Como puede verse en la tesis (E3), los modelos empiristas no se diferencian de los innatistas por sostener que no hay estructuras mentales innatas. Ambas tradiciones se comprometen con ciertas estructuras cognitivas previas al proceso de aprendázáje, aunque difieren en cuanto a su naturaleza. La tradición empirista, desde Aristóteles pasando por Hume hasta la actualidad, admite claramente que existen procesos cognitivos innatos.
Sin embargo, como argumenta Fodor (1981), hasta un mecanismo que implemente una lógica inductiva tiene que tener acceso a un amplio conjunto de elementos innatamente dados para ser capaz de aprender, tales como:
Un número restringido de hipótesis a ser testeadas; que a su vez presupone un formato y un vocabulario para la especificación de la hipótesis.
Un formato y un vocabulario para la representación de los datos.
3. Una métrica de la confirmación. Esto es, una función que toma pares que consisten en hipótesis y datos, a los que les asigna números que expresan el grado de confirmación de la hipótesis de acuerdo con esos datos.
Análogamente los modelos conexionistas, como el de la Fig. 1, poseen:
V. Un número restringido de hipótesis a ser testeadas: por ejemplo, "el mismo sonido", "distinto sonido" en el modelo de la Fig. 1.
Un formato y un vocabulario para la representación de los inputs en las unidades de entrada: "ba", "da", "ga", y de salida: "1",
" o ,,.
Una métrica de la confirmación. Esto es, una función o algoritmo que opera en las unidades ocultas permitiendo ajustar los pesos de las conexiones. Esto se realiza de manera tal que el patrón de activación permite decidir entre ambas hipótesis, asociando ciertos inputs con ciertos outputs.
De manera que aún los procesos de propósito general requerirían algún tipo de información innata, al menos para poder formular las hipótesis posibles, y en este sentido estos procesos ya no serían generales sino de propósito específico. Tal como mencioné en la introducción, el aporte novedoso de los autores contemporáneos al debate parece radicar en la discusión respecto de la especificidad de los mecanismos encargados de adquirir el lenguaje. Como también vimos en la introducción, según Fodor (2000) la especificidad de dominio es una propiedad que caracteriza o bien a la información a la que responde un determinado mecanismo o bien al proceso que éste lleva a cabo. En el primer sentido, un mecanismo es específico de dominio cuando posee un conjunto de inputs restringido sobre el que puede operar. En el segundo sentido, un mecanismo es específico de
dominio cuando la función que desempeña es específica, es decir, cuando ningún otro mecanismo desempeña esa función. De manera que, como contrapartida, es posible sostener que un mecanismo es general siempre y cuando no posea un conjunto de inputs restringido sobre los que pueda operar, o bien desempeñe una función no específica, llevada a cabo por algún otro mecanismo, en algún otro dominio de información.
Algunos autores han puesto en duda que los modelos conexionistas sean capaces de operar sobre conjuntos de inputs irrestrictos, tal como propone Elman et al. (1996). En otras palabras, han cuestionado el grado de generalidad que puede defenderse en (El). Marcus (1998) argumenta que los modelos conexionistas sólo son capaces de aprender correspondencias entre conjuntos pre-especificados de rasgos observados. En este sentido, cada nodo es un detector de rasgos específicos. Así, en la Fig. 1 un nodo se activa si y sólo si el input contiene la expresión "ga", otro nodo se activa si aparece la expresión "ba", mientras que en la Fig. 2, un nodo se activa cuando recibe como input "diez" y otro se enciende cuando recibe "son", y así sucesivamente. De manera que cada red neuronal se encuentra especialmente diseñada para responder a una serie de estímulos determinados, y por ende, en este sentido, hay que reconocer que son específicas de dominio. Como veremos con más detalle en el siguiente capítulo, parece que hay que concederle enfoque innatista que para que un proceso de aprendizaje sea capaz de llevar a cabo su función debe encontrarse restringido respecto de los estímulos que es capaz de procesar.
Si bien comparto esta crítica de Marcus (1998), creo que es posible sostener que los mecanismos postulados por los empiristas siguen siendo generales en el segundo sentido arriba mencionado. Al defender que el mismo proceso estadístico (o algoritmo) puede servir para modelizar distintos tipos de aprendizaje, por ejemplo, para procesar lenguaje o para identificar rostros humanos, los mecanismos de aprendizaje empiristas seguirían exhibiendo cierto grado de generalidad. Teniendo en cuenta estas consideraciones, la tesis (El) podría leerse de la siguiente manera: los mecanismos generales de aprendizaje son generales en el sentido de que
implementan el mismo proceso inferencial, aun cuando en distintos dominios cognitivos operen sobre información específica.
Así, el mismo algoritmo A, utilizado por ciertos modelos conexionistas, podría instanciarse en distintos dominios (x, y, z) para aprender de distintas fuentes de estímulos (por ejemplo, lenguaje o rostros humanos). Este proceso, en cada dominio A(x), A(y), A(z), operaría sobre información específica, pero implementando un algoritmo "general" (A). Es decir, el mismo proceso (A) podría servir para aprender a partir de distintos tipos de estímulos, provenientes de los dominios x, y, z. En este aspécto, los modelos conexionistas continúan siendo de propósito general, aun cuando sus nodos de entrada posean información específica de dominio, ya que, en última instancia, los mecanismos que postulan implementan los mismos principios de activación o inhibición entre las unidades y los mismos procesos. Por otro lado, a diferencia del enfoque innatista, el empirista defiende la utilización de mecanismos ajenos al dominio lingüístico a la hora de dar cuenta de la adquisición de distintos aspectos del lenguaje, tales como mecanismos provenientes de la cognición social (como los de atención compartida o los que permiten identificar la intención del hablante).
Aun cuando el enfoque empirista podría realizar una contribución importante a la hora de dar cuenta de diversos fenómenos del aprendizaje del lenguaje, lo cierto es que posee una limitación elemental en la que creo que vale la pena detenerse a reflexionar un momento. En términos generales, los modelos conexionistas no parecen modelar apropiadamente el aprendizaje típicamente humano, puesto que no dan lugar a la productividad combinatoria. Y esto parece ser así debido a ciertas propiedades intrínsecas de los modelos conexionistas.
Marcus (1998) destaca, por ejemplo, que el modelo de la Fig. 1, entrenado para identificar como iguales dos ¡nputs, en el caso de que se activen en los perceptos A y B las unidades "ba", o bien las unidades "da", no es capaz de generalizar la relación de identidad al caso en el que ambos perceptos incluyen los inputs "ga", tal como lo haría una persona. Esta dificultad consiste en que lo que el modelo aprende acerca de un conjunto de
inputs no se generaliza a cómo el modelo trata el conjunto siguiente de inputs. Este problema es intrínseco a cualquier modelo conexionista que represente sus inputs por medio de múltiples conjuntos de unidades trabajando en paralelo y que requieran entrenamiento independiente. Este problema emerge justamente de su diseño interno debido a que, en cualquier ensayo, si una unidad de entrada no es activada (por ejemplo, "ga" en la Fig.
1), los pesos que conducen desde ese input a las unidades ocultas o hacia los outputs permanecen intactos, más allá de lo que suceda con la actividad de las otras unidades de esa misma capa ("da" o "ba", en la Fig. 1). De modo que si un nodo de entrada no es activado, el modelo no aprende absolutamente nada de ese nodo, sin importar cuáles son los rasgos del resto de los pares input—output del entrenamiento.
Como se vio anteriormente, Van Der Velde et al. (2004) arribaron a resultados igualmente anómalos. Ellos encontraron que la red no exhibía productividad combinatoria. A diferencia de la productividad que exhibe el lenguaje natural, la capacidad del modelo que analizaron para producir y comprender oraciones era limitada y se encontraba restringida exclusivamente a las oraciones de entrenamiento. Por ejemplo, procesaba
"chico mira chica", "perro escucha gato", con las que había sido entrenada, pero no era capaz de procesar "chico escucha chica" que no estaba dentro de los inputs de entrenamiento.
