APRENDIZAJE CAUSAL Y RECUPERACIÓN

Aprendizaje causal y recuperacin de la informacinPerspectivas tericas

N. Javier VilaJuan M. Rosas

(Eds.)

Aprendizaje causal yrecuperacin de la informacin

Perspectivas tericas

Coleccin Universitas

del lunar 2005c/ Cruz de la Magdalena 8

23004 JanTfs. 696 84 53 58 - 606 30 67 06

Fotocomposicin: ediciones del lunarImprime: Grficas La Paz de Torredonjimeno S. L.

Tf. 953 57 10 87D. L.: J - 236 - 2005

I. S. B. N.: 84 - 95331 - 29 - 2

www.dellunar.com

los autores

5Presentacin

Este libro nace a partir de un symposium titulado Extincin y recuperacin de lainformacin en aprendizaje causal: perspectivas tericas organizado en el marco del XVCongreso de la Sociedad Espaola de Psicologa Comparada, celebrado en Barcelona enseptiembre del ao 2003 y en el que la mayora de los grupos hispanos dedicados a estetema presentaron los ltimos avances de sus investigaciones y reflexiones tericas.

Hijo natural de ese symposium, el libro que vas a comenzar a leer recoge las comunica-ciones presentadas en aquella reunin mejoradas y actualizadas por sus autores hastaconformar una perspectiva bastante exacta del estado del estudio de los mecanismos ycontenidos de la recuperacin de la informacin en aprendizaje causal en el mbito hispa-noamericano.

En el primer captulo Maldonado, Herrera, Catena, Cndido y Perales, de la Universi-dad de Granada, analizan los contenidos del aprendizaje causal, revisando y ampliando elmodelo de revisin de creencias a partir de los resultados recientes que sugieren que elsujeto almacena tanto el juicio causal como los eventos especficos a los que se expone.

En el segundo captulo Luque, Cobos y Lpez, de la Universidad de Mlaga, analizan elfenmeno de la interferencia entre seales, presentando una explicacin del mismo basadaen modelos de razonamiento causal que destacan la influencia de los procesos de ordensuperior en el aprendizaje y la recuperacin de la informacin.

En el tercer captulo Vadillo y Matute, de la Universidad de Deusto, realizan una revi-sin terica de los modelos asociativos e inferenciales de aprendizaje causal aplicadosparticularmente a la extincin y a la recuperacin de la informacin tras la extincin. Estosautores concluyen destacando la necesidad de ampliar el marco terico donde se desarro-llan estos estudios, tomando en cuenta el papel de los procesos de razonamiento en larecuperacin de la informacin despus de la extincin.

El el cuarto captulo Rosas, Garca, Abad y Callejas, de la Universidad de Jan, anali-zan el papel del contexto en la recuperacin de la informacin tras la interferencia. Trasproponer una definicin operacional de contexto, analizan los factores que hacen que larecuperacin sea dependiente del contexto, concluyendo que el factor fundamental es laatencin que los sujetos presten al contexto durante el aprendizaje, atencin que vieneregulada por la ambigedad de la informacin presentada.

Finalmente, en el quinto captulo Vila y Alvarado, de la Universidad Nacional Autno-ma de Mxico, analizan las diferencias en la interferencia retroactiva entre animales huma-nos y no humanos, destacando sus diferencias cualitativas y la necesidad de tomar encuenta el lenguaje para poder explicar la recuperacin de la informacin en aprendizajecausal humano.

En conjunto, el libro recoge los avances tericos recientes ms importantes en el estu-dio de la recuperacin del aprendizaje causal dentro del mbito hispano, quiz el mbito

6 APRENDIZAJE CAUSAL

donde estos avances han sido ms espectaculares y donde ms consolidada se encuentra lainvestigacin en estos aspectos del aprendizaje. El lector curioso y el experto interesadoencontrarn una revisin actualizada y concisa de los principales problemas a los que seenfrenta hoy el estudio del aprendizaje causal y la recuperacin de la informacin, ascomo una serie de guas sobre la direccin que han de tomar sus soluciones.

Queremos agradecer al Consejo Nacional de Ciencia y Tecnologa mexicano (CONA-CYT) por su apoyo financiero para la realizacin de este trabajo a travs del proyecto40345. Iguamente, agradecemos a todos los autores su disponibilidad para la participacinen esta aventura que no hubiera sido posible sin ellos. Confiamos en que todos se encuen-tren tan satisfechos del resultado como lo estamos nosotros.

Juan M. Rosas y Javier Vila

7Procesamiento de la informacin en el aprendizaje causal:qu se aprende?Antonio Maldonado, Amparo Herrera, Andrs Catena, Antonio Cndidoy Jos Csar PeralesUniversidad de Granada, Espaa

El aprendizaje causal se ha convertido en uno de los temas de estudio fundamentalesde la psicologa del aprendizaje actual, desde una doble perspectiva: en primer lugar, por-que ha puesto de manifiesto nuevos fenmenos, muchos de ellos especficamente huma-nos; pero sobre todo, porque ha permitido el desarrollo de nuevos modelos explicativosampliando sus lmites de aplicacin. Todo ello hace de la psicologa del aprendizaje actualun rea cientfica ms interesante y explicativa del comportamiento humano.

En el fenmeno de aprendizaje causal se demuestra que aprender que una causaproduce un efecto requiere un proceso previo de deteccin de la relacin de covariacinexistente entre ambos eventos para poder realizar posteriormente una atribucin causalen forma de juicio o creencia. La investigacin reciente sugiere que en esta dualidad esnecesario considerar la participacin de varios mecanismos en el proceso de inferenciacausal, as como la implicacin de la memoria para almacenar los contenidos del aprendi-zaje resultante, que en el caso del aprendizaje causal seran creencias causales sobrenuestro entorno. Esta multiplicidad de mecanismos permite entender que se hayan suge-rido dos tipos de modelos explicativos, incluso en el aprendizaje animal, que creemos queresultara ms conveniente considerar como complementarios en lugar de excluyentes.

La mayora de los modelos se han centrado en los mecanismos que permiten explicarel proceso de adquisicin, normalmente un mecanismo asociativo como ocurre en el mo-delo de Rescorla y Wagner (1972), modulado segn otros modelos por el mecanismoatencional (Pearce y Hall, 1980). Modelos ms recientes (como el de Bouton, vaseRosas, Vila, Lugo y Lpez, 2001, para su aplicacin al aprendizaje causal) enfatizaron lanecesidad de atender a los contenidos del aprendizaje en la memoria, para poder explicarfenmenos ms relacionados con la extincin o la expresin de lo aprendido, por ejemplocomo resultado del cambio de contextos.

Centrndonos en el aprendizaje causal, y dado que en nuestro ambiente la causalidadcasi siempre es probabilstica, una medida que permite estimar objetivamente el grado derelacin entre una causa y un efecto es la conocida regla P que establece el grado derelacin en funcin de la probabilidad del efecto dada la presencia o ausencia de la causa:

(1)

El supuesto bsico es que el individuo calcula la relacin causal a partir de las frecuen-cias de cada tipo de suceso posible entre una causa y un efecto. As, es posible que ambosaparezcan juntos (ensayos tipo a), que slo aparezca la causa o el efecto (ensayos tipo b


o tipo c) o que no ocurra ninguno (tipo d). El hecho de que (1) se haya demostradorepetidamente que los humanos tenemos en cuenta todos los sucesos que nos ocurrenpara estimar el grado de relacin entre causas y efectos, y no cualquiera de ellos aislada-mente, y (2) sobre todo, que esta regla permite predecir de manera bastante precisa losjuicios causales emitidos en mltiples condiciones experimentales, condujo a proponermodelos inferenciales, en los que se sugiere que las personas actan como estadsticosintuitivos que detectan y analizan los sucesos que les ocurren en su propio ambiente paracalcular la contingencia entre dichos sucesos y estimar el grado de relacin entre ellos(Cheng y Novick, 1992; Perales, Catena y Maldonado, 2002). Es importante sealar queen este tipo de modelos el resultado del mecanismo estadstico se asume como el propiocontenido del aprendizaje ya que el juicio sera el clculo realizado.

Ahora bien, el inters en el fenmeno de aprendizaje causal se deriv principalmentede investigaciones relacionadas con el aprendizaje animal (vase Dickinson, 2001; Millery Matute, 1996). La investigacin de aprendizaje animal sirvi de gua para la experimen-tacin con humanos utilizando procedimientos similares a la bsqueda de efectos anlo-gos. El hallazgo de que en ambos casos se producen efectos tales como curvas de adqui-sicin y extincin, fenmenos de competencia entre causas en funcin de la validez pre-dictiva, ensombrecimiento y bloqueo, entre otros (vase, Allan, 1993; Miller y Matute,1996) llev a postular que un mismo mecanismo asociativo podra explicar el aprendizajeasociativo animal y aprendizaje causal en humanos. En la mayora de los casos, la reglautilizada se deriv del algoritmo de Rescorla y Wagner (1972) en la que el mecanismoasociativo depende de dos capas de nodos, de forma que el incremento del peso de laconexin entre una unidad de input i (el nodo que representa la causa) y una unidad deouptut j (el nodo del efecto) se computa como:

(2)

donde Vn representa el incremento de la fuerza asociativa entre las dos representacio-nes mentales en el ensayo n. i y j son parmetros de actualizacin que dependen de larelevancia de la causa y el efecto, respectivamente, determina el nivel mximo deaprendizaje alcanzable (valor de fuerza asociativa asinttico) y Vn-1 es la fuerza asocia-tiva acumulada hasta el ensayo n-1 por todos los estmulos presentes en el ensayo n.

En el caso de una tarea de aprendizaje causal, el grado de relacin percibida entre lacausa (o clave predictora) y el efecto (o resultado) sera una funcin directa de la fuerzaasociativa acumulada entre los nodos i y j, que representan a dichos estmulos. Por tanto,de nuevo nos encontramos con modelos basados en la actuacin de un solo mecanismo,de forma que el juicio causal sera el traslado automtico del resultado del mismo, es decir,debe reflejar la fuerza asociativa calculada entre la causa y el efecto hasta ese precisoensayo.

Despus de ms de dos dcadas, la controversia entre los defensores de los modelosasociativos y los de los modelos basados en reglas estadsticas an no se ha resuelto, y en

PROCESAMIENTO DE LA INFORMACIN 9

general los dos tipos de algoritmos, o sus sucesivas modificaciones, tienden a predecirefectos asintticos muy similares (Perales, Shanks y Castro, 2005). Sin embargo, en losltimos aos, la aparicin de nuevos fenmenos en el aprendizaje causal en humanos haampliado la investigacin terica y aplicada del aprendizaje. Efectos como la reevaluacinretrospectiva de las relaciones causales (Dickinson, 2001), la influencia de la direcciona-lidad causal en los fenmenos de validez predictiva (Waldman, 2000) o el efecto de lafrecuencia del juicio durante el aprendizaje de causalidad (Catena, Maldonado y Cndido,1998) han generado un nuevo tipo de modelos que distinguen entre la actuacin de unmecanismo basado en el mero clculo de la contingencia, ya sea mediante un algoritmobasado en reglas o un algoritmo asociativo, y los procesos de integracin y atribucin dems alto nivel que subyacen a la emisin de un juicio de causalidad. Estos ltimos proce-sos implicaran la activacin de nuevos mecanismos, relacionados ahora ms con el con-tenido, entendido por ejemplo como poder causal (Cheng, 1997) o modelos mentales(Walkman y Matignon, 1998), que con los mecanismos bsicos de aprendizaje (De Houwery Beckers, 2002).

