En el Capítulo III analizamos las relaciones entre procesamiento de informa ción y aprendizaje. Allí señalábamos que, aunque el aprendizaje ha sido uno de los más clamorosos olvidos del enfoque del procesamiento de información en los últimos años, están aumentando considerablemente los esfuerzos por elaborar teorías del aprendizaje basadas en los supuestos computacionales. Este auge es tá vinculado al propio fracaso de los sistemas de procesamiento dé propósitos generales. Los primeros modelos producidos por el procesamiento de informa
ción, como por ejemplo el Solucionador General de Problemas de Newell y Si
món (1972), partían de sistemas de procesamiento dotados de una gran ca
pacidad sintáctica general que les permitía supuestamente enfrentarse a cualquier tarea sin necesidad de conocimientos específicos. Pero ese supuesto resultó ser erróneo. Además de una capacidad sintáctica, los sistemas de procesamiento, sean artificiales o humanos, necesitan una cierta cantidad de conocimientos es pecíficos para enfrentarse a un problema complejo, «semánticamente rico»
(Bhaskar y Simón, 1977). Se pasó así al diseño de sistemas expertos en áreas te
máticas específicas, dotados de grandes conocimientos en esa área que les per miten resolver problemas enormemente complejos con una gran eficacia, siempre que pertenezcan a ese dominio de conocimientos. Buena parte de los esfuerzos
118 Teorías cognitivas del aprendizaje
de la Inteligencia Artificial están actualmente dirigidos al diseño de sistemas ex
pertos (por ej., Cuena, 1986; Hart, 1986; Mumpower y cois., 1987).
Pero el hecho de tener que cargar de contenidos semánticos a esos sistemas plantea la necesidad, no sólo teórica sino también técnica, de proporcionarles una cierta capacidad para adquirir esos conocimientos. De esta forma, el apren dizaje se constituye en un problema relevante para la ciencia cognitiva. Desde un punto de vista teórico, es necesario postular mecanismos que expliquen la ad quisición de esos conocimientos por los sistemas humanos de procesamiento. Desde un punto de vista técnico, si no se quiere seguir toda la vida dándoles el conocimiento cucharada a cucharada, regla a regla, es necesario dotar a los computadores de la capacidad para adquirir por sí mismos conocimientos com plejos, incluidos los conceptos. En los últimos años se han realizado numerosos y crecientes esfuerzos por proporcionar a los sistemas de procesamiento humanos
y artificiales de un cierto poder de automodificación (por ej., Anderson, 1981,
1983; Bo l c, 1987 HOLLAND y cois., 1986; Kl a h r, La n g ley y NECHES, 1987;
McClelland, Rumelharty grupo PDP, 1986; Michalski, Carbonell y Mitchell,
1986; Mitchell, Carbonelly Michalski, 1986; Schank, Collinsy Hunter, 1986;
Shuell, 1986; Sieglery Klahr, 1982; Voss, 1984). Estos esfuerzos han desembo cado en una serie de teorías computacionales del aprendizaje que, si bien difieren entre sí en aspectos importantes, comparten un núcleo conceptual común (véase Cap. III). En esencia, todas ellas se basan en la posibilidad de reducir la semán tica a reglas sintácticas. Por tanto, la adquisición de conceptos deberá también explicarse sintácticamente.
Pero, a partir de ese núcleo común, existen ciertas diferencias entre unas teo rías y otras. Aquí no vamos a detenernos en analizar esas diferencias, como tam poco nos ocuparemos de todas las teorías. Unicamente señaleramos qué tipo de teorías, de entre las existentes, serán analizadas a continuación, de acuerdo con los intereses de este libro. Aunque comparten importantes puntos en común, al gunas de las teorías computacionales se desarrollan en el ámbito de la Inteligen
cia Artificial (por ej., Bo lc, 1987; Michalski, Carbonell y Mitchell, 1986), mien
tras que otras tienen un origen psicológico (por ej., Anderson, 1983; Hollandy
cois., 1986; Rumelharty Norman, 1978). La diferencia reside en que, mientras la
Inteligencia Artificial sólo se preocupa de que los sistemas funcionen, sin buscar su compatibilidad con los datos psicológicos, las otras teorías, respetando los lí mites de la metáfora computacional, intentan ser psicológicamente relevantes, adecuándose a los datos que se conocen sobre el procesamiento humano de in formación. Así, se intenta dotar a las teorías de una plausibilidad psicológica, pro poniendo un procesamiento en paralelo en lugar de serial, una memoria de traba jo de capacidad limitada o un aprendizaje en tiempo real. Además se intenta que las teorías expliquen los datos psicológicos relevantes sobre el aprendizaje per
ceptivo (Rumelhart y Zipser, 1985), de destrezas (Anderson, 1982, 1983) o de
conceptos (An derso n, Kline y Beasley, 1979; Elio y An derson, 1981, 1984;
Hollandy cois., 1986). Por último algunas teorías intentan incluso adecuarse a
los datos conocidos sobre la neurofisiología humana (McClelland, Rumelhart, y
Teorías computacíonales 119
Nuestra exposición se centrará obviamente en estas teorías computacíonales de origen psicológico, que suelen caracterizarse por ser teorías generales del pro cesamiento en las que el aprendizaje es uno más de los procesos relevantes. De hecho, el aprendizaje suele ser el último de los procesos incorporados al sistema, ya que en muchos casos las teorías del aprendizaje surgen con el fin de validar un
modelo de procesamiento estático (Anderson, 1987). Por ello, estas teorías sue
len partir de un marco representacional, no siempre coincidente. Esto supone una ventaja, ya que, a diferencia de lo que sucedía en buena medida con las teorías analizadas en los capítulos anteriores, el aprendizaje se relaciona con el resto de los procesos psicológicos. Junto a su inclusión en una teoría más general, estas teorías suelen paradójicamente aplicarse a dominios de conocimiento específi cos. Aquí nos ocuparemos tan sólo de las teorías aplicables a la adquisición de significados por un sistema de procesamiento, dejando a un lado otro tipo de teo
rías ocupadas, por ejemplo, en aprendizaje perceptivo (Ru m elhart y Zipser,
1985) o en la adquisición de destrezas específicas (véase por ej., Ande r s o n,
1981).
Dentro de las teorías del aprendizaje com putacional psicológicam ente rele vantes que se ocupan de la adquisición de conceptos, presentarem os tan sólo tres de sus e je m p lo s más p ro to típ ic o s , c o m o son las teorías ACT* (Adaptive Control of Thought: C o ntrol A d a p ta tivo del Pensamiento) de Anderson (1982,
1983), la teoría de los esquem as de Rumelhart y Norman (1978) y la reciente
mente form ulada teoría de la inducción pragmática de Holland y cois. (1986). De jaremos a un lado otras teorías, com o por ejem plo la teoría de la instrucción de
Gagne (1975, 1985) la teoría de la in ducción pragm ática de Sc h a n k, Collins y
Hunter (1986), las teorías "m icro e stru ctu ra le s" del apren dizaje (McClellan d, Rumelhart y grupo PDP, 1986) u otras form ulaciones de la teoría de los esque mas (véase por ej., Brewer y Nakamura, 1984; Sierra, 1985). En cualquier caso, las teorías que analizamos a continuación recogen la mayor parte de los mecanis mos del aprendizaje postulados en esas otras teorías.