Traducido del inglés al español - www.onlinedoctranslator.

com

Diseño de experimentos de aprendizaje de categorías probabilísticas: el prototipo probabilístico

tarea de distorsión

Nicolás Marchant ( nicolasmarchant@alumnos.uai.cl )

Centro de Neurociencia Social y Cognitiva, Facultad de Psicología, Universidad Adolfo Ibáñez.
AV. Presidente Errázuriz, 3328, Las Condes, Santiago de Chile.

Sergio E. Chaigneau ( sergio.chaigneau@uai.cl )

Centro de Neurociencia Social y Cognitiva, Facultad de Psicología, Universidad Adolfo Ibáñez.
AV. Presidente Errázuriz, 3328, Las Condes, Santiago de Chile.

Abstracto categoría A y otras no lo son (tarea A no-A), o que ciertas combinaciones

Muchos experimentos de aprendizaje de categorías utilizan el
aprendizaje supervisado (es decir, retroalimentación de ensayo por
ensayo). La mayoría de esos procedimientos utilizan
retroalimentación determinista, enseñando a los participantes a
clasificar ejemplos en categorías consistentes (es decir, el estímuloI
siempre está clasificado en categoría k). Aunque algunos
investigadores sugieren que es más probable que las condiciones
naturales de aprendizaje sean inconsistentes, la literatura que utiliza
la retroalimentación probabilística en experimentos de aprendizaje
por categorías es escasa. Nuestro análisis de la literatura sugiere
que parte de la razón de esta escasez es una relativa falta de
flexibilidad de los paradigmas y procedimientos actuales para
diseñar experimentos de retroalimentación probabilística. El trabajo
que presentamos aquí ofrece un paradigma novedoso (la tarea de
distorsión de prototipos probabilísticos) que permite a los
investigadores una mayor flexibilidad al crear experimentos con
diferentes probabilidades p (categoría | característica), y también
permite manipular paramétricamente la cantidad de aleatoriedad en
una tarea experimental. En el trabajo actual, ofrecemos un
procedimiento detallado, implementación, resultados
experimentales y discusión de este novedoso procedimiento.
son miembros de la categoría A y otras de la categoría B (tarea A o B).
Después del entrenamiento, se evalúa a los sujetos para determinar su
desempeño en la clasificación (aunque también son posibles otras
variables dependientes). En la mayoría de los casos, los sujetos reciben
retroalimentación correctiva durante el entrenamiento.
El tipo más común de retroalimentación en los experimentos de
aprendizaje de categorías es la retroalimentación determinista (DF;
Ashby y Ell, 2001; Nosofsky, Palmeri y McKinley, 1994). En DF, cada
combinación de funciones siempre es miembro de una de las
categorías. En consecuencia, el rendimiento de los sujetos aumenta
durante el entrenamiento hacia algún nivel de rendimiento
asintótico. La retroalimentación probabilística (FP) se ha utilizado con
mucha menos frecuencia (Ashby y Gott, 1988; Gluck y Bower, 1988;
Knowlton, Squire y Gluck, 1994; Little y Lewandowsky, 2009; Meeter,
Radics, Gluck y Hopkins, 2008). En PF, cada combinación de
características pertenece a una categoría con una probabilidad
menor a 1.0.
La justificación del trabajo actual es doble. En primer lugar, es probable que las condiciones
naturales de aprendizaje integren la retroalimentación de diferentes fuentes, por lo que la FP puede ser

Palabras clave: Aprendizaje de categorías; Retroalimentación más representativa de los entornos naturales de aprendizaje (Little y Lewandowsky, 2009; Meeter, et al.,

probabilística; Categorización perceptual; Diseños experimentales 2008; Lagnado, Newell, Kahan y Shanks, 2006 ). DF asume un maestro perfecto, y las condiciones

naturales probablemente sean más como PF, donde la señal de enseñanza puede ser inconsistente (por

Introducción ejemplo, un maestro impreciso). En segundo lugar, al menos algunos hallazgos empíricos en el

