Resumen de Historia y Paradigmas de la Psicología Cognitiva

## Introducción El conexionismo en psicología cognitiva propone describir la mente como un sistema computacional que opera mediante redes de unidades conectadas. Surgido como una alternativa a modelos simbólicos, el conexionismo enfatiza procesos distribuidos, paralelos y subsimbólicos que permiten explicar ciertos fenómenos cognitivos desde parámetros como patrones de conectividad y activación. Este material presenta los conceptos clave, ejemplos y aplicaciones para comprender la importancia y alcance del enfoque conexionista. ## ¿Qué es el conexionismo? > **Definición:** El conexionismo es un enfoque que modela procesos mentales mediante redes de unidades simples interconectadas cuyos estados de activación cambian en el tiempo según reglas de conexión y aprendizaje. ### Elementos básicos de una red conexionista - **Unidades (nodos):** elementos subsimbólicos con niveles de activación. - **Conexiones:** enlaces entre unidades con valores numéricos llamados pesos o fuerzas de conexión. - **Patrones de activación:** configuraciones simultáneas de activación que representan información distribuida. - **Algoritmos de actualización:** reglas que determinan cómo cambian las activaciones con el tiempo. - **Reglas de aprendizaje:** mecanismos que ajustan los pesos en función de experiencia o error. > **Definición:** Una unidad se entiende como una función de activación que transforma entradas ponderadas en una salida, típicamente mediante una función no lineal. ## Niveles y vocabulario: ¿microcognición? El conexionismo sitúa su explicación en un plano cercano al «microcognitivo»: no habla de proposiciones o esquemas conscientes, sino de parámetros que describen un sistema computacional encarnado en un tipo particular de procesador: el sistema nervioso. Estos parámetros no son objetos intencionales ni accesibles por introspección, sino descripciones funcionales del procesamiento. Did you know que el conexionismo fue promovido masivamente por la obra "Parallel Distributed Processing" (1986) que consolidó modelos y técnicas para redes distribuidas y aprendizaje asociativo? ## Comparación: conexionismo vs otros enfoques | Aspecto | Conexionismo | Modelos simbólicos / paradigmáticos | |---|---:|---| | Representación | Distribuida, patrones de activación | Locales, símbolos y estructuras manipulables | | Naturaleza de las unidades | Subsimbólica, activaciones continuas | Simbólica, discretas | | Aprendizaje | Ajuste de pesos, aprendizaje por error | Regla explícita, programación simbólica | | Accesibilidad introspectiva | No accesible fenoménicamente | Relacionable con representaciones conscientes | | Relación con neurociencia | Más cercano al nivel neuronal funcional | Más abstracto, independiente del sustrato | ## Cómo funcionan en la práctica: ejemplos 1. Redes de asociación simple - Ejemplo: aprender que un estímulo A activa respuesta B ajustando pesos mediante una regla de correlación. - Aplicación: modelos de memoria asociativa y recuperación parcial. 2. Redes de percepción y reconocimiento - Ejemplo: una red que categoriza imágenes mediante activaciones distribuidas y capas de unidades que extraen rasgos. - Aplicación: reconocimiento de patrones, lectura de texto manuscrito. 3. Redes recurrentes y secuencias - Ejemplo: una red recurrente que mantiene contexto temporal para procesar series temporales. - Aplicación: modelado de lenguaje y predicción temporal. > **Definición:** Aprendizaje supervisado en redes conexionistas consiste en ajustar pesos para minimizar la discrepancia entre salida producida y salida esperada según una función de error. ## Reglas y fórmulas fundamentales (intuición matemática) - Entrada ponderada de una unidad: si una unidad recibe entradas $x_i$ con pesos $w_i$, la suma ponderada es $\sum_i w_i x_i$. - Activación con función no lineal: la salida $y$ puede definirse como $y = f\left(\sum_i w_i x_i + b\right)$, donde $b$ es un sesgo y $f$ una función de activación. > **Definición:*