructu-
ras de datos y algoritmos. Las ideas vagas sobre las representa-
ciones pueden complementarse con ideas computacionales
precisas sobre estructuras de datos a la vez que los procesos men-
tales se definen por medio de algoritmos. La puesta a prueba del
modelo se realiza implementándolo en un programa de software
creado con un lenguaje de programación, como el L I S P O el Java.
El programa se ejecuta en distintas p/ata/ormas de hardware; por
ejemplo, Macintosh, Sun Workstation o computadoras perso-
nales de I B M , aunque también pueden ejecutarse en platafor-
mas especialmente diseñadas para un tipo particular de hard-
ware con varios procesadores que fijncionan en paralelo. Muchas
clases de estructuras y procesos se investigan de esta manera,
como es el caso de las reglas y las estrategias de búsqueda de
determinados tipos de inteligencia artificial y el de las represen-
taciones distribuidas y la propagación de los procesos de acti-
vación de las ideas conexionistas más recientes.
Imaginemos que deseamos entender cómo aprenden los niños
a sumar. Utilizaremos el ejemplo de la operación de suma 13 +
28. Una teoría cognitiva explicaría cómo representan los niños
esos números y cómo procesan las representaciones para hacer
KtHKtbtN lAUUN 1 lUMKUlAUUN | 33
la suma. Además, determinaría si la representación del número
13 consiste en una estructura simple, una estructura combinada
como 10 más 3 o un complejo de estructuras como las de las neu-
ronas. La teoría también postularía procesos que operan sobre
las estructuras para obtener el resultado, 41, y la operación que
transforma la estructura 30 +11 en 41. Un modelo computacio-
nal especificaría la naturaleza de las representaciones y los pro-
cesos mediante la caracterización de las estructuras y los algo-
ritmos programables que serían análogos a las representaciones
y los procesos mentales utilizados en la adición. Para evaluar la
teoría y el modelo, se crea un programa de computación en un
lenguaje como el L I S P , y luego se ejecuta el programa para com-
parar su funcionamiento con el de las personas cuando reahzan
una suma. Es preciso que el programa obtenga el resultado
correcto, que cometa los mismos tipos de error que las perso-
nas y que su ejecución pueda realizarse en plataformas comu-
nes o en alguna diseñada especialmente para un tipo de com-
putadora en particular; por ejemplo, una que imite la estructura
neuronal del cerebro.
La analogía entre la mente y las computadoras resulta útil en
las tres etapas del desarrollo de una teoría cognitiva: descubri-
miento, modificación y evaluación. Por lo general, las ideas com-
putacionales acerca de distintos tipos de programas sugieren
nuevas clases de estructuras y procesos mentales. La elabora-
ción de teorías y la creación de modelos y programas van de la
mano, porque la escritura de un programa normalmente se
acompaña de la creación de estructuras de datos y algoritmos
nuevos, que a su vez se incorporan en el modelo y tienen su aná-
logo en la teoría. Por ejemplo, cuando un programador escribe
un programa de computación que simula la operación de suma,
puede pensar en una clase de estructuras de datos que dé ori-
gen a nuevas ideas sobre la manera en que los niños represen-
34 I LA MENTE
1 REPRESENTACIÓN Y COMPUTACIÓN | 35

tan los números. Del mismo modo, la evaluación de la teoría, Recuadro 1.1. Criterios para la evaluación de teorías
el modelo y el programa a veces se realiza en conjunto, dado que de la representación mental

la confianza en la teoría depende de la validez del modelo, obser-

(1) Capacidad representacional
vable en el desempeño del programa. Si el programa de compu-
(2) Capacidad computacional
tación diseñado para simular la adición no es capaz de sumar (a) Resolución de problemas
o si comete menos errores que los esperados, entonces la teoría (i) Planificación

cognitiva correspondiente es inadecuada. (ii) Decisión

(iii) Explicación
El programa ejecutable puede contribuir a la evaluación del (b) Aprendizaje
modelo y la teoría de tres modos distintos. En primer lugar, per- (c) Lenguaje
mite demostrar que las representaciones y los procesos postu- (3) Plausibilidad psicológica
lados son realizables en el plano computacional, lo cual es impor- (4) Plausibilidad neurológica
(5) Aplicabilidad práctica
tante, puesto que muchos algoritmos que a primera vista parecen
(a) Educación
razonables no se adecúan a los problemas de mayor enverga- (b) Diseño
dura que deben resolver las computadoras reales. En segundo (c) Sistemas inteligentes
lugar, para demostrar la posibilidad de llevar a la práctica una (d) Enfermedades mentales

teoría y su plausibihdad psicológica, el programa debe probarse

cualitativamente con distintos ejemplos de pensamiento. El pro-
grama de adición, por ejemplo, debería dar los mismos tipos
de respuestas correctas e incorrectas que los niños. Y en tercer
lugar, para demostrar que la teoría se adecúa al pensamiento
humano, el programa debe evaluarse cuantitativamente, es decir,
tiene que generar predicciones detalladas sobre el pensamiento
humano comparables con los resultados de los experimentos
psicológicos. Si existen experimentos que demuestran que los
niños dan un determinado porcentaje de respuestas correctas
a cierta clase de problemas de adición, el programa de compu-
tación tendría que acertar las respuestas en porcentajes simila-
res. Las teorías cognitivas por sí solas no tienen la precisión
que permite hacer predicciones cuantitativas; para eso se pre-
cisan los modelos y los programas, que vinculan la teoría con
los datos observados.
EVALUACIÓN D E LOS ENFOQUES
DE LA REPRESENTACIÓN MENTAL
Una vez presentados los lineamientos generales, seremos más
específicos en cuanto a qué se espera de una teoría de la repre-
sentación mental. En el recuadro i . i se muestran cinco crite-
rios complejos para la evaluación de una determinada explica-
ción de las representaciones y las operaciones computacionales
con la cual se pretende explicar el pensamiento. En los capítu-
los 2 a 7 se ilustra el uso de esos criterios en la evaluación de
seis enfijques distintos de la representación mental: la lógica, las
reglas, los conceptos, las imágenes, los casos y las conexiones
(redes neuronales artificiales).
Cada uno de esos enfoques propone un tipo distinto de repre-
sentación y un conjunto de procesos computacionales propio.

i
36 I LA MENTE
El primer criterio -la capacidad representacional- se vincula
con la cantidad de información que es capaz de expresar un tipo
particular de representación. Por ejemplo, en una universidad
se advierte: "Atención ingresantes: deben inscribirse en las mate-
rias antes del inicio de las clases". Los estudiantes que tomen en
serio la advertencia deberán contar con una representación
interna que les permita hacer inferencias posteriores y llegar a
la conclusión de que deben ir a la secretaría de admisiones e ins-
cribirse en las materias del cuatrimestre siguiente. Veremos
que los distintos tipos de representación mental propuestos
varían en cuanto a su capacidad representacional.
Las representaciones mentales son importantes no sólo por
lo que expresan sino también por lo que puede hacerse con ellas.
La capacidad computacional de una representación mental se
evatóa considerando cómo explica las tres clases de pensamiento
superior. La primera es la resolución de problemas: una teoría
de la representación mental debería explicar cómo razonan las
personas para lograr sus objetivos. Hay al menos tres tipos de
resolución de problemas que necesitan explicación: planifica-
ción, toma de decisiones y justificación. En la planificación se
recurre al razonamiento para resolver cómo se pasa de un estado
inicial a un estado final atravesando varios estados intermedios.
Para ello, deben tenerse en cuenta cuestiones prácticas: una per-
sona que va a tomar un vuelo considerará cómo llegar al aero-
puerto a horario y un estudiante que debe resolver ejercicios
de un libro o de un examen pensará cómo llegará a la solución
leyendo la información proporcionada en el planteo del pro-
blema. El estado inicial comprende los conocimientos previos
del estudiante y la información que figura en el planteo, y el
estado final implica tener una respuesta. Para ello hay que encon-
trar la solución mediante la construcción de una secuencia de
cálculos adecuada.
REPRESENTACION Y COMPUTACIÓN | 37
En la toma de decisiones, las personas tienen a su disposi-
ción distintos medios, de los cuales deben elegir el mejor para
lograr sus objetivos. Pensemos, por ejemplo, en un estudiante
que está por recibirse y tiene que elegir entre buscar un tra-
bajo, comenzar el doctorado o seguir otros cursos de posgrado.
No es una decisión fácil, ya que requiere definir objetivos y pen-
sar en el curso de acción más adecuado. En la planificación, la
tarea consiste en encontrar una secuencia de acciones; en cam-
bio, en la toma de decisiones se trata de elegir entre una canti-
dad de acciones posibles para preparar el mejor plan.
La justificación implica descubrir por qué ha ocurrido cierto
suceso. Las preguntas pueden ser desde una tan cotidiana como
por qué un amigo al que estamos esperando para cenar aún no
ha llegado, hasta una enmarcada dentro de las ciencias; por ejem-
plo, por qué evoluciona el lenguaje humano. Cualquier persona
dotada de una inteligencia básica es capaz de planificar, tomar
decisiones y encontrar justificaciones. Una teoría cognitiva debe
tener la capacidad computacional suficiente para brindar expli-
caciones posibles de cómo se resuelve ese tipo de problemas.
La capacidad computacional de un sistema de representacio-
nes y procesos no se Umita a cuánto puede computar un sistema;
también se debe considerar cuan eficiente es. Pensemos en un
proceso cuya primera aplicación tarda un segundo, la segunda
tarda el doble que la primera, la tercera tarda el doble que la
anterior, y así sucesivamente. La vigésima vez que se aplique tar-
daría 2^ segundos, más de los que han transcurrido desde que
surgió el universo, hace unos 15.000 millones de años. Los siste-
mas inteligentes naturales y artificiales deben tener una velocidad
tal que les permita operar con eficacia en su contexto particular.
Cuando alguien resuelve un problema, por lo general aprende
de la experiencia; así, si se enfrenta otra vez a una situación seme-
jante, le resultará más fácil encontrar la solución. Por ejemplo.
38 I LA MENTE
a los estudiantes que se anotan por primera vez en una materia
todo les parece confuso porque no saben cuáles son los trámi-
tes que deben hacer ni cuáles son las mejores cátedras. Con el
tiempo, todo se simplifica. En parte, ser inteligente consiste en
aprender de la experiencia; entonces, una teoría de la represen-
tación mental debe tener una capacidad computacional que
explique cómo aprenden los humanos. Los distintos enfoques
de la representación mental dan cuenta de varias clases de apren-
dizaje, desde la adquisición de nuevos conceptos, como anotarse
en una materia, y reglas como No anotarse en cursos que empie-
cen a las 8.30, hasta otras clases de adaptaciones sutiles.
Además de la resolución de problemas y el aprendizaje, una
teoría cognitiva general debe explicar el uso del lenguaje humano.
Nuestra especie es la linica capaz de hacer un uso complejo del
lenguaje. Es probable que eso se deba a los principios generales
aplicados en la resolución de problemas y en el aprendizaje, pero
también podría ser que el lenguaje fuera una capacidad cogni-
tiva única y que hubiese que considerarla por separado. Es nece-
sario explicar al menos tres aspectos del uso del lenguaje: la capa-
cidad de comprensión, de generar oraciones y la capacidad
universal de adquisición del lenguaje durante la infancia. Los
distintos enfoques de la representación del conocimiento dan
respuestas muy diferentes a cómo funcionan esos procesos.
Como rama de la ingeniería, la inteligencia artificial desa-
rrolla modelos computacionales para la resolución de problemas,
el aprendizaje y el uso del lenguaje en los que no se tiene en
cuenta cómo se llevan a cabo esos procesos en la mente humana.
Lo que importa es lograr que las computadoras los lleven a cabo.
En cambio, las ciencias cognitivas intentan comprender la cog-
nición humana, de modo que es fundamental que una teoría
de la representación mental refleje cómo piensan los huma-
nos, más allá de tener una gran capacidad representacional y
Ktf K t i t n lALIUM I LUMI^UIAUUN |
computacional. En consecuencia, el tercer criterio para evaluar
una teoría de la representación mental es la plausibilidad psico-
lógica, es decir, es necesario dar cuenta no sólo de las capacida-
des cualitativas de los humanos sino también de los resultados
cuantitativos de los experimentos psicológicos por medio de los
cuales se estudian esas capacidades. Los experimentos en cues-
tión evalúan las mismas tareas superiores que comentamos para
la capacidad computacional: la resolución de problemas, el apren-
dizaje y el lenguaje. La diferencia radica en que una teoría cog-
nitiva de la representación mental debe demostrar cómo es posi-
ble realizar una tarea en el plano computacional, pero además
tiene que poder explicar cómo la realizan los humanos.
Del mismo modo, como el pensamiento se produce en el cere-
bro, una teoría de la representación mental debe corresponderse
con los resultados de los experimentos de la neurociencia. Hasta
no hace mucho tiempo, las técnicas neurológicas, como el regis-
tro electroencefalográfico de las ondas cerebrales, poco decían
de la cognición superior, pero en los últimos veinte años han
surgido nuevas técnicas de escaneo cerebral que permiten detec-
tar el momento y las zonas del cerebro en que se llevan a cabo
ciertas tareas cognitivas. Así, la neurociencia cognitiva se ha con-
vertido en una disciplina científica de gran importancia para
la reflexión sobre el funcionamiento de la mente. Por lo tanto,
si bien aún no hay información suficiente sobre cómo opera el
cerebro a nivel cognitivo, es necesario evaluar los enfoques de la
representación del conocimiento en términos de plausibilidad
neurológica (capítulo 9).
El quinto y último criterio a la hora de evaluar teorías de la
representación mental es la aplicabilidad práctica. Aunque el obje-
tivo principal de las ciencias cognitivas es llegar a comprender la
mente, se espera que sus resultados sean aplicables. En este libro
presentaremos las consideraciones de los distintos enfoques de
40 1 LA MENTE
la representación del conocimiento en cuanto a cuatro clases de
aplicación: educación, diseño, sistemas inteligentes y enfermeda-
des mentales. En lo que a educación se refiere, las ciencias cogni-
tivas deberían poder explicar los procesos de aprendizaje de los
alumnos y, en consecuencia, proponer mejores métodos de ense-
ñanza. Los problemas con que se enfrenta el diseñador de pro-
gramas informáticos -cómo crear interfaces agradables para los
usuarios- deberían poder resolverse a la luz del conocimiento
sobre cómo trabaja la mente cuando se realizan este tipo de tareas.
Lo mismo vale para el desarrollo de sistemas inteligentes que ac-
túan como expertos independientes o como herramientas que
asisten al hombre en la toma de decisiones. Las distintas teorías
de la representación mental han facilitado el desarrollo de dis-
tintos sistemas expertos de computación: herramientas cone-
xionistas, o basadas en reglas o en casos. Otras aplicaciones prác-
ticas posibles de las ciencias cognitivas se relacionan con el
conocimiento y el tratamiento de enfermedades mentales.
Veremos que ningún enfoque de las representaciones menta-
les satisface todos los criterios. Más aun, hay aspectos del pen-
samiento humano, como las percepciones (vista, oído, tacto,
olfato y gusto), las emociones y el control de la actividad motriz,
que no están incluidos en esos criterios (capítulos lo a 12). No
obstante, los criterios mencionados proporcionan un marco
para la comparación y la evaluación de los aciertos y desacier-
tos de las teorías actuales de las representaciones mentales.
RESUMEN
Los investigadores en psicología, inteligencia artificial, neuro-
ciencia, lingüística, antropología y filosofía recurren a distin-
n i . r H L J 111 i n t i u i , , >. u n r U I «1.1 U n | ¿(,1
tos métodos para estudiar la mente, pero lo ideal sería que con-
vergieran en una interpretación común de cómo funciona la
mente. De la consideración de varios enfoques teóricos dis-
tintos centrados en la analogía entre las representaciones y los
procesos mentales, por un lado, y las representaciones y los pro-
cesos utilizados en programas de computación, por otro, ha
surgido una concepción unificada de las ciencias cognitivas.
El modelo computacional-representacional de la mente opera
con el siguiente tipo de esquema explicativo:
Objetivo de la expUcación
¿Por qué las personas tienen una clase particular de conducta
inteligente!
Modelo explicativo
Las personas tienen representaciones mentales.
Las personas tienen procesos algorítmicos que operan sobre esas
representaciones.
Los procesos aplicados a las representaciones generan la conducta.
Las palabras en cursiva son parámetros que indican que para
explicar varios tipos de conducta inteligente, pueden conside-
rarse varias clases de representaciones y procesos. En la actua-
lidad hay seis enfoques principales de modelización de la mente:
la lógica, las reglas, los conceptos, las analogías, las imágenes y
las conexiones neuronales. Estos enfoques pueden evaluarse
según cinco criterios: capacidad representacional, capacidad
computacional, plausibihdad psicológica, plausibihdad neuro-
lógica y aplicabilidad práctica.
En la escritura de este libro, nos hemos basado en los siguien-
tes supuestos:
42 I LA MENTE
1. El estudio de la mente es apasionante y tiene gran impor-
tancia. Es apasionante por razones teóricas, pues investigar la
naturaleza de la mente es un desafío, como lo son todas las empre-
sas científicas. Pero también es apasionante por razones prácti-
cas, porque saber cómo fianciona la mente es importante para
mejorar la educación, el diseño de computadoras y otros ins-
trumentos, y el desarrollo de sistemas inteligentes de compu-
tación que asistan a los expertos o realicen algunas de sus tareas.
2. El estudio de la mente es una actividad interdisciplinaria.
En ella concurre el saber de filósofos, psicólogos, expertos en
ciencias de la computación, lingüistas, especialistas en neurocien-
cia, antropólogos e intelectuales. Es más, el estudio de la mente
también requiere los diversos métodos científicos desarrollados
por esas disciplinas.
3- El estudio interdisciplinario de la mente -lo que hoy se deno-
mina ciencias cognitivas- cuenta con un componente central: el
modelo computacional-representacional de la mente o M C R M . El
pensamiento es el producto de representaciones mentales y pro-
cesos computacionales que operan sobre esas representaciones.
4. El M C R M es versátil. Hay muchos tipos de representacio-
nes y operaciones computacionales que son esenciales para com-
prender el pensamiento humano, cuya amplitud no permite
abarcarlo por medio de una única explicación. En este libro pre-
sentaremos los seis enfoques actuales más importantes para la
comprensión de la mente en términos representacionales y com-
putacionales (capítulos 2 a 8).
5. El M C R M es acertado. El enfoque computacional-represen-
tacional ha superado las teorías previas de la mente tanto en su
potencial teórico para dar cuenta del desempeño psicológico
como en su capacidad práctica para mejorar ese desempeño.
6. El M C R M no está completo. No todos los aspectos del pensa-
miento y la intehgencia humana pueden ser explicados únicamente
KbPKtUNIALIUN Y I . U M PU I A l l ü N | 43
en términos computacionales y representacionales. El modelo ha
recibido críticas sustanciales que ponen en evidencia la necesi-
dad de integrarlo con las investigaciones biológicas (neurocien-
cia) y sociales vinculadas con el pensamiento y el conocimiento.
PREGUNTAS PARA PENSAR
1. ¿Qué otros ejemplos podrían darse de cosas que aprenden
los estudiantes tras ingresar a la universidad?
2. ¿Por qué los investigadores de distintas disciplinas adoptan
métodos diferentes para el estudio de la mente?
3. ¿Qué otras opciones habría aparte del M C R M para estudiar
la mente?
4. ¿Qué aspectos del pensamiento humano son más difíciles
de simular en las computadoras? ¿Qué características de una
computadora nos hacen pensar que es inteligente?
5. ¿Las teorías y los modelos de las ciencias cognitivas son com-
parables a los de la física y otras disciplinas similares?
6. ¿Qué condiciones adicionales debería satisfacer una teoría
de la representación mental?
LECTURAS RECOMENDADAS
Textos de referencia recientes con valiosos artículos de ciencias
cognitivas: The MIT encyclopedia ofthe cognitive sciences (Wil-
son y Keil, 1999) [trad. esp.: Enciclopedia MIT de ciencias cogni-
tivas] ; A companion to cognitive science (Bechtel y Graham, 1998);
Encyclopedia of cognitive science (Nadel, 2003).
44 I LA MENTE
Historia de las ciencias cognitivas: Gardner (1985); Thagard
(1992, cap. 9).
Trabajos introductorios: Johnson-Laird (1988); Stillings etal.
(1995); Dawson (1998); Sobel (2001).
Colecciones de artículos de ciencias cognitivas: Polk y Sei-
fert (2002); Thagard (1998).
Manuales de psicología cognitiva: Anderson (2000); Medin,
Ross y Markman (2001); Sternberg (2003).
Introducción a la inteligencia artificial: RussellyNorvig (2003);
Winston (1993). Introducción a lafilosofíade la mente y las cien-
cias cognitivas: Graham (1998); Clark (2001).
Manual general de lingüística contemporánea: Akmajian et
al. (2001).
Neurociencia cognitiva: LeDoux (1002); Kosslyn y Koenig (1992).
Enfoque computacional: Churchland y Sejnowski (1992).
Introducción a la antropología cognitiva: D'Andrade (1995).
SITIOS WEB
Nota: En mi sitio web, <http://cogsci.uwaterloo.ca/courses/
resources.html>, aparecen vínculos a todos los sitios
mencionados en este libro.
La inteligencia artificial en los medios (Asociación Estadouni-
dense de Inteligencia Artificial): <http://www.aaai.org/
AITopics/index.html>
La inteligencia arüficial en Internet: <http://aima.cs.
berkeley.edu/ai.html>
Biografías de las principales figuras de las ciencias cognitivas:
<http://mechanism.ucsd.edu/~bill/research/ A N A U T . h t m l >
Diccionario de ciencias cognitivas de la Universidad de
Alberta: <http://web.psych.ualberta.ca/~mike/Pearl_Street/
Dictionary/dictionary.html>
Sociedad de Ciencias Cognitivas: <http://www.
cognitivesciencesociety.org/>
Cogprints (archivo de ^|¡jículos de ciencias cognitivas):
<http://cogprints.ecs.soton.ac.uk/>
Diccionario de filosofía de la mente:
<http://wvw.artsci.wustl. edu/~philos/MindDict/>
Science Daily (noticias sobre la mente y el cerebro):
<http://www.sciencedaily.com/news/mind_brain.htm>
Sitio de ciencias cognitivas de Yahoo!:
<http://dir.yahoo.com/ Science/cognitive_science/>
NOTAS
Las teorías del pensamiento como un conjunto de operaciones
computacionales suelen tomar como punto de partida un
modelo de computación abstracto como la máquina de Turing,
un instrumento sencillo que consiste en una cinta y una cabeza
mecánica que escribe símbolos en los espacios de la cinta. Si bien
es posible probar matemáticamente que ese tipo de máquina
puede, en principio, hacer todo lo que hacen otras computa-
doras, la máquina de Turing es un análogo demasiado abstracto
del pensamiento. Analogías más adecuadas del pensamiento son
las que se basan en ideas computacionales de nivel superior,
como las estructuras de datos y los algoritmos.
En Kitcher (1993), Leake (1992), Schank (1986) y Thagard (1999)
aparecen esquemas y patrones explicativos.
2
Lógica

La lógica formal no ha sido el enfoque más influyente en el estu-

dio psicológico de la representación mental, pero hay razones
para que abordemos el tema en uno de los capítulos iniciales
de nuestro libro. En primer lugar, muchas de las ideas funda-
mentales sobre la representación y la computación han sur-
gido en el ámbito de la lógica. En segundo término, muchos filó-
sofos e investigadores del campo de la inteligencia artificial se
valen de la lógica para estudiar el razonamiento. Por último, la
lógica tiene una gran capacidad de representación, y los demás
modelos de representación mental, que quizá sean más eficien-
tes en el aspecto computacional y tengan mayor plausibilidad
psicológica, deberían aspirar a tener una capacidad similar.
La lógica formal empezó con Aristóteles hace más de dos
mil años. El filósofo griego hizo un estudio sistemático de infe-
rencias como las que transcribimos a continuación:

Todos los estudiantes son aplicados.

María es estudiante.
María es aplicada.

Esa clase de inferencia, con dos premisas y una conclusión, recibe

el nombre de silogismo. Aristóteles describió distintos tipos de
silogismos y demostró que pueden analizarse exclusivamente por
4 8 I LA MENTE
SU forma. Para que la conclusión resulte de las dos premisas, no
importa que el silogismo se refiera a estudiantes cansados. Pode-
mos decir "estantes" en lugar de "estudiantes", "cromados" en
lugar de "aplicados" o reemplazar "María" por "Marcos" y la con-
clusión de que Marcos es cromado se deduce de las nuevas pre-
misas, incluso aunque no tenga demasiado sentido. Aristóteles
ya utilizaba símbolos para indicar la forma de la inferencia:
Todos los E son A .
Mes E.
Mes A.
La novedad aristotélica de analizar los silogismos teniendo en
cuenta sólo su forma y dejando de lado su contenido ha sido
fundamental para la lógica. La utilidad de ese método fue cues-
tionada por la psicología, como veremos más adelante, en la sec-
ción acerca de la validez psicológica del enfoque lógico.
El silogismo es una forma de inferencia deductiva en la que
la conclusión se deriva necesariamente de las premisas. Si las
premisas son verdaderas, la conclusión también es verdadera.
La inferencia inductiva es más riesgosa, pues implica una incer-
tidumbre. Si todos los estudiantes que uno conoce leen mucho,
se concluye por inferencia inductiva que todos los estudiantes
leen mucho. Pero la conclusión bien podría ser errónea; por
ejemplo, en un curso de cestería, sería difícil determinar qué
estudiantes leen mucho y cuáles ro.
Si bien el silogismo fue el tema dominante en los debates de
lógica formal durante dos mil años, esta forma no basta para
representar todas las inferencias. Los silogismos están muy bien
para predicados simples como "ser estudiante", pero no sirven
para representar relaciones como la indicada por el verbo "asis-
tir" en oraciones como ésta: "Los estudiantes que asisten a cur-
LÚGICA I 49
sos obtienen créditos". Aquí, "asistir" representa una relación
entre un estudiante y un curso. La lógica moderna nació en 1879
con la obra del matemático alemán Gotdob Frege (1960), quien
diseñó un sistema formal de lógica mucho más general que el
de Aristóteles. La influencia de Frege en Bertrand Russell y en
muchos otros lógicos llevó a descubrir modos de aumentar la
capacidad representacional y deductiva de la lógica formal.
Las primeras teorías computacionales fueron desarrolladas
por lógicos como Alonzo Church y Alan Turing. En la década
de 1930, Church y Turing, entre otros, idearon esquemas mate-
máticos para determinar qué problemas podían resolverse por
medio de procesos computacionales. Esos esquemas resultaron
equivalentes entre sí, lo que dio sustento a la hipótesis según la
cual la noción intuitiva de procedimiento efectivo de cómputo
se corresponde con conceptos matemáticos tales como el de com-
putabilidad de la máquina de Turing. Cuando surgieron las com-
putadoras digitales en las décadas de 1940 y 1950, la teoría mate-
mática de la computabilidad fue una herramienta muy útil en
la comprensión de las operaciones realizadas por esas compu-
tadoras. No es de sorprender, entonces, que cuando nació la inte-
ligencia artificial a mediados de la década de 1950, investigado-
res con conocimientos matemáticos, como John McCarthy, hayan
considerado que la lógica era el instrumento más adecuado. Vere-
mos, sin embargo, que otros científicos como Alien Newell, Her-
bert Simón y Marvin Minsky se inclinaron por otras opciones.
CAPACIDAD REPRESENTACIONAL
La lógica formal moderna cuenta con recursos para represen-
tar muchas clases de inferencias deductivas. El sistema más sim-
50 I LA MENTE
pie es el de la lógica proposicional, en la que se utilizan fórmu-
las del tipo depY q para representar proposiciones tales como
"Paula está en la biblioteca" y "Martín está en la biblioteca". Las
fórmulas simples se combinan para generar fórmulas más com-
plejas por medio de la utilización de símbolos tales como ^ ("y"),
V ("o"), ("si... entonces"). Por ejemplo, la oración "Si Paula
está en la biblioteca, entonces Martín está en la biblioteca" se
representa p q. Este tipo de oraciones se llaman condiciona-
les; están formadas por un antecedente (la cláusula condicio-
nal propiamente dicha) y un consecuente (la proposición intro-
ducida por "entonces"). Para expresar la negación y afirmar que
"no p" se utiliza el símbolo ~: ~p. Con estos elementos básicos
pueden representarse formalizaciones de oraciones más com-
plejas. Por ejemplo, la oración "Si Paula o Martín están en la
biblioteca, entonces Débora no está en la biblioteca" se repre-
senta así: ip V q) ^ ~d, donde p equivale a "Paula está en la
biblioteca", q es el símbolo para "Martín está en la bibHoteca" y
d es el equivalente de "Débora está en la biblioteca".
Existen otros sistemas lógicos, más complejos, en los que es
posible representar otros tipos de operadores proposicionales.
La lógica modal, por ejemplo, agrega símbolos para la posibili-
dad y la necesidad, y así hace posible la representación de ora-
ciones como "Es posible que Paula esté en la biblioteca". La lógica
epistémica puede expresar la diferencia entre "creer" y "saber".
Así, dentro de este sistema, Kp equivale a "Se sabe que p". La
lógica deóntica, por su parte, permite codificar conceptos como
la prohibición o el permiso.
Dentro de la lógica formal, las proposiciones se representan
como todos indivisibles; el sistema no permite expresar su estruc-
tura interna. Para eso existe la lógica de predicados. En la lógica
de predicados, los símbolos básicos son los que permiten dis-
tinguir predicados ("ser estudiante") de individuos ("Paula",
LÓGICA I 51
"Martín"). Estos últimos se denominan constantes. En la ver-
sión que se suele enseñar en los cursos introductorios de filo-
sofía, la proposición "Paula es estudiante" se representa E(p),
donde p es el individuo "Paula" (y ya no una proposición entera)
y £ es el predicado "ser estudiante". En ciencias de la computa-
ción, la misma proposición suele representarse así: ser-estudiante
(Paula). Además de atribuir propiedades simples a individuos,
los predicados pueden denotar relaciones entre dos o más enti-
dades. Por ejemplo, la oración "Paula estudia filosofía" queda-
ría representada como estudiar (Paula, filosofía).
Más aun, la lógica de predicados tiene la capacidad de repre-
sentar formalmente expresiones cuantificadas, ya que cuenta
con otras dos clases de símbolos: cuantificadores ("todos",
"alguno") y variables (x, y). Por ejemplo, la oración "Los estu-
diantes leen mucho" se representa así:
(para todo x) [estudiante (x) leer mucho (x)].
Literalmente, la fórmula se lee "Para todo x, si x es estudiante,
X lee mucho", que equivale a decir que todos los estudiantes leen
mucho.
La oración "Los estudiantes que cursen materias obtendrán
créditos" se formaUza de la siguiente manera:
(para todo x) (para todo y) [(estudiante (x) ^ materia (y) ^ cur-
sar {x,y)) obtener créditos (x)]
Si bien la fórmula parece complicada, su lectura es relativamente
sencilla: "Para todo x, si x es estudiante, y para todo y, donde/
es materia, si x cursa y, entonces x obtiene créditos".
En este punto, el lector podría preguntarse qué tienen que ver
todos estos símbolos matemáticos con la psicología y la mente.
52 I LA MENTE
La respuesta es que muchos de los trabajos en ciencias cogniti-
vas incluyen rudimentos de lógica, sobre todo cuando anaUzan
los procedimientos mentales deductivos. Como mínimo, es nece-
sario saber que las personas entienden enunciados como "Los
estudiantes que cursen materias obtendrán créditos" y los uti-
lizan para hacer inferencias. A diferencia de otros modelos que
presentaremos en este capítulo, la lógica de predicados tiene la
capacidad de representación necesaria para expresar ese enun-
ciado en un lenguaje formal.
Si bien la lógica de predicados tiene un sinnúmero de apli-
caciones, sus limitaciones se hacen evidentes cuando tratamos
de traducir un texto producido en cualquier lengua natural.
Podríamos hacer la prueba con el párrafo anterior. En la pri-
mera oración aparece la expresión "en este punto"; la am-
pliación de la lógica de predicados para dar cuenta de las refe-
rencias deícticas y temporales es un tema complicado. También
aparece una mención de la primera persona del plural en el verbo
"presentaremos". Si bien para el lector es fácil inferir que esa per-
sona se refiere a Paul Thagard, el autor de este libro, formalizar
esa referencia no es tarea sencilla. Además, la primera oración
del párrafo contiene una cláusula subordinada, el contenido
de la pregunta que se hace el lector. Los recursos formales de la
lógica de predicados resultan algo limitados a la hora de expre-
sar el fenómeno sintáctico-semántico de la subordinación (la
inclusión de una proposición dentro de otra). Si la traducción
del lenguaje natural al lenguaje lógico formal fuera más directa
o sencilla, sería más fácil afirmar que la lógica es el mejor modelo
para las representaciones mentales.
La lógica proposicional y la lógica cuantificacional o de pre-
dicados son adecuadas para representar proposiciones verdade-
ras o falsas, pero no son lenguajes que puedan codificar la falta
de certeza. Para enunciados del tipo de "Es probable que Paula
LÓGICA I 53
esté en la biblioteca", la lógica formal puede combinarse con
modelos complementarios, como la teoría de probabilidades,
que asigna valores entre o y i a las proposiciones. Así, el enun-
ciado anterior podría representarse como P(p) = 0,7 si la pro-
babilidad de que Paula esté en la biblioteca es de 0,7.
CAPACIDAD COMPUTACIONAL
En sí mismas, las representaciones no son suficientes para dar
cuenta del pensamiento. Hacen falta operaciones que combinen
y modifiquen esas representaciones, y que permitan obtener
otras representaciones. En lógica, las conclusiones se extraen
por medio de la aplicación de reglas de inferencia a un con-
junto de premisas. Dos de las reglas inferenciales más conoci-
das reproducen la estructural de un condicional:
Modusponens
Entonces q
Modus tollens
p - q
no-q
Entonces no-p.
Aplicando el modus ponens al condicional "Si Paula está en la
biblioteca, entonces Martín está en la biblioteca" y a la premisa
de que Paula está en la biblioteca, es posible inferir que Martín
está en la biblioteca. Si, en cambio, la segunda premisa es que
54 I LA MENTE LOGICA I 55

Martín no está en la biblioteca, el modus tollens permite con-
cluir que Paula tampoco.
La lógica de predicados también cuenta con reglas para ope-
rar con cuantificadores tales como "todos" o "algún". Por ejem-
plo, la regla de reemplazo del universal permite inferir ser-sim-
pático (Paula) de (para todo x) (simpático (x)), es decir que de
la proposición "Todos son simpáticos" puede concluirse "Paula
es simpática". Una aplicación más compleja es la del siguiente
silogismo: Todos los estudiantes leen mucho; María es estu-
diante; ergo, María lee mucho. La representación formal sería:
(para todo x) (estudiante (x)) (leer mucho (x)); (estudiante
(María)) (leer mucho (María)).
Las reglas abstractas de inferencia como el modus ponens no
son en sí mismas operaciones de procesamiento. Para que haya
operaciones computacionales, tienen que formar parte de un
sistema que las aplique a las proposiciones con la forma lógica
correcta. Desde el punto de vista lógico, el razonamiento deduc-
tivo consiste en la aplicación de reglas de inferencia formales a
premisas con determinada forma lógica.
Solución de problemas
Planificación. Muchos problemas de planificación admiten solu-
ciones en las que se utiliza la deducción lógica. Pensemos en el
siguiente caso: Mariela es estudiante de psicología. El plan de estu-
dios indica que, para obtener el título, tiene que cursar diez mate-
rias, entre ellas dos cursos de Estadística. Estadística i es correla-
tiva de Estadística 2, y a su vez es necesario aprobar Estadística 2
antes de cursar Métodos de Investigación, otra de las materias obli-
gatorias. Observando el plan de estudios y aplicando la regla de
reemplazo del universal, Mariela puede inferir los condicionales
que se aplican a su caso:
cursar (Mariela, Estadística 1) poder cursar (Mariela, Esta-
dística 2)
poder cursar (Mariela, Estadística 2) ^ estar disponible (Esta-
dística 2) cursar (Mariela, Estadística 2)
cursar (Mariela, Estadística 2) poder cursar (Mariela, Méto-
dos de Investigación)
poder cursar (Mariela, Métodos de Investigación) ^ estar dis-
ponible (Métodos de Investigación) -> cursar (Mariela, Méto-
dos de Investigación)
cursar (Mariela, Estadística 1) ^ cursar (Mariela, Estadística
2) ^ cursar (Mariela, Métodos de Investigación) ^ cursar (otras
siete materias) obtener (Mariela, título de grado en psi-
cología).
El último condicional es una representación un tanto burda
de "Si Mariela aprueba dos cursos de Estadística, Métodos de
Investigación y otras siete materias, entonces puede obtener
un título de grado en psicología". Así, Mariela puede utilizar
estos condicionales y el modus ponens como regla de inferen-
cia para elaborar un plan que, en términos lógicos, sería una
deducción desde un estado inicial en el que no se ha cursado
ninguna materia hasta el estado final, es decir, el de la obten-
ción del título.
Para que la planificación sea realizable desde el punto de vista
computacional, la deducción tiene que ser más acotada que las
reglas de inferencia generales de la lógica formal. La lógica pro-
posicional, por ejemplo, contiene este regla de conjunción:
Conjunción
P
g
Entonces, p ^ q.
56 I lA MENTE
Esta regla funciona dentro de un sistema lógico, pero a nivel
computacional podría tener consecuencias desastrosas. Si Mariela
ha cursado las dos materias de estadística, bien podría inferir:
cursar (Mariela, Estadística i) ^ cursar (Mariela, Estadística 2).
En cambio, no ganaría nada con hacer la inferencia adicional
(aunque sea válida)
cursar (Mariela, Estadística 1) ^ cursar (Mariela, Estadística 2)
^ cursar (Mariela, Estadística 1) ^ cursar (Mariela, Estadística 2).
Las inferencias sin límite de este tipo agotarían la memoria de
cualquier sistema inteligente -humano o artificial- en poco
tiempo.
Como método de planificación, la deducción es intuitiva-
mente atractiva. Sin embargo, presenta una serie de problemas
computacionales. En primer lugar, es demasiado lenta, pues se
necesita una enorme cantidad de inferencias para elaborar pla-
nes, incluso los más sencillos, si bien es cierto que existen diver-
sas estrategias computacionales para hacerla más eficaz. En
segundo término, la planificación puramente deductiva es monó-
tona: las conclusiones obtenidas siguen siendo verdaderas por
más premisas que agreguemos. Esto significa que la única ope-
ración permitida es sacar nuevas conclusiones. (La monotonía
es la propiedad de una función matemática de conservar el orden
dado, es decir, de ser monótonamente creciente o monótona-
mente decreciente. El razonamiento humano no tiene esa pro-
piedad, en tanto no se limita a agregar nuevas ideas, sino que
también deja de lado ideas viejas.) Los expertos en inteligencia
artificial han creado varias estrategias para convertir a la lógica
en un sistema no monótono, pero son muy costosas desde el
punto de vista computacional. Por último, un planificador pura-
mente deductivo no tiene la capacidad de aprender de la expe-
LOGICA I 57
riencia. Resuelto un problema, tendrá que pasar por todo el pro-
ceso deductivo una vez más si tiene que volver a resolverlo, a
menos que se le incorpore algún método de aprendizaje a par-
tir de la experiencia.
Lo presentado aquí no es más que una reseña superficial del
trabajo realizado en inteligencia artificial en relación con la pla-
nificación deductiva (véanse, por ejemplo, Dean y Wellman,
1991; Russell y Norvig, 2003). Debe quedar en claro, sin embargo,
que si bien la deducción lógica puede ser una forma útil de repre-
sentar la resolución de problemas de planificación, el enfoque
tiene algunas dificultades. En capítulos posteriores mostrare-
mos otros enfoques para la planificación.
Toma de decisiones. Desde el punto de vista lógico, la planifi-
cación deductiva consiste en encontrar un camino para llegar
de un estado inicial a un estado final u objetivo. ¿Qué ocurre
cuando hay más de un camino razonable para seguir? En el
ejemplo de la sección anterior, el plan deductivo de Mariela
era cursar Estadística 1, Estadística 2 y Métodos de Investiga-
ción, en ese orden. Pero en el transcurso de la carrera, nues-
tra estudiante podría tener que tomar decisiones que la obli-
garan a elegir entre acciones alternativas. Filosofía, Filología
o Literatura podrían ser las opciones para la materia obliga-
toria de humanidades, por ejemplo. En este caso, la deducción
no alcanza para decidir qué materia cursar, pues cualquiera de
los tres caminos la llevaría al objetivo deseado (cumplir con
el requisito de cursar una materia humanística). Mariela debe
decidir entonces cuál de las tres materias le permitirá cum-
plir con otros objetivos: aprender algo interesante, no tener
que leer mucho o tener un horario cómodo. La deducción
puede servir para pensar en algunas de las posibles consecuen-
cias de cada opción. Si Literatura se dicta a las ocho de la
58 I U MENTE
mañana, Mariela podría deducir que se tendría que levantar
muy temprano para llegar a horario. Por el contrario, hay con-
secuencias que no son tan claras, dado que los estudiantes sue-
len no conocer a priori todas las características de un curso.
Así, muchas veces, la toma de decisiones implica evaluar tam-
bién probabilidades. Mariela podría pensar que Filosofía es más
interesante que Filología (o viceversa), o que Literatura le será
más iJtil que Filología. Por lo tanto, su decisión dependerá tanto
de sus objetivos como de sus estimaciones de las probabilidades
que tiene cada acción de garantizar el logro de los mismos, de
modo que en la toma decisiones hay lugar para juicios en los
que se aplica la teoría de probabilidades, donde P(p/q) repre-
senta la probabilidad de p dado q. En nuestro ejemplo, P (ser
interesante/ Filología) expresa la idea de Mariela de que si elige
el curso de Filología, es probable que aprenda algo interesante.
Para calcular la probabilidad, Mariela puede recurrir a su cono-
cimiento general de los cursos de Filología de su universidad y
de la medida en que esos cursos son interesantes. Para decidir
si va a cursar Filosofía, Filología o Literatura, tendrá que calcu-
lar el valor esperado de cada opción, considerando la probabili-
dad de los distintos resultados y la medida en que cada uno de
ellos cumple con los objetivos planteados.
Existen sistemas computacionales para la toma de decisiones
basados en cálculo de probabilidades. Holtzman (1989) utilizó la
teoría de probabilidades y otros conceptos formales para crear un
sistema inteligente de toma de decisiones que ayudara a las pare-
jas que no podían tener hijos a elegir el tratamiento de fertiliza-
ción más adecuado. El desarrollo de sistemas de computación
probabilísticos es más complicado de lo que parece, pues las pro-
babilidades pueden ser "explosivas" desde el punto de vista com-
putacional: la cantidad de probabilidades necesarias puede incre-
mentarse exponencialmente con el aumento de las proposiciones
LÓGICA I 59
O las variables del modelo. No obstante, existen técnicas muy inge-
niosas que permiten mantener el razonamiento probabilístico
dentro de límites manejables (Neapolitan, 1990; Pearl, 1988,2000).
Más adelante nos ocuparemos de la relación entre las probabili-
dades y las decisiones que toman las personas en su vida cotidiana.
Explicación. Mientras que en el caso de la planificación el pro-
blema es cómo alcanzar determinados objetivos, la explicación
nos exige comprender por qué sucedió algo. Supongamos que
Martina y Franco han quedado en encontrarse en el bar de la
facultad pero el muchacho no aparece. Es lógico que la chica se
pregunte entonces cuál pudo haber sido el motivo de la ausen-
cia. Al igual que los planes, las explicaciones pueden verse como
deducciones lógicas de lo que queremos explicar a partir de lo
que ya sabemos. Así, Martina podría enterarse de que Franco
está estudiando para un examen y que cuando estudia se olvida
de sus compromisos sociales. Partiendo de esa información y
aplicando un método deductivo, Martina puede llegar a una
exphcación de por qué Franco no acudió a la cita.
La idea de que las explicaciones son deducciones lógicas fue
elaborada y defendida por el filósofo de la ciencia Cari Hempel
(1965). Esto es particularmente cierto en las disciplinas cientí-
ficas más matemáticas, como la física. Sin embargo, tal como
veremos en otros capítulos, no todas las explicaciones son de
naturaleza deductiva. Más aun, no todas las deducciones son
explicativas. Por ejemplo, la altura de un mástil puede dedu-
cirse de la sombra que proyecta sumada a leyes de trigonometría
y óptica, pero no por eso podemos afirmar que la longitud de la
sombra de un mástil constituye una explicación de su altura.
Son muy pocos los casos de explicaciones que pueden obte-
nerse por deducción lógica. En nuestro ejemplo, eso sería posi-
ble si Franco fuera muy estricto y faltara a sus compromisos sola-
6o I LA MENTE
mente si estuviera enfermo. Entonces, Martina podría aplicar el
modusponens: "Si Franco falta a una cita, está enfermo; Franco
faltó a la cita conmigo; por lo tanto, Franco está enfermo". Sin
embargo, en la mayoría de los casos habrá más de una explica-
ción posible. Así como cuando se elabora un plan deben esta-
blecerse distintos caminos para llegar al objetivo, Martina ten-
drá que ser capaz de pensar más de una explicación a partir de
distintas premisas con estructura de condicional:
Si Franco está enfermo, entonces no aparecerá.
Si Franco ha tenido un accidente, entonces no aparecerá.
Si Franco se ha enamorado de otra chica, entonces no aparecerá.
Si Martina no supiera cuál es el valor de verdad de las condi-
ciones enumeradas (es decir, si de verdad Franco está enfermo
o tuvo un accidente o se enamoró de otra), no le sería posible
deducir automáticamente que Franco no irá a encontrarse con
ella, pero sí podría formular hipótesis de qué fue lo que ocurrió.
Este tipo de inferencia, en la cual se formula una hipótesis para
llegar a una explicación, se denomina abducción. El término fue
acuñado por el filósofo norteamericano Charles Peirce (1992).
Así, Martina podría concluir por abducción que Franco está
enfermo, en tanto esta hipótesis, sumada a la regla de que si
Franco está enfermo no irá a la cita, le permite explicar por la
vía deductiva por qué Franco no fue. La inferencia abductiva
es un método de aprendizaje tan eficaz como riesgoso.
Aprendizaje
Los sistemas inteligentes deberían ser capaces no sólo de resol-
ver distintos tipos de problemas sino también de usar la expe-
riencia pasada para mejorar el rendimiento. ¿Cómo podemos
LÓGICA I 61
perfeccionar las tareas de planificación, toma de decisiones y
explicación? Dentro del enfoque lógico no se ha hecho dema-
siado para mejorar la capacidad de resolución de problemas; sin
embargo, las representaciones lógicas pueden ser de mucha uti-
lidad para describir ciertos tipos de programas de aprendizaje.
Pensemos en los problemas de aprendizaje con que se encuen-
tran los estudiantes cuando recién llegan a la universidad. En
general, no es mucho lo que saben acerca de la oferta de cursos
o el tipo de personas con las que se cruzarán. Pronto empiezan
a acumular información al respecto, a partir de ejemplos par-
ticulares de cursos e individuos y por medio de generalizacio-
nes inductivas. Las generalizaciones burdas pueden incluir pro-
posiciones tales como: "Las clases de filosofía son divertidas (o
aburridas, según la experiencia personal)" o "Las clases de esta-
dística son muy exigentes". Son inductivas en el sentido de que
implican un margen de incertidumbre, un salto de lo que se sabe
con certeza a lo que es, en el mejor de los casos, probable. Los
estudiantes que hayan cursado dos materias de filosofía podrían
estar en condiciones de hacer una generalización a partir de
información que puede expresarse en un lenguaje lógico del
siguiente modo:
entretenido (Filosofía i)
entretenido (Filosofía 11)
Entonces (para todo x) (curso defilosofía(x) —* entretenido (x)).
La conclusión inductiva es que todo curso de filosofía es entre-
tenido, pero es evidente que puede haber cursos defilosofíamuy
aburridos (pensemos en algo como... ¡Filosofía del armado de
cestos!).
Los programas informáticos que realizan generalizaciones
inductivas no siempre usan representaciones lógicas como input.
62 I LA MENTE
Uno de los programas de aprendizaje más utilizados es el ID3,
ideado por Quinlan (1983). Podemos encuadrarlo dentro del
enfoque lógico porque se vale del cálculo de probabilidades para
formular generalizaciones a partir de conjuntos de individuos.
Por ejemplo, dada una muestra de estudiantes de distintos depar-
tamentos y una descripción de sus principales características,
el sistema puede sacar conclusiones sobre las diferencias de com-
portamiento personal, social e intelectual entre los estudiantes
de ingeniería, artes o ciencias.
A diferencia de la deducción y al igual que la generalización
inductiva, la abducción es un tipo de inferencia muy peligroso.
En el ejemplo de Martina y Franco, hay todo un abanico de moti-
vos que Martina desconoce por los cuales Franco pudo no haber
ido a la cita. Sin embargo, pese a los riesgos que implica, el razo-
namiento abductivo es fundamental en ciencia y en la vida coti-
diana, ya sea que queramos explicar por qué se extinguieron
los dinosaurios o el comportamiento de nuestros amigos. Como
la abducción tiene por finalidad producir explicaciones y las
explicaciones a veces pueden entenderse como deducciones lógi-
cas, los estudios del razonamiento abductivo dentro del enfo-
que lógico no son infrecuentes (véase Konolige, 1992, entre otros).
En capítulos posteriores presentaremos otras formas de expli-
car la abducción.
En situaciones como la de Martina, no queremos encontrar
una explicación cualquiera para la ausencia de nuestro amigo,
sino la mejor explicación. Desde el punto de vista lógico, la eva-
luación de distintas explicaciones para saber cuál es la mejor
implica el cálculo de probabiUdades. Para ello podemos recu-
rrir al teorema de Bayes, segiín el cual la probabilidad de una
hipótesis dada la evidencia es igual al resultado de multiplicar
la probabiHdad inicial de la hipótesis, P(h), por la probabilidad
de la evidencia dada la hipótesis dividido la probabilidad de la
LOGICA I 63
evidencia. En el caso de la cita, la probabilidad de que Franco
esté enfermo depende del cálculo de Martina de la probabilidad
de que el muchacho esté enfermo en general, sin tener en cuenta
el hecho de que no ha ido a encontrarse con ella. Para aplicar el
teorema de Bayes, Martina tendrá que considerar la probabiH-
dad de que Franco no vaya a la cita con el supuesto de que está
enfermo. Los abordajes probabilísticos del problema de selec-
ción de hipótesis expHcativas son muy comunes en inteligen-
cia artificial (Pearl, 1988,2000) y enfilosofía(Howson y Urbach,
1989; Glymour, 2001). No obstante, existen otros enfoques, como
veremos en el capítulo 7.
El término "inducción" puede resultar confuso, pues se lo uti-
liza en sentido lato y en sentido estricto. En sentido amplio, se
refiere a cualquier tipo de inferencia que, a diferencia de la deduc-
ción, introduzca algiin grado de incertidumbre. En sentido
estricto, abarca sólo la generaHzación inductiva, es decir, la for-
mulación de conclusiones generales a partir de ejemplos parti-
culares. La abducción es un tipo de inducción en sentido amplio,
pero no en sentido restringido. En este libro se utilizan los tér-
minos "aprendizaje" y "generalización inductiva" para hacer refe-
rencia a la inducción en sentido amplio y restringido, respecti-
vamente, y evitar así la confusión. En otros capítulos presentamos
más enfoques computacionales del aprendizaje.
Lenguaje
Muchos lingüistas han visto la lógica formal como una herra-
mienta natural para comprender la estructura del lenguaje. Hasta
se ha publicado un libro cuyo título se traduciría "Todo lo que
los lingüistas siempre han querido saber sobre lógica... y no se
atrevieron a preguntar" (McCawley, 1993). El filósofo Richard
Montague (1974) sostiene que no hay diferencias teóricas impor-
64 I LA MENTE
tantes entre las lenguas naturales y los lenguajes artificiales de
los lógicos. Sin embargo, casi ningún lingüista o psicólogo esta-
ría de acuerdo con esa afirmación en la actualidad y, de hecho,
la lógica ha tenido un papel secundario para el avance en la com-
prensión del lenguaje humano. Stabler (1992) se vale de ella para
formalizar algunas de las ideas más recientes de Chomsky sobre
el lenguaje; entre ellas, la postulación de una interfase mental
denominada "forma lógica", en la que se representa el signifi-
cado de las oraciones (Chomsky, 1980). Más adelante en este
libro presentaremos otros tipos de representaciones, como las
reglas y los conceptos, que han sido muy utilizadas para des-
cribir y explicar el conocimiento y el uso del lenguaje.
PLAUSIBILIDAD PSICOLÓGICA
Nunca ha habido consenso respecto de la importancia de la
lógica para la psicología, y viceversa. Algunos de los primeros
pensadores, como John Stuart Mili, para quienes la lógica era
el arte y la ciencia del razonamiento, veían una relación estre-
cha entre ambas. Otros, como Frege y Peirce (los padres de la
lógica moderna), marcaron estrictas líneas divisorias entre una
y otra, y en sus trabajos dieron la espalda a la psicología. Hoy
en día, las posturas básicas con respecto a la relación entre lógica
formal y psicología son tres:
1. La lógica formal es un componente importante del razo-
namiento humano.
2. Existe una relación lejana entre la lógica y el razonamiento
humano pero la distancia no importa porque la finalidad de la
lógica es proporcionar a la filosofía y a la inteligencia artificial
un análisis matemático del razonamiento óptimo.
LÓGICA I 65
3. Existe una relación lejana entre la lógica y el razonamiento
humano, y, en consecuencia, las ciencias cognitivas deben ele-
gir otros enfoques.
La primera posición es la que adoptan algunos psicólogos,
como los que se han propuesto buscar evidencia empírica de
que la mente humana recurre a reglas como el modus ponens.
La segunda es la más común entre los filósofos y los especialis-
tas en inteligencia artificial que prefieren los enfoques forma-
les. La tercera es la postura dominante en psicología, pero tiene
menos adeptos en filosofía y en inteligencia artificial.
Los defensores más entusiastas de la primera concepción han
sido Martin Braine (1978; Braine y O'Brien, 1998) y Lance Rips
(1983,1986,1994). Rips (1986: 279) menciona distintos tipos de
evidencia empírica que prueban la existencia de la lógica men-
tal. De hecho, las teorías de lógica mental predicen correcta-
mente los juicios de validez que realizan los sujetos para una
gran cantidad de argumentos proposicionales. Por ejemplo, se
suelen reconocer como válidos los argumentos con la forma del
modusponens y considerar inválidos los de la forma "Si A, enton-
ces B; B, entonces A". Las teorías de lógica mental también per-
miten dar cuenta de los tiempos de reacción de este tipo de jui-
cios e interpretar lo que dicen los sujetos cuando piensan en voz
alta acerca de la validez de distintas clases de argumentos.
Sin embargo, otros experimentos han llevado a los psicólo-
gos al escepticismo respecto de la lógica mental. La técnica expe-
rimental más conocida es la que utiliza la tarea de selección de
Wason (1966), en la que se informa a los participantes que se
les mostrarán unas cartas que tienen números de un lado y letras
del otro, al tiempo que se les dan reglas como ésta: Si una carta
tiene una A de un lado, entonces tiene un 4 del otro. Luego se les
muestran cuatro cartas y se les pide que elijan cuáles habrá que
dar vuelta para decidir si la regla es válida o no. Las cuatro car-
66 I LA MENTE
tas podrían ser las de la figura 2.1. La mayoría de las personas
advierten que es necesario dar vuelta la carta A para verificar si
tiene un 4 del otro lado. Esa respuesta puede interpretarse como
una aplicación del modus ponens, pues la regla "Si A, entonces
4" sumada a la premisa "A", indica que debemos dar vuelta esa
carta para verificar la conclusión. Por el contrario, son pocos los
que verifican el 7, de modo que la mayoría pasa por alto el hecho
de que, si esa carta tuviera una A del otro lado, la regla en cues-
tión quedaría reftitada. Advertir que se necesita dar vuelta la
carta 7 implica la aplicación del modus tollens: "Si A, entonces
4; 7 es ~4; por lo tanto, la otra cara tendrá que ser ~A para que
la regla sea válida". Algunos de los sujetos se confunden y dan
vuelta las cartas B y 4, sin darse cuenta de que esas cartas no
tienen la menor pertinencia para determinar la validez de la regla
en cuestión.
Figura 2.1. Cartas de la tarea de selección de Wason.
El objetivo de este tipo de experimentos no es mostrar que las
personas son tontas y violan las reglas de la lógica formal. Los
resultados son interesantes porque indican que, en realidad, la
mente humana cuenta con representaciones y procesos compu-
tacionales muy distintos de los déla lógica formal para realizar
este tipo de tareas. Otras pruebas muestran que el problema de
las cartas de Wason se resuelve con más facilidad si se dan ejem-
plos concretos y conocidos. Supongamos que el investigador
dice a los participantes que, de un lado, las cartas contienen
información acerca de individuos que están en un bar y, del otro,
las edades de los parroquianos, más una regla de este estilo: "Si
LÓGICA I 67
una persona está en el bar, tiene más de veintiún años". Luego
se les pide que elijan qué cartas dar vuelta para saber si la regla
se cumple entre E N B A R , ~ E N B A R , 23 y 18. A diferencia de lo
que sucede en el experimento con abstracciones (letras y núme-
ros), en este caso, la mayoría de los sujetos advierten que es nece-
sario dar vuelta no sólo la carta E N B A R para constatar la edad
del individuo sino también la carta con el número 18 para veri-
ficar que del otro lado diga ~ E N B A R .
Cheng y Holyoak (1985) sostienen que, para realizar este tipo
de tareas, las personas no se valen de la lógica mental sino de
esquemas pragmáticos de razonamiento. Por ejemplo, un esquema
de permiso tiene la forma "Si x quiere hacer y, entonces x tiene
que cumpHr con la condición z". Así, la razón por la cual los par-
ticipantes del experimento se desenvuelven mucho mejor con
el ejemplo concreto del bar que con el abstracto de las letras y
los números es que en el primer caso se puede aplicar el esquema
de permiso con naturalidad. La aplicación psicológica de reglas
y esquemas está tratada en los capítulos 3 y 4.
El crítico más acérrimo de la lógica mental ha sido el psicólogo
Philip Johnson-Laird (1983). Johnson-Laird y Ruth Byrne (1991)
sostienen que el razonamiento deductivo no se lleva a cabo por
medio de reglas lógicas ni de reglas o esquemas de contenido espe-
cífico, sino que utiliza modelos mentales, es decir, representacio-
nes mentales cuya estructura se corresponde con las situaciones
que representan. Cuando se interpreta un condicional como "Si
una carta tiene la A de un lado, entonces tendrá un 4 del otro", se
construye una representación mental como la siguiente:
[A] 4
donde " [ A ] " se refiere a un modelo en el que una carta tiene
escrita una A en una de sus caras y "4" significa que, en ese modelo,
la carta tiene un 4 escrito del otro lado. Jonson-Laird y Byrne
explican el patrón de comportamiento de los sujetos en la tarea
68 I LA MENTÍ
de selección a partir del supuesto de que se tienen en cuenta sólo
las cartas que están explícitamente representadas en el modelo
de la regla. De ahí que la primera carta que se da vuelta sea la que
tiene la A y que muchos pasen por alto la carta con el 7.
La teoría de los modelos mentales también se ha aplicado a
distintos tipos de razonamiento con cuantificadores. Para la
lógica formal, el razonamiento con cuantificadores se vale pri-
mero de reglas de inferencia como la de reemplazo del univer-
sal para eliminar los cuantificadores; en un segundo paso, de
reglas de la lógica preposicional como el modus ponens; y, por
úhimo, de otro grupo de reglas que permiten reinsertar los cuan-
tificadores. Tomemos el siguiente razonamiento sencillo:
Todos los jugadores de fútbol tienen fuerza.
Todos los que tienen fuerza pueden levantar objetos pesados.
Por lo tanto, todos los jugadores de fútbol pueden levantar obje-
tos pesados.
Para la lógica, éste es un razonamiento válido, tal como se observa
al aplicar la regla de reemplazo del universal para convertir las
premisas en proposiciones no cuantificadas: "Si x es jugador
de fútbol, entonces x tiene fuerza"; "Si x üene fuerza, entonces
X puede levantar objetos pesados". Por medio de reglas de la
lógica proposicional se llega a "Si x es jugador de fútbol, enton-
ces X puede levantar objetos pesados", que luego se generaliza
de modo tal que permite la introducción del cuantificador uni-
versal: "Para todo x, si x es jugador de fútbol, entonces x puede
levantar objetos pesados".
Por el contrario, Johnson-Laird sostiene que la mente no opera
con fórmulas abstractas sino con modelos como el siguiente:
jugador-de-futbol fuerza levantar-objetos-pesados
LOGICA I &9
En un modelo así planteado, no hay jugadores de fútbol que
no puedan levantar objetos pesados, de modo que la conclusión
es obvia. Las inferencias más complejas, con distintas combi-
naciones de cuantificadores y negación, requieren modelos más
complejos y el grado de dificultad de una inferencia se corres-
ponde con la complejidad del modelo que se debe construir en
cada caso. Rips (1994) y O'Brien, Braine y Yang (1994) han res-
pondido a la propuesta de Johnson-Laird con argumentos que
demuestran que la lógica mental explica la evidencia empírica
mejor que los modelos mentales. La teoría de modelos menta-
les, sin embargo, ha tenido muchísimas apHcaciones a distin-
tos tipos de pensamiento humano, incluido el de causa-efecto
(Goldvarg y Johnson-Laird, 2001).
Así como Johnson-Laird ha puesto en tela de juicio la perti-
nencia de la lógica formal para el estudio del razonamiento
deductivo, otros psicólogos concluyen a partir de datos empí-
ricos que el razonamiento inductivo poco podría tener que ver
con el cálculo de probabilidades. Tversky y Kahneman (1983)
muestran que, a veces, las personas violan la regla según la cual
la probabilidad de una conjunción será menor o igual que la
probabiHdad de uno de los conjuntos: P(p ^ q) < P(p). Volva-
mos a nuestro amigo Franco y supongamos que le interesan la
literatura seria, el cine europeo y la política internacional. Se nos
pide que determinemos la probabilidad de que haya ido a la uni-
versidad, de que sea carpintero y de que sea universitario y car-
pintero. Quienes participan en experimentos de este tipo tien-
den a considerar como más probable que Franco haya ido a la
universidad que que sea carpintero, lo cual no es un resultado
muy sorprendente que digamos. Lo que sí llama la atención es
que los sujetos también consideran que la tercera opción es más
probable que la segunda, con lo cual parecen ir en contra de la
teoría de probabilidades. En reaHdad, cuando tenemos que resol-
70 I lA MkNIt
ver este tipo de problemas, recurrimos a un proceso de estable-
cimiento de correspondencias que nos permite valorar la rela-
ción entre la descripción de un individuo y los estereotipos en
cuestión (véase el capítulo 4). Hay muchísimos ejemplos que
muestran que el razonamiento inductivo parece estar guiado
por métodos muy distintos de la teoría formal de probabilida-
des (Kahneman, Slovic y Tversky, 1982; Gilovich, Griffin y Kah-
neman, 2002). Sin embargo, así como Rips y otros especialistas
han defendido la lógica mental, hay quienes proponen interpre-
taciones probabilísticas para los resultados de los experimen-
tos de Tversky y Kahneman (Gigerenzer, Hoffrage y Kleinból-
ting, 1991; Gigerenzer, 2000).
Aún está abierta la posibilidad de combinar los distintos enfo-
ques: la lógica mental para un conjunto restringido de tipos
de razonamiento (como la aplicación del modus ponens) y los
modelos mentales u otras representaciones más gráficas para
razonamientos más complejos (como los que incluyen cuan-
tificadores). En cualquier caso, es evidente que la lógica no es
la única forma posible de abordar el estudio del pensamiento.
En los otros capítulos de esta primera parte del libro nos ocu-
paremos de algunos enfoques alternativos. Los investigadores
que no están interesados en la psicología pueden afirmar que
poco importa si las personas de carne y hueso utilizan méto-
dos lógicos cuando razonan si de lo que se trata es de desarro-
llar modelos formales de cómo deberían pensar los sistemas
inteligentes. El riesgo que se corre al adoptar esa postura es que
podríamos estar pasando por alto que la inteligencia, tanto la
humana como la de las máquinas que nos interesa crear, puede
estar integrada por estructuras representacionales y procesos
computacionales que poco tienen que ver con los que nos pro-
porciona la lógica.
LÓGICA I 71
PLAUSIBILIDAD NEUROLÓGICA
Hasta no hace mucho tiempo era muy poco lo que se sabía acerca
de la relación entre la lógica formal y las neuronas. Vista meta-
fóricamente, la sinapsis parece un modus ponens en miniatura:
"Si la neurona 1 se activa, entonces la neurona 2 se activa; la neu-
rona 1 se activa; por lo tanto, la neurona 2 se activa". Sin embargo,
es evidente que las neuronas no son proposiciones y se desco-
noce cómo se llevan a cabo las inferencias en el cerebro. No obs-
tante, hoy en día es posible investigar esta cuestión a gran escala.
En la actualidad se utilizan técnicas de diagnóstico por imáge-
nes para determinar si las deducciones se realizan en el hemis-
ferio izquierdo, como indica la teoría de la lógica mental, según
la cual la deducción es un mecanismo formal, independiente del
contenido. La hipótesis alternativa, que la deducción tiene lugar
en el hemisferio derecho, se corresponde con la teoría de mode-
los mentales, según la cual la deducción está relacionada con
áreas cerebrales de razonamiento espacial (Wharton y Grafman,
1998). En el capítulo 8 mostramos cómo se utilizan las técnicas
de diagnóstico por imágenes para identificar los correlatos neu-
ronales de distintos tipos de pensamiento.
Goel et al. (1998) han recurrido a las tomografías para iden-
tificar las áreas comprometidas en tareas de razonamiento tales
como el silogismo. Como no encontraron activaciones signi-
ficativas en el hemisferio derecho, concluyeron que el razona-
miento deductivo es puramente lingüístico, conclusión que se
corresponde con la teoría de la lógica mental. Sin embargo, Kro-
ger, Cohén y Johnson-Laird (en prensa) compararon las áreas
cerebrales involucradas en el razonamiento lógico con las zonas
que intervienen en las operaciones matemáticas y descubrie-
ron que algunas regiones del hemisferio derecho estaban más
activas durante la deducción que durante el cálculo. Esos resul-
72 I LA MENTE
tados son incompatibles con una teoría que conciba el razo-
namiento lógico como un conjunto de reglas de inferencia for-
males. Después de analizar distintos estudios por neuroimá-
genes del razonamiento silogístico, Goel (2003) concluye que
éste comprende dos caminos neuronales en los que se inclu-
yen tanto el sistema lingüístico como los sistemas visoespacia-
les. El debate contemporáneo entre la lógica mental y los mode-
los mentales se vale de tres métodos de las ciencias cognitivas:
los experimentos psicológicos, los modelos computacionales
y los experimentos neurológicos.
APLICABILIDAD PRÁCTICA
Como enfoque de las ciencias cognitivas, la lógica no ha sido
de gran utilidad en el campo de la educación, en tanto no echa
luz sobre la comprensión del aprendizaje. Piaget e Inhelder
(1969) han hecho algunos intentos por relacionar algunos prin-
cipios del desarrollo cognitivo humano con categorías lógicas,
pero para la teoría educativa contemporánea la lógica propo-
sicional no desempeña ningún papel de importancia en los dis-
tintos estadios evolutivos. Desde otra perspectiva, sin embargo,
la lógica puede ser interesante para la educación, en tanto puede
servir para mostrar cómo mejorar el razonamiento. De hecho,
como se sabe que esto es necesario, han proliferado los cursos
de lógica formal y pensamiento crítico. La lógica deductiva y
la teoría de probabilidades constituyen herramientas muy úti-
les para determinar cómo deben llevarse a cabo algunas clases
de pensamiento.
Dym y Levitt (1991) han encontrado una relación entre cier-
tos requisitos de diseño en ingeniería y los enunciados de la
LOGICA I 73
lógica. Por ejemplo, un código estructural podría formularse
así: "Si una viga tiene un único apoyo, la profundidad de empo-
tramiento deberá ser mayor que el valor de una determinada pro-
porción de la luz libre". El lenguaje de programación P R O L O G ,
que utiliza representaciones lógicas y técnicas deductivas, se ha
aplicado a problemas de diseño edihcio en los que hay que satis-
facer restricciones físicas y legales. Por otro lado, Levesque et al.
(1997) desarrollaron un lenguaje de programación de base lógica
para aplicar en el control superior de robots y procesos indus-
triales. Si bien la lógica es una de las herramientas preferidas de
los expertos en inteligencia artificial, los sistemas inteligentes
en sí se valen de reglas, casos y redes neuronales, todas repre-
sentaciones que trataremos en futuros capítulos. No obstante,
cada vez más sistemas incluyen razonamientos probabiHsticos;
por ejemplo, el caso de un tutor artificial que opera con la incer-
tidumbre respecto del conocimiento y los objetivos de los estu-
diantes (Conati, Gertner y Vanlehn, 2002).
RESUMEN
La lógica formal proporciona un conjunto de herramientas muy
útiles para estudiar la naturaleza de las representaciones y los
procesos computacionales. La lógica proposicional y la lógica
de predicados sirven para expresar formas complejas de cono-
cimiento y, gracias a reglas como el modus ponens, muchas infe-
rencias pueden entenderse en términos de deducción lógica. El
esquema explicativo para el enfoque lógico sería el siguiente:
Objetivo de la explicación
¿Por qué las personas realizan determinadas inferencias?
74 I LA MENTE
Modelo explicativo
Las personas tienen representaciones mentales similares a las
proposiciones de la lógica de predicados.
Las personas cuentan con un conjunto de procedimientos induc-
tivos y deductivos que se aplican a esas proposiciones.
La aplicación de esos procedimientos a las proposiciones da ori-
gen a las inferencias.
Sin embargo, no se puede afirmar que la lógica proporciona
las ideas centrales sobre la representación y la computación que
necesitan las ciencias cognitivas, pues existen enfoques más
eficaces y más realistas desde el punto de vista psicológico para
dar cuenta del pensamiento.
PREGUNTAS PARA PENSAR - - - Ruth_Byrne/mental_models/index.html>
1. ¿Qué puede ser difícil de expresar en el lenguaje formal de la
lógica?
2. ¿Suelen ser lógicos nuestros razonamientos? ¿Deberían serlo?
3. ¿Puede decirse que la deducción es un componente fundamen-
tal del pensamiento? ¿Cómo se llevan a cabo las deducciones?
4. ¿El razonamiento no deductivo está gobernado por leyes de
probabilidad?
5. ¿La estructura del lenguaje es la de la lógica?
LECTURAS RECOMENDADAS
Historia de la lógica: Prior (1967).
Manuales de lógica: Bergmann, Moor y Nelson (2003), entre otros.
Problemas filosóficos y lógica formal: PoUock (1995).
Lógica e inteligencia artificial: Genesereth y Nilsson (1987);
Russell y Norvig (2003).
Defensa del enfi)que lógico para el razonamiento deductivo:
Rips (1994)-
SITIOS W E B
Introducción a la lógica: <http://people.hofstra.edu/faculty/
Stefan_Waner/RealWorld/logic/logicintro.html>
Lógica y programación: <http://www.afm.sbu.ac.uk/
logic-prog/>
Modelos mentales: <http://vmw.tcd.ie/Psychology/
NOTAS
La lógica formal no se ocupa sólo de la sintaxis de las oracio-
nes (es decir, de su estructura) como hemos visto en este capí-
tulo, sino también de la semántica (condiciones de verdad). Por
ejemplo, la conjunción p ^ qes verdadera si y sólo si p es ver-
dadera y q es verdadera.
La mayoría de los sistemas artificiales de planificación que
ufilizan lenguajes lógicos no incluyen un conjunto completo
de reglas de inferencia sino un procedimiento inferencial que se
basa en una regla simple conocida como principio de resolución
(Genesereth y Nilsson, 1987). Se trata de un principio algo com-
plicado para explicar aquí pero que, básicamente, toma expre-
76 I lA MENTE
siones que se han traducido a una versión simplificada de la
lógica de predicados y les aplica un poderoso operador para
ver qué se puede deducir a partir de ellas. Fikes y Nilsson (1971)
emplean la deducción lógica en un sistema de planificación deno-
minado STRiPS, que ha tenido aplicaciones en robótica y otros
campos.
La fórmula del teorema de Bayes es la siguiente:
P(h/e) = [P(h) P(e/h)] / P(e).
En inteligencia arüficial, la lógica y la teoría de probabilidades
suelen considerarse como enfoques alternativos para la repre-
sentación del conocimiento. Las he presentado juntas porque
en ambas las inferencias se basan en principios muy generales
y abstractos.
En este capítulo hemos mostrado un único enfoque para
los modelos mentales, pero existen otras clases importantes de
razonamientos que utilizan modelos (Magnani, Nersessian y
Thagard, 1999).
3
Reglas
Las reglas son estructuras de tipo condicional: si A, ENTONCES B.
Por ejemplo: si se cursan y aprueban cuarenta materias, ENTON-
CES se obtiene una licenciatura. Las reglas tienen una serie de
propiedades representacionales y computacionales. A diferen-
cia de la mayoría de los modelos computacionales lógicos, que
no fueron concebidos como modelos de la cognición humana,
los modelos de reglas se han aphcado a la psicología desde un
comienzo. El primer programa de inteligencia artificial fue el
Teórico Lógico, ideado por Alien Newell, Cliff Shaw y Her-
bert Simón (1958). Introducido en una computadora rudimen-
taria en 1956, el programa resolvía ejercicios de lógica formal.
Su comportamiento no era el de un mero sistema inteligente
complejo desde el punto de vista matemático sino el de un
modelo del razonamiento lógico humano. Además de reglas
de inferencia, el Teórico Lógico incluía reglas estratégicas para
la búsqueda eficiente de pruebas. Pronto se convirtió en el pri-
mer marco general para el estudio del pensamiento humano:
el Solucionador General de Problemas (en inglés. General Pro-
blem Solver o G P S ; Newell y Simón, 1972), que utilizaba reglas
para simular soluciones humanas para distintos tipos de pro-
blemas, como los criptoaritméticos que se ilustran más ade-
lante. En inteligencia artificial, las reglas suelen denominarse
"producciones".
78 I LA MENTE
Después del Solucionador General de Problemas, hubo dos
sistemas cognitivos de reglas que tuvieron una influencia impor-
tante en el desarrollo de las ciencias cognitivas, dada su gran
aplicabilidad a la cognición humana. El primero fue el sistema
A C T , creado por John Anderson (1983,1993), que ha tenido una
enorme cantidad de aplicaciones en psicología. El segundo fue
s o A R , un poderoso programa basado en reglas con muchísi-
mas posibilidades de aplicación en psicología y computación,
diseñado por John Laird y Paul Rosenbloom (Newell, 1990;
Rosenbloom, Laird y Newell, 1993).
El objetivo de este capítulo no es describir estos sistemas en
detalle, sino analizar qué es lo que hace que las reglas sean tan
importantes desde el punto de vista computacional y psicoló-
gico. En los capítulos siguientes, sin embargo, presentaremos
teorías alternativas de la cognición segiin las cuales el pensa-
miento humano no puede reducirse a reglas, al menos no en
su totalidad.
CAPACIDAD REPRESENTACIONAL
Pese a su estructura sencilla -una condición (si...) y una con-
secuencia o acción ( E N T O N C E S . . . ) - , las reglas pueden usarse para
representar distintos tipos de conocimiento. En primer lugar,
pueden codificar información general sobre el mundo: si x es
estudiante, ENTONCES X estudia mucho. Luego, también pueden
representar información sobre cómo hacer cosas en el mundo:
SI uno se inscribe con la debida anticipación, ENTONCES conse-
guirá vacantes en las materias que más le interesen. También pue-
den expresar regularidades lingüísticas: si el núcleo del sujeto está
en plural, ENTONCES el verbo principal también estará en plural.
KtGLAS I 79
En cuarto lugar, pueden utilizarse para reproducir reglas de infe-
rencia como el modusponens: si tenemos una regla del tipo "si...,
entonces. .."y la condición es verdadera, ENTONCES la consecuen-
cia también será verdadera. Como vemos en el último ejemplo,
las reglas pueden incluir más de una condición y más de una
acción: si uno se inscribe con la debida anticipación, ENTONCES
conseguirá vacantes en las materias que más le interesen y tendrá
que hacer menos cola.
Podría parecer extraño que los sistemas de reglas hayan tenido
tanta importancia para las ciencias cognitivas, ya que las reglas
no tienen la elegancia representacional de las fórmulas lógicas.
De hecho, la lógica proporciona formas estandarizadas de repre-
sentar relaciones y operaciones básicas ("y", "o", "no") que pue-
den expresarse de distintas formas en un sistema de reglas. Pero
los sistemas de reglas ganan en capacidad computacional lo que
pierden en rigor representacional. Una de las ventajas es que
las reglas no tienen que interpretarse en términos de valores de
verdad: mientras que la generalización lógica (para todo x) (estu-
diante (x) estudiar mucho (x)) debe interpretarse como una
afirmación universal de que todo estudiante estudia mucho, la
regla si x es estudiante, ENTONCES X estudia mucho se interpreta
por defecto, es decir, como una generalización aproximada que
admite excepciones. De hecho, podríamos tener otra regla como
ésta: SI x es estudiante y elige sólo materias fáciles, ENTONCES X
no estudia mucho. Las dos reglas pueden formar parte del mismo
sistema sin que el resultado sea una contradicción (que el mis-
mo estudiante estudie mucho y no estudie mucho), pues las ope-
raciones computacionales de un sistema de reglas pueden garan-
tizar que sólo se aplique la regla más adecuada.
A diferencia de la lógica, los sistemas de reglas también pue-
den representar información estratégica acerca de cómo actuar.
Las reglas pueden contener acciones que llevan al cumplimiento
8o I LA MENTE
de determinados objetivos: si uno desea irse a su casa y tiene un
billete de autobús, ENTONCES puede tomar el autobús. Este tipo
de información sirve para concentrarse en una tarea concreta
cuando se trata de resolver problemas. Por lo tanto, aunque los
sistemas de reglas no tienen toda la capacidad representacional
de la lógica formal, su expresión permite ganar en capacidad
computacional y en plausibilidad psicológica.
CAPACIDAD COMPUTACIONAL
Solución de problemas
En los sistemas lógicos, la operación fundamental del pensa-
miento es la deducción. En los sistemas de reglas, en cambio, la
operación básica es la búsqueda. Cuando tenemos que resolver
un problema (por ejemplo, escribir una monografía para una
materia), tenemos un universo de posibilidades que habrá que
recorrer. En ese universo se incluyen los temas sobre los que po-
dríamos escribir, los recursos bibliográficos que podríamos con-
sultar y los medios que podríamos utilizar para escribir la mono-
grafía. Para cumplir con la tarea asignada, tenemos que buscar
en todo el universo de acciones posibles y encontrar un camino
que nos lleve del estado inicial (tenemos una monografía que
escribir) al estado deseado (la monografía terminada y mere-
cedora de una buena calificación). Los sistemas de reglas per-
miten realizar este tipo de búsquedas de soluciones.
En el caso de problemas complejos, es imposible realizar bús-
quedas exhaustivas para encontrar la mejor solución. Suponga-
mos que tenemos que ponernos cuatro prendas de vestir (una
camisa, un par de medias, etc.) y que de cada prenda tenemos
diez ejemplares. Habrá entonces diez mil ( W ) combinaciones
KtliLAb I 0 1
diferentes de prendas para usar, pero nadie tiene tiempo para
considerar todas y cada una de esas posibilidades, ni estamos
interesados en hacerlo. Preferimos, en cambio, la heurística, es
decir, un conjunto de reglas generales que nos proporcionen
soluciones satisfactorias sin necesidad de repasar todas las posi-
bilidades existentes. Así, una regla heurística del estilo de "Usar
medias marrones con pantalones marrones pero no con pan-
talones negros" constituye una solución eficaz al problema de
qué ponerse. La solución de problemas, el aprendizaje y el len-
guaje pueden analizarse en términos de la aplicación de reglas
heurísticas en amplios universos de posibilidades.
En psicología se hace una distinción fundamental entre la
memoria a largo plazo (donde se almacena la información en
forma permanente) y la memoria a corto plazo (donde se guarda
una selección menor de información para su uso inmediato en
distintos tipos de procesos mentales). Enfocada esta distinción
desde la perspectiva de los sistemas de reglas, podemos decir que
la memoria a largo plazo contiene muchísimas reglas, pero sólo
un pequeño grupo se encuentra activo en la memoria a corto
plazo, listo para usar. Por ejemplo, todos tenemos guardada la
fecha del cumpleaños de nuestra madre en la memoria a largo
plazo, pero al leer esta oración esa información se activa en la
memoria a corto plazo y se vuelve consciente.