Uno de los modelos que tiene en cuenta esta dicotoma fue presentado por Catena etal. (1998). Segn la propuesta original del modelo, el aprendizaje causal depende de unproceso de revisin de creencias basado en la accin serial de dos mecanismos (vase laFigura 1). En primer lugar, antes de la emisin de un juicio, un mecanismo bsico deaprendizaje sera el encargado de calcular la contingencia establecida entre dos sucesos(la causa y el efecto) a partir de las frecuencias de cada tipo de ensayo, almacenadas enla memoria de trabajo. Esto implica un mecanismo bsico de deteccin de los sucesos queocurre en el medio ambiente sobre cuya frecuencia el mecanismo de clculo establece elgrado de relacin objetiva.

Ahora bien, el problema es que se ha demostrado repetidamente que no somos tanobjetivos. De hecho, uno de los supuestos bsicos del modelo de revisin de creenciasparte del hecho de que los individuos valoran el peso relativo de sus experiencias de formadesigual. Se ha demostrado experimentalmente que se asigna ms valor a las experien-cias positivas y directamente confirmatorias (ensayos tipo a) que a las experiencias nega-tivas o disconfirmatorias (ensayos tipo b o c). Adems, las experiencias de tipo d o indi-rectamente confirmatorias, resultan ms difciles de evaluar y tienen menor influencia ennuestros juicios. Este fenmeno de ponderacin diferencial ha sido demostrado, tanto deforma indirecta mediante el anlisis cuantitativo de la proporcin de cambio en el juiciocausal como resultado de un determinado tipo de ensayo (Kao y Wasserman, 1993), comocon tcnicas ms directas, es decir, pidiendo a los sujetos que estimaran la cantidad deinfluencia de cada tipo de ensayos en su propio juicio de causalidad (Maldonado, Catena,Cndido y Garca, 1999). Aunque ese valor diferencial puede depender del carcter biol-gico de los eventos (Miller y Matute, 1996), tambin depende de la experiencia previa conesos eventos. Maldonado et al. (1999) encontraron que, antes de tener ningn tipo deexperiencia de aprendizaje, los sujetos tienden a evaluar la influencia de cada tipo deensayo en consonancia con lo demostrado en investigaciones previas, a > b > = c > d;


pero una experiencia previa no-contingente (y en parte tambin la negativa), tiende aproducir un cambio en la ponderacin de los tipos de ensayo, sobre todo rebajando sensi-blemente el valor de las evidencias positivas confirmatorias (ensayos tipo a), lo que reto-maremos posteriormente para revisar el modelo.

Por todo lo anterior y para permitir adems la posibilidad de explicar los efectos deadquisicin y extincin, el modelo de revisin de creencias propone que el mecanismo declculo utilizara la llamada regla D ponderada, que permite el clculo de contingenciaincluso cuando slo hay un nico ensayo o una nica experiencia:

(3)

donde, a, b, c y d representan la frecuencia de cada tipo de ensayo, como se explicanteriormente, y w representa el peso asignado a cada uno de ellos, con la restriccin deque a>b>=c>d, para ajustarlo al peso real que los individuos conceden a cada tipo deensayo, como ha sido demostrado consistentemente (Kao y Wasserman, 1994; Maldona-do et al., 1999). Es importante sealar que investigaciones recientes sobre juicios de cau-salidad han demostrado que una regla D ponderada es mucho ms predictiva queninguna otra, incluida una regla P con o sin ponderacin (Perales et al., 2005).

En la explicacin del aprendizaje causal, todo lo anterior sugiere la necesidad de unmecanismo que permita no slo detectar sino tambin calcular el grado de relacin obje-tiva entre la causa y el efecto, y hasta aqu este modelo slo difiere de los anteriores enque el clculo se hara mediante una regla diferente. Ahora bien, segn el modelo derevisin de creencias, una vez estimada la evidencia medio-ambiental sobre el grado derelacin objetiva entre la causa y el efecto, entrara en funcionamiento el mecanismo deintegracin de informacin (Figura 1). Este mecanismo superior jerrquicamente sera elresponsable de la atribucin de causalidad, mediante la actualizacin del juicio en eseensayo n, integrando dicha Nueva Evidencia, obtenida desde el juicio anterior con lascreencias causales previas, representadas, normalmente, por el ltimo juicio emitido (Jn-k). Dicha integracin se realiza mediante la frmula:

(4)

donde J sera el juicio en el ensayo n (o n-k), k representa el nmero de ensayos desde elltimo juicio emitido, es un parmetro de revisin que depende de las caractersticas dela tarea y que permite un aprendizaje gradual, y Nueva Evidencia se refiere al cmputorealizado por el mecanismo de clculo previamente descrito de la informacin presen-tada entre el ensayo n-k y el ensayo actual, n, segn la frmula anterior. Este segundomecanismo estara relacionado con procesos implicados ya no en la deteccin o clculode contingencias, sino en la atribucin de causalidad. Por tanto, este mecanismo sera elresponsable del juicio final del individuo en esa determinada situacin.


Este modelo permiti explicar el efecto de la frecuencia de juicio de una forma clara yelegante y mucho ms ajustada que los modelos estadsticos o asociativos que se utilizannormalmente para explicar el aprendizaje causal en situaciones diferentes que incluantanto experiencias ensayo a ensayo, como incluso cuando se presentan tablas de contin-gencia, (vase Catena et al, 1998, 2002 y 2004, para simulaciones de modelos estadsti-cos, asociativos y del modelo de revisin de creencias). Este efecto se explica por elhecho de que cada vez que se aplica el mecanismo de actualizacin, el punto de enganchepara realizar el ajuste producido por la nueva evidencia es siempre el ltimo juicio emitido(Jn-k), independientemente de que se haya llegado a ste realizando el juicio cada ensayoo cada cierto nmero de ensayos. A partir de entonces, este modelo ha permitido extenderla investigaciones a nuevos fenmenos como el efecto asimtrico sobre la deteccin derelaciones generativas y preventivas de una experiencia previa no-contingente (Maldona-do et al., 1999, 2004), o ms recientemente el efecto tambin asimtrico de la atencinsobre el aprendizaje causal que llega a producir una ceguera inatencional de las relacio-nes negativas, es decir la incapacidad de detectar la existencia de relaciones negativasentre una causa y un efecto (Maldonado et al., 2005).

Centrndonos en el efecto de la frecuencia del juicio, investigaciones posteriores hanreplicado ese mismo efecto en condiciones diferentes (Matute, Vegas y De Marez, 2002;Vila, 2000). Dicha investigacin demostr que tras un entrenamiento que consista en unaprimera fase de adquisicin, es decir donde exista una relacin positiva entre la causa y elefecto, y una posterior de extincin, en donde la relacin era negativa, si slo se pide eljuicio al final del entrenamiento (modo global), los juicios reflejan la media de todos losensayos (es decir promedian ambas fases); mientras que si se piden ensayo a ensayo (ocada cierto nmero de ensayos), los juicios se van ajustando a cada fase del entrenamien-

Figura 1. El modelo de revisin de creencias (Belief revision model).


to. Adems, el efecto de la frecuencia parece depender del tipo de pregunta que se lehace al individuo (Matute et al., 2002) y el paso del tiempo tiene un efecto diferencial,puesto que no cambia el juicio en la condicin global (es decir cuando se pide un nicojuicio al final del entrenamiento), pero s cuando se ha pedido ensayo a ensayo, en cuyocaso el juicio se hace teniendo en cuenta toda la experiencia anterior, es decir como en elmodo global (Vila, 2000).

Podra argirse que los dos modos de respuesta ponen en marcha mecanismos dedeteccin de la contingencia distintos (asociativo para el modo global y estadstico para elmodo ensayo-a-ensayo). Esa posibilidad, poco parsimoniosa, puede descartarse en virtudde la evidencia emprica de la que disponemos, sobre todo porque el efecto de la frecuen-cia del juicio no aparece sbitamente a partir de una cierta frecuencia de juicio, sinogradualmente conforme dicha frecuencia se va incrementando (Catena et al., 1998). Ade-ms, se ha demostrado tambin que dicho efecto no se acompaa de un deterioro generalen la deteccin global de la contingencia, sino que slo la modula (Catena, Perales yMaldonado, 2004). Por tanto, es probable que, si se mantienen inalterados otros factorescomo la carga cognitiva o el modo de presentacin de la informacin, el mecanismo bsi-co de cmputo de la contingencia (ya sea ste estadstico o asociativo) sea siempre elmismo, independientemente del modo de respuesta. Lo que debe variar no es el mecanis-mo bsico de aprendizaje, sino el funcionamiento de mecanismos jerrquicamente supe-riores que integran la informacin facilitada por dicho mecanismo para la emisin deljuicio (vase tambin Catena et al. 2002, para una discusin ms completa y Collins yShanks, 2002, para un argumento similar,).

Todos estos nuevos resultados ponen de manifiesto la necesidad de modelos basadosno slo en el mecanismo de adquisicin, sino que sean capaces de explicar cmo seprocesa el contenido de dicho aprendizaje. En ese sentido, el modelo de revisin de creen-cias estableca que el resultado final del aprendizaje era una creencia derivada de laactuacin de un segundo tipo de mecanismos (atencionales, de memoria, etc.). Datosrecientes nos han llevado a introducir nuevos elementos que permiten extender dichomodelo y adecuarse a lo que realmente ocurre cuando realizamos un aprendizaje.

En investigaciones recientes se ha analizado el efecto de la atencin o de la emocinen el aprendizaje causal. En estos estudios slo se peda el juicio de causalidad, sino queuna vez terminada la tarea y sin que el individuo hubiera sido previamente advertido, se lepeda que estimara el nmero de veces que haba ocurrido cada tipo de ensayo (a, b, c od). Entre otras manipulaciones, la ms importante fue variar el nmero de ensayos enfuncin del tipo de contingencia. En la Tabla 1 se puede observar en primer lugar el nivelde contingencia que fue muy positiva (+75), nula (0) o muy negativa (-75) y a continuacinlos juicios de causalidad emitidos por los sujetos al final del entrenamiento. Como se puedeobservar viendo los juicios de causalidad en la Tabla 1, los individuos detectan los diferen-tes tipos de contingencias objetivas establecidas y son ms exactos en el caso de la con-tingencia positiva que la negativa, lo que es fcil explicar a partir de la influencia diferen-cial de cada tipo de ensayo, sobre todo de los ensayos tipo a, que hacen que sea ms difcil


detectar relaciones negativas. Por ltimo, en esa tabla se presenta cmo se estableciobjetivamente la contingencia en cada grupo, en funcin del nmero de cada tipo deensayo.

En la Figura 2 se puede observar hasta qu punto los sujetos son sensibles a las dife-rencias de ocurrencia de cada tipo de ensayos y cmo son bastante exactos en sus esti-maciones, a pesar de que nunca fueron avisados o instruidos para que prestaran atencina aquellos. En el caso de la contingencia positiva, distinguen adecuadamente que el nme-ro de ensayos tipo a es sensiblemente superior a los b y c, y parecen tener algn problemapara recordar con suficiente precisin el nmero de ensayos tipo d, probablemente influi-do porque tambin son a los que se les concede menor peso a la hora de la estimacincausal. En el caso de la contingencia negativa el contenido es el contrario, ya que ahora serecuerda que el mayor nmero de ensayos eran de tipo b y c, muy superior a los de a, y denuevo los peor detectados son los d. Ahora bien, es especialmente importante sealarcmo en el caso de la contingencia nula, que estaba construida usando una mayor propor-cin de ensayos tipo c y d, los que normalmente son ms difciles de recordar, los sujetosperciben perfectamente esa diferencia y el recuerdo se ajusta a la ocurrencia real de cadauno de los tipos de ensayo, con un alto nivel de precisin. Este ltimo resultado deja muyclaro que el recuerdo no se produce como una inferencia resultado del juicio, porque enese caso lo ms sencillo sera asignar el mismo nmero de ensayos de cada tipo (a, b, c yd), tal y como normalmente se define la contingencia nula. El hecho de que en cada casose recuerde con suficiente precisin cada tipo de ensayo presentado durante el entrena-miento, obliga a matizar cualquier modelo explicativo del aprendizaje causal.

En funcin de los resultados anteriores podemos entender mejor el contenido del apren-dizaje causal ya que se demuestra que tras una experiencia de aprendizaje, los sujetos noslo establecen una creencia causal (reflejada en el juicio de causalidad), sino que guar-dan un recuerdo bastante exacto de todo lo que les ha sucedido, lo que permite entenderalgunos de los efectos previos que resultaban difcil de explicar. Por ejemplo, dado que elsujeto guarda en memoria lo sucedido y dada la capacidad humana para entender y seguirinstrucciones, parece obvio que si obligamos a los sujetos mediante el tipo de pregunta aemitir el juicio en funcin de un determinado tipo de recuerdo (por ejemplo, tener encuenta todos los ensayos o slo valorar el final o el principio del entrenamiento), los juiciospueden cambiar porque la nueva evidencia se calcula sobre el recuerdo concreto de ese

Tabla 1Nivel de contingencia, juicios de causalidad emitidos por los participantes y nmero

de ensayos de cada tipo empleados para establecer los niveles de contingenciaContingencia Juicio Tipo a Tipo b Tipo c Tipo d

+75 57 14 2 2 14 0 9 2 2 14 14 -75 -41 2 14 14 2


tipo de experiencia. Asimismo, el paso del tiempo tendra el efecto de vaciar la memoriade trabajo por la necesidad de procesar otro tipo de informacin. Por tanto, si volvemos apedir el juicio tras un largo periodo de tiempo, ste se har de modo global, es decir,reflejar el recuerdo de todos los eventos almacenados en la memoria de referencia, quees lo que se traslada a la memoria de trabajo cuando se vuelve a pedir el juicio, como handemostrado repetidamente los trabajos de Vila y colaboradores.

En cualquier caso, todo este conjunto de resultados enfatiza una vez ms la imposibili-dad de un modelo basado en un mecanismo nico, sea asociativo o estadstico, que trasla-de el resultado de su clculo directamente a juicios, para explicar un fenmeno tan com-plejo como el aprendizaje causal en humanos. De ah la necesidad de desarrollar modelosms complejos para adecuarse a esa realidad, como sugiere el modelo de revisin decreencias y otros modelos relacionados, modelos que postulan que el juicio causal depen-de de algo ms que del calculo de la mera contingencia entre una causa y un efecto, seapor la necesidad de estimar el poder causal (Cheng, 1998), sea por la existencia de unmodelo mental previo que se revisa en funcin de la experiencia (Walkman y Matignon,1998).

ConclusinEn este captulo hemos intentado mostrar en primer lugar la necesidad de modelos

explicativos del aprendizaje causal en humanos que van ms all de la actuacin de unnico mecanismo, sea asociativo o estadstico. En segundo lugar, hemos intentado presen-tar cmo el modelo de revisin de creencias propone una arquitectura cognitiva basada enla accin serial de dos mecanismos que permiten explicar dicho aprendizaje causal, queimplica siempre la deteccin de relaciones causales y la atribucin de causalidad en nues-tro medio ambiente.

Figura 2. Estimaciones de los participantes con respecto al nmero de ensayos de cada tipo (a,b, c y d) cuando son expuestos a distintos niveles de contingencia (075, 0 y - 075).


Es importante sealar que aunque a lo largo de esta exposicin hemos descrito elmecanismo de integracin en su actuacin sobre la informacin ya computada, el modeloasume que, antes de iniciar la tarea, este mecanismo de orden superior es sensible a lasexpectativas y demandas de la propia tarea, derivadas de las instrucciones y la experien-cia previa con esa o tareas parecidas, lo que permite al individuo construir un modelomental de la misma. En funcin de dicho modelo se producira un efecto triple sobre elmecanismo de computacin de la contingencia.

En primer lugar, como se ha demostrado repetidamente incluso en investigacionesderivadas de este modelo (Perales et al., 2004), es posible que en determinadas situacio-nes el mecanismo computacional utilice un calculo incondicionado, cuando slo se evalauna causa de un efecto o de diferentes efectos; mientras que, cuando se utilizan clavesmltiples de un mismo efecto se use un clculo condicional (Cheng, 1988; Waldman yMatignon, 1988; vase tambin Maldonado et al., 2005 para el caso del modelo de revisinde creencias y su explicacin de fenmenos con claves mltiples); en segundo lugar,investigaciones recientes han demostrado que las instrucciones pueden modificar el tipode procesamiento, automtico o controlado, y el nivel de atencin utilizado durante la tarea(Maldonado et al., 2005); por ltimo, como se demostr en trabajos anteriores (Maldona-do et al., 1999), dicho mecanismo debe determinar los pesos relativos y el valor asignadoa cada tipo de ensayo, que pueden modificarse en funcin de la experiencia previa con latarea, entre otros factores que tambin necesitan ser investigados.

Por aclarar el funcionamiento de alguno de los puntos anteriores, fijmonos en la im-portancia de determinar el clculo condicionado o incondicionado de la informacin. Estesupuesto permite entender y explicar desde un modelo computacional los efectos de vali-dez relativa, ensombrecimiento, bloqueo y reevaluacin que han sido comnmente causade crtica del mecanismo estadstico, de forma similar a como lo hace el mecanismoasociativo. Pero tambin este supuesto permite entender otros efectos nuevos, como laimportancia de la percepcin de la aditividad y maximalidad de la naturaleza de las causas,inducida mediante instrucciones, para que aparezca o no el fenmeno de bloqueo (Bec-kers, De Houwer y Miller, 2004), lo que demuestra la importancia del modelo mentalsobre la naturaleza de las causas para entender los efectos de competencia entre clavesen humanos. Por otra parte, tambin se ha demostrado que los efectos de validez relativacuando existen mltiples claves y una nica consecuencia dependen no slo del nmerode claves, sino tambin de la direccionalidad causal (Walkman, 2000), de forma que lacontingencia puede calcularse incondicionalmente en el caso de una causa nica conefectos mltiples, pero condicionada en el caso de causas mltiples de un efecto nico;esto mismo se confirma por la influencia de la direccionalidad causal en el fenmeno deaprendizaje mediado (Perales, Catena y Maldonado, 2004). Por tanto, cmo y cundo sedetermina dicho clculo de la contingencia, es hoy da uno de los retos abiertos en elaprendizaje de causalidad y abre nuevas perspectivas de investigacin futura.

Ahora bien, una vez iniciada la tarea, el modelo de revisin de creencias asume, comoexplicamos antes, que cada vez que se solicita un juicio, primero actuara el mecanismo de


clculo y luego el mecanismo de integracin ajusta el juicio en funcin de dicha informa-cin o evidencia nueva (vase la Figura 1) y de los dems factores cuya influencia ha sidorecientemente demostrada y que implican tanto factores cognitivos como emocionales(Waldman y Martingon, 1998; Perales et al., 2004).

Por ltimo, una vez emitido el juicio se produce un vaciado de la memoria de trabajo ytanto ese juicio (Jn) como cualquier modificacin del modelo mental construido inicialmen-te se guardan en la memoria de referencia y representaran las creencias causales delindividuo en esa situacin o situaciones similares. La aportacin nueva es que tambin seguarda en dicha memoria la frecuencia total de cada tipo de ensayo (vase Maldonado etal., 2005), para ser recuperado por la memoria de trabajo cada vez que sea necesario, biensea porque se produzca una nueva informacin o porque se solicite un nuevo juicio.

Esta arquitectura cognitiva permite explicar la mayora de los efectos encontrados enel aprendizaje causal y adems predice la influencia de otros nuevos factores cognitivos yemocionales cuyo estudio permitir ampliar nuestra comprensin del aprendizaje causal ydel propio comportamiento humano.

Nota de los autoresEste trabajo ha sido realizado dentro del proyecto BSO2003-03723 del Ministerio de Ciencia y

Tecnologa, Espaa. La correspondencia correspondiente a este trabajo debe dirigirse a AntonioMaldonado, Departamento de Psicologa Experimental, Facultad de Psicologa, Universidad deGranada, Campus de Cartuja s/n. Granada 18071. Espaa. E-mail: [email protected].

ReferenciasAllan, L. (1993). Human contingency judgment: Rule based or associative? Psychological Bulletin, 114, 435-48Beckers, T., De Houwer, J. y Miller, R. R. (2004, May). Outcome additivity and outcome maximality as

independent modulators of blocking in human and rat causal learning. Communication. I Special InterestMeeting on Human Contingency Learning. Belgium.

Catena, A., Maldonado, A. y Cndido, A. (1998). The effect of the frequency of judgement and the type oftrial on covariation learning. Journal of Experimental Psychology: Human Perception and Performance,24, 481-495.