aprendizaje de categorías pueden estar condicionados al DF. Por ejemplo, las correlaciones entre
En el trabajo actual, presentamos un método para desarrollar experimentos de
características durante mucho tiempo se han considerado una parte importante de las
aprendizaje de categorías con retroalimentación probabilística, lo que permite a un
representaciones conceptuales (Hoffman y Rehder, 2010; Ell, Smith, Peralta y Hélie, 2017). En general,
investigador estipular de manera flexible las fortalezas de asociación de categoría a
se acepta que los sujetos en los experimentos de aprendizaje de categorías tienden a no aprender las
característica y, al mismo tiempo, controlar fácilmente la asociación de categoría a
correlaciones entre características. Para que se aprendan las correlaciones entre características, se
ejemplo completo (es decir, combinación de características). En el experimento
deben utilizar tareas de inferencia (Chin-Parker y Ross, 2002; Yamauchi, Love y Markman, 2002). Sin
reportado, usamos nuestro método para capacitar a los sujetos y mostrar que los
embargo, cuando se ha utilizado PF con procedimientos de clasificación, se ha encontrado evidencia de
participantes aprenden según lo predicho, lo que sugiere que el método puede usarse
que los sujetos aprenden correlaciones entre características (Little & Lewandowsky, 2009). En
en casi cualquier tarea de aprendizaje de categorías con retroalimentación
consecuencia, es posible que los fenómenos de categorización que se descubren mediante el uso de DF
probabilística.
no se generalicen en condiciones de FP. Dadas estas preocupaciones, el PF debería usarse de manera
En el aprendizaje de categorías, un procedimiento común es crear
más amplia. Se ha encontrado evidencia de que los sujetos aprenden correlaciones entre características
estímulos combinando características con valores binarios. En general,
(Little & Lewandowsky, 2009). En consecuencia, es posible que los fenómenos de categorización que se
connorte características, es posible crear 2norte estímulos que abarcan
descubren mediante el uso de DF no se generalicen en condiciones de FP. Dadas estas preocupaciones,
todas las combinaciones posibles de características (ver Ashby & Valentin,
el PF debería usarse de manera más amplia. Se ha encontrado evidencia de que los sujetos aprenden
2018). Cada estímulo o ejemplar es, por tanto, una combinación particular
correlaciones entre características (Little & Lewandowsky, 2009). En consecuencia, es posible que los
de características en uno de sus dos posibles estados (Posner y Keele,
fenómenos de categorización que se descubren mediante el uso de DF no se generalicen en
1968; Reed, 1972). En los experimentos de aprendizaje por categorías, los
condiciones de FP. Dadas estas preocupaciones, el PF debería usarse de manera más amplia.
participantes suelen ser entrenados con todos los estímulos posibles
(pero a veces solo con un subconjunto; Medin y Schaffer, 1978). Pueden
aprender que ciertas combinaciones son miembros de

161
 Sospechamos que la relativa falta de investigación en el Método
aprendizaje de categorías que utiliza FP se debe a las dificultades
que los investigadores pueden experimentar si intentan diseñar Participantes
experimentos de FP. Al observar los experimentos de Little y
Treinta y seis estudiantes de pregrado (27 mujeres) de 18 a 37 años
Lewandowsky (2009), es evidente que tomaron su condición de
(media = 20,11, Dakota del Sur = 3.21), consentimiento informado
DF y la convirtieron en una condición de FP simplemente
firmado para participar en el experimento para obtener crédito del
cambiando las probabilidades de cada ejemplo o combinación
curso. Los participantes fueron asignados al azar a una de las tres
de características. En contraste con el uso de probabilidades 1 y
condiciones experimentales (AB, BC y CA, doce participantes en cada
0, en sus condiciones de FP una combinación de características
condición). El experimento duró aproximadamente 30 minutos.
perteneciente a la categoría A con p (A) = .75, pertenecía a la
categoría B con p (B) = .25. El principal problema con los
Diseño
procedimientos de Little y Lewandowsky es que permiten poca
Establecimos un experimento de diseño mixto de 3 (condición: AB,
flexibilidad al diseñar experimentos. Básicamente, las
BC y CA) x 3 (coeficiente de característica: A, B y C), siendo el último
probabilidades se asignan a combinaciones de características
un factor intra-sujetos. losDistorsión probabilística de prototipos La
completas y las probabilidades de características individuales
tarea (PPD) es una mezcla de tareas clásicas de distorsión de
solo se derivan. Para el control experimental,
prototipos (Posner y Keele, 1968; Casale y Ashby, 2008) con
retroalimentación probabilística. Como se discutió en la sección
Un procedimiento que podría utilizarse para dar FP
introductoria, existen algunos procedimientos de clasificación
es la tarea de predicción meteorológica (WP;
probabilística (por ejemplo, Knowlton, Mangels y Squire 1996; Gluck,
Knowlton, Squire y Gluck, 1994; Gluck, Shohamy y
Shohamy y Myers, 2002; Little y Lewandowsky, 2009; Kruschke y
Myers, 2002). En la tarea WP, a los sujetos se les
Johansen, 1999), pero son difíciles para implementar de manera
presentan combinaciones de naipes similares a las de
flexible. Hasta donde sabemos, no existe un procedimiento actual
la Prueba de clasificación de cartas de Wisconsin
que permita combinar de manera flexible las probabilidades de
(Monchi, Petrides, Petre, Worsley y Dagher, 2001), y
características (es decir, p (categoría | característica)) con la
tienen que aprender a usarlas para predecir el clima
probabilidad de combinación de características general (es decir, p
( es decir, lluvia o sol). Durante el entrenamiento, los
(combinación de categoría | característica)).
sujetos se presentan con combinaciones de tarjetas
El PPD asume un procedimiento prototipo “AB”, aunque también son
(es decir, 1, 2, 3 o 4 tarjetas). De manera problemática,
posibles otros procedimientos como “A-no A” o Inferencia. Como
para calcular la probabilidad del resultado (es decir,
cualquier otra tarea de prototipo de distorsión, se crean dos categorías
lluvia) dada cada carta individual, se debe elegir un
prototípicas: A y B. Como quedará claro a continuación, nuestros
conjunto muy específico de combinaciones de cartas y
estímulos están compuestos por tres características que tienen valores
de probabilidades de resultado. Como en los
binarios (1 o -1). El prototipo de categoría A se define mediante la
procedimientos de Little y Lewandowsky, aquí también
combinación "111" y el prototipo de categoría B se define mediante la
hay poca flexibilidad para que los investigadores
combinación de características "-1-1-1". Usando la codificación de efectos
seleccionen diferentes probabilidades de señales.
(ver Tabla 1), combinamos todos los estados de características posibles
para obtener un total de 8 ejemplos (23 = 8).

La cuestión de cómo diseñar experimentos con FP es lo que motiva el

Tabla 1: Codificación de efectos para cada característica con valor binario (F1,
trabajo actual. A continuación, presentamos una forma novedosa de
diseñar experimentos de aprendizaje de categorías de FP, que se pueden
F2 y F3) y todas las combinaciones ejemplares.
usar de manera flexible para determinar p (categoría | característica) y
para calcular fácilmente la probabilidad de combinaciones de Ejemplar F1 F2 F3
características (es decir, p (combinación de categoría | característica)) . El E1 1 1 1
método también permite introducir sesgos para una categoría E2 1 1 -1
determinada y crear estímulos que pasen gradualmente de E3 1 -1 1
completamente aleatorios a completamente deterministas. Aunque no E4 1 -1 -1
exploramos este tema en el trabajo actual, nuestros procedimientos E5 -1 1 1
novedosos permitirán a los investigadores estudiar las relaciones entre E6 -1 1 -1
características si desean introducirlas en su tarea. En el experimento que E7 -1 -1 1
informamos, mostramos que el método permite a los participantes E8 -1 -1 -1
aprender ponderaciones de características que son consistentes con la
informatividad relativa de las características que predicen el resultado de Lo novedoso de nuestro procedimiento es el uso de la ecuación de
la categoría. Por razones que se aclararán en breve, llamamos a este regresión logística para asignar probabilidades a ejemplares. Usando
paradigma elDistorsión probabilística de prototipos tarea (PPD). regresión logística, donde cada característica tiene un peso de
característica individual, podemos definir una probabilidad ejemplar
general para cada combinación de características donde p (combinación
de categoría | característica) se puede calcular como se muestra en la
ecuación. (1).

162
 categoría A en el 90% de los ensayos y de categoría B en el 10%
= 1⁄ 1+ − ( 0 + 1 1 + 2 2 + 3 3)
(1) restante de los ensayos. Esto significa que incluso si los sujetos han
aprendieron que el ejemplar E1 es probablemente un miembro de la
categoría A, continuarán recibiendo retroalimentación correctiva en el
dónde, C es un parámetro de sensibilidad, B0 es la constante de la ecuación y B1,
10% de los ensayos en los que el ejemplar E1 tiene que ser clasificado.
B2, y B3 son pesos de características. Creamos tres condiciones diferentes (AB,
Además, este procedimiento permite que cada característica individual se
BC y CA) que ponderaron de manera diferencial las características en cada
experimente en asociación con cada categoría como se especifica en la
combinación de características específicas. Por ejemplo, en la condición AB,
Tabla 2 y los diagnósticos de característica correspondientes. Para
característica A (F1) es la característica más diagnóstica (peso = 2,5), mientras
configurar cualquier experimento similar, todo lo que el investigador debe
que la característica B (F2) contribuye menos a la probabilidad de clasificación
hacer es especificar los pesos de las características.
(peso = 1), y finalmente presenta C (F3) no tiene ningún diagnóstico (peso = 0).
Debido a la naturaleza probabilística de la tarea, el desempeño
Esta misma lógica se aplica a las otras dos condiciones (BC y CA). Las
perfecto es imposible. El rendimiento óptimo está cerca del 77%. Esto
ponderaciones de características para cada condición se muestran en la Tabla 2.
significa que el rendimiento de clasificación óptimo sería posible si
Al usar la ecuación. (1) y las ponderaciones de características especificadas por
los sujetos solo usaran la característica ponderada igual a 2.5 e
el experimentador, las probabilidades para cada ejemplo (es decir, combinación
ignoraran por completo las otras dos. Como quedará claro en lo que
de características) se pueden calcular fácilmente (ver Tabla 3).
sigue, nuestros métodos de análisis de datos nos permitieron probar
si los sujetos de nuestro experimento recurrieron a dicha regla o
aprendieron los pesos de características especificados en su lugar.

Tabla 2: ponderaciones de características individuales (BI) para cada

Materiales y procedimientos
condición.
Creamos dos prototipos simbolos ceremoniales, similares a
característica Condición Condición Condición los utilizados en Hoffman y Rehder (2010) y en Rehder,
AB antes de Cristo California
Colner y Hoffman (2009). Los símbolos ceremoniales se
componen de tres círculos (cada uno cubre 9,62 cm2 en la
(A)F1 2.5 0 1
pantalla). Cada uno de ellos incluye uno de los dos posibles
(B)F2 1 2.5 0
símbolos (ver Fig. 1). Cada prototipo de categoría tenía una
(C)F3 0 1 2.5
combinación de símbolos particular. Los círculos
permanecieron en el mismo lugar durante toda la tarea, y los
Tabla 3: Probabilidad de clasificación a la categoría A para cada condición
símbolos de valor binario eran exclusivos de cada círculo. El
por cada ejemplar usando la ecuación. (1). La probabilidad de clasificación a
experimento se creó con PsychoPy v3 y se montó en línea a
la categoría B es 1 - p (A). Estas probabilidades se pueden utilizar para guiar
través del entorno Pavlovia (Peirce, Gray, Simpson, MacAskill,
cómo se proporciona la retroalimentación probabilística (ver
Höchenberger, Sogo, Kastman y Lindelov, 2019).
texto para más detalles).

Ejemplar Condición Condición Condición

AB p (A) BC p (A) CA p (A)
E1 0,9 0,9 0,9
E2 0,9 0,7 0,3
E3 0,7 0,3 0,9
E4 0,7 0,1 0,3
E5 0,3 0,9 0,7
E6 0,3 0,7 0,1
E7 0,1 0,3 0,7
E8 0,1 0,1 0,1

Finalmente, usamos el axioma de Luce (1962) para calcular la diagnosis

de características individuales (ver ecuación (2)). Por consiguiente, un
peso de característica igual a 2.5 tiene un diagnóstico de .77, un peso de
característica igual a 1 tiene un valor de diagnóstico de .59 y un peso de
característica igual a 0 tiene un diagnóstico de 0.5. Figura 1. Configuración completa del experimento. (A) Símbolo
ceremonial prototipo de la Familia Z. (B) Símbolo ceremonial prototipo
() (2) de la Familia M. Tenga en cuenta que se crean otros ejemplos
( | )=
[ ( ) + ( )] distorsionando estos dos prototipos. (C) Procedimiento
experimental, que se compone de dos fases: Entrenamiento (240
Es importante destacar que las probabilidades ejemplares en la Tabla 3 especifican ensayos) y Transfer (8 ensayos).
cómo se proporcionará la retroalimentación. Una probabilidad de 0.9 en la Tabla 3 le
dice al investigador que, por ejemplo, el ejemplar E1 será miembro de

