Acceso usuarios
En nuestro trabajo hemos recopilarlo la evidencia experimental más relevante existente en el campo del aprendizaje causal, con el objetivo de responder a las preguntas básicas que subyacen a un análisis computacional de la competencia causal humana. Desde las respuestas a dichas preguntas, planteamos un modelo que restringe el rango de estructuras algorítmicas viables. Las críticas al artículo en el que presentamos dicho modelo se han debido, fundamentalmente, a una asimilación de los niveles de análisis y los niveles de representación en la explicación de los fenómenos psicológicos. Parte de la solución a la controversia planteada pasa por resolver las posibles imprecisiones terminológicas y conceptuales cometidas. Por tanto, en esta réplica hemos realizado, en primer lugar, un esfuerzo adicional por establecer una terminología que facilite una verdadera comunicación entre los especialistas del área. Y, en segundo lugar, pretendemos reforzar la conexión lógica entre la evidencia presentada y el modelo propuesto. Dicho modelo, entendido como un modelo no excluyente de otras posturas teóricas, surge como una necesidad impuesta por los datos, y con él pretendemos, ya no defender una visión teórica opuesta a la de los autores situados en el paradigma tradicional de aprendizaje, sino integrar dