Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Dermot Barnes-Holmes1 & Martin Finn1 & Ciara McEnteggart1 & Yvonne Barnes-Holmes1
Resumen
Palabras claves: relaciones de estímulo derivadas. Teoría del marco relacional. Lenguaje
Humano. Cognición
Argumentar que el análisis del comportamiento ha desarrollado un enfoque hacia el lenguaje y
la cognición humana podría considerarse paradójico. Estos dos conceptos generalmente se
perciben como inherentemente mentalistas; por lo tanto, el análisis del comportamiento, que
es explícitamente monista, seguramente no puede proporcionar una explicación científica de
tales fenómenos. Estamos de acuerdo con esta visión cuando el lenguaje y la cognición se
tratan como conceptos mentalistas. Por ejemplo, si una instancia determinada del lenguaje
humano se considera como un reflejo o captura de un evento mental (es decir, una cognición)
que representa la comprensión de un individuo del mundo externo, el análisis del
comportamiento tendría poco o nada que decir al respecto (consultar a De Houwer, 2017, para
una discusión detallada reciente sobre la relación entre el análisis del comportamiento y la
psicología cognitiva, con un enfoque en la investigación de relaciones de estímulos). Sin
embargo, si tratamos el lenguaje y la cognición como dominios o áreas mal definidos del
comportamiento humano que pueden someterse a análisis funcional monista, no vemos
ninguna razón para objetar el uso de los términos per se (ver a Hayes, 1984).
La pregunta que queda, por supuesto, es cómo someter los comportamientos que típicamente
asociamos con el lenguaje y la cognición humana a un análisis funcional sistemático. Una
respuesta obvia y directa a esta pregunta no surgió inmediatamente en la historia de la
disciplina, pero argumentaremos que el estudio de las relaciones de estímulos y las relaciones
de estímulos derivadas en particular, proporcionaron un avance importante en este sentido. En
otras palabras, cuando se definieron las relaciones de estímulos derivadas como unidades
centrales funcionales-analíticas del lenguaje y la cognición humana, quedó claro todo un rango
de posibilidades para la investigación básica y aplicada. Al hacer este argumento, no estamos
sugiriendo que el concepto de relaciones de estímulos derivadas sea la única forma en que el
análisis del comportamiento puede o debe estudiar y explicar el lenguaje y la cognición
humana. Más bien, simplemente estamos sugiriendo que el concepto se ha demostrado ser
particularmente útil en este sentido.
Antes de continuar, debemos enfatizar que lo que presentamos no pretende ser una revisión
histórica completa y completamente equilibrada de la historia de la investigación analítica del
comportamiento básico sobre el lenguaje y la cognición humanos. En cambio, lo que
ofrecemos es una perspectiva particular sobre cómo el estudio de las relaciones de estímulo
derivadas ha facilitado y mejorado el estudio del comportamiento del lenguaje y la cognición
humanos, particularmente durante los últimos 25 a 30 años.
El Comportamiento Verbal de Skinner, el Control Instruccional y la Insensibilidad a los
programas: Los Primeros Inicios de un Enfoque Funcional hacia el Lenguaje y la Cognición
Humana
La extensión clave del trabajo sobre la equivalencia de estímulos llegó en forma de teoría del
marco relacional (RFT; Hayes, 1991; Hayes et al., 2001). En concreto, la teoría argumentó que la
equivalencia de estímulos puede considerarse un operante relacional generalizado y que
muchas clases diferentes de dichos operantes son posibles y de hecho comunes en el lenguaje
humano natural. Según esta perspectiva, la exposición a una historia extendida de ejemplos
relevantes reforzados sirve para establecer patrones particulares de unidades de respuesta
relacional generalizada (operantes), definidas como marcos relacionales (Barnes-Holmes y
Barnes-Holmes, 2000). Por ejemplo, es probable que un niño pequeño esté expuesto a
contingencias directas de refuerzo por parte de la comunidad verbal al señalar al perro de la
familia al escuchar la palabra "perro" o el nombre específico del perro (por ejemplo, Rover) y
emitir otras respuestas de denominación apropiadas, como decir "Rover" o "perro" cuando se
observe a la mascota de la familia o decir "Rover" cuando se le pregunte "¿Cuál es el nombre
del perro?". A lo largo de muchos ejemplos similares que involucran otros estímulos y
contextos, eventualmente se establece la clase operante de coordinación de estímulos de esta
manera, de modo que ya no se requiere refuerzo directo para todos los componentes
individuales de la denominación cuando se encuentran estímulos nuevos. Imagina, por
ejemplo, que se le muestra al niño una imagen de un oso hormiguero y la palabra escrita y se le
dice su nombre. Posteriormente, el niño puede decir "Eso es un oso hormiguero" cuando se le
presente una imagen relevante o la palabra sin ninguna indicación o refuerzo directo para
hacerlo. En otras palabras, una vez que se establece la respuesta relacional generalizada de
coordinar estímulos pictóricos, estímulos hablados y palabras escritas, el refuerzo directo de un
subconjunto de los comportamientos relacionantes genera "espontáneamente" el conjunto
completo. Es crucial destacar que, una vez que se ha establecido este patrón de respuesta
relacional, la respuesta relacional generalizada puede aplicarse a cualquier estímulo dado
indicios contextuales apropiados.
Las señales contextuales se consideraron, por lo tanto, que funcionaban como discriminativos
para patrones específicos de respuesta relacional. Las señales adquirían sus funciones a través
de los tipos de historias descritas anteriormente. Así, por ejemplo, la frase "eso es un" en "Eso
es un perro" se establecería a través de ejemplos como una señal contextual para el patrón
completo de respuesta relacional (por ejemplo, coordinando la palabra "perro" con perros
reales). De manera similar, frases como "eso no es un", "eso es más grande que" o "eso es más
rápido que" se establecerían a través de ejemplos como señales para otros patrones (o marcos)
de respuesta relacional. Una vez que se establecen las funciones relacionales de tales señales
contextuales en el repertorio conductual de un niño pequeño, la cantidad de estímulos que
pueden entrar en dichas clases de respuesta relacional se vuelve casi infinita.
Las señales contextuales también se consideran críticas para controlar las funciones
conductuales de los estímulos que se evocan en cualquier instancia en la que los estímulos
estén relacionados. Por ejemplo, la palabra "perro" puede evocar diferentes respuestas en un
niño si se le pregunta "¿Cómo se ve tu perro?" en comparación con "¿A qué huele tu perro?"
En la teoría del marco relacional, por lo tanto, dos clases amplias de señales contextuales están
involucradas en cualquier instancia de enmarcado relacional: una clase controla el tipo de
relación (por ejemplo, equivalencia) y la otra señal controla las funciones conductuales
específicas de los estímulos que se evocan durante el acto de relacionar; estas dos clases de
señales contextuales se denominan Crel y Cfunc, respectivamente.
Según la teoría del marco relacional, muchas de las funciones de los estímulos que
encontramos en el entorno natural pueden parecer relativamente básicas o simples, pero han
adquirido esas propiedades debido, al menos en parte, a una historia de enmarcado relacional.
Incluso una simple tendencia a orientarse más fuertemente hacia un estímulo que hacia otro
en su campo visual puede estar basada en el enmarcado relacional. Identificar el nombre de tu
ciudad natal o ciudad en una lista aleatoria de nombres de lugares puede ocurrir más
rápidamente o con más fuerza porque se coordina con otros estímulos que controlan funciones
de orientación sólidas (por ejemplo, los numerosos estímulos muy familiares que constituyen
tu ciudad natal). Tales funciones pueden definirse como propiedades de Cfunc porque son
ejemplos de funciones específicas de estímulos (es decir, orientación) que se adquieren en
función de (pero son diferentes de) las relaciones implicadas entre los estímulos relevantes.
Después de la exposición inicial de la teoría del marco relacional, las décadas de 1990 y 2000
vieron un período de investigación demostrativa diseñada para probar sus suposiciones básicas
e ideas centrales. Algunas de estas investigaciones iniciales mostraron que el enmarcado
relacional, o la respuesta relacional arbitrariamente aplicable (AARRing, por sus siglas en
inglés), como proceso, puede manifestarse en varios patrones distintos. Estos patrones,
denominados estructuras relacionales (por ejemplo, coordinación, oposición, distinción,
comparación, estructuras espaciales, estructuras temporales, relaciones deícticas y relaciones
jerárquicas), se demostraron en numerosos estudios experimentales (ver Hughes y Barnes-
Holmes, 2016a, para una revisión reciente), y algunas investigaciones también informaron
demostraciones confiables de la propiedad de la transformación de funciones (por ejemplo,
Dougher, Hamilton, Fink y Harrington, 2007; Dymond y Barnes, 1995; Roche y Barnes, 1997).
Además, la investigación demostró que el enmarcado relacional se podía observar utilizando
una variedad de procedimientos (por ejemplo, Barnes, Smeets y Leader, 1996), lo que indica
que el fenómeno no estaba vinculado a preparaciones experimentales o modos de instrucción
particulares, siempre que los elementos funcionales clave estuvieran presentes. También
surgieron pruebas empíricas para respaldar el argumento de que la exposición a múltiples
ejemplares durante el desarrollo temprano del lenguaje es necesaria para establecer
estructuras relacionales específicas (por ejemplo, Barnes-Holmes, Barnes-Holmes, Smeets,
Strand y Friman, 2004; Lipkens, Hayes y Hayes, 1993; Luciano, Becerra y Valverde, 2007). Por lo
tanto, la argumentación de que las estructuras relacionales pueden considerarse como
operantes relacionales generales (es decir, establecidos mediante múltiples ejemplares
apropiados) ganó considerable aceptación (ver Barnes-Holmes y Barnes-Holmes, 2000; Healy,
Barnes-Holmes y Smeets, 2000).
En el texto seminal sobre RFT, también se utilizó la unidad operante básica de la estructura
relacional para proporcionar explicaciones funcionales-analíticas de dominios específicos del
lenguaje y la cognición humana, y el comportamiento gobernado por reglas fue uno de estos
dominios (Barnes-Holmes, ’Hora, Roche, Hayes, Bissett y Lyddy, 2001). Según RFT, una regla o
instrucción puede considerarse una red de estructuras relacionales que generalmente
involucran coordinación y relaciones temporales con señales contextuales que transforman
funciones conductuales específicas. Tomemos como ejemplo esta instrucción simple: "Si el
semáforo está en verde, entonces avanza". Esta regla implica estructuras de coordinación entre
las palabras "semáforo", "verde" y "avanza" y los eventos reales a los que se refieren. Además,
las palabras "si" y "entonces" funcionan como señales contextuales para establecer una
relación temporal entre el semáforo en verde y el acto de avanzar (es decir, primero el
semáforo en verde, luego avanzar). La red relacional transforma las funciones del propio
semáforo en verde, de modo que ahora controla el acto de "avanzar" cada vez que un
individuo que ha recibido la regla observa que se enciende la luz verde.
En este punto, podríamos continuar brindando muchos ejemplos de cómo RFT se ha utilizado
para proporcionar explicaciones funcionales y enfoques a varios dominios en psicología,
incluyendo inteligencia, cognición implícita, prejuicio, y otros (ver Hughes y Barnes-Holmes,
2016b). Sin embargo, a un nivel más general, puede ser útil considerar un marco conceptual
propuesto recientemente que destaca el potencial de RFT para analizar una clase de
comportamiento llamada AARRing y construir análisis cada vez más complejos del lenguaje y la
cognición humana en términos puramente funcionales. Específicamente, los investigadores
han propuesto recientemente lo que describen como un marco multidimensional y multilevel
(MDML) para analizar AARRing (Barnes-Holmes, Barnes-Holmes, Hussey y Luciano, 2016).
Según este marco, AARRing puede ser conceptualizado como desarrollándose en un sentido
amplio desde (a) la implicación mutua hasta (b) redes simples involucradas en marcos, hasta (c)
redes más complejas involucradas en reglas e instrucciones, hasta (d) la relación de relaciones
involucradas en el razonamiento analógico y finalmente hasta (e) la relación de redes
relacionales, que generalmente está involucrada en la resolución de problemas complejos. Al
identificar estos niveles de desarrollo relacional, el marco MDML no está indicando que sean
"etapas" rígidas o invariables. Más bien, los niveles inferiores (por ejemplo, la implicación
mutua) se consideran como conteniendo patrones de AARRing que pueden proporcionar un
contexto histórico importante para los patrones de AARRing que ocurren en los niveles
superiores (por ejemplo, el enmarcado relacional). En general, los diferentes niveles se basan
en una combinación de supuestos bien establecidos dentro de RFT y, cuando es posible,
evidencia empírica. El marco también conceptualiza cada uno de estos niveles como teniendo
múltiples dimensiones: coherencia, complejidad, derivación y flexibilidad. Se considera que
cada uno de los niveles se intersecta con cada una de las dimensiones, lo que da como
resultado un marco que consta de 20 unidades de análisis para conceptualizar y estudiar la
dinámica de AARRing en el laboratorio y en entornos naturales (consulte la Tabla 1 para
obtener una descripción general de la estructura del marco MDML).
Una breve descripción de cada una de las cuatro dimensiones es la siguiente. La coherencia se
refiere a la medida en que AARRing es generalmente predecible en función de historias previas
de refuerzo. Por ejemplo, la afirmación "Un ratón es más grande que un elefante" típicamente
se consideraría carente de coherencia con las redes relacionales que operan en la comunidad
verbal más amplia. Sin embargo, cabe señalar que dicha afirmación puede considerarse
coherente en ciertos contextos (por ejemplo, cuando se juega un juego de "todo lo contrario").
La complejidad se refiere al nivel de detalle o densidad de un patrón particular de AARRing.
Como ejemplo simple, la relación mutuamente implicada de coordinación puede considerarse
menos compleja que la relación mutuamente implicada de comparación porque la primera
involucra solo un tipo de relación (por ejemplo, si A es igual a B, entonces B es igual a A), sin
embargo, este último implica dos tipos de relaciones (si A es más grande que B, entonces B es
más pequeño que A). La derivación se refiere a cuán bien practicada se ha vuelto una instancia
particular de AARRing. Específicamente, cuando se deriva un patrón de AARRing por primera
vez, por definición, es altamente derivado (es decir, novedoso o emergente), y la derivación
disminuye a medida que ese patrón se practica más. La flexibilidad se refiere al grado en que
una instancia determinada de AARRing puede ser modificada por las variables contextuales
actuales. Imagina a un niño pequeño al que se le pide que responda incorrectamente a la
pregunta "¿Cuál es más grande, un ratón o un elefante?" Cuanto más fácilmente logre esto,
más flexible será el AARRing.
Aunque el marco MDML puede parecer abrumador al principio, es importante apreciar que el
objetivo del marco es simplemente hacer explícito lo que los investigadores básicos en RFT han
estado haciendo implícitamente desde que la teoría se sometió por primera vez a análisis
experimental. Es decir, cuando un investigador básico en RFT realiza un estudio, a menudo
combina al menos uno de los niveles con una o más dimensiones del marco MDML. Incluso en
un estudio simple sobre relaciones de equivalencia, el investigador selecciona un nivel (por
ejemplo, implicación mutua o simetría) y luego debe especificar cuántas pruebas se utilizarán
para evaluar las relaciones de simetría implicadas (por ejemplo, 10) y cuántas pruebas deben
ser "correctas" para definir el desempeño como implicación mutua (por ejemplo, 8/10). En
efecto, se ha especificado el número de oportunidades para derivar las relaciones implicadas
(es decir, 10), y también se determina el número de respuestas que deben ser consecuente con
las relaciones (es decir, 8). En este punto, por lo tanto, se ha invocado el nivel y dos de las
dimensiones del marco MDML. Si se introducen relaciones distintas de la simetría en el estudio
o se utilizan formas programadas de control contextual, también se manipula la complejidad
relacional. Además, si el investigador intenta cambiar los desempeños en las pruebas de alguna
manera (por ejemplo, alterando el entrenamiento de línea de base), también se evalúa la
flexibilidad relacional en los desempeños de prueba originales.
Como se mencionó anteriormente, los investigadores de RFT y, hasta cierto punto, los
investigadores de equivalencia de estímulos antes que ellos, han estado haciendo este tipo de
trabajo durante décadas. Por lo tanto, el marco MDML simplemente hace que estos
comportamientos científicos sean más explícitos al situarlos en un marco que especifica 20
intersecciones entre los niveles ampliamente reconocidos de desarrollo relacional identificados
en RFT y las dimensiones bien establecidas a lo largo de las cuales se han estudiado o podrían
estudiarse los niveles.
En este punto, es importante enfatizar que las 20 intersecciones identificadas dentro del marco
MDML especifican las unidades de análisis experimental, no los niveles ni las dimensiones en
sí. Por ejemplo, aunque es posible afirmar que la implicación mutua es la relación bidireccional
entre dos estímulos, la implicación mutua solo puede analizarse experimentalmente al
especificar una o más dimensiones. Como se mencionó anteriormente, la relación probada
debe ser consecuente de alguna manera preespecificada con la relación entrenada (por
ejemplo, si A es más grande que B, entonces B será más pequeño que A), y se debe especificar
el número de respuestas relacionales derivadas (por ejemplo, un participante debe producir al
menos 8 de 10 respuestas que indiquen que B es realmente más pequeño que A en ausencia
de refuerzo programado, indicación o retroalimentación adicional).
Un tratamiento detallado del marco MDML está fuera del alcance de este artículo. Sin
embargo, el punto crítico a tener en cuenta es que RFT se puede utilizar para generar un marco
conceptual que comienza con una unidad de análisis científica muy simple o básica: la relación
de estímulo derivada mutuamente implicada. Desde una perspectiva de RFT, esta unidad no es
sinónimo de denominación en un sentido casual o informal de ese término, sino que se
considera intrínseca en un análisis psicológico de la denominación como un acto en contexto.
En otras palabras, el concepto de implicación mutua sugiere que aprender a nombrar
probablemente involucra, entre otras cosas, los procesos relacionales que definen la unidad de
implicación mutua en sí misma. Lo que agrega el marco MDML a este análisis conceptual es un
marco para considerar las dimensiones clave a lo largo de las cuales la implicación mutua como
proceso conductual puede variar (por ejemplo, las respuestas mutuamente implicadas pueden
variar en términos de coherencia, complejidad, derivación y flexibilidad). Además, el marco
MDML enfatiza que pueden evolucionar unidades de análisis más complejas a partir de la
implicación mutua, como las redes relacionales simples involucradas en los marcos
relacionales, redes más complejas que involucran combinaciones de marcos, la relación de
marcos relacionales a marcos relacionales y, en última instancia, la relación de redes
relacionales complejas completas con otras redes relacionales complejas. Y en cada caso, estos
diferentes niveles de AARRing pueden variar a lo largo de las cuatro dimensiones mencionadas
anteriormente y quizás incluso otras que aún deben ser identificadas.
Cuando se ve a RFT a través del marco MDML, su potencial para ayudar a los investigadores a
analizar las complejidades y dinámicas del lenguaje y la cognición humanos puede hacerse
evidente. De la misma manera que la implicación mutua proporciona un enfoque puramente
relacional para comprender la denominación como un proceso del lenguaje, los conceptos de
marcos, redes, relaciones de relación y relaciones relacionales proporcionan análisis
puramente relacionales de fenómenos del lenguaje humano cada vez más complejos. Como se
mencionó anteriormente, por ejemplo, el concepto de relaciones de relación parece ser
relevante para, si no sinónimo de, el razonamiento analógico. Del mismo modo, las redes
relacionales relacionales pueden ser relevantes para contar y comprender historias complejas
(Stewart, Barnes-Holmes, Hayes y Lipkens, 2001).
Una forma en que los investigadores típicamente evalúan esa fortaleza es midiendo cuánto
tiempo lleva que el operante se extinga cuando se termina la contingencia de refuerzo (entre
presionar la palanca y obtener pellets de comida). En efecto, cuanto más tiempo tarde el
proceso de extinción, se puede considerar que la clase de respuesta operante es más fuerte.
La investigación básica de RFT sobre AARRing no parecía tener una forma inmediatamente
obvia de evaluar la fuerza relativa utilizando procedimientos de extinción. Un problema clave
es que el AARRing, por definición, implica comportamiento que emerge y puede persistir en
ausencia de refuerzo directo para respuestas particulares debido a que las contingencias son
extremadamente molares en su naturaleza. En otras palabras, los operantes generalizados
involucrados en muchos marcos relacionales tienen historias de refuerzo relativamente largas,
que se remontan al aprendizaje temprano del lenguaje. Utilizar procedimientos simples de
extinción en el contexto de una sesión experimental de 1 hora, por ejemplo, no proporcionaría
una medida realista de la fuerza de esos operantes bien establecidos. Además, las respuestas
relacionales individuales a menudo forman parte de redes relacionales más grandes, por lo que
intentar extinguir esas respuestas puede ser infructuoso debido a que se mantienen en función
de su coherencia con la red más amplia. Admitidamente, algunos estudios sobre AARRing
examinaron en qué medida era posible reorganizar los patrones de respuesta relacional que se
habían establecido en el laboratorio, como manipular relaciones mutuamente entrelazadas de
manera independiente de las relaciones combinatorias entrelazadas (por ejemplo, Healy et al.,
2000; véase también Pilgrim y Galizio, 1995). Este trabajo podría verse, por tanto, como
relevante para la cuestión de la fuerza relativa de la respuesta. Sin embargo, este trabajo
también tendía a centrarse en la naturaleza dicotómica de los marcos relacionales, ya que
buscaba establecer nuevos patrones (reorganizados) que estuvieran presentes o ausentes al
final de los procedimientos de entrenamiento y evaluación.
En los años siguientes a la publicación del libro de RFT de Hayes et al. (2001), se hizo cada vez
más evidente la necesidad de desarrollar procedimientos que pudieran, en principio,
proporcionar una medida de la respuesta relacional que fuera no dicotómica. La respuesta
inicial a esta necesidad o brecha tecnológica fue el desarrollo de lo que se conoció como el
Procedimiento de Evaluación Relacional Implícita (IRAP, por sus siglas en inglés).
La inspiración inicial para el desarrollo del IRAP fue la pregunta: ¿Cómo podemos capturar los
marcos relacionales en movimiento? O, en otras palabras, ¿cómo podemos medir la
probabilidad de patrones específicos de AARRing, especialmente aquellos patrones que
ocurren con frecuencia en el entorno natural?
En el desarrollo del IRAP, se combinaron dos metodologías separadas. La primera de ellas fue
un procedimiento basado en RFT para entrenar y evaluar múltiples relaciones entre estímulos,
el Procedimiento de Evaluación Relacional (REP, por sus siglas en inglés), y la segunda fue la
Prueba de Asociación Implícita (IAT, por sus siglas en inglés). Esta última había sido desarrollada
por investigadores de la cognición social como un método para medir lo que ellos
conceptualizan como fuerzas asociativas en la memoria (Greenwald, McGhee y Schwartz,
1998). Sin embargo, cuando se combinaron las dos medidas en el IRAP, se conceptualizó como
un procedimiento para medir la fuerza o probabilidad de AARRing (Barnes-Holmes, Hayden,
Barnes-Holmes y Stewart, 2008). Sin embargo, debido en parte a su estrecha conexión con el
IAT, la investigación con el IRAP rápidamente se vio dominada por estudios centrados en
actitudes implícitas y cognición implícita en general. De hecho, el enfoque en la cognición
implícita probablemente se vio reforzado por el relativo éxito que el IRAP alcanzó en este
ámbito (véase Vahey, Nicholson y Barnes-Holmes, 2015). La historia del IRAP, por lo tanto,
proporciona un excelente ejemplo de cómo el intento de desarrollar un procedimiento para
estudiar la dinámica de las relaciones de estímulos derivados condujo casi inexorablemente a
un programa de investigación analítico-conductual sobre la cognición humana (implícita).
Vale la pena considerar cómo el IRAP busca proporcionar una medida de la fuerza relativa de
las relaciones de estímulos derivados. El IRAP es una tarea basada en computadora en la que
una persona responde a una serie de pantallas que contienen estímulos que serían definidos
como verbales por RFT (es decir, estímulos que han adquirido sus funciones basándose, al
menos en parte, en una historia de AARRing; Hayes et al., 2001). Los estímulos de etiqueta,
como "flor" e "insecto", aparecen en la parte superior de la pantalla (ver Fig. 1). Los estímulos
objetivo, como "agradable", "bueno", "desagradable" y "malo", aparecen en el centro de la
pantalla. En cada ensayo, se proporcionan dos opciones de respuesta que especifican
relaciones particulares entre los estímulos de etiqueta y los estímulos objetivo. Por ejemplo,
"flor" y "agradable" podrían aparecer en un ensayo dado con las opciones de respuesta
verdadero y falso, y en este caso se requeriría que los participantes confirmen (elijan
verdadero) o nieguen (elijan falso) que las flores son agradables.
Al considerar los tipos de efectos que se han obtenido en el IRAP, los investigadores
conductuales a menudo se han referido a las BIRRs, que se emiten relativamente rápido dentro
de una ventana de tiempo corta después del inicio de los estímulos presentados en cualquier
ensayo del IRAP.
En contraste, las EERRs son más complejas y se considera que se emiten más lentamente;
como tal, ocurren durante un período de tiempo más largo (Barnes-Holmes et al., 2010;
Hughes, Barnes-Holmes y Vahey, 2012). La distinción entre BIRRs y EERRs se formalizó por
primera vez en el contexto del modelo de elaboración y coherencia relacional (REC, por sus
siglas en inglés), que se presentó como un enfoque inicial de la RFT para la cognición implícita
(Barnes-Holmes et al., 2010; Hughes et al., 2012). La idea básica detrás del modelo es que los
tipos de efectos observados en el IRAP, e incluso en otras medidas implícitas, se deben a que la
tarea se dirige a BIRRs en lugar de EERRs. Por ejemplo, el hecho de que el IRAP requiera que los
participantes respondan relativamente rápido en cada ensayo, casi por definición, obliga al
participante a emitir un BIRR. La fuerza relativa o probabilidad de este BIRR se considera como
una función de la historia conductual del participante con respecto a estímulos funcionalmente
similares en la historia de ese participante. Imagina, por ejemplo, a una persona blanca que ha
residido exclusivamente en vecindarios blancos, no tiene amigos ni familiares no blancos y ha
sido expuesta a muchas imágenes de los medios de comunicación de personas negras como
traficantes de drogas violentos y miembros de pandillas de la ciudad. Cuando se le presenta un
IRAP que muestra imágenes de hombres negros llevando armas, es probable, según el modelo
REC, que los BIRRs de confirmar que los hombres negros son "peligrosos" y "criminales" sean
más probables que negar tales relaciones. Como resultado, es posible que el participante
responda más rápidamente en el IRAP cuando se le solicite confirmar, en lugar de negar, que
un hombre negro llevando un arma es peligroso (ver Barnes-Holmes, Murphy, Barnes-Holmes y
Stewart, 2010). En efecto, un sesgo racial anti-negro puede ser revelado por el IRAP. En
contraste, dicho sesgo podría estar ausente si se le pidiera al mismo participante que calificara
las imágenes de los hombres negros del IRAP sin restricciones de tiempo para hacerlo. El
modelo REC predice la falta de sesgo racial en este último contexto al apelar a las EERRs, que
ocurren dado el tiempo suficiente para que un individuo responda de acuerdo con una red
relacionalmente coherente. En el contexto del ejemplo actual, es posible que el participante no
informe ningún BIRR inicial que involucre percibir las imágenes de hombres negros como
"peligrosos" en base a una respuesta relacional adicional, como "Es incorrecto discriminar por
raza" y "No soy racista". En general, por lo tanto, el modelo REC intenta explicar la aparición de
sesgos de respuesta específicos en el IRAP argumentando que el procedimiento tiende a
revelar BIRRs en lugar de EERRs.
Limitaciones del Modelo REC: los Inicios de una Explicación más Sofisticada del IRAP
Al concluir que el IRAP revela BIRRs en lugar de EERRs, el modelo REC asume que esto se aplica,
con aproximadamente la misma fuerza, a los cuatro tipos de ensayo (ver Fig. 1). Imagina, por
ejemplo, un IRAP que buscara evaluar las probabilidades de respuesta de cuatro relaciones
verbales bien establecidas relacionadas con estímulos no valentes como formas y colores. A lo
largo de los ensayos, los dos estímulos de etiqueta, color y forma, podrían presentarse con
palabras objetivo que consistieran en colores específicos (rojo, verde y azul) y formas
(cuadrado, círculo y triángulo). Como tal, el IRAP implicaría presentar cuatro tipos de ensayo
diferentes que podrían designarse como (a) color-color, (b) color-forma, (c) forma-color y (d)
forma-forma. Durante un IRAP de formas y colores, se requeriría que los participantes
respondieran de manera consistente con sus historias preexperimentales durante algunos
bloques de ensayos: (a) color-color-verdadero, (b) color-forma-falso, (c) forma-color-falso y (d)
forma-forma-verdadero. En otros bloques de ensayos, los participantes tendrían que responder
de manera inconsistente con esas historias: (a) color-color-falso, (b) color-forma-verdadero, (c)
forma-color-verdadero y (d) forma-forma-falso. Por lo tanto, al calcular los efectos de los cuatro
tipos de ensayo, restando las latencias de respuesta de los bloques de ensayos consistentes con
la historia de los bloques de ensayos inconsistentes, se esperaría ver cuatro efectos de tipo de
ensayo aproximadamente iguales. En otras palabras, las puntuaciones de diferencia para cada
uno de los cuatro tipos de ensayo deberían ser ampliamente similares. Sin embargo, de
manera crítica, los patrones de las puntuaciones de diferencia de tipo de ensayo obtenidas con
el IRAP a menudo difieren en los cuatro tipos de ensayo (por ejemplo, Finn, Barnes-Holmes,
Hussey y Graddy, 2016).
El modelo REC siempre permitió el impacto potencial de las funciones de las opciones de
respuesta en el desempeño del IRAP. Por ejemplo, Barnes-Holmes et al. (2010) señalaron que
"es posible... que un sesgo hacia responder 'Verdadero' en lugar de 'Falso', per se, interactuara
con las... relaciones de estímulos presentadas en el IRAP" (p. 62). Como tal, se podría esperar
observar diferencias mayores en las latencias de respuesta para los tipos de ensayo que
requerían una respuesta verdadera en lugar de una falsa durante los bloques consistentes con
la historia de los ensayos. En el caso del mencionado IRAP de formas y colores, por lo tanto, se
podrían observar efectos del IRAP más grandes para los tipos de ensayo color-color y forma-
forma en comparación con los otros dos tipos de ensayo (es decir, color-forma y forma-color).
El modelo REC no predice que los efectos del IRAP para los tipos de ensayo color-color y forma-
forma difieran (porque ambos requieren elegir la misma opción de respuesta dentro de los
bloques de ensayos), pero de hecho, nuestras investigaciones, tanto publicadas como inéditas,
han mostrado que sí difieren (por ejemplo, Finn et al., 2016, Experimento 3). Específicamente,
hemos encontrado lo que llamamos un "efecto de dominio de un solo tipo de ensayo" para el
tipo de ensayo color-color, es decir, el tamaño de la puntuación de diferencia para este tipo de
ensayo a menudo es significativamente mayor que para el tipo de ensayo forma-forma. Este
hallazgo nos ha llevado a proponer un modelo actualizado de la respuesta relacional que
observamos típicamente en el IRAP, que posteriormente describiremos brevemente. Una
descripción completa del modelo y sus implicaciones para la investigación utilizando el IRAP
está fuera del alcance de este artículo (pero ver Finn, Barnes-Holmes y McEnteggart, 2017). Sin
embargo, consideraremos el modelo aquí simplemente para resaltar cómo un enfoque
continuo en las relaciones de estímulos derivados sigue contribuyendo a un enfoque
conductual-analítico de la lengua humana y la cognición (específicamente las variables sutiles
involucradas en patrones relativamente simples de respuesta relacional).
Al intentar explicar el efecto de dominio de un solo tipo de ensayo para el IRAP de formas y
colores, es importante señalar en primer lugar que las palabras de color que utilizamos en
nuestra investigación ocurren con frecuencias relativamente altas en el lenguaje natural en
comparación con las palabras de forma (Keuleers, Diependaele y Brysbaert, 2010). Por lo tanto,
asumimos que las palabras de color evocan respuestas de orientación relativamente fuertes en
comparación con las palabras de forma (porque las primeras ocurren con mayor frecuencia en
el lenguaje natural). O, de manera más informal, los participantes pueden experimentar un tipo
de respuesta confirmatoria a los estímulos de color que es más fuerte que para los estímulos
de forma. Críticamente, es probable que exista una respuesta confirmatoria funcionalmente
similar para la opción de respuesta verdadera en comparación con la opción de respuesta falsa
(porque la opción verdadera a menudo funciona como una respuesta confirmatoria en el
lenguaje natural). Un alto nivel de superposición funcional, o lo que definimos como
coherencia, surge así en el tipo de ensayo color-color entre las funciones de orientación de los
estímulos de etiqueta y objetivo y la opción de respuesta verdadera. Durante los bloques
consistentes, esta coherencia también es consistente con la respuesta relacional que se
requiere entre los estímulos de etiqueta y objetivo (por ejemplo, color-rojo-verdadero). En este
sentido, durante los bloques consistentes, este tipo de ensayo se podría definir como que
implica un nivel máximo de coherencia porque todas las respuestas a los estímulos, tanto de
orientación como relacionales, son confirmatorias. Durante los bloques inconsistentes, sin
embargo, se les exige a los participantes que elijan la opción de respuesta falsa, la cual no se
coherencia con ninguna de las otras respuestas orientadoras o relacionales en ese tipo de
prueba, y esta diferencia de coherencia entre bloques de pruebas produce diferencias
relativamente grandes en los puntajes. El modelo que hemos desarrollado para explicar el
efecto de dominancia de un solo tipo de prueba, y una variedad de otros efectos observados
con el IRAP, se llama modelo de efectos diferenciales de respuestas relacionales
arbitrariamente aplicables (DAARRE, por sus siglas en inglés) (pronunciado "dare").
Desarrollaremos el modelo a continuación.
Una suposición fundamental del modelo DAARRE es que los efectos diferenciales entre los
tipos de pruebas pueden explicarse por la medida en que las propiedades de Cfunc y Crel de
los estímulos contenidos en un IRAP son consecuentes con las propiedades específicas de las
opciones de respuesta a lo largo de los bloques de pruebas. Las opciones de respuesta, como
verdadero y falso, se denominan indicadores de coherencia relacional (RCIs, por sus siglas en
inglés) porque a menudo se utilizan para indicar la coherencia o incoherencia entre la etiqueta
y los estímulos objetivo que se presentan en un IRAP (consultar Maloney y Barnes-Holmes,
2016, para obtener un tratamiento detallado de los RCIs). El modelo básico de DAARRE, tal
como se aplica al IRAP de formas y colores, se presenta en la Figura 2.
En línea con la sugerencia anterior de que los estímulos relacionados con el color
probablemente poseen funciones orientadoras más fuertes en comparación con los estímulos
relacionados con la forma (basado en frecuencias diferenciales en el lenguaje natural), la
propiedad Cfunc para los colores se etiqueta como positiva y la propiedad Cfunc para las
formas se etiqueta como negativa. La etiqueta negativa para las formas no indica una función
orientadora negativa, sino simplemente una función orientadora más débil que la de los
colores. La etiqueta de las relaciones entre la etiqueta y los estímulos objetivo indica en qué
medida se coheren o no se coheren basándose en la historia relevante del participante. Por lo
tanto, una relación color-color se etiqueta con un signo más (es decir, coherencia), mientras
que una relación color-forma se etiqueta con un signo menos (es decir, incoherencia).
Finalmente, las dos opciones de respuesta se etiquetan con un signo más o menos para indicar
su función como indicadores de coherencia o incoherencia. En el ejemplo actual, verdadero (+)
se usaría típicamente en el lenguaje natural para indicar coherencia y falso (-) para indicar
incoherencia. Sin embargo, es importante tener en cuenta que estas y todas las demás
funciones etiquetadas en la Figura 2 son determinadas conductualmente por la historia
contextual pasada y actual del participante, y no deben considerarse absolutas o inherentes en
los estímulos mismos.
Como se muestra en la Figura 2, cada tipo de prueba difiere en su patrón de Cfuncs y Crels en
términos de propiedades positivas y negativas que definen el tipo de prueba para el IRAP de
formas y colores. El efecto de dominancia de un solo tipo de prueba para el tipo de prueba
color-color puede explicarse, como se mencionó anteriormente, por el modelo DAARRE en
función de la medida en que las propiedades Cfunc y Crel se coheren con las propiedades RCI
de las opciones de respuesta a lo largo de los bloques de pruebas. Para apreciar esta
explicación, se observa que las propiedades Cfunc y Crel para el tipo de prueba color-color
están todas etiquetadas con signos positivos; además, el RCI que se considera correcto para las
pruebas consistentes con la historia también está etiquetado con un signo positivo (es la única
instancia de cuatro signos positivos en el diagrama). En este caso, por lo tanto, según el
modelo, este tipo de prueba puede considerarse máximamente coherente durante las pruebas
consistentes con la historia. En contraste, durante las pruebas inconsistentes con la historia, no
hay coherencia entre el RCI requerido (signo negativo) y las propiedades de Cfunc y Crel (todos
signos positivos). Según el modelo DAARRE, este marcado contraste en los niveles de
coherencia entre los bloques de pruebas produce un efecto relativamente grande en el IRAP.
Ahora consideremos el tipo de prueba forma-forma, que requiere que los participantes elijan el
mismo RCI que en el tipo de prueba color-color durante las pruebas consistentes con la
historia, pero aquí la propiedad del RCI (signos positivos) no se coherencia con las propiedades
Cfunc de la etiqueta y los estímulos objetivo (ambos signos negativos). Durante las pruebas
inconsistentes con la historia, el RCI se coherencia con la propiedad Cfunc pero no con la
propiedad Crel (signo positivo). Por lo tanto, las diferencias en coherencia entre las pruebas
consistentes con la historia y las pruebas inconsistentes con la historia en estos dos tipos de
prueba no son iguales (es decir, la diferencia es mayor para el tipo de prueba color-color) y, por
lo tanto, favorecen el efecto de dominancia de un solo tipo de prueba (para color-color).
Finalmente, como se puede ver en la Figura 2 para los otros dos tipos de prueba restantes
(color-forma y forma-color), las diferencias en coherencia entre los bloques consistentes con la
historia y los bloques inconsistentes con la historia se reducen en comparación con el tipo de
prueba color-color (dos signos positivos en lugar de cuatro), lo que nuevamente respalda el
efecto de dominancia de un solo tipo de prueba.
Apenas estamos empezando a explorar las implicaciones completas del modelo DAARRE para
una variedad de efectos que hemos observado con el IRAP. Por ejemplo, el modelo puede
ayudar a explicar el efecto de ciertos tipos de instrucciones previas al bloque en el rendimiento
del IRAP, como informaron Finn y otros (2016), aunque los procesos involucrados parecen ser
bastante complejos (consultar Finn y otros, 2017). Además, el modelo DAARRE se vuelve cada
vez más complejo cuando están involucradas múltiples propiedades de Cfunc (por ejemplo,
funciones orientadoras frente a funciones evaluativas). Por ejemplo, si se presentan imágenes
de cachorros y arañas en un IRAP, es posible que los primeros posean funciones orientadoras
relativamente fuertes, pero las últimas pueden tener funciones evaluativas (negativas)
relativamente fuertes. Si y cuando esto ocurra, complica el modelo, pero hace algunas
predicciones precisas que actualmente estamos probando en estudios de laboratorio. En
cualquier caso, el punto principal en el contexto actual es que centrarse en el estudio de las
relaciones de estímulo derivadas a través de una amplia gama de procedimientos continúa
generando tratamientos conductuales cada vez más sofisticados de muchos fenómenos
asociados con el lenguaje y la cognición humana.
Conclusión
Referencias