163
 Como con cualquier tarea de prototipo de distorsión, el PPD involucra
dos fases: Entrenamiento y Transferencia (Fig. 1C). Durante el
entrenamiento, las personas tuvieron que clasificar si el ejemplar
presentado pertenecía a una de las dos categorías posibles: Familia Z (Fig.
1A) y Familia M (Fig. 1B). Las personas tenían que presionar la letra Z del
teclado si creían que el ejemplar pertenecía a la Familia Z o presionar la
letra M si creían que pertenecía a la Familia M. Durante la capacitación, se
proporcionaba retroalimentación prueba por prueba. Para respuestas
correctas, una palabra verde "correcta" apareció en la pantalla durante
1500 ms. Para las respuestas incorrectas, se presentó una palabra roja
"incorrecta". Los sujetos tenían solo 30 segundos para presionar un
botón, de lo contrario, aparecía un mensaje "demasiado lento" en la
pantalla. La fase de entrenamiento estuvo compuesta por 3 bloques con
80 ensayos cada uno, para un total de 240 ensayos. Una vez que los
sujetos completaron el entrenamiento, fueron trasladados a la fase de
transferencia. En la transferencia, los sujetos tenían que calificar los ocho
posibles ejemplos utilizando una escala de similitud. La escala varió de 1
(más similar a la familia Z) a 8 (más similar a la familia M), sin un punto
medio. Cada ejemplar se calificó solo una vez. Sin embargo, también son
posibles otros procedimientos como la generalización y las calificaciones
de pertenencia a categorías como medio para determinar qué es lo que
los sujetos aprendieron durante el entrenamiento.
Resultados
Resultados de entrenamiento: Los resultados de la fase de entrenamiento
revelaron que los participantes en la condición AB logran una precisión media
de .58 (SD = .06), .63 en la condición BC (SD = .08) y .62 en la condición CA (SD =
.07). En ninguna de las condiciones, los sujetos se acercaron al rendimiento
óptimo, ni mostraron signos de utilizar la característica más diagnóstica como
regla para la clasificación (consulte la sección de diseño). Es probable que esto
sea el resultado del procedimiento de FP, como se discutirá a continuación. Un
diseño factorial 3 (condiciones: AB, BC, CA) x 3 (bloques) siendo el último el
repetido
Figura 2. Probabilidad de clasificación de la categoría A (Familia Z) dada cada combinación ejemplar específica a través de bloques, mostrando
que para cada condición (AB, BC y CA) los sujetos aprendieron aproximadamente la p (A) de los ejemplares individuales. Cerrador
Mire a E8 muestra que este ejemplar está claramente clasificado en la categoría B (1 - p (A)).
164
factor de medida, reveló un efecto principal de bloqueo
(F(2,66) = 9,55, SRAe = .05, pag<.001, 2 pag = .22, potencia = .98), y un
interacción no significativa entre bloqueo y condición (pag> .05). Estos
resultados sugieren que hubo un efecto de aprendizaje a través de
bloques en todas las condiciones. Las comparaciones de contraste
revelaron una diferencia significativa entre el bloque 1 y el bloque
2 (F(1,33) = 9,99, SRAe = .12, pag= .003, 2 pag = .23, potencia = .87) y
una diferencia no significativa entre el bloque 2 y el bloque 3 (
pag> .05). Esto sugiere que en las tres condiciones el aprendizaje
ocurrió principalmente del bloque 1 al 2, y no parece que se
produjeran más cambios en el aprendizaje del bloque 2 al 3 (ver
Fig. 2).
Además, comparamos nuestras predicciones de clasificación dadas por
la ecuación. (1) con precisión de entrenamiento. Hicimos un promedio de
precisión en el bloque 3 para cada ejemplar en cada condición. Como
revela el análisis anterior, la mayoría de los sujetos habían aprendido el
criterio de clasificación por bloque 3. Como queríamos comparar dos
trayectorias lineales (la predicha y la observada), estimamos directamente
laR2 entre las respuestas observadas y pronosticadas (basadas en la
probabilidad promedio observada frente a la pronosticada para cada
ejemplo). Como muestra la figura 3, existe una clara tendencia a que los
sujetos en todas las condiciones aprendan la probabilidad de clasificación
ejemplar. En general, los accesorios son bastante buenos (para la
condición ABR2= .90, para la condición BC R2= .97, y para la condición CA R
2= .89). Sospechamos que un mayor número de bloques de entrenamiento
conduciría a un aumento significativo en los ajustes del modelo. Como se
discutirá en breve, nuestros resultados muestran que al proporcionar PF
como lo ilustra nuestro experimento, los sujetos pueden aprender a
clasificar cerca de lo que eq. (1) estipula. Esto sugiere que nuestros
procedimientos podrían, de hecho, usarse para diseñar de manera flexible
experimentos de FP fijando las probabilidades p (categoría |
característica) deseadas y derivando fácilmente otros valores
correspondientes de interés a partir de ese punto de partida.
 Figura 3. Probabilidad de clasificación en la categoría A para una combinación de características dada en cada condición (AB, BC y CA).
La línea punteada muestra las probabilidades predichas calculadas por la ecuación. (1) y en la Tabla 3. La línea continua muestra el tema promedio
datos en el bloque 3.
Analizar datos de transferencia
Para la transferencia de datos, implementamos regresiones múltiples
individualizadas (similar a Rehder y Hastie, 2001). Este método ha sido
utilizado en estudios de representación conceptual (Puebla & Chaigneau,
2014; Rehder, 2003) y permite obtener el peso relativo de característica
implícito en un conjunto de calificaciones de pertenencia a una categoría
o similitud. Para implementar la regresión múltiple individualizada en los
datos de transferencia, hacemos lo siguiente: Primero, se recopilaron las
calificaciones de similitud, como se describe en la sección Materiales y
procedimientos. En segundo lugar, utilizamos como predictores la
codificación del efecto que se muestra en la Tabla 1. El uso de estos
valores como predictores en una ecuación de regresión nos permite
predecir las calificaciones de similitud de un participante. Básicamente,
esto es posible porque durante la transferencia, los participantes califican
todas las combinaciones posibles de funciones, y porque estas
características son independientes entre sí por diseño (es decir, entre los
ejemplos, las características no están correlacionadas). Debido a que las
ecuaciones de regresión individualizadas producen coeficientes para
propiedades individuales, estos coeficientes de regresión se pueden usar
como puntos de datos individuales que reflejan, entre los participantes, la
contribución de cada variable de predicción a las calificaciones. Además, la
distribución de coeficientes entre los participantes se puede someter a
pruebas de significación.
Transferir resultados: Para la fase de transferencia implementamos
el método de regresión individualizado explicado anteriormente. Un
ANOVA mixto de medida repetida 3 (condición: AB, BC, CA) x 3
(coeficiente de característica: A, B, C), siendo el último el factor de
medida repetida que reveló un factor principal no significativo
efecto del coeficiente de característica (F(2,66) = 2,91, SRAe = 3,1, pag= .06,
pag =
2 .08, potencia = .55), pero una interacción significativa
(F(4,66) = 10,36, SRAe = 11,02, pag<.001, 2 pag = .39, potencia = .99).
165
Para dar seguimiento a esta interacción significativa, realizamos
ANOVA unidireccionales con coeficientes de características como
variables dependientes. Los ANOVA revelaron una diferencia
significativa para el coeficiente de característica A (F(2,33) = 6,33, SRA
e = 5,97, pag= .005), una diferencia significativa para el coeficiente de
característica B (F(2,33) = 4,50, SRAe = 4,77, pag= .019) y una
diferencia significativa para el coeficiente de característica C (F(2,33) =
12,17,SRAe = 11,96, pag<0,001). Las pruebas post-hoc que utilizan la
corrección de Bonferroni revelaron una diferencia significativa para
el coeficiente de característica A entre las condiciones AB y BC (pag=
.005), una diferencia significativa para el coeficiente de característica
B entre las condiciones BC y CA (pag= .024), y una diferencia
significativa para el coeficiente de característica C entre las
condiciones CA y AB (pag<.001) y entre CA y BC (pag= .001). Estas
pruebas post-hoc sugieren que los sujetos en cada condición se
estaban enfocando más en la característica relevante (fpeso= 2.5),
menos en la característica menos relevante (fpeso= 1) e ignorando por
completo la característica irrelevante (fpeso= 0). En otras palabras, los
sujetos en cada condición estaban aprendiendo la función de las
asociaciones de resultados (ver Fig. 4).
Para corroborar esta última hipótesis, colapsamos nuestros datos
por condición y reordenamos cada característica-coeficiente por su
peso. Luego, clasificamos nuestros coeficientes por sus pesos
individuales. Sometimos nuestras ponderaciones clasificadas a un
ANOVA de una vía con el valor del coeficiente como variable
dependiente. Encontramos una diferencia significativa en las
ponderaciones clasificadas (F(2.107) = 21,40, SRAe = 21,73, pag
<0,001). Las comparaciones planificadas revelaron una diferencia
significativa entre el peso 2.5 y el promedio entre el peso 1 y el peso
0 (t(105) = - 5,64,pag<0,001). Y una diferencia no significativa entre el
peso 1 y el peso 0 (t(105) = 1,47, pag= .146).

