Aprendizaje humano más allá del mero registro asociativo

1. ¿Por qué el aprendizaje humano va más allá del mero registro asociativo (condicionamiento clásico y operante)?

Pregunta: Mediante el aprendizaje los organismos mejoran en su capacidad para predecir los acontecimientos de su ambiente. ¿Qué argumentarías a favor de que el aprendizaje humano va más allá del mero registro asociativo de eventos, más allá del condicionamiento clásico y del operante?

Respuesta: Primero comenzaría diciendo que, si el aprendizaje humano solo dependiera de asociaciones —entendidas desde la filosofía empírica de Hume, es decir, desde la creación de leyes por medio de asociaciones a partir del «input sensorial»— estaríamos quedándonos en una postura reduccionista del aprendizaje humano. Si esto fuese así, es decir, si nuestro aprendizaje dependiera exclusivamente de las asociaciones y con esto se hicieran inferencias de relaciones causales (asociaciones interiorizadas ante eventos sensoriales y respuestas), entonces el ser humano aprendería o haría juicios sobre futuros hechos en paralelo con las contingencias reales. Es decir, el aprendizaje solo dependería y se basaría en las contingencias.

Sin embargo, esta afirmación se ha visto cuestionada por evidencias empíricas extraídas del experimento de Shanks y Dickinson (1987), donde se concluye que nuestros juicios no evolucionan en paralelo con el desarrollo de la contingencia. Por lo tanto, las contingencias no serían siempre la base para el aprendizaje de relaciones causales, porque a veces percibimos ciertas covariaciones como causas y otras no. En consecuencia, el aprendizaje humano no podría explicarse completamente desde el modelo que plantea que las covariaciones son la base de nuestras experiencias causales.

2. Condición de covariación 0.50 en el experimento de Shanks y Dickinson (1987)

Pregunta: Explica la condición del experimento de Shanks y Dickinson (1987) para el nivel de covariación 0.50 (75-25 en el gráfico de abajo). A partir de los datos que se representan en la gráfica de abajo, ¿se puede decir que los seres humanos computamos directamente las contingencias?

Respuesta: Para el nivel de covariación 0.50 quiere decir que, por ejemplo, un 75% de las veces que se ha disparado el tanque ha explotado. Teniendo estos datos en cuenta y observando el juicio de los sujetos (en la gráfica, podemos interpretarlos como que, en el caso de las contingencias no nulas, hay una curva de aprendizaje en los sujetos), se aprecia que los juicios sobre contingencias se ajustan progresivamente a las contingencias reales al final, después de una progresión.

Aun así, hay que añadir que, si el aprendizaje humano solo dependiera del cálculo directo de las contingencias, las áreas continuas (representación del juicio de los sujetos a lo largo del tiempo) deberían ser horizontales y coincidir exactamente con las líneas discontinuas que representan las contingencias reales. Esto no ocurre. Por lo tanto, el modelo que plantea que las covariaciones son la única base de nuestras inferencias causales no explica completamente los datos. Es decir, puede que nuestras inferencias de causalidad no dependan exclusivamente de la detección de covariación.

3. Curanderos, naturalistas y charlatanes: atribución errónea de curaciones

Pregunta: Curanderos, naturistas y charlatanes se benefician enormemente de enfermedades que se curan solas prácticamente siempre. La gente acaba atribuyendo la curación a los brebajes que estos individuos les dan. ¿Con cuál de las cuatro condiciones del experimento de Shanks y Dickinson (1987) podrías explicar este hecho? Razona tu respuesta.

Respuesta: Con la condición de covariación 0.50. Si las enfermedades que tratan se curan prácticamente siempre, la probabilidad de que se curen será alta con o sin intervención. Por lo tanto, este hecho influye en los juicios de causalidad de las personas y, en consecuencia, la atribución de la cura a los brebajes de estos curanderos se difunde y se mantiene. En términos experimentales, una alta tasa base de recuperación puede llevar a que la gente detecte una asociación entre el remedio y la mejoría aunque no exista una relación causal real.

4. Asimetría entre causas y efectos (Waldman, 2000)

Pregunta: El experimento de Waldman (2000) pone de manifiesto la asimetría entre causas y efectos. Señala, en la gráfica de abajo, y explica brevemente qué aspectos de sus resultados son clave para poder afirmar tal asimetría entre causas y efectos.

Respuesta: La diferencia se percibe cuando, en la segunda fase, el grupo en el que se presentaba la condición «sustancias como efectos» al añadir la tercera sustancia mantiene el juicio de las personas constante respecto a la fase 1. Sin embargo, en la fase 2 del grupo «sustancias como causas» se aprecia un cambio de juicio de las personas respecto a la fase 1.

Esto podría interpretarse así: en el primer grupo no hay cambio respecto a las sustancias 1 y 2. Sin embargo, en el grupo al que se le dijo que las sustancias eran la causa de las enfermedades sí se registra una atenuación en los juicios sobre la sustancia 3. Parece ser que no estamos dispuestos a admitir que S3 sea causa de e1 puesto que esa causalidad ya está atribuida a S1. Sin embargo, no tenemos tantos problemas para aceptar que S3 pueda ser otro efecto de e1. Por tanto, estos resultados muestran una asimetría entre cómo tratamos las evidencias en términos de causas y en términos de efectos, y esa asimetría no es fácilmente explicable desde las teorías asociacionistas puras.

5. Elementos para explicar el razonamiento causal según Sloman y Lagnado (2014)

Pregunta: ¿Qué elementos hay que considerar para dar cuenta del razonamiento causal en el ser humano según Sloman y Lagnado (2014)?

Respuesta: Sloman y Lagnado consideraban que la inferencia causal es más que una forma de representar y actualizar probabilidades; es más que pura inferencia bayesiana. Por ello, para dar cuenta del razonamiento causal en el ser humano hay que considerar elementos de tres tipos:

• Asumir que hay un mecanismo implicado: suponemos que existe un mecanismo subyacente que conecta causas y efectos, no solo una covariación estadística.
• Desarrollar una narrativa: agregamos eventos y relaciones en historias coherentes que sirven como explicaciones (teorías) para los hechos observados.
• Realizar simulaciones mentales: construimos representaciones internas y ejecutamos simulaciones de los mecanismos para prever y contrastar resultados.

Digamos que las simulaciones mentales son representaciones de los mecanismos; cuando hay múltiples eventos implicados, esas simulaciones quedan agregadas en narrativas, que conforman la historia que nos contamos a nosotros mismos cuando nos esforzamos por buscar una explicación (teorías).

Nota: He respetado el contenido original y lo he corregido y organizado para mejorar la claridad, la gramática y la legibilidad, así como para optimizar su estructura para SEO sin eliminar ninguna información del texto proporcionado.