Catena, A, Maldonado, A., Megas, J. L. y Frese, B. (2002). The frequency of judgement effect: Belief revisionand serial processing of causal information. Quarterly Journal of Experimental Psychology, 55B, 267-281

Catena, A., Perales, J. C. y Maldonado, A. (2004). Judgment frequency effects in generative and preventivecausal learning. Psicolgica, 25, 67-85

Cheng, P. (1997). From covariation to causation: A causal power theory. Psychological Review, 104, 367-405.Cheng, P. y Novick, L.(1992). Covariation in natural causal induction. Psychological Review, 99, 365-382.Collins, D. y Shanks, D. R. (2002). Memory & Cognition, 30, 1138-1147.De Houwer, J. y Beckers, T. (2002) A review of recent developments in research and theories on human

contingency learning. Quarterly Journal of Experimental Psychology, 55B, 289-310.Dickinson, A. (2001) Causal learning: an associative analysis. Quarterly Journal of Experimental Psychology,

54B, 3-25.Kao, S. F. y Wasserman, E. A. (1993). Assessment of information integration account of contingency judgment

with examination of subjective cell importance and method of information presentation. Journal of Exper-imental Psychology: Learning, Memory and Cognition,19, 1363-86


Maldonado, A., Catena, A., Cndido, A. y Garca, I. (1999). The belief revision model: Asymmetrical effectsof no contingency on human covariation learning. Animal Learning & Behavior, 27, 168-180.

Maldonado, A., Catena, A., Perales, J. C. y Herrera, A. (2004). El efecto de la frecuencia de juicio y de laexperiencia previa no contingente en el aprendizaje causal. Cognitiva, 16, 75-93

Maldonado, A., Herrera, A., Jimnez, I., Perales, J. C. y Catena, A. (2005). Inattentional blindness for negativerelationships in human causal learning. Quarterly Journal of Experimental Psychology (A). En prensa.

Matute, H., Vegas, S. y De Marez, P. (2002). Flexible use of recent information in predictive and causaljudgments. Journal of Experimental Psychology: Learning, Memory and cognition, 28, 714-25.

Miller, R. R. y Matute, H. (1996). Animal analogues of causal judgement. The Psychology of Learning andMotivation, 34, 133-166.

Pearce, J. y Hall, G. (1980). A model for pavlovian learning: Variations in the effectiveness of conditioned butnot of unconditioned stimuli. Psychological Review, 87, 532-552.

Perales, J. C., Catena, A. y Maldonado, A. (2002). Aprendizaje de relaciones de contingencia y causalidad:hacia un anlisis integral del aprendizaje causal desde una perspectiva computacional. Cognitiva, 14, 15-41.

Perales, J. C., Catena, A. y Maldonado, A. (2004). Inferring nonobserved correlations from causal scenarios:The role of causal knowledge. Learning and Motivation, 35, 115135.

Perales, J. C., Shanks, D. R. y Castro, L. (2005, remitido). Formal models of causal learning: A review andsynthesis.

Price, P. C. y Yates, J. F. (1995). Associative and rule-based accounts of cue interaction in contingencyjudgment. Journal of Experimental Psychology: Learning, Memory, and Cognition, 21, 1639-55.

Rescorla, R. y Wagner, A. R. (1972). A theory of Pavlovian conditioning: Variations in the effectiveness ofreinforcement and nonreinforcement. En A. H. Black y W. R. Prokasy (Eds.), Classical conditioning, vol.2: Current research and theory. New York: Appleton-Century-Crofts.

Rosas, J. M., Vila, N. J., Lugo, M. y Lpez, L. (2001). Combined effect of context change and retentioninterval on interference in a contingency judgment task. Journal of Experimental Psychology: AnimalBehavior Processes, 27, 153-164.

Vila, J. (2000). Extincin e Inhibicin en Juicios de Causalidad. Psicolgica, 21, 257-273.Waldmann, M. R. (2000). Competition between causes but not effects in predictive and diagnostic learning.

Journal of Experimental Psychology: Learning, Memory and Cognition, 26, 53-76.Waldmann, M. R. and Martignon, L. (1998). A Bayesian network model of causal learning. Proceedings of the

20th Annual Conference of the Cognitive Science Society. Mahwah, NJ: LEA.

18

Procesos de razonamiento causalen la interferencia entre sealesDavid Luque, Pedro L. Cobos y Francisco J. LpezUniversidad de Mlaga, Espaa

IntroduccinDe modo general, llamamos interferencia al fenmeno por el cual el hecho de apren-

der una informacin en un momento determinado dificulta la recuperacin de otra infor-macin aprendida en otro momento distinto. Este fenmeno, estudiado desde diferentesaproximaciones dentro de la psicologa cognitiva (e.g., la computacin neuronal, vaseLewandowski, 1994; o el aprendizaje verbal, vase Slamecka y Ceraso, 1960), ha recibidoun gran inters desde el mbito de la psicologa del aprendizaje animal desde sus orgenes(Pavlov, 1927). En los ltimos aos se ha venido acumulando una evidencia empricaimportante a favor de que determinadas teoras asociativas, surgidas originariamente en elcampo del condicionamiento animal para explicar estos fenmenos de interferencia, ofre-cen una buena explicacin de fenmenos de interferencia equivalentes en el aprendizajecausal humano (e.g., la teora de la recuperacin de Bouton, 1993). En particular, la evi-dencia se ha venido acumulando en el terreno de los fenmenos tanto de interferenciaentre diferentes resultados de una misma seal, como de interferencia entre diferentesseales de un mismo resultado (Castro, Ortega y Matute, 2002; Escobar, Pineo y Matu-te, 2002; Matute y Pineo, 1998a, 1998b; Miller y Escobar, 2002; Ortega y Matute, 2000;Pineo y Matute, 2000; Pineo, Ortega y Matute, 2000; Rosas, Vila, Lugo y Lpez, 2001;Vila y Rosas, 2001a, b).

Tanto en la interferencia entre resultados como en la interferencia entre seales, y demanera consistente con esas teoras, se ha mostrado la relevancia que tiene el contexto enel que tiene lugar el aprendizaje y la recuperacin de la informacin. La evidencia de estarelevancia del contexto es amplia y se ha mostrado de modos diferentes, como en elefecto de renovacin (Matute y Pineo, 1998a; Vila y Rosas, 2001a), el efecto de recupe-racin espontnea de la respuesta (Pineo et al., 2000; Rosas, et al., 2001) o el de reins-tauracin (Pineo et al., 2000; Vila y Rosas, 2001b). El hecho de que estos efectos con-textuales se hayan mostrado en ambos tipos de interferencia ha llevado a plantear mode-los en los que se intenta dar cuenta de ellos a partir del mismo mecanismo asociativo. Losmodelos planteados para explicar ambos tipos de fenmenos suponen que la interferenciase da cuando se expone al sujeto a una nueva relacin que comparte un elemento (ya seaste la seal o el resultado) con una relacin seal-resultado previamente aprendida. Pos-teriormente, en la recuperacin de la informacin, el contexto en el que se da la recupera-cin actuara de clave que primara la expresin de la asociacin adquirida en ese contex-to (Matute y Pineo, 1998b; Miller y Escobar, 2002). Esta explicacin, deudora en granparte del modelo de recuperacin de Bouton (1993), surgido originariamente para explicarlos efectos contextuales nicamente en la interferencia entre resultados (vanse en este

PROCESOS DE RAZONAMIENTO 19

volumen Rosas, Garca, Abad y Callejas; Vadillo y Matute; Vila y Alvarado), extiende estemodelo para que pueda dar cuenta de los resultados de interferencia entre seales (pode-mos ver un diseo de interferencia entre seales en la Tabla 1).

Objetivos del presente captulo. En el presente trabajo vamos a plantear un modeloalternativo al asociativo para explicar el fenmeno de interferencia entre seales y elpapel que el contexto desempea en el mismo. Este modelo se basa en la participacin delos que tradicionalmente se han llamado procesos de orden superior. Concretamente, plan-teamos que organizar el conocimiento usando para ello los contextos forma parte delproceso por el cual los sujetos intentan buscar una explicacin en trminos causales de laevidencia a la que son expuestos. Este proceso de bsqueda de explicaciones estara a suvez guiado por el conocimiento causal previo. Ejemplos de modelos que comparten estasintuiciones, a los que a partir de ahora llamaremos modelos de razonamiento causal, sonlos modelos basados en la importancia de los mecanismos causales (e.g., Ahn y Kalish,2000), los modelos de redes Bayesianas causales (e.g., Glymour, 2001, 2003), la teora delmodelo causal (e.g.,Waldmann y Holyoak, 1992) y la teora de los modelos mentalesadaptada para el aprendizaje causal (Goldvarg y Johnson-Laird, 2001). Aunque un grannmero de factores diferencian a estos modelos, todos consideran que la inferencia cau-sal representa una bsqueda de un modelo causalmente legal de la evidencia y que estabsqueda est restringida o guiada desde el conocimiento previo.

La extensin de estos modelos a la interferencia entre seales parte de varias conside-raciones que hacen pertinente su propuesta. Primero, es importante sealar el apoyoemprico creciente que estn recibiendo los modelos de razonamiento causal en situacio-nes de aprendizaje cuando dichas situaciones son susceptibles de recibir una interpreta-cin causal (e.g., Ahn, Kalish, Medin y Gelman 1995; Dennis y Ahn, 2001; Goldvarg yJohnson-Laird, 2001; Gopnik, Glymour, Sobel, Schulz, Kushnir, Danks, 2004; Lagnado ySloman, 2004; Lpez, Cobos y Cao, en prensa; Sobel, Tenenbaum y Gopnik, 2004;Sloman y Lagnado, 2005; Tangen y Allan, 2004; Waldmann, 2000, 2001; Waldmann yHolyoak, 1992)

Aunque los procesos de orden superior a los que hacemos referencia han mostrado suinfluencia en la induccin causal en numerosas ocasiones y de modos muy diferentes,para los objetivos del presente trabajo debemos destacar los resultados que muestran lasensibilidad al rol causal de los eventos y la capacidad de los sujetos de inferir factoresintervinientes pero no explcitos. En relacin a la sensibilidad al rol causal de los eventos,estudios recientes muestran cmo los sujetos se comportan de modo diferente dependien-do del papel causal que tomen las seales y los resultados (Lpez et al., en prensa; Tangeny Allan, 2004; Waldmann y Holyoak, 1992; Waldmann, 2000, 2001). Es decir, los sujetosdiferencian situaciones predictivas (en las que el aprendizaje se realiza de causas a efec-tos) de diagnsticas (en las que el aprendizaje se realiza de efectos a causas). El hecho dediscriminar entre los diferentes roles causales que puedan desempear las seales y losresultados permite a los sujetos poder razonar de causas a efectos, que es el orden tempo-


1 Dos son las tareas en las que se ha obtenido interferencia entre seales en humanos. La tarea de los marcianos(e.g., Matute y Pineo, 1998a), en la que las seales eran luces que indicaban la activacin de un campo defuerza por parte de unos malvados aliengenas, y la tarea de la radio espa, en la que las seales eran unas lucesque informaban a los sujetos de la presencia o no de minas en la carretera (Pineo et al., 2000). Decimos queestas tareas pueden ser interpretadas como diagnsticas ya que el encendido final de las luces que hacen deseales es fcil de representar como efecto de los eventos que actan como resultados (ya sea la activacin delescudo de fuerza o la presencia de minas en la carretera), siendo difcil imaginar algn otro tipo de modelo queexplique la situacin, como por ejemplo que una causa comn tuviese como efecto tanto las seales como losresultados.

ral de aparicin consistente con nuestro conocimiento general acerca de las relacionescausales. Esta sensibilidad al rol causal se ha mostrado incluso en situaciones en las queambas condiciones (predictiva y diagnstica) eran estimularmente idnticas.