Figura 4. Ponderaciones de los coeficientes de regresión obtenidos
mediante el método de regresión múltiple individualizado en
transferir datos a través de condiciones experimentales.
Discusión
La mayoría de los experimentos de aprendizaje de categorías utilizan DF,
mientras que PF está subrepresentada. Sin embargo, podría decirse que PF no
solo es más representativo de las condiciones naturales de aprendizaje, sino
que también es posible que los resultados obtenidos con DF cambien cuando se
usa PF (p. Ej., Little & Lewandowsky, 2009).
En el trabajo actual, hemos argumentado que una posible razón que
explica por qué los investigadores no hacen un mayor uso de PF es que
los paradigmas actuales de PF no son lo suficientemente flexibles para
adaptarse a diferentes diseños (por ejemplo, la tarea de WP; Knowlton,
Squire y Gluck, 1994). Por el contrario, en el trabajo actual ofrecemos una
forma de diseñar experimentos de aprendizaje de categorías de FP que
permite lograr fácilmente cualquier diseño con las características de
probabilidad deseadas. El método que ilustra el experimento actual
permite diseñar ejemplares estableciendo desde el principio las
contribuciones relativas de cada característica y derivando probabilidades
de combinación de características (es decir, probabilidades de ejemplares
completos) a partir de esas contribuciones relativas. Además, al manipular
el parámetroC en eq. (1), se puede obtener una familia completa de
probabilidades ejemplares, todas ellas consistentes con las contribuciones
relativas de características deseadas.
En el trabajo actual hemos ilustrado el uso de la tarea PPD y mostrado
que las probabilidades de clasificación obtenidas se pueden utilizar para
guiar el FP de modo que los sujetos puedan aprender consistentemente
las clasificaciones deseadas. En la parte de aprendizaje de categorías de la
tarea, los sujetos no solo mostraron aprendizaje a través de bloques, sino
que también lograron desempeños de clasificación muy cercanos a los
implicados por el diseño de la tarea (Figuras 2 y 3). Durante la
transferencia, los sujetos proporcionaron evidencia de percibir los pesos
conceptuales de las características individuales en el patrón previsto por
nuestro diseño. Aunque solo la característica más diagnóstica mostró un
coeficiente de regresión estadísticamente más alto, el patrón de medias
exhibió el orden predicho (es decir,F1 > F2 > F3). El trabajo actual en nuestro
laboratorio está manipulando las fortalezas de las características para que
los sujetos proporcionen
166
evidencia de aprendizaje no sólo el patrón correcto de medias, sino
también el patrón correcto de diferencias estadísticas implícitas en el
diseño. Es importante destacar que el método PPD se puede utilizar para
variar paramétricamente diferentes aspectos de la tarea, de modo que se
puedan explorar muchos temas interesantes. Algunos de ellos se ofrecen
aquí. Esperamos que la tarea permita a los investigadores estimar cuánta
aleatoriedad hará inaprendible una tarea de clasificación y cuánto
determinismo lleva a los sujetos a desarrollar reglas de categorización
explícitas. Además, la tarea debería permitir a los investigadores obtener
evidencia convergente con una configuración experimental diferente, de
que la FP promueve el aprendizaje de la estructura interna de una
categoría, aunque los sujetos aprenden la categoría por clasificación en
contraste con aprenderla haciendo inferencias. Es más, nuestro diseño
experimental podría aplicarse a tareas con características no binarias. Al
discretizar características continuas ennorte niveles (donde norte > 2), es
trivial aplicar los mismos procedimientos aquí descritos, siendo la única
limitación el aumento del número total de ejemplares necesarios durante
el entrenamiento para cubrir todas las combinaciones posibles.
En resumen, la tarea de PPD podría permitir a los investigadores
diseñar de manera flexible experimentos de clasificación de FP más allá
de las alternativas existentes relativamente fijas, como la tarea de WP.
Creemos que esto es una contribución al modelado matemático en la
cognición, además de proporcionar nuevos conocimientos sobre el
aprendizaje y la categorización.
Declaración de ciencia abierta
Todos los datos están disponibles para descargar en Open Science
Framework (OSF): https://osf.io/x5269/
Reconocimiento
Esta investigación recibió apoyo financiero de una beca de
posgrado para el primer autor y una beca ANID / Fondecyt
1190006 para el segundo autor.
Referencias
Ashby, FG y Ell, SW (2001). La neurobiología de
aprendizaje de categoría humana. Tendencias en ciencias cognitivas,
5 (5), 204–210. https://doi.org/10.1016/S1364-
6613 (00) 01624-7
Ashby, FG y Gott, RE (1988). Reglas de decisión en el
Percepción y categorización de estímulos
multidimensionales. Journal of Experimental Psychology:
aprendizaje, memoria y cognición,14(1), 33–53.
https://doi.org/10.1037/0278-7393.14.1.33
Ashby, FG y Valentin, VV (2018). La categorización
Experimento: Diseño Experimental y Análisis de
Datos. Manual de Stevens de psicología
experimental y neurociencia cognitiva, 1-41.https://
doi.org/10.1002/9781119170174.epcn508Chin-
Parker, S. y Ross, BH (2002). El efecto de la categoría