Tanto en psicología como en computación se establece una
distinción entre procesamiento en serie (el pensamiento avanza
de a un paso por vez) y el procesamiento en paralelo (se dan
muchos pasos al mismo tiempo). El procesamiento que se vale
de reglas puede ser tanto serial como paralelo, según se aplique
a una regla por turno o a varias reglas en un mismo paso. El pen-
samiento consciente suele producirse en serie; es fácil compro-
bar que vamos haciendo una inferencia tras otra. Sin embargo,
esas inferencias pueden depender de la aplicación simultánea
82 I LA MENTE
de varias reglas de las que no somos conscientes. En el capítulo
11 desarrollaremos el tema de la conciencia y su relación con el
pensamiento.
Planificación. Muchos estudiantes abandonan su ciudad para
ir a la universidad. Deben resolver entonces el problema de cómo
regresar los fines de semana o cuando termina el semestre. Los
medios para llegar de la universidad a la casa pueden expresarse
a través de reglas:
SI vamos en auto por la autopista, E N T O N C E S podemos volver
de la universidad a nuestra ciudad.
SI tomamos la carretera, ENTONCES podemos ir de la universi-
dad a la autopista.
SI tomamos la avenida principal, E N T O N C E S podemos ir de la
universidad a la carretera.
S I tomamos un autobús en la terminal, E N T O N C E S podemos vol-
ver de la universidad a nuestra ciudad.
S I tomamos un autobús de la universidad a la terminal, E N T O N -
C E S podemos llegar a la terminal.
Habría otras posibihdades también, como tomar el tren o hacer
autostop. Los estudiantes que deben resolver el problema de
cómo regresar a su casa elfinde semana pueden buscar en el
universo de acciones posibles (ir a la terminal, tomar la auto-
pista, etc.) y elaborar un plan que los lleve adonde quieren ir.
Las reglas pueden usarse para razonar hacia adelante o hacia
atrás. Un ejemplo de lo segundo sería: "Para llegar a casa, tengo
que tomar la autopista, y para eso tengo que tomar la carrete-
ra, que implica tomar la avenida principal primero, que a su
vez presupone que debo buscar el auto". El objetivo es llegar a
casa, pero el plan se elabora pasando por una serie de objetivos!
REGLAS I «3
intermedios, como llegar a la autopista. La primera clase de razo-
namiento, en cambio, sería así: "Por la avenida principal llego a
la carretera, y por la carretera llego a la autopista...". En los dos
casos se trata de encontrar una sucesión de reglas que puedan
aplicarse para llegar del punto de partida al objetivo; lo que
difiere es la estrategia.
Otro método posible es la búsqueda bidireccional, en la que
se combina el avance y el retroceso en el razonamiento: del punto
de partida hacia adelante y del objetivo hacia atrás. Aunque
muchos problemas de planificación pueden explicarse en térmi-
nos de razonamientos basados en reglas, este tipo de planifica-
ción se complica cuando hay muchas reglas que son potencial-
mente pertinentes y el sujeto tiene que elegir cuál aplicar en cada
paso. La resolución de problemas por medio de reglas se parece
mucho a la deducción lógica, con la diferencia de que, en el caso
de las reglas, las estrategias para la aplicación de la regla correcta
en el momento indicado tienen un papel fundamental.
Lo mismo vale para los problemas de planificación que deben
resolver los estudiantes en las materias que cursan. Suponga-
mos que estamos frente a un problema matemático cuyo enun-
ciado dice que un estudiante tarda 75 minutos en ir de la uni-
versidad a la casa de sus padres, que queda a 100 kilómetros, y la
pregunta que hay que contestar es cuál es la velocidad media
del viaje. Las reglas, que se plasman en las operaciones mate-
máticas, nos muestran cómo pasar de la información del enun-
ciado a la respuesta que podemos inferir a partir de ella. Sin
embargo, muchas veces es útil moverse hacia atrás, desde el obje-
tivo (en este caso, la respuesta que estamos buscando) hasta la
información inicial. Pero en los dos casos pretendemos encon-
trar una secuencia de reglas que nos proporcione una camino
para ir del punto de inicio al objetivo final. No obstante, no
toda planificación puede hacerse a través de reglas. Hay casos
84 I LA MENTE
en los que el uso de esquemas o analogías es mucho más ade-
cuado, como veremos en capítulos posteriores.
Toma de decisiones. A pesar de su utilidad para la planifica-
ción, las reglas no suelen ser de mucha ayuda cuando se trata
de decidir entre planes alternativos. Volviendo al ejemplo ante-
rior, las reglas sirven al estudiante que desea volver a su casa para
elaborar dos planes, pero no le permiten decidir cuál seguir. Se
puede ir en auto, en autobús o en tren, pero la decisión final
entre esos medios de transporte depende de consideraciones
más complejas, entre las que se incluyen nuevos objetivos: pre-^
CÍO, tiempo y comodidad, por ejemplo. Por lo tanto, para la toma
de decisiones es necesario complementar el razonamiento basado
en reglas con otros procedimientos, como el cálculo del valor
esperado (capítulo 2) o la determinación de la coherencia expli-^
cativa (capítulo 7).
Explicación. Como afirmamos en el capítulo 2, la explicación puede'
verse como un tipo de proceso deductivo que puede llevarse a
cabo por medio de inferencias lógicas o de reglas. Algunas clases
de formulación de hipótesis pueden entenderse como una bús-
queda de explicaciones a través de reglas. Supongamos que que-
remos inscribirnos en una materia para la que no hay más vacan-^
tes. Podríamos aplicar entonces distintas reglas, como estas dos:
SI una materia es obligatoria para más de una carrera, ENTON-
CES se llena el cupo rápidamente.
SI una materia tiene un docente a cargo que es muy popular
ENTONCES se llena el cupo rápidamente.
El conocimiento de que, en efecto, la materia que nos interesa
tiene un docente muy popular, sumado a la aplicación de 1
segunda regla, nos permite explicar por qué ya no quedaba
REGLAS I 85
vacantes cuando fuimos a inscribirnos. Incluso sin saber con
certeza si de hecho se cumplen las condiciones enunciadas en
las reglas (que la materia sea obligatoria para distintas carreras
o que el docente a cargo sea popular), es posible conjeturar
que la aplicación de las reglas se verifica (véase la sección dedi-
cada al aprendizaje abductivo más adelante). Podemos concluir
entonces que la búsqueda de explicaciones puede anaHzarse en
términos de razonamientos basados en reglas cuando hay una
secuencia de reglas que nos permita inferir lo que necesitamos
explicar de lo que ya sabemos.
Aprendizaje
Muchos tipos fundamentales de aprendizaje se representan con
absoluta facilidad en términos de la adquisición, la modifica-
ción y la aplicación de reglas. Algunas reglas pueden ser inna-
tas, es decir, formar parte de los mecanismos biológicos de los
que estamos dotados cuando nacemos, si una basurita nos entra
en el ojo, ENTONCES pestañeamos, por ejemplo, no es algo que un
organismo con ojos tenga que aprender. Algunos investigado-
res que trabajan en el campo de las ciencias cognitivas sostie-
nen que muchas reglas lingüísticas también son innatas, lo cual
es bastante más polémico. Sin embargo, nadie se atrevería a afir-
mar que las reglas para anotarse en la universidad son innatas.
¿Cómo se adquieren, entonces?
Como los enunciados lógicos que vimos en el capítulo 2, las
reglas pueden aprenderse por generalización inductiva: una can-
tidad de ejemplos particulares se generalizan enfiarmade regla.
Hay reglas que necesitan muchos ejemplos para fiarmarse: no se
puede inferir de una sola clase de ingeniería que la ingeniería
es difícil o de un solo curso de filosofía que la filosofía es inte-
resante. Son reglas que se adquieren gradualmente a partir de
86 I LA MENTE
la experiencia de la vida universitaria: si x es una materia de com-
putación, ENTONCES preparar x llevará mucho tiempo; si quiero
conseguir vacante en un curso muy concurrido, ENTONCES debo
inscribirme con anticipación.
En la generalización inductiva, las reglas se forman partiendo
de ejemplos. También pueden formularse a partir de otras reglas,
por medio de un procedimiento que en el modelo S O A R de la
cognición se denomina "agrupación" (chunking) y en el modelo j
A C T se llama "composición". Supongamos que hemos recurrido ]
a muchas reglas para planificar cómo ir de la universidad a casa i
y que finalmente encontramos una buena secuencia para ir del
la universidad a la carretera y de allí a la autopista que nos lleva:
a casa. La próxima vez que necesitemos utilizar esa secuencia,'
ya no será preciso hacer toda la búsqueda nuevamente, sino que
podemos agrupar los componentes en una regla general: si quiero
ir de la universidad a mi casa, ENTONCES voy en auto. De la misma
manera, la primera vez que armamos un horario para el cur-,
sado de materias, es probable que tengamos que realizar una
búsqueda compleja para encontrar un plan, pero cuando ya
tenemos experiencia podemos recurrir a una regla de orden
superior: si quiero tener un buen horario, ENTONCES es mejor
juntar las clases de las distintas materias en lugar de tenerlas en
días separados. Ya veremos en la sección sobre plausibilidad psi-
cológica que el proceso computacional de agrupar reglas se ha
utilizado como modelo de muchos tipos de aprendizaje.
Otra forma de derivar unas reglas de otras es la especialización,
proceso por medio del cual se modifica una regla existente para
aplicarla a una situación en particular. Por ejemplo, si un viernes
por la tarde trasladarse en auto se hace un poco difícil por el trán-
sito pesado, la experiencia puede llevarnos a generar una regla
especializada del tipo de si quiero ir de la universidad a mi casa, es
viernes por la tardey estoy apurado, ENTONCES es mejor no ir en auto.
REGLAS I 87
Como vimos en el capítulo 2, las reglas también pueden uti-
lizarse en el aprendizaje abductivo. Supongamos que tenemos
un amigo que está enojado y deprimido. Es natural en ese caso
que queramos buscar explicaciones de por qué está así. Por gene-
ralización inductiva hemos adquirido la regla siaun estudiante
le va mal en un examen, ENTONCES ese estudiante estará enojado
y deprimido. Utilizando esa regla podríamos pensar que nues-
tro amigo está enojado porque le ha ido mal en un examen. Ése
sería un razonamiento abductivo, pues estaríamos invirtiendo el
orden de una regla para proporcionar una explicación de lo ocu-
rrido. Ese tipo de inferencia es muy riesgoso, claro está, dado
que podría haber una explicación mucho más plausible para el
estado en que se encuentra nuestro amigo. Por ejemplo, una fun-
dada en esta regla: si alguien sufre un desengaño amoroso, ENTON-
CES esa persona está enojada y deprimida. Elegir la mejor expli-
cación para una situación determinada implica un proceso de
inferencias mucho más complejo, que presentamos en el capí-
tulo 7. No obstante, las reglas pueden ser muy útiles cuando las
explicaciones son del tipo de la primera de este ejemplo. Vemos
entonces que el razonamiento abductivo va bien con el razona-
miento basado en reglas (Thagard, 1998), aunque presentare-
mos otros tipos de representaciones que también cuadran.
Las reglas también pueden utilizarse para describir procesos
de aprendizaje lentos con incrementos periódicos, asignando a
cada regla un valor numérico que representa su utilidad o plau-
sibilidad. Por ejemplo, cada vez que aplicamos con éxito la regla
SI quiero ir de la universidad a mi casa, ENTONCES voy en auto,
ésta gana fuerza e incrementa sus posibilidades de que volva-
mos a utilizarla en el futuro. En síntesis, las reglas pueden for-
marse a partir de ejemplos o de otras reglas, aplicarse en pro-
cesos de razonamiento abductivo y evaluarse cuantitativamente
según el éxito de su aplicación.
88 I LA MENTE
i
Lenguaje
Antes de la revolución cognitiva de la década de 1950, se con-
sideraba que el lenguaje consistía en un tipo de conducta que
se aprendía por asociación. A través de la experiencia con pares
de palabras, los hablantes esperaban oírlas una a continua
ción de la otra. En Estructuras sintácticas, publicado en 1957
Noam Chomsky propuso una teoría completamente distinta. Se
gún Chomsky, los modelos conductistas del aprendizaje no
podían dar cuenta de la capacidad generativa del lenguaje, es
decir, del hecho de que los hablantes puedan producir y com
prender una cantidad infinita de oraciones. Es probable qu
nunca hayamos oído este enunciado: "Cecilia llegó a la facu'
tad en un camello violeta". Sin embargo, podemos decodificar
sin ningún problema.
De acuerdo con la concepción chomskiana del lenguaje,'
capacidad de hablar y de entender lo que se dice es produc
de una gramática compleja, un sistema de reglas de cuyo con(
cimiento no somos conscientes. Cuando empiezan afiarmarel'
pasado de los verbos en inglés, los niños tienden a usar la de
sinencia regular, "-ed", sin tener conciencia de que están apli-
cando una regla del tipo de si quiero usar un verbo para deno-
tar una acción en el pasado, ENTONCES tengo que agregarle "-ed"
al verbo. Los niños de menos de 5 años sobregeneralizan la regla
y la aplican también a verbos irregulares (es decir, a excepcio-
nes), de modo que producen formas como "goed" en lugar de
"wenf y"bringed" en lugar de"brought'\r (1999) explica
que las reglas del tipo de la de formación del pasado son un com-
ponente fundamental de la capacidad de producción y com-
prensión lingüísticas. Taatgen y Anderson (2002) utilizan el sis-
tema A C T para modelizar la adquisición del pasado de los verbos
en inglés. Akmajian et al. (2001), por su parte, presentan reglas
que se aplican a otros aspectos del lenguaje. Por ejemplo, la regla
RtüLAS I 89
morfológica que permite formar un sustantivo que signifique
"agente" a partir de un verbo agregando el sufijo "-or": de "escri-
bir" obtenemos "escritor"; de "actuar", "actor"; y así sucesiva-
mente. Los autores también muestran reglas fonológicas, tales
como las que nos indican qué alófono del fonema /d/ debemos
usar los hablantes de español en cada contexto. (Si pronuncia-
mos la palabra "dedo" en voz alta, notaremos la diferencia entre
los dos alófonos.) Y por último, están las reglas sintácticas, como
las que nos permiten formular preguntas o introducir la nega-
ción, entre otras.
La teoría de Chomsky ha sido tan influyente como polémica.
En el capítulo 7 presentaremos la concepción conexionista, según
la cual el lenguaje no está formado por reglas sino por asociacio-
nes más laxas representadas por pesos entre distintas unida-
des. Además de la cuestión de si la mejor representación del len-
guaje son las reglas, está el debate en torno de la hipótesis del
lunatismo. ¿Es el lenguaje algo innato o adquirido? Chomsky
sigue siendo fiel a la idea de que los seres humanos nacemos con
una gramática universal innata. Un tanto alejado de sus pri-
meras formulaciones teóricas, según las cuales los niños adqui-
rían la capacidad de usar el lenguaje en forma abductiva, por
medio de hipótesis sobre qué reglas se aplican a la lengua par-
ticular que hablan quienes los rodean (Chomsky, 1972), hoy en
día sostiene que la adquisición del lenguaje consiste en el reco-
nocimiento automático de un conjunto finito de parámetros y
de su configuración particular para una lengua determinada
(Chomsky, 1988). Todas las lenguas tienen verbos, sustantivos,
adjetivos y preposiciones. Pero el japonés, por ejemplo, no tiene
artículos como los del español, de modo que los niños que apren-
den japonés como primera lengua configuran la gramática uni-
versal con la que nacen de una manera distinta de como lo hacen
los niños del mundo hispanoparlante. En sus trabajos más recien-
90 I LA MfNTE
tes, Chomsky (2002) pone en duda su concepción de la gramá-
tica como un sistema de reglas.
PLAUSIBILIDAD PSICOLÓGICA
De todos los enfoques computacionales-representacionales pre-