Dado que cada unidad de entrada de los modelos conexionistas debe ser entrenada de manera independiente de las demás unidades para que active alguna unidad de salida, lo que el modelo aprende acerca de un par input-output determinado no afecta en nada el aprendizaje de otros pares posibles. Esta estructura que poseen las redes neuronales da lugar a un tipo de aprendizaje que es "limitado" y "puntual". Es limitado, en tanto el modelo sólo es capaz de procesar aquellas expresiones que fueron presentadas en el entrenamiento. El modelo sólo conoce el inventario de estímulos a los que ha sido expuesto, ni uno más, ni uno menos. A diferencia de los seres humanos, el aprendizaje de estos modelos es puntual, en tanto el modelo es capaz de aprender de manera desconectada distintos tipos de ¡nputs, sin
poder extender las generalizaciones realizadas a partir de un conjunto de
¡nputs del entrenamiento a un conjunto de ¡nputs fuera del entrenamiento.
Para hacer uso de una metáfora utilizada por Fodor y Pylyshyn (1988), pareciera que los modelos conexionistas aprenden el lenguaje memorizando un enorme libro de frases. El libro de frases, por más extenso que sea, nunca exhibirá la productividad combinatoria que exhiben los lenguajes naturales, en tanto contendrá un inventario finito de oraciones de un lenguaje. En este sentido, un rasgo central que diferencia este tipo de aprendizaje del que llevan a cabo los niños expuestos a un lenguaje es que se puede aprender una parte cualquiera de ese libro sin saber absolutamente nada del resto. En este tipo de aprendizaje, aprender las oraciones "chico escucha chica" y
"perro corre gato" no habilita a aprender "perro escucha gato", "chico corre chica", ni siquiera "chica escucha chico" o "gato corre perro".
Según Fodor y Pylyshyn (1988), estas peculiaridades del aprendizaje conexionista radican en que las representaciones a las que dan lugar estos modelos carecen de una estructura combinatoria que permita generar expresiones complejas haciendo uso de expresiones más simples. Para poder explicar por qué los niños no adquieren un lenguaje puntual ni limitado, sino que más bien aprenden un lenguaje que es combinatoriamente productivo (i.e. son capaces de producir y comprender, idealmente, una cantidad potencialmente infinita de expresiones combinando una cantidad limitada de elementos léxicos) y sistemático (expuestos sólo a la oración
"chico corre chica" son capaces de aprender "chica corre chico"), se requiere una arquitectura cognitiva que manipule símbolos, esto es, que manipule representaciones que tengan estructura combinatoria.
El argumento de Fodor y Pylyshyn (1988) a favor de la estructura combinatoria (semántica y sintáctica) de las representaciones, aplicada al ámbito del lenguaje natural, diría lo siguiente:
1. Los lenguajes naturales exhiben productividad y sistematicidad.
El conocimiento del lenguaje que poseen los seres humanos no consiste en un inventario limitado de oraciones de un lenguaje. Más bien, poseemos una capacidad de poder expresivo ilimitada que nos permite producir/comprender una cantidad indefinida de expresiones. Tampoco consiste en una serie desconectada de oraciones sino que hay relaciones sistemáticas entre ciertos conjuntos de ellas. Así, la habilidad de producir/comprender algunas oraciones se encuentra intrínsecamente conectada con Ja habilidad de producir/comprender ciertas otras.
Para que un lenguaje sea productivo y sistemático debe ser composicional.
Para que un lenguaje sea capaz de producir una cantidad potencialmente infinita de expresiones y para que la producción/comprensión de ciertas oraciones se encuentre intrínsecamente conectada con la producción/comprensión de ciertas otras oraciones, el lenguaje debe
• satisfacer el principio de composicionalidad: "Una representación es composicional si y sólo si tanto su estructura sintáctica como su contenido composicional, se encuentran determinadas por la estructura sintáctica y el contenido semántico de sus partes constituyentes" (Fodor 2008, p. 171).
Para que un lenguaje satisfaga el principio de composicionalidad debe admitir representaciones con estructura combinatoria.
Para que el lenguaje sea composicional, y cada elemento léxico realice aproximadamente la misma contribución en cada expresión en la que participa, debe admitirse que las representaciones tienen que poseer estructura combinatoria, esto es, una estructura semántica y sintáctica. El tipo de representaciones que poseen estructura combinatoria semántica y sintáctica son las de formato simbólico o lingüístico (Vs. imágenes, patrones de activación de nodos, etc.). Básicamente, esto es así porque es el único tipo de formato que posee las propiedades sintácticas requeridas para dar
cuenta de la productividad combinatoria y de la sistematicidad. Es posible prod uci r/com prender expresiones complejas a partir de expresiones más simples porque cada ítem léxico contribuye con sus propiedades semánticas y sintácticas a la totalidad de las expresiones en lás que figura. Asimismo, si un sujeto puede expresar que "la chica ama a Juan", tendrá la capacidad de expresar que "Juan ama a la chica", dado que ambas oraciones comparten los mismos constituyentes.
