Acceso usuarios
En las dos ultimas décadas el estudio del Aprendizaje Causal ha experimentado un gran avance en lo que se refiere a la formulación de modelos que tratan de explicar cómo las personas somos capaces de inferir relaciones e causalidad a partir de !a observación de la relación estadística entre acontecimientos del medio. Muchos modelos reducen la explicación a un algoritmo de cómputo simple. Frente a esa idea mecanicista, en este trabajo adoptamos una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisición de conocimiento causal. En otras palabras, pretendemos responder a dos preguntas fundamentales: a) qué información es relevante en el aprendizaje de relaciones de causalidad?, y b) ¿ por lué dacha información es rele-vante? Desde este punto de vista, lo mas importante no es describir la formulación matemática de los procesos implicados en el procesamiento, sino analizar el sentido funcional de dichos procesos. A continuación, díscutire-mos sobre cómo este marco computacional puede guiar la construcción teórica en el futuro a nivel algorítmico y ayudar a integrar los distintos modelos actuales. Palabras clave: Aprendizaje de causalidad, razonamiento inductivo, contingencia, correlación.
The range of experimental data on causal learning and induction, as well as the number of theories that try to account for those data, have grown noticeably in the last few years. To the date, most studies have tried to find a single algorithm that can explain how naïve reasoners infer causal relationships from correlations among stimuli that occur in their environment. However, the lack of a computational frame in which these theoretical accounts can be integrated and interpreted has resulted in a proliferation of models and hollow controversies among their advocates, but not in a comprehensive understanding of how humans learn to establish relationships between causes and effects. In this work we adopt such a computational perspective, with which we try to give a normative and functional meaning to the acquisition of causal knowledge. Our main aim is to answer two main questions: a) what kind of information is relevant for causal learning?, and b) why that information is relevant? From this perspective, analyzing the functional significance of causal inference processes is more important than their specific mathematical implementation. This computational frame can help to integrate some apparently contradictory accounts and can guide future research and theorization in this field.