aprender sobre la sensibilidad a las correlaciones dentro
de la categoría.Memoria y cognición,30(3), 353–362.
https://doi.org/10.3758/BF03194936
Ell, SW, Smith, DB, Peralta, G. y Hélie, S. (2017). los
impacto de la estructura de categorías y la metodología de formación en
 aprender y generalizar representaciones dentro de la
categoría.Atención, percepción y psicofísica, 79(6),
1777-1794. https://doi.org/10.3758/s13414-017-1345-2
Gluck, MA y Bower, GH (1988). De Acondicionamiento a
Categoría de aprendizaje: un modelo de red adaptable. Revista
de psicología experimental: general, 117 (3), 227–247.https://
doi.org/https://doi.org/10.1037/0096- 3445.117.3.227
Gluck, MA, Shohamy, D. y Myers, C. (2002). Como hacer
¿Las personas resuelven la tarea de “predicción del tiempo” ?:
Variabilidad individual en estrategias para el aprendizaje de
categorías probabilísticas.Aprendizaje y Memoria,9(6), 408–418.
https://doi.org/10.1101/lm.45202
Hoffman, AB y Rehder, B. (2010). Los costos de
Clasificación supervisada: el efecto de la tarea de aprendizaje
en la flexibilidad conceptual.Diario de Experimental
Psicología: General,139(2), 319-340.
https://doi.org/10.1037/a0019042
Knowlton, BJ, Mangels, JA y Squire, LR (1996). A
sistema de aprendizaje de hábitos neoestriatales en
humanos. Ciencias,273(5280), 1399–1402.
https://doi.org/10.1126/science.273.5280.1399
Knowlton, BJ, Squire, LR y Gluck, MA (1994).
Aprendizaje de clasificación probabilística en amnesia. Aprendiendo
memoria, 1(2), 106-120.
https://doi.org/10.1101/lm.1.2.106
Kruschke, JK y Johansen, MK (1999). Un modelo de
Aprendizaje probabilístico de categorías. Journal of
Experimental Psychology: Learning Memory and Cognition, 25
(5), 1083-1119. https://doi.org/10.1037/0278-7393.25.5.1083
Lagnado, DA, Newell, BR, Kahan, S. y Shanks, DR
(2006). Perspicacia y estrategia en el aprendizaje de múltiples
claves. Revista de psicología experimental: General, 135 (2),
162-183.https://doi.org/10.1037/0096-3445.135.2.162Little, DR
y Lewandowsky, S. (2009). Mejor aprendizaje
Con más error: la retroalimentación probabilística
aumenta la sensibilidad a las señales correlacionadas
en la categorización. Journal of Experimental
Psychology: Learning Memory and Cognition, 35 (4),
1041–1061.https://doi.org/10.1037/a0015902
Luce, RD (1963). Detección y reconocimiento. En RD Luce,
RR Bush y E. Galanter (Eds.), Manual de psicología
matemática (págs. 103-189). Nueva York: Wiley
Medin, DL y Schaffer, MM (1978). Teoría del contexto de
aprendizaje de clasificación. Revisión psicológica, 85(3),
207-238. https://doi.org/10.1037/0033-295X.85.3.207
Meeter, M., Myers, CE, Shohamy, D., Hopkins, RO y
Gluck, MA (2006). Estrategias en categorización
probabilística: Resultados de una nueva forma de analizar
el desempeño.Aprendizaje y Memoria, 13 (2), 230-239.
https://doi.org/10.1101/lm.43006
Meeter, M., Radics, G., Myers, CE, Gluck, MA y
Hopkins, RO (2008). Categorización probabilística: ¿Cómo lo
hacen los participantes normales y los pacientes amnésicos?
Reseñas de neurociencia y bioconducta, 32(2), 237–248.https://
doi.org/10.1016/j.neubiorev.2007.11.001
167
Monchi, O., Petrides, M., Petre, V., Worsley, K. y Dagher,
A. (2001). Clasificación de tarjetas de Wisconsin revisada: Distintos
circuitos neuronales que participan en diferentes etapas de la tarea
identificados por imágenes de resonancia magnética funcional
relacionadas con eventos.Revista de neurociencia, 21(19), 7733–7741.
https://doi.org/10.1523/jneurosci.21-19-07733.2001Nosofsky, RM,
Palmeri, TJ y McKinley, SC (1994).
Modelo de regla más excepción de aprendizaje de
clasificación. Psychological Review, 101 (1), 53–79.
https://doi.org/10.1037/0033-295x.101.1.53
Peirce, JW, Gray, JR, Simpson, S., MacAskill, MR,
Höchenberger, R., Sogo, H., Kastman, E., Lindeløv, J. (2019). PsychoPy2:
experimentos de comportamiento simplificados.Métodos de
investigación del comportamiento. 10.3758 / s13428-018-01193- y
Posner, MI y Keele, SW (1968). Sobre el Génesis de
Ideas abstractas. Revista de psicología experimental, 77,
353–363. https://doi.org/10.1037/h0025953
Puebla, G. y Chaigneau, SE (2014). Inferencia y
coherencia en la categorización de artefactos basada en la causalidad.
Cognición, 130(1), 50–65.
https://doi.org/10.1016/j.cognition.2013.10.001
Reed, SK (1972). Reconocimiento y categorización de patrones.
Psicología cognitiva,3(3), 382–407.
https://doi.org/10.1016/0010-0285(72)90014-XRehder, B.
(2003). Categorización como razonamiento causal.
Ciencia cognitiva,27(5), 709–748.
https://doi.org/10.1016/S0364-0213(03)00068-5Rehder, B.,
Colner, RM y Hoffman, AB (2009). Característica
aprendizaje por inferencia y seguimiento ocular. Revista de memoria y
lenguaje, 60(3), 393–419.
https://doi.org/10.1016/j.jml.2008.12.001
Rehder, B. y Hastie, R. (2001). Conocimiento causal y
categorías: Los efectos de las creencias causales sobre la
categorización, la inducción y la similitud. Diario de Experimental
Psicología: General, 130(3), 323–360.
https://doi.org/10.1037/0096-3445.130.3.323
Yamauchi, T., Love, BC y Markman, AB (2002).
Aprendizaje de categorías separables no linealmente por
inferencia y clasificación. Journal of Experimental
Psychology: Learning Memory and Cognition, 28(3), 585–
593.https://doi.org/10.1037/0278-7393.28.3.585