4. Por lo tanto, para explicar la productividad y la sistematicidad de los lenguajes naturales se deben postular representaciones lingüísticas.
Si bien esta estrategia argumental a favor de la estructura combinatoria de las representaciones ha sido sometida a diversos tipos de críticas (Szabó 2000, 2007), constituye, hasta donde sé, la mejor explicación disponible para dar cuenta de las diferencias en el aprendizaje que exhiben los modelos conexionistas y los niños al adquirir el lenguaje. Las representaciones a las que dan lugar los modelos conexionistas poseen propiedades semánticas puesto que son acerca de algo, sin embargo no poseen propiedades sintácticas, y por eso no poseen estructura combinatoria. Si bien pueden combinarse por medio de operaciones asociacionistas o estadísticas no pueden establecerse relaci.ones jerárquicas entre ellas, de manera que no poseen una estructura combinatoria adecuada para dar cuenta de la productividad combinatoria. Además, al ser sensibles al contexto no constituyen entidades discretas que puedan contribuir siempre con las mismas propiedades semánticas en las expresiones en las que aparecen.
Por ello, luego de dedicar el siguiente capítulo a analizar el enfoque innatista de adquisición del lenguaje, concluiré en el capítulo 4, que los mecanismos estadísticos de aprendizaje que permiten extraer regularidades del estímulo, sólo pueden ser útiles si se encuentran al servicio de algún mecanismo combinatorio. En este sentido, los mecanismos empiristas
podrían, en última instancia, contribuir a equipar el léxico, identificando patrones sonoros del lenguaje, evaluando hipótesis acerca del posible significado de ciertas palabras, etc., pero una vez equipado, el mecanismo combinatorio se encargaría de manipular esas representaciones para dar lugar a expresiones más complejas.
3 El enfoque innatista de la adquisición del lenguaje
En paralelo al desarrollo del enfoque empirista del capítulo anterior, en este capítulo, en el apartado 3.1, trazo ciertos vínculos argumentales entre algunos de los exponentes más representativos del innatismo tradicional. No es mi propósito aquí tampoco realizar una revisión histórica pormenorizada de la tradición innatista sino, más bien, encontrar las raíces filosóficas de este enfoque, identificando las líneas argumentales recurrentes que pueden observarse en los desarrollos de algunos de sus defensores más distintivos.
En la sección 3.2 identifico las tesis básicas del enfoque innatista contemporáneo en adquisición del lenguaje teniendo en cuenta los mismos tres ejes utilizados para el empirismo: (1) el tipo de mecanismo que lleva a cabo el proceso de aprendizaje, (2) el vínculo que mantiene el mecanismo con los estímulos que procesa y (3) las estructuras mentales que se consideran parte del equipamiento innato del individuo. Como veremos, el innatismo postula mecanismos específicos de dominio. Son específicos de dominio, tanto respecto del proceso como del tipo de ¡nputs sobre los que estos operan. La metáfora utilizada por los innatistas para dar cuenta de la relación que estos mecanismos mantienen con los estímulos es la de un circuito eléctrico y el interruptor que lo activa. De la misma manera que la posición de un interruptor desencadena un proceso que se encuentra configurado, el input lingüístico desencadena o dispara ciertos parámetros o elecciones asociadas a algunos principios lingüísticos. En este sentido, el proceso de adquisición del lenguaje consiste en un proceso en el cual el input lingüístico selecciona sólo cierta información que ya se encuentra de alguna manera presente en ls principios y parámetros lingüísticos innatos de la FL.
De esta manera, el enfoque innatista no sólo se compromete con mecanismos innatos, sino también con información lingü}stica innata expresada en los principios y parámetros de la gramática universal (GU) que guían el proceso de adquisición del lenguaje.
En el apartado 3.3 me detengo en los que considero que son los dos argumentos principales innatistas que defienden las tesis básicas desarrolladas en 3.2: el APE y el argumento de la analogía con los órganos.