sentados en este libro, los sistemas de reglas son los que han
tenido, sin lugar a dudas, la mayor cantidad de aplicaciones psi-
cológicas. Es imposible repasarlas todas en una sección tan breve
como ésta, de modo que me Umitaré a mostrar las formas más
comunes de recurrir a sistemas de reglas para dar cuenta del
pensamiento.
Newell (1990) ha mostrado las aplicaciones del modelo S O A R
en una enorme cantidad de fenómenos psicológicos. Por ejem-
plo, en la resolución de problemas criptoaritméticos, que son
problemas en los que los números se sustituyen por letras (Newell
y Simón, 1972). Dado el enunciado DONALD + GERALD = ROBERT,
hay que reemplazar cada letra por un número distinto del o al
9 para que la ecuación sea correcta. Las reglas son muy útiles
para resolver problemas como éste, que se representa con más
claridad de la siguiente forma (como el algoritmo que suele
usarse para las sumas):
DONALD
-I-
GERALD
ROBERT
¿Cómo podemos empezar a resolver el problema? Podríamos
advertir que, en la segunda columna partiendo de la izquierda,
REGLAS I 91
O sumada a £ da O. Eso podría llevarnos a pensar en una regla
así: SI se suma cero (0) a un número, ENTONCES el número no cam-
bia. De la aplicación de esa regla podemos concluir que E es 0.
Luego, si observamos la cuarta columna, advertimos que A+A
= O, de manera que A tiene que ser 5. Sin embargo, optar por
este tipo de razonamiento puede complicarnos la existencia, por-
que en él se presupone que no nos llevamos nada de la columna
de la derecha ( L L = R,Y N + R = B ) . Conclusión: R debe ser
el doble de L y un número lo suficientemente pequeño para que
no tengamos que llevarnos nada cuando lo sumamos a N. En
nuestra forma habitual de hacer sumas, el llevarse algo de una
columna a otra implica la regla si los dígitos que se suman dan 10
o más, ENTONCES hay que escribir sólo el segundo dígito y llevarse
el primero a la siguiente columna a la izquierda. Así, hay otro valor
posible para £: si £ = 9, entonces O + E = O, siempre y cuando
nos llevemos un dígito de la columna N + R = B . Con este punto
de partida y sus consecuencias, más las reglas de adición y arras-
tre que conocemos, más el conocimiento de reglas adicionales
como SI un dígito aparece en la primera columna de un número,
ENTONCES ese dígito no es cero (0), podemos llegar a la respuesta
(no sin esfuerzo, claro está). Con el sistema S O A R se pueden mode-
lizar distintos aspectos de este tipo de razonamiento utilizando
un conjunto de operadores que asignan valores numéricos a los
dígitos y constatan que los resultados no sean contradictorios.
El sistema S O A R se ha utilizado también para modelizar otros
tipos de razonamiento de orden superior; por ejemplo, el que
se utiliza para hacer inferencias a partir de enunciados como
"Algunos arqueros no son lanzadores" o "Todos los remeros son
lanzadores". El sistema no recurre ni a la lógica mental ni a los
modelos mentales, los dos enfoques para la deducción presen-
tados en el capítulo 2, sino a una búsqueda dentro de un uni-
verso de inferencias posibles, hasta que llega a la conclusión de
92 I U MENTE
que "Algunos arqueros son remeros". Desde el punto de vista
lógico, esta conclusión no es válida, pero el enfoque cognitivo
de la deducción se centra en cómo razonamos los seres huma- i
nos, de modo que incluye los errores que cometemos. ^ perciben los cambios del mundo físico: si un auto choca contra
Nev/ell también utiliza el sistema S O A R para dar cuenta de
varios aspectos del aprendizaje y en especial de la ley de poten-
cias de la práctica, según la cual la tasa de aprendizaje dismi-
nuye cuanto más se sabe. Esta ley se aplica a muchas tareas,
como escribir con un teclado o aprender a escribir las letras al I
revés, tal como se ven en un espejo. Las agrupaciones de inforrl
mación que realiza el sistema S O A R permiten explicar por qué
la velocidad del aprendizaje disminuye cuanta más experien-:
cia tenemos en una determinada tarea. Cuando comenzamos
a practicar, vamos integrando información con rapidez, y i
medida que construimos bloques de información se incrementó-
la velocidad de la práctica. Por ejemplo, cuando aprendemos a
usar un teclado para escribir, al principio progresamos rápido
tanto en velocidad como en precisión. Sin embargo, cuanto i
mayores son los bloques de información que vamos constru-rJ
yendo, menos útiles se vuelven, pues las situaciones en las que'
podemos aplicarlos son cada vez menos frecuentes. Así, la tasa
de aprendizaje de un sistema de reglas se desacelera con la prác-
tica, como sucede con el aprendizaje de los seres humanos.
Holland etal. (1986) utilizan sistemas de reglas para explicar
muchos tipos diferentes de aprendizaje. Por ejemplo, el condi-
cionamiento en roedores (la capacidad de evitar una descarga
eléctrica) puede explicarse conjeturando que una parte del apren-
dizaje con reglas consiste en ajustar la fuerza de las reglas que se
utilizan. Cada vez que una rata baja una palanca para obtener
comida, la regla si bajo la palanca, ENTONCES obtengo comida se
fortalece. Por el contrario, si al bajar la palanca la rata recibe
una descarga eléctrica, se generala regla sí bajo la palanca, ENTON-
REGLAS I 93
CES recibo una descarga eléctrica, y eso lleva al roedor a dejar de
accionar la palanca. Las reglas también pueden usarse para des-
cribir los modelos mentales dinámicos con los que las personas
un poste, ENTONCES el poste se abolla. De hecho, la capacidad y las
limitaciones de los seres humanos para manejarse en el mundo
físico y en el entorno social también pueden explicarse con reglas.
Una vez que adquirimos un estereotipo, por ejemplo, lo aplica-
mos en todas las situaciones posibles, incluso en más de lo que
corresponde.
Crowley y Siegler (1993) han demostrado que las variaciones
en la capacidad de los niños para jugar al ta-te-ti o juego del
tres en raya pueden entenderse en términos de la adquisición
de reglas sobre qué movimientos está permitido hacer, suma-
das al conocimiento estratégico de qué regla aplicar en cada
momento. A continuación mostramos algunos ejemplos de
reglas para jugar al ta-te-ti:
Jugada ganadora: si hay una fila, columna o diagonal con dos pie-
zas mías y un espacio en blanco, ENTONCES tengo que utilizar el
espacio en blanco para ganar.
Bloqueo de la fínea del oponente: si hay una fila, columna o
diagonal con dos piezas de mi rival y un espacio en blanco, ENTON-
CES tengo que utilizar el espacio en blanco para evitar que com-
plete su línea.
Jugada inicial: si el casillero del centro está vacío, ENTONCES me
conviene ocuparlo.
Jugada importante: si un casillero de una esquina está vacío,
ENTONCES me conviene ocuparlo.
En la figura 3.1 se muestra un juego de ta-te-ti empezado en el -
que puede aplicarse cualquiera de las cuatro reglas presenta-
94 I LA MENTE
Figura 3.1. Aplicación de las reglas del ta-te-ti o juego del tres en raya.
El turno del jugador que utiliza cruces se corresponde con los
condicionales de cuatro reglas: la jugada ganadora (casillero del ángulo
superior izquierdo), la jugada de bloqueo (casillero del ángulo inferior
derecho), la jugada inicial (casillero central) y la jugada importante
(casillero del ángulo superior izquierdo o del á n g u l o inferior derecho).
Adaptado de Crowley y Siegler (1993: 537), con autorización.
••i
das. La capacidad de jugar este juego mejora a medida que se
adquieren reglas de este tipo y se establecen prioridades adecua-
das para su aplicación. Muchos niños en edad preescolar no han
incorporado la regla de bloqueo y otros la tienen pero la apli-
can incluso cuando podrían aplicar una que les permitiera ganar.
Los sistemas de reglas se han utilizado también para dar cuenta
de la adquisición y el uso del lenguaje. Anderson (1983) describe
el conocimiento de la lengua inglesa en términos de reglas como
la siguiente (versión simplificada):
SI mi objetivo es comunicar una estructura de significado de la
forma [relación, agente, objeto], ENTONCES tengo que establecer
como objetivos parciales
1. describir al agente
2. describir la relación
3. describir el objeto.
KbGLAS I 95
Con otras reglas se muestra cómo lograr los objetivos parciales
para llegar a una oración completa como "El niño lanzó la pelota",
en la que un agente hace algo a un objeto. Anderson (1993) pre-
senta unas cuantas aplicaciones de este sistema de reglas A C T
en la adquisición de capacidades tales como la resolución de
problemas geométricos o la programación informática. Hay
muchísimos ejemplos que muestran la correspondencia entre
el desempeño de los sistemas de reglas y la conducta de los
seres humanos cuando piensan.
PLAUSIBILIDAD NEUROLÓGICA
Entre las reglas y las neuronas puede trazarse una analogía
un tanto burda, en tanto la sinapsis puede expresarse en una
regla: si una neurona se activa, ENTONCES provoca la activación
de la neurona con la que está conectada. Sin embargo, se trata
de una similitud superficial, pues en realidad poco se sabe de
cómo se implementan las reglas en el cerebro. Anderson (1993)
presenta un bosquejo de implementación neuronal de reglas
en el sistema A C T . También ha habido intentos de implemen-
tar sistemas de reglas simples en redes neuronales artificiales
(capítulo 7). Más recientemente, Anderson et al. (2004) rela-
cionan la nueva versión del sistema A C T , denominada A C T - R ,
con áreas específicas del cerebro. Partiendo de tomografías
cerebrales de sujetos durante la resolución de problemas, los
autores infieren que las reglas de producción se aplican en los
ganglios básales, un conjunto de núcleos que se hallan dentro
de la materia blanca de la corteza cerebral. También afirman
que los hechos que se corresponden con las reglas están alma-
cenados en un conjunto de memorias intermedias en la cor-
96 I LA MENTE
teza prefrontal. Así, el A C T , que se originó como un modelo
puramente cognitivo, se ha convertido también en un modelo
neurológico. El capítulo 9 del presente libro está dedicado al
estudio del cerebro, las técnicas de diagnóstico por imagen y
los modelos neurológicos.
APLICABILIDAD PRÁCTICA i la configuración de computadoras hasta la exploración petro-
Si el aprendizaje consiste en la adquisición de reglas, uno de los
objetivos de la educación tendrá que ser ayudar a los estudian--
tes a mejorar esa capacidad. Anderson (1993) presenta muchas
aplicaciones de sistemas A C T basados en reglas en el ámbito
educativo, que incluyen la programación de computadoras, la
edición de textos y las pruebas geométricas. De hecho, los sis4
temas de reglas se han utilizado no sólo para modelizar el des-
empeño de los alumnos sino también para crear tutores artifi*^
cíales que los ayudan en el proceso de aprendizaje.
En ingeniería y campos relacionados, el diseño puede enten-
derse en términos de reglas. Newell (1990) presenta una ver-
sión de S O A R que crea algoritmos informáticos valiéndose de
operadores que generan y ponen a prueba especificaciones del
programa para realizar búsquedas dentro de un universo de
posibles algoritmos. Newell y sus colaboradores también se\
han ocupado de la utilidad de ver a los usuarios de computa^i
doras como sistemas de reglas para diseñar máquinas que sean
fáciles de usar (Card, Moran y Newell, 1983). En la actualidad
se está incorporando el sistema S O A R a juegos como el Quake'.
para lograr que los oponentes de los usuarios se comporten
como humanos (Laird, 2001). Los personajes de los juegos sue-
len tener muy poca flexibilidad; con el sistema S O A R puede.
REGLAS I 97
dotárselos de una parte de la compleja capacidad de tomar
decisiones gracias a la cual los jugadores de carne y hueso son
tan eficaces.
La mayoría de los sistemas expertos que se utilizan en el
gobierno y la industria son sistemas de reglas. De hecho, éstos
fueron los primeros sistemas inteligentes que se crearon (Bucha-
nan y Shorüiffe, 1984; Feigenbaum, McCorduck y Nii, 1988). El
conocimiento especializado de muchos ámbitos distintos, desde
lera, puede expresarse por medio de reglas. Algunos ejemplos de
sistemas expertos basados en reglas aparecen en las actas del deci-
monoveno congreso de innovaciones en inteligencia artificial
aplicada (e incluso en ediciones anteriores), publicadas por A A A I
Press. Langley y Simón (1995) ofrecen una buena cantidad de
ejemplos de aplicaciones industriales de programas informáti-
cos que generan reglas a partir de ejemplos. Entre ellas se inclu-
yen el control de procesos químicos, la toma de decisiones finan-
cieras y el diagnóstico de aparatos mecánicos.
RESUMEN
Gran parte del conocimiento humano puede representarse ade-
cuadamente por medio de reglas, y muchos tipos de pensamiento
(la planificación, por ejemplo) pueden modelizarse utüizando
sistemas de reglas. El esquema explicativo para los sistemas de
reglas sería el siguiente:
Objetivo de la explicación
¿Por qué las personas presentan un tipo particular de conducta
inteligente?
98 I LA MENTE
Modelo explicativo
Las personas tienen reglas mentales.
Las personas cuentan con un conjunto de procedimientos para
la aplicación de las reglas dentro de un universo de posibles solu-
ciones y con otro conjunto de procedimientos para la generación
de nuevas reglas.
La aplicación de esos procedimientos para la utilización y gene-
ración de reglas da origen a la conducta.
Los modelos computacionales basados en reglas han dado ori-
gen a simulaciones muy detalladas de una enorme cantidad de
procesos psicológicos, desde la resolución de problemas crip-
toaritméticos o la adquisición de determinadas habilidades hasta
el uso del lenguaje. Los sistemas de reglas también han tenido
utilidad práctica en la mejora de la enseñanza y el desarrollo
de sistemas artificiales inteligentes.
P R E G U N T A S PARA PENSAR
1. ¿Qué áreas del conocimiento pueden describirse con mayor
facilidad por medio de reglas?
2. ¿Qué áreas del conocimiento son más difíciles de explicar uti-
lizando reglas?
3. ¿Cuáles son las principales diferencias entre los sistemas de
reglas y los sistemas lógicos presentados en el capítulo 2?
4. ¿Cómo podrían aplicarse las reglas en el cerebro?
5. El conocimiento del lenguaje, ¿es innato o adquirido?
REGLAS I 99
LECTURAS RECOMENDADAS
Fuentes clásicas sobre la mente como sistema de reglas: Newell
y Simón (1972), Newell (1990); Anderson (1983,1993).
Enfoques de distintos tipos de aprendizaje a partir de siste-
mas de reglas: Holland etal. (1986).
Utilización de reglas en el razonamiento: Smith, Langston y
Nisbett (1992); Nisbett (1993).
Teoría chomskiana del lenguaje e importancia de las reglas en
el conocimiento lingüístico: Pinker (1994).
Carácter innato de la conducta humana en general: Pinker (2002).
Polémica en torno de la hipótesis del innatismo: Elman etal.
(1996); Quartz y Sejnowski (2002).
SITIOS W E B
Página web del sistema A C T en la Universidad Carnegie Mellon:
<http://act-r.psy.cmu.edu/>
Portal de John Anderson: <http://act-r.psy.cmu.edu/
people/ja/>
Portal de Stephen Pinker: <http://pinker.wjh.harvard.edu/>
Página web del sistema S O A R en la Universidad de Michigan:
< http://sitemaker. umich.edu/soar >
NOTAS
Los enfoques que no están basados en reglas también pueden
describirse en términos de búsqueda, pero históricamente ese
100 I lA MENTE

tipo de descripción ha estado asociado con los sistemas de reglas.

La metáfora de la biisqueda es adecuada para los problemas bien
definidos en los que pueden especificarse los estados y los ope-
radores, pero es mucho menos clara en los problemas en los que
una determinada tarea implica el aprendizaje de nuevas repre-
sentaciones y operadores.
Una definición más técnica de la ley de potencias de la prác-
tica es la siguiente: "si el logaritmo del tiempo de reacción para
una tarea se gráfica en función del logaritmo del número de inten-
tos prácticos, el resultado es una recta con pendiente negativa".