Como hemos comentado, los modelos de razonamiento causal tambin plantean quelos sujetos son capaces de inferir causas ocultas a partir de patrones de evidencia explci-ta. Al igual que en el caso de la sensibilidad de los sujetos al rol causal de los eventos,estudios recientes avalan esta capacidad de inferencia (Danks y Mckenzie, estudio nopublicado citado en Glymour, 2003; Gopnik et al, 2004; Kushnir, Gopnik, Schulz, y Danks,2003). Estos resultados muestran cmo cuando la nica posibilidad de formar un modelocausal legal de los eventos implica la existencia de una causa no observada, los sujetosson capaces de inferirla a partir de la informacin de las co-ocurrencias de los eventosobservables.

Todos estos resultados resultan difciles de reconciliar con los mecanismos asociativospropuestos hasta ahora para explicar el aprendizaje causal. As, de un modo general se hamostrado la relevancia de los modelos de razonamiento causal en situaciones de aprendi-zaje y uso del conocimiento causal. Adems, centrndonos en los procesos que nos inte-resan en el presente trabajo, se han descrito resultados en la literatura que apoyan lavalidez de los mecanismos especficos que estaran implicados en la explicacin de lainterferencia entre seales que propondremos en el siguiente apartado, es decir, la sensi-bilidad al rol causal de los eventos y la capacidad de inferir causas no explcitas.

Otra de las consideraciones que hacen pertinente la aplicacin de los modelos derazonamiento causal a la interferencia entre seales se basa en un anlisis de los estudiosprevios en los que se ha observado el fenmeno. Los estudios en los que se ha mostradointerferencia entre seales implicaban tareas que pueden ser interpretadas como diagns-ticas, es decir, las seales que eran presentadas a los sujetos servan como indicadorespara averiguar la causa o causas de las mismas1; no se ha mostrado en la literaturainterferencia entre seales en tareas en las que la interpretacin causal fuese predictiva.

Tabla 1Diseo de interferencia entre seales

Fase I Fase II Test

Grupo experimental A>1, C>3 B>1, C>3 A?Grupo control A>1, C>3 B>2, C>3 A?


Esta situacin concuerda con nuestras predicciones, ya que nuestra hiptesis basada en elrazonamiento causal prev, como veremos ms adelante, un efecto de interferencia entreseales en tareas diagnsticas, pero no en tareas predictivas.

Por ltimo, nuestra hiptesis explicativa de la interferencia entre seales pretende darun sentido computacional a la codificacin del contexto en la interferencia entre seales.En la interferencia entre resultados el modelo de Bouton (1993) justificaba la codificacindel contexto cuando una sola seal se asociaba con dos resultados contradictorios basn-dose en un sentido adaptativo: eliminar la ambigedad en tal situacin conflictiva. Parapoder predecir lo que va a ocurrir despus de la seal, es necesario primar una relacin uotra, de ah el papel del contexto (vase Rosas et al., en este mismo volumen). Sin embar-go, el uso de los contextos no se puede justificar del mismo modo en el caso de la interfe-rencia entre seales. En este caso no existe la necesidad de eliminar la ambigedad de lasseales. Los modelos asociativos propuestos para explicar la interferencia entre sealesno proponen ninguna hiptesis acerca del posible sentido de la codificacin el contexto enestas situaciones, sino que su nivel de anlisis se centra en aspectos mucho ms descrip-tivos (vase Miller y Escobar, 2002). Como veremos, un anlisis detallado desde los mo-delos de razonamiento causal nos permite entender el sentido computacional de la interfe-rencia entre seales as como la funcin que desempea el contexto.

Interferencia entre seales segn los modelos de razonamiento causalComo hemos comentado, los modelos de razonamiento causal tienen en comn el

otorgar una especial relevancia al conocimiento causal previo en el aprendizaje del cono-cimiento causal. La influencia del conocimiento previo puede concretarse de diferentesmodos, ya sea mediante la influencia del conocimiento sobre los mecanismos causalesimplicados en una situacin concreta (Ahn et al., 1995; Hagmayer y Waldmann, 2002), omediante la influencia de conocimiento causal no especfico acerca del funcionamiento delas relaciones de causalidad en general. Acerca de la influencia de este ltimo tipo deconocimiento, destacan las aportaciones de Michael Waldmann y sus colaboradores (e.g.,Waldmann, 1996; Waldmann & Holyoak, 1992). Su teora del modelo causal refleja elefecto de las asunciones a priori acerca de las caractersticas de las relaciones de causa-lidad, centrndose en el efecto del conocimiento acerca del orden temporal de las direc-ciones causales, es decir, el conocimiento de que las causas anteceden a los efectos y noal contrario. De este modo, los modelos de razonamiento causal entre los que se incluye lateora del modelo causal mantienen, en oposicin a las teoras asociativas, que los suje-tos son sensibles al estatus causal de las seales y los resultados (qu eventos, las sealeso los resultados, son causas o efectos), y este hecho explica las diferencias encontradasentre tareas de aprendizaje diagnstico y tareas de aprendizaje predictivo (e.g., Wald-mann y Holyoak, 1992; Waldmann, 2000, 2001; pero vase Cobos, Lpez, Cao, Almarazy Shanks, 2002, para un punto de vista alternativo).

Otro punto en comn de las teoras del razonamiento causal es suponer que el sujetobusca un modelo causal que explique la evidencia a la que es expuesto. Existe evidencia


acerca de cmo los sujetos tratan de explicar las situaciones conflictivas a partir de expli-caciones causales en las que es necesario inferir causas que intervienen en la situacin deaprendizaje, pero que permanecen ocultas a lo largo de la tarea (Danks y Mckenzie,estudio no publicado citado en Glymour, 2003; Gopnik et al., 2004; Kushnir et al., 2003).De igual modo, Johnson-Laird ha mostrado cmo cuando los sujetos se enfrentan a infor-macin que es contradictoria con la informacin previa que tenan, no se conforman conprimar la informacin nueva o antigua, sino que buscan explicar el cambio de situacin entrminos causales, bsqueda que implica la inferencia de nuevos elementos causales noexplcitos en la situacin (Johnson-Laird, Girotto y Legrenzi, 2004; Johnson-Laird, Le-grenzi, Girotto y Legrenzi, 2000).

Al analizar la situacin de interferencia entre seales teniendo en cuenta ambas asun-ciones (sensibilidad a la direccionalidad causal de la tarea y capacidad de inferir causasocultas para construir un modelo causal aceptable que explique la evidencia) llegamos aconclusiones interesantes. Dos situaciones pueden tener lugar: que el rol causal de lasseales sea el de causas (situacin predictiva) o que el rol causal de las seales sea el deefectos (situacin diagnstica). Vamos a analizar en primer lugar las predicciones de losmodelos de razonamiento causal en la situacin diagnstica, situacin equivalente a losescenarios causales en los que se ha encontrado interferencia entre seales en la literatu-ra (e.g., Matute y Pineo, 1998a; Pineo et al., 2000), al menos segn nuestra interpreta-cin. Observando la Tabla 1 llegamos a la conclusin de que, en direccin diagnstica, laestructura causal de los datos difiere segn la condicin experimental. En el caso delgrupo experimental, la informacin que se recibe durante la primera fase es que la causa1 produce sistemticamente el efecto A, mientras que en la segunda fase la causa 1 dejade producir el efecto A para producir sistemticamente el efecto B. En cambio, el grupode control pasa por una primera fase en la que la causa 1 produce sistemticamente elefecto A y posteriormente pasa por una segunda fase en la que la causa 2 produce siste-mticamente el efecto B. Desde el punto de vista de las teoras de razonamiento causal, lainformacin que recibe el grupo experimental es conflictiva de cara a la construccin deun modelo causal, porque las personas parten del conocimiento de que si dos efectos slose explican por la ocurrencia de una causa comn entonces, dada la causa, la ocurrenciade un efecto debe ser independiente a la del otro. Sin embargo, dada la correlacin nega-tiva existente entre los efectos A y B y el modo en que se distribuyen sus probabilidadesen las diferentes fases temporales, la nica explicacin posible es que debe haber algunacausa oculta que correlaciona con las distintas fases temporales y los contextos en los quese dan y que interacta con la causa 1 para producir bien A, bien B. Esta causa ocultaimpone lmites sobre la capacidad de 1 para producir A y B. Como la fase de test sueleformar parte de la fase 2 y suele tener lugar en el mismo contexto, cuando se presenta elefecto A, los participantes tienen sus dudas de que la causa 1 haya ocurrido porque, si lascondiciones no han cambiado, la causa 1 ya no produce A sino B. Ello explica que larespuesta ante A sea menor en el grupo experimental que en el grupo de control. En esteltimo nada de esto se aplicara porque la informacin recibida en cada fase no plantea


ningn tipo de conflicto. Es decir, no hace falta apelar a causas ocultas que correlacionencon las distintas fases y que limiten la capacidad de las causas 1 y 2 para producir losefectos A y B, respectivamente.

Sin embargo, si la situacin fuera predictiva, las predicciones que habra que deducirde los modelos de razonamiento causal seran distintas. En este caso, la informacin quese recibe en el grupo experimental durante la primera fase es que la causa A producesistemticamente el efecto 1, mientras que en la segunda fase es otra causa, la causa B,la que provoca el efecto 1. La informacin que recibe el grupo experimental ya no esconflictiva y no es necesario apelar a causas ocultas para explicar los eventos. En elgrupo de control la situacin no cambia con respecto a la situacin diagnstica (vase laTabla 1), con lo que tampoco es necesaria la inferencia de estas causas ocultas. De esteanlisis se deriva que en la fase de test los sujetos no tendrn problemas para expresar larelacin A>1 ni en el grupo control ni en el grupo experimental, con lo que no se obtendrel efecto de interferencia entre seales.

Primeras evidencias empricasRecientemente hemos realizado en nuestro laboratorio un experimento con el fin de

analizar la validez de los modelos de razonamiento causal en la explicacin de la interfe-rencia entre seales. En este experimento manipulamos ortogonalmente dos factores, lacondicin experimental y la direccin causal de la tarea. Por un lado, los sujetos podan serasignados al grupo experimental o al grupo control del diseo de interferencia entre sea-les que podemos ver en la Tabla 1. Adems manipulamos la direccin causal de la tarea,en un grupo la tarea se pas en direccin predictiva y en otro la tarea se realiz endireccin diagnstica. La diferencia fundamental existente entre el grupo predictivo y elgrupo diagnstico era el rol causal que adoptaban las seales y los resultados. Mientrasque en el grupo diagnstico las seales eran los efectos y los resultados eran las causas,en el grupo predictivo las seales eran las causas y los resultados los efectos. En ambosexperimentos los contextos se distribuan de modo que se produca un cambio contextualde la fase 1 a la fase 2, mantenindose el contexto de la fase 2 durante la fase de test (verMatute y Pineo, 1998a, para un procedimiento similar). Las predicciones de los modelosasociativos actuales son idnticas para ambos experimentos: interferencia entre sealesen ambos casos. La interferencia se dara porque las dos fases comparten un elemento (elresultado); cuando la fase de test se da en el contexto de la segunda fase, la asociacinB>1 aprendida durante la segunda fase se ve primada ante A>1, implicando un descen-so en la expresin de A>1, esto es, interferencia. El efecto de interferencia sera inde-pendiente del papel causal de las seales y los resultados, ya que esta informacin esirrelevante para los mecanismos asociativos implicados.

Las predicciones que se derivan de los modelos de razonamiento causal son otras biendistintas. Como vimos en el apartado anterior, si tenemos en cuenta los planteamientosque proponen estos modelos slo se debera producir interferencia en situaciones diagns-ticas, ya que es en estas situaciones donde es necesario suponer causas ocultas para


explicar la correlacin negativa de los efectos A y B. Sin embargo, en situaciones predic-tivas la evidencia se puede explicar mediante un modelo causalmente legal sin la necesi-dad de suponer causas ocultas que interacten, imponiendo restricciones a las condicio-nes bajo las que las causas visibles producen los efectos observados.

Para realizar estos experimentos tuvimos que desarrollar una nueva situacin de apren-dizaje en la que se pudiese invertir el orden causal sin que por ello perdiese verosimilitud elescenario causal. El nuevo escenario causal est inspirado en el escenario de la radioespa (para ver una descripcin detallada del escenario de la radio espa vase Pineo etal., 2000). En nuestro escenario los sujetos deban suponer que eran miembros de la CruzRoja realizando una labor humanitaria en una regin muy pobre. Los habitantes de estaregin, movidos por el hambre, haban consumido unas plantas a las que no estaban acos-tumbrados, una o varias de las cuales eran venenosas. Su tarea consista en administrarun antdoto a los habitantes de las diferentes tribus de la regin que hubieran consumidoeste tipo de planta. La administracin del antdoto deba de hacerse con cuidado, ya queotra de las plantas que podan haber consumido, llamada planta extraa, intoxicaba alpaciente en interaccin con el antdoto. Adems, en los grupos control haba otro tipo deplanta que podan consumir los pacientes, la planta sana, que no era venenosa y que nointeractuaba con el antdoto. Resumiendo, los sujetos deban administrar antdoto al pa-ciente si crean que haba tomado una planta venenosa y no administrarselo si la plantaque crean que haba tomado el paciente era la extraa, siendo irrelevante si se adminis-traba antdoto o no si el paciente haba tomado la planta sana. El consumo de cada tipo deplanta provocaba otro efecto adems de los que hemos comentado: la alteracin de unoentre tres reactivos disponibles, siendo cada reactivo de un color diferente. Para cadapaciente se alteraba un solo reactivo, quedando los otros dos inalterados. Para la correctaadministracin del antdoto, los sujetos deban usar la informacin de cul de los reactivosse alteraba para cada paciente para saber qu tipo de planta haba consumido. El antdotoslo poda administrarse durante el tiempo en que la seal estuviese presente en la panta-lla, que era 35 segundos. La mxima cantidad de antdoto que poda darse por cadapaciente era de 100 unidades. Los diferentes contextos consistan en las diferentes tribusde procedencia de los pacientes.

Como hemos sealado, la situacin poda ser diagnstica o predictiva. En la situacindiagnstica los sujetos deban decidir la cantidad de antdoto a administrar a partir de lainformacin de cul de los tres reactivos se alteraba. De este modo, en direccin diagns-tica la seal en cada ensayo consista en el color del reactivo alterado por cada paciente,mientras que el resultado era la planta que haba consumido.

En la situacin predictiva, sin embargo, los sujetos deban decidir la cantidad de antdo-to a administrar a partir de una foto de la planta consumida por cada paciente. En estaocasin la seal a partir de la cual deban administrar ms o menos antdoto era la plantaconsumida, mientras que el resultado era el reactivo alterado.

Al igual que en la tarea de la radio espa, los sujetos reciban informacin sobre su nivelde ejecucin en forma de puntos ganados o perdidos. Haba tres posibles consecuencias


de su respuesta en cada ensayo. Si el paciente haba consumido la planta venenosa (en losensayos A>1 y en los ensayos B>1), los sujetos ganaban tantos puntos como dosis deantdoto haban administrado; si el paciente haba consumido la planta extraa (en losensayos C>3), los sujetos perdan igual nmero de puntos que la cantidad de antdotoadministrada; si el paciente haba consumido la planta sana (en los ensayos B>2), nopodan ganar ni perder puntos.

De este modo, para obtener interferencia la cantidad de antdoto administrado ante laseal A en la fase de test debera ser menor en la condicin experimental que en lacondicin de control. Si esta disminucin de la respuesta se da independientemente de ladireccin causal de la tarea, los resultados seran consistentes con los modelos asociativospropuestos hasta ahora para explicar estos fenmenos. Sin embargo, si la disminucin dela respuesta en el grupo experimental comparada con el control es menor en la direccinpredictiva que en la direccin diagnstica, las predicciones apoyaran las hiptesis quedesde los modelos de razonamiento causal estamos proponiendo en el presente captulo.

Podemos ver los resultados del experimento en la Figura 1. Como podemos observar,la disminucin de la respuesta ante la seal A en la fase de test de la condicin experimen-tal, comparada con la condicin de control, fue mayor en la direccin diagnstica que en lapredictiva. El anlisis estadstico de los resultados se llev a cabo mediante un ANOVA dedos factores inter-sujeto [direccin causal (grupo predictivo, grupo diagnstico) x condi-cin experimental (grupo experimental, grupo control)], mostrndose una interaccin sig-nificativa entre ambos factores, F(1, 78) = 467, MSE = 49531, p = 003. El anlisissimple del efecto de interferencia en cada direccin causal nos muestra cmo las diferen-cias entre el grupo experimental y el de control fueron significativas en la direccin diag-nstica F(1, 35) = 669, MSE = 63173, p = 001; mientras que no lo fueron en la direc-cin predictiva F(1, 41) < 1, MSE = 38551, p = 099. Estos resultados nos indican unclaro efecto de interferencia slo en la direccin diagnstica.

Figura 1. Resultados. El efecto de interferencia se observa slo en el grupo diagnstico.


DiscusinEl experimento que acabamos de describir fue diseado para evaluar la validez de los

modelos de razonamiento causal a la hora de explicar el efecto de interferencia entreseales. Para ello manipulamos la direccin causal de la tarea manteniendo el mismodiseo de interferencia entre seales tanto en direccin predictiva como en direccindiagnstica (vase la Tabla 1). Los resultados (interferencia slo en direccin diagnsti-ca) son los previstos por la extensin de los modelos de razonamiento causal que propone-mos para la interferencia entre seales. Estos resultados replican los que ya obtuvimoscon anterioridad en una versin previa del mismo experimento (Luque, Cobos, Lpez yCao, 2004). Una explicacin alternativa a la que proponemos se basa en que la manipu-lacin de la direccin causal correlaciona con el uso de distintos estmulos como seales yresultados. Cuando la tarea estaba diseada en direccin diagnstica, las seales eran loscolores de los reactivos alterados y los efectos las fotos y nombres de las plantas, mien-tras que en direccin predictiva las seales eran las fotos de las diferentes plantas y losresultados el color del reactivo alterado. Fruto de estas diferencias se puede proponer unaexplicacin alternativa acorde con los modelos asociativos. Es posible que las diferenciasen la configuracin estimular de las seales conlleve una mayor dificultad de discrimina-cin en la direccin predictiva que en la direccin diagnstica. Si este fuera el caso, seraesperable encontrar una curva de adquisicin menos acelerada en ese grupo as como unapeor ejecucin al final de la primera fase. Sin embargo, no encontramos ninguna diferen-cia entre las curvas de aprendizaje del grupo predictivo y el grupo diagnstico, siendo laforma de las mismas equivalentes. Tampoco encontramos ninguna diferencia entre losgrupos en cuanto al nivel de ejecucin en los ltimos ensayos de la primera fase. Es decir,los sujetos de ambos grupos aprendieron las relaciones programadas de forma equivalen-te. El resultado de este anlisis resta credibilidad a esta posible explicacin de las asime-tras entre la condicin predictiva y la diagnstica.

Existe otra posible explicacin alternativa a la que proponemos. Las diferencias entrela condicin predictiva y la condicin diagnstica pueden explicarse sin otorgar un papelespecialmente relevante a los contextos. Esto es debido a los valores de contingenciadiferentes de la relacin diana A>1 si calculamos P condicional siempre en direccincausa>efecto (independientemente del orden temporal de los acontecimientos). Esta Pcondicional es menor en la condicin diagnstica que en la condicin predictiva, de ah lamenor respuesta ante A en la fase de test en el grupo diagnstico que en el grupo predic-tivo. Hemos de sealar que esta posible explicacin tambin se basa en el uso del conoci-miento causal previo, diferencindose de la que proponemos en este captulo en que elpapel desempeado por el contexto pasa a ser irrelevante. Aunque esta posible explica-cin pueda ser atractiva por su parsimonia, no podra dar cuenta de los diferentes efectoscontextuales que se han mostrado en la literatura sobre interferencia entre seales. Nues-tra hiptesis s podra explicar los diferentes efectos contextuales como son la renovacin,la reinstauracin o la recuperacin espontnea de la respuesta. En todos estos efectos seencuentra que la respuesta ante A en la fase de juicio se recupera (se debilita el efecto de


interferencia) si el contexto de la fase de juicio es diferente al contexto de la fase 2. Dadaesta situacin, los modelos de razonamiento causal realizan las mismas predicciones quelos modelos asociativos, siempre que la situacin sea diagnstica. En estas situaciones, lossujetos supondran la existencia de un factor que est mediando la expresin de un efectou otro dada la causa y que covara con los contextos. En la fase 2 este factor facilita laaparicin del efecto B ms que el efecto A, de ah que si se pregunta por A en el contextode la fase 2 los sujetos duden de que se haya producido por la causa 1. Ahora bien, si sepregunta por A en cualquier otro contexto, los sujetos no tienen porqu dudar del conoci-miento adquirido durante la fase 1, lo que implicara la desaparicin de la interferenciaentre seales.

Hemos de sealar que el papel que proponemos al uso contexto est en consonanciacon otras evidencias que muestran cmo los sujetos interpretan activamente la informa-cin a la que son expuestos, con el objetivo de crear un modelo causal que explique laevidencia. Johnson-Laird desde el campo del razonamiento deductivo describe cmo lossujetos cuando se enfrentan a situaciones inconsistentes, en gran parte similares a undiseo de interferencia, tratan de averiguar cul de las premisas falla y despus intentanexplicar la situacin. Estas situaciones consisten en casos en los que los sujetos se en-cuentran con premisas incompatibles con las premisas previamente aprendidas; por ejem-plo, cuando alguien que creas puntual llega tarde a una cita. Los sujetos buscan la cohe-rencia apelando a otro tipo de factores causales no explcitos en un principio (Johnson-Laird, et al., 2000; Johnson-Laird et al., 2004), como por ejemplo, habr tenido un proble-ma con el coche. Este proceso, denominado proceso de generacin de explicacionesforma parte fundamental de la aplicacin de la teora de los modelos mentales a casos enlos que los sujetos se enfrentan a situaciones conflictivas, siendo semejante a los procesosque creemos que estn teniendo lugar en las situaciones de interferencia.

ConclusionesA lo largo de este captulo hemos ofrecido una explicacin alternativa a la asociativa

para el fenmeno de interferencia entre seales y para el papel que el contexto desempe-a en el mismo. Esta explicacin est basada en los modelos de razonamiento causal,modelos que destacan la influencia de los procesos de orden superior en el aprendizaje yrecuperacin de las relaciones de causalidad. En lnea con estos modelos, proponemosque el fenmeno de interferencia es consecuencia de la bsqueda activa que realizan lossujetos para formar un modelo causal aceptable de la situacin, bsqueda activa guiada orestringida por la influencia del conocimiento causal previo. Aunque el modo en que losprocesos de orden superior influyen en el aprendizaje y recuperacin de las relacionescausales puede ser variado, dos procesos tienen especial relevancia para la explicacinque proponemos de la interferencia entre seales: nos referimos al hecho de que lossujetos sean sensibles al rol causal de los eventos y a su capacidad para inferir causasocultas que intervengan en la expresin de los eventos explcitos.


Las primeras evidencias empricas parecen apoyar estas hiptesis. Las asimetrasencontradas entre los grupos predictivo y diagnstico en el experimento descrito no pue-den ser explicadas por los modelos asociativos propuestos hasta ahora, siendo los resulta-dos acordes con las predicciones derivadas de los modelos de razonamiento causal. Estosresultados arrojan dudas acerca de la capacidad explicativa de los modelos planteadoshasta ahora para dar cuenta del fenmeno de interferencia entre seales.

Aunque no disponemos de resultados directos que nos permitan asegurar que los suje-tos estn infiriendo causas ocultas, estos resultados s se pueden aadir a la evidencia yaexistente en la que se muestra que los sujetos son sensibles al rol causal de los eventos(e.g., Lpez et al., en prensa; Waldmann, 2000, 2001). Hay que sealar, en el caso de lasensibilidad al rol causal de los eventos, la existencia de estudios en los que los resultadosavalan a los modelos asociativos frente a los modelos de razonamiento causal (e.g.,Cobos et al., 2002). No es el objetivo del presente captulo analizar las razones por las quese han obtenido datos contradictorios cuando se ha evaluado la sensibilidad al rol causalde los sujetos, solo sealaremos, en la lnea de Lpez et al. (en prensa) o Waldmann yWalker (en prensa) que ambos tipos de procesos parecen coexistir, siendo variables comola relevancia percibida del conocimiento causal o la demanda de recursos cognitivos lasque permiten la puesta en marcha de procesos de orden superior.

El modelo terico propuesto puede ser extendido a fenmenos similares explicadoshasta ahora mediante modelos asociativos. Por ejemplo, hemos expuesto en el apartadoanterior cmo la inferencia de factores causales asociados al contexto puede dar cuentade ciertos efectos contextuales mostrados en la literatura, como por ejemplo el efecto derenovacin o reinstauracin. Asimismo un anlisis equivalente al realizado en este captulosobre la interferencia entre seales podra realizarse en el caso de la interferencia entreresultados. Al igual que la interferencia entre seales, en la interferencia entre resultadosse produce una situacin que no puede ser representada mediante un modelo causal legalsin suponer la participacin de causas intervinientes. Al igual que en la interferencia entreseales, en la interferencia entre resultados se ha probado la importancia que tiene elcontexto en la codificacin y recuperacin de la informacin. Por tanto, creemos queresulta pertinente comprobar si nuestra hiptesis basada en los modelos de razonamientocausal puede ser extendida a los casos de interferencia entre resultados, tarea en la quenos encontramos inmersos en estos momentos.

Nota de los autoresEste trabajo ha sido financiado por la ayuda para proyectos de investigacin HUM 0105,

concedida por la Junta de Andaluca, y por la ayuda para la formacin de personal docente einvestigador en las universidades andaluzas N 4381, concedida a DLR por la misma institucin. Lacorrespondencia correspondiente a este trabajo debe dirigirse a Francisco Lpez, Departamento dePsicologa Bsica, Facultad de Psicologa, Universidad de Mlaga, Campus de Teatinos. Mla-ga29071. Espaa. E-mail: [email protected].


ReferenciasAhn, W., Kalish, C. W., Medin, D. L. y Gelman, S. A. (1995). The role of covariation vs. mechanism

information in causal attribution. Cognition, 54, 299-352.Ahn, W. y Kalish, C. (2000). The role of mechanism beliefs in causal reasoning. En R. Wilson, y F. Keil (Eds.)

Cognition and explanation, (p. 199-226) Cambridge, MA: MIT Press.Bouton, M. E. (1993). Context, time, and memory retrieval in the interference paradigms of Pavlovian

learning. Psychological Bulletin, 114, 80-99.Castro, L., Ortega, N. y Matute, H. (2002). Proactive interference in human predictive learning. International

Journal of Comparative Psychology, 15, 55-68.Cobos, P. L., Lpez, F. J., Cao, A., Almaraz, J. y Shanks, D. R. (2002). Mechanisms of predictive and

diagnostic causal induction. Journal of Experimental Psychology: Animal Behavior Processes, 28, 331-346.

Dennis, M. J. y Ahn, W. (2001). Primacy in causal strength judgments: The effect of initial evidence forgenerative versus inhibitory relationships. Memory & Cognition, 29, 152-164.

Escobar, M., Pineo, O. y Matute, H. (2002). A comparison between elemental and compound training ofcues in retrospective revaluation. Animal Learning & Behavior, 30, 228-238.

Gopnik, A., Glymour, C., Sobel, D., Schulz, L., Kushnir, T. y Danks, D. (2004). A theory of causal learningin children: Causal maps and Bayes nets. Psychological Review, 111, 1-31.

Glymour, C. (2001). The minds arrows. Cambridge, MA: MIT Press.Glymour, C. (2003). Learning, prediction and causal Bayes nets. Trends in Cognitive Science, 7, 43-48.Goldvarg, Y. y Johnson-Laird, P. N. (2001). Nave causality: A mental model theory of causal meaning and

reasoning. Cognitive Science, 25, 565610.Hagmayer, Y. y Waldmann, M. R. (2002). How temporal assumptions influence causal judgments. Memory &

Cognition, 30, 1128-1137.Johnson-Laird, P. N., Legrenzi, P., Girotto, V. y Legrenzi, M. Z. (2000). Illusions in reasoning about consist-

ency. Science, 288, 531.Johnson-Laird, P. N., Girotto, V. y Legrenzi, P. (2004). Reasoning from inconsistency to consistency. Psycho-

logical Review, 111, 640-661.Kushnir, T., Gopnik, A., Schulz, L. y Danks, D. (2003). Inferring hidden causes. Proceedings of the 25th

Annual Meeting of the Cognitive Science Society (pp. 699-703). Boston: Cognitive Science Society.Lagnado, D. A. y Sloman, S. A. (2004). The advantage of timely intervention. Journal of Experimental

Psychology: Learning, Memory, and Cognition, 30, 856-876.Lewandowsky, S. (1994). On the relation between catastrophic interference and generalization in connection-

ist networks. Journal of Biological Systems, 2, 307-333.Lpez, F. J., Cobos, P. L. y Cao, A. (en prensa). Associative and causal reasoning accounts of causal

induction: symmetries and asymmetries in predictive and diagnostic inferences. Memory and Cognition.Luque, D., Cobos, P. L., Lpez, F. J. y Cao, A (2004). Interference between effects but not between causes

in designs of interference between cues: importance of previous causal knowledge. 16th Meeting of theSpanish Society of Comparative Psychology/ 12th Biennial Meeting of the International Society of Compa-rative Psychology. Oviedo (Espaa).

Matute, H. y Pineo, O. (1998a). Stimulus competition in the absence of compound conditioning. AnimalLearning & Behavior, 26, 3-14.

Matute, H. y Pineo, O. (1998b). Cue competition in the absence of compound training: Its relation toparadigms of interference between outcomes. En D. L. Medin (Ed.), The Psychology of Learning andMotivation (Vol.38) (pp. 45-81). San Diego: Academic Press.

Miller, R. R. y Escobar, M. (2002). Associative inference between cues and outcomes presented together andpresented apart: An integration. Behavioural Processes, 57, 163-185.

Ortega, O. y Matute, H. (2000). Interference between elementally trained stimuli can take place in one trial.Learning and Motivation, 31, 323-344.

Pavlov, I. P. (1927). Conditioned reflexes. London: Clarendon Press.


Pineo, O. y Matute, H. (2000). Interference in human predictive learning when associations share a commonelement. International Journal of Comparative Psychology, 13, 16-33.

Pineo, O., Ortega, N. y Matute, H. (2000). The relative activation of the associations modulates interferencebetween elementally trained cues. Learning and Motivation, 31, 128-152.

Rosas, J. M., Vila, N. J., Lugo, M. y Lpez, L. (2001). Combined effect of context change and retentioninterval on interference in causality judgment. Journal of Experimental Psychology: Animal BehaviorProceses, 27, 153-164.

Slamecka, N. J. y Ceraso, J. (1960). Retroactive and proactive inhibition of verbal learning. PsychologicalBulletin, 57, 449-475.

Sloman, S. A. y Lagnado D. A. (2005). Do we do? Cognitive Science, 29, 5-39.Sobel, D., Tenenbaum, J. B. y Gopnik, A. (2004). Childrens causal inferences from indirect evidence: Back-

wards blocking and Bayesian reasoning in preschoolers. Cognitive Science, 28, 303-333.Tangen, J. M., y Allan, L. G. (2004). Cue-interaction and judgments of causality: Contributions of causal and

associative processes. Memory and Cognition, 32, 107-124.Vila, N. J. y Rosas, J. M. (2001a). Reinstatement of acquisition performance by presentation of the outcome

after extinction in causality judgments. Behavioural Processes, 56, 147-154.Vila, N. J. y Rosas, J. M. (2001b). Renewal and spontaneous recovery after extinction in a causal learning task.

Mexican Journal of Behavior Analysis, 27, 79-96.Waldmann, M. R. (1996). Knowledge-based causal induction. En D. R. Shanks, K. J. Holyoak, y D. L. Medin

(Eds.), The Psychology of Learning and Motivation, Vol. 34: Causal learning (pp. 47-88). San Diego:Academic Press.

Waldmann, M. R. (2000). Competition among causes but not effects in predictive and diagnostic learning.Journal of Experimental Psychology: Learning, Memory, and Cognition, 26, 53-76.

Waldmann, M. R. (2001). Predictive versus diagnostic causal learning: evidence from an overshadowingparadigm. Psychonomic Bulletin and Review, 8, 600-608.

Waldmann, M. R. y Hagmayer, Y. (en prensa). Seeing versus doing: Two modes of accessing causal knowledge.Journal of Experimental Psychology: Learning, Memory, and Cognition.

Waldmann, M. R., y Holyoak, K. J. (1992). Predictive and diagnostic learning within causal models: asym-metries in cue competition. Journal of Experimental Psychology: General, 121, 222-236.

Waldmann, M. R. y Walker, J. M. (en prensa). Competence and performance in causal learning. Learning &Behavior.

31

Nuevas perspectivas tericaspara el estudio de la extincin en juicios de causalidadMiguel A. Vadillo y Helena MatuteUniversidad de Deusto, Espaa

Introduccin: de Rescorla-Wagner a BoutonAunque la mayor parte de las teoras cientficas pasa a la posteridad por su xito en la

explicacin de los hechos conocidos y en la prediccin de nuevos fenmenos, no menosimportantes son todas aquellas hiptesis, teoras y modelos cuyo mayor mrito reside enimpulsar la investigacin y el desarrollo de una disciplina, aunque sea a causa de loserrores e incorrecciones que puedan contener. Tal vez en psicologa, una ciencia anjoven, no abunden teoras del primer tipo (y es difcil saber si las hay en las ciencias conms solera), pero sin duda hemos tenido y seguimos teniendo muchas de las segundas. Ysi en el campo de la psicologa del aprendizaje tuviramos que elegir el error ms fructfe-ro, no sera de extraar que ms de uno se decidiera por la teora del condicionamientoanimal propuesta por Rescorla y Wagner (1972). Surgido tras el renacer del estudio delcondicionamiento en los 60, el modelo de Rescorla y Wagner permiti explicar por mediode una frmula sencilla e intuitivamente atractiva algunos de los fenmenos por aquelentonces recin descubiertos que tenan en jaque a la visin tradicional del aprendizajeanimal que se haba mantenido desde los tiempos de Pavlov, fenmenos tales como elbloqueo (Kamin, 1968), la validez relativa (Wagner, Logan, Haberlandt y Price, 1968) o lasensibilidad de la respuesta condicionada a la contingencia EC-EI (Rescorla, 1968). De lamisma forma, el modelo realizaba predicciones completamente novedosas, tales como lasumacin o la sobre-expectacin (Kremer, 1978; Rescorla, 1970). Bajo su influencia seestablecieron las lneas actuales de investigacin (para una revisin, vase Dickinson,1980), se desarrollaron la mayor parte de las teoras modernas del aprendizaje (Mackin-tosh, 1975; Pearce, 1987; Pearce y Hall, 1980; Wagner, 1981), y lo que es ms importantepara el presente trabajo, se extendi la perspectiva asociativa al estudio de la induccincausal en la especie humana (Alloy y Abramson, 1979; Dickinson, Shanks y Evenden,1984; Lpez, Cobos, Cao y Shanks, 1998).

En el condicionamiento animal, este modelo supone que cada vez que un estmulocondicionado (EC) va seguido de un estmulo incondicionado (EI) inesperado se fortaleceuna asociacin entre las representaciones mentales de los dos estmulos. Por el contrario,si el EC no va seguido de un EI que se espera, la asociacin entre las representacin delEC y el EI se debilita. La respuesta condicionada (RC) que un animal da ante la presen-tacin de un EC estara determinada directamente por la fuerza de la asociacin EC-EI.As, si un animal ve que en varias ocasiones la aparicin de una luz (EC) va seguida deuna descarga (EI) que no espera, se desarrollar una asociacin luz-descarga que harque el animal acabe por tener miedo a la luz (RC) y la intensidad de este miedo depender,segn el modelo de Rescorla y Wagner (1972), de la fuerza de esta asociacin.


Las similitudes encontradas entre el condicionamiento animal y el aprendizaje causalhumano (Dickinson y cols., 1984) hicieron que se propusiera la hiptesis de que las perso-nas aprenden las relaciones de causa-efecto de la misma forma que los animales apren-den las relaciones EC-EI: cuando una clave va seguida de una consecuencia que no seespera se fortalece una asociacin clave-consecuencia y las personas pueden basarse enla fuerza de esta asociacin a la hora de juzgar si la clave y la consecuencia guardan entres una relacin causal. Esta idea segn la cual el conocimiento causal de las personas sebasa en asociaciones de representaciones mentales es el centro de toda una familia demodelos de aprendizaje causal conocidos como modelos asociativos (Dickinson y Burke,1996; Van Hamme y Wasserman, 1994).

A pesar de lo atractivo del modelo de Rescorla y Wagner (1972), algunos de suserrores obligaron a los investigadores a proponer ideas alternativas que a veces fueronms all de la mera revisin o matizacin. De entre sus muchas limitaciones (para unarevisin, vase Miller, Barnet y Grahame, 1995) tal vez la ms importante sea la equiva-lencia que estableca entre aprendizaje y ejecucin, que le obligaba a asumir que cuandolos organismos no mostraban evidencia de haber aprendido era porque, de hecho, nohaban aprendido nada. As, mientras que el modelo de Rescorla y Wagner (1972) explica-ba la competicin de claves (esto es, el bajo nivel de RC que provoca un EC que se haentrenado junto con un segundo EC que predice mejor el EI) como un fallo en el desarrollode una asociacin entre el EC crtico y el EI, la investigacin posterior mostr que losanimales s aprenden que existe una relacin entre el EC y el EI en estos paradigmas,aunque este aprendizaje no se exprese conductualmente si no se dan ciertas condiciones(por ejemplo, Batsell, 1997; Cole, Denniston y Miller, 1996; Miller y Grahame, 1991; Mi-ller, Jagielo y Spear, 1993; Pineo, Urushihara y Miller, 2005). El impacto de todos estosestudios difcilmente puede exagerarse, ya que mostraban que el mayor triunfo del modelode Rescorla y Wagner, la explicacin de los fenmenos de competicin de claves, erapuramente ilusorio y se realizaba por medio de un mecanismo poco plausible.

Ms importante para los propsitos del presente trabajo es la explicacin insatisfacto-ria que se ofreca de la extincin desde el modelo de Rescorla y Wagner (1972). Segneste modelo, el decremento en la respuesta condicionada que se observa cuando tras unafase de adquisicin (es decir, de emparejamientos del EC con el EI) el EC comienza apresentarse sistemticamente sin el EI se debe a un debilitamiento o desaprendizaje dela asociacin EC-EI. De nuevo se trataba de una explicacin forzada por la equivalenciaasumida entre aprendizaje y ejecucin: si la respuesta se reduce durante la extincin, estedescenso necesariamente se debe a la desaparicin de la asociacin que dio lugar a larespuesta durante la adquisicin. No haca falta recurrir a nuevos estudios para ver que setrataba de una explicacin errnea. Los propios experimentos de Pavlov (1927) mostra-ban que la respuesta extinguida reapareca si se dejaba pasar cierto tiempo tras la extin-cin, fenmeno conocido como recuperacin espontnea (vase tambin Rosas y Bouton,1996), o si el EC se presentaba junto con un estmulo novedoso, lo que se conoce con elnombre de desinhibicin externa. En ambos casos queda claro que la extincin no puede

EXTINCIN Y CAUSALIDAD 33

deberse a la desaparicin de una asociacin. Otros fenmenos, como la renovacin de larespuesta (la recuperacin de la respuesta condicionada que tiene lugar si se presenta elEC en un contexto diferente del de la extincin; vase Bouton y Bolles, 1979; Nakajima,Tanaka, Urushihara e Imada, 2000) o la reinstauracin (la recuperacin de la respuestacondicionada debida a la presentacin el EI aislado tras la fase de extincin; vase Res-corla y Heth, 1975) muestran tambin que los organismos siguen manteniendo un registrode la relacin EC-EI tras la extincin. La idea de que la adaptacin a las nuevas contin-gencias del entorno conlleva la destruccin o el deterioro de la informacin aprendidaanteriormente no es un supuesto exclusivo del modelo Rescorla-Wagner, sino que afectaen mayor o menor grado a gran parte de los modelos de aprendizaje, incluyendo a lasreglas de propagacin hacia atrs del error utilizadas actualmente en los modelos conexio-nistas de procesos cognitivos (Hetherington y Seidenberg, 1989; Lewandowsky, 1991;McCloskey y Cohen, 1989; Ratcliff, 1990).

En el caso de las teoras del condicionamiento animal, los fenmenos de recuperacinespontnea, desinhibicin externa, renovacin y reinstauracin provocaron el desarrollode nuevas teoras asociativas que entendan la extincin no como una destruccin delconocimiento adquirido durante la fase de adquisicin, sino como la formacin de unanueva asociacin que poda o no interferir con la expresin de la asociacin EC-EI depen-diendo de en qu circunstancias se presentara el EC. Para Bouton (1993; vase tambinBouton, 1997) el procedimiento de extincin haca que el EC se convirtiera en un predictorambiguo del EI, puesto que al principio el EC predice el EI y despus deja de hacerlo. Losanimales resolveran esta ambigedad prestando atencin al contexto en busca de ele-mentos que les puedan ayudar a decidir si el EC ir o no seguido del EI en un ensayodeterminado. En concreto, Bouton supone que cuando un EC deja de ir seguido del EI, losanimales empiezan a codificar el contexto, de modo que aprenden que la presentacin delEC en ese contexto no predice la aparicin del EI. Segn Bouton, esta codificacin delcontexto se realiza nicamente cuando una clave se convierte en ambigua (esto es, elanimal no tiene en cuenta el contexto a menos que perciba que la clave es un predictorambiguo y que el contexto puede ayudarle a resolver esta ambigedad), lo que implica queno tiene lugar durante la fase de adquisicin (en la que el EC predice sistemticamente elEI). Esto explica que no sea necesario volver a la situacin original de los emparejamien-tos EC-EI para que se recupere la respuesta condicionada. Como el contexto slo secodifica en la fase de extincin, lo que se aprende en esa fase se manifiesta nicamenteen ese contexto y basta con que se salga del contexto en el que tuvo lugar la extincinpara que la respuesta reaparezca. Si asumimos que el propio paso del tiempo o la presen-tacin de estmulos ajenos a la fase de extincin (por ejemplo un estmulo neutro novedo-so, o el propio EI utilizado durante la fase de adquisicin) pueden hacer que el animalperciba que el contexto ha cambiado con respecto a la fase de extincin, este mecanismonos permite explicar no slo la renovacin, sino tambin la recuperac

APRENDIZAJE CAUSAL Y RECUPERACIÓN

Documents

Transcript of APRENDIZAJE CAUSAL Y RECUPERACIÓN