Sostengo que el APE sólo logra dar un apoyo indirecto al enfoque innatista, puesto que sólo permite defender, en contra del conductismo, que para dar cuenta del proceso de adquisición del lenguaje es necesario recurrir a los atributos internos del individuo. Ahora bien, esta conclusión es compatible tanto con el enfoque empirista como con el innatista, puesto que ambos atribuyen al individuo ciertos procesos mentales innatos a la hora de explicar cómo se aprende la lengua. De modo que para dar apoyo a la especificidad de dominio del mecanismo encargado de adquirir el lenguaje, el innatismo requiere un segundo argumento, el ARS, que permita defender que sólo los mecanismos adecuadamente restringidos son capaces de explicar este proceso de aprendizaje. Así, mientras que el APE muestra, en contra del conductismo lingüístico, la necesidad de postular mecanismos o procesos mentales, el ARS muestra, en contra del empirismo, la necesidad de postular mecanismos de aprendizaje de dominio específico. Considero que esta estrategia argumental logra su cometido y de alguna manera obliga al empirista a admitir que debe reconocer la existencia de ciertas restricciones para que los procesos estadísticos que defiende puedan funcionar. En cuanto al argumento de la analogía con los órganos, considero que si bien da apoyo al innatismo de ciertos mecanismos, no logra especificar si la FL hace uso de mecanismos generales o específicos del lenguaje.
En la sección 3.4 abordo la explicación de la adquisición del lenguaje en función de las tesis básicas identificadas en 3.2 y los argumentos en su defensa de 3.3. En base a esto, evalúo cómo este enfoque da cuenta de los desiderata desarrollados en el primer capítulo. Como veremos, de manera inversa al enfoque empirista, el enfoque innatista es muy satisfactorio para dar cuenta de los fenómenos sintácticos, pero tiene problemas a la hora de explicar, los fenómenos fonológicos y léxico semánticos. Más específicamente, el innatismo no parece dar con una explicación igualmente detallada a la del abordaje empirista a la hora de acomodar los fenómenos de
identificación de los patrones fonológicos y de segmentación del habla en palabras. Al parecer, los mecanismos estadísticos sensibles a las propiedades distribucionales del estímulo, siempre y cuando se encuentren adecuadamente restringidos al estímulo lingüístico, serían las herramientas idóneas para abordar estos dos fenómenos en los que parecen flaquear los abordajes innatistas.
Dedico el apartado 3.5 a hacer frente a un conjunto de críticas que ha recibido el uso del término "innato" en ciencia cognitiva. Allí defiendo que contrariamente a lo que afirman muchos críticos, esta noción puede abordarse satisfactoriamente haciendo uso de concepciones biológicas.
Como veremos, la afirmación de que el estado inicial de la FL es innato puede equipararse con la afirmación de que la FL constituye un fenotipo, i.e.
que su desarrollo se encuentra canalizado.
Por último, en la sección 3.6, realizo un balance crítico de las tesis innatistas. Acuerdo con el enfoque innatista que el ARS logra concluir que hay que postular restricciones sintácticas. En este sentido, la productividad combinatoria requiere postular un mecanismo específico de la EL, tanto en términos de la información que computa como del algoritmo que opera sobre esa información. Sin embargo, sostendré que la relación entre el mecanismo de aprendizaje y el estímulo lingüístico puede ser vista, tal como plantea el empirismo, como un proceso en el que se evalúan hipótesis, aunque restringidas al tipo de información que se toma como evidencia. Este proceso de evaluación de hipótesis restringidas al dominio lingüístico permitiría adquirir los elementos específicos del lenguaje nativo al que se encuentra expuesto el niño y podría implementarse en mecanismos estadísticos de aprendizaje restringidos. De esta forma, como se verá en el capítulo 4, podrían compatibilizarse, por un lado, procesos estadísticos, sensibles a las propiedades distribucionales del estímulo específicamente lingüístico, que permitirían equipar el léxico con, por otro lado, un sistema computacional de procesamiento lingüístico que se encargaría de combinar los ítems léxicos permitiendo así poder dar cuenta de los fenómenos sintácticos. Puesto que estos mecanismos estadísticos poseerían información innata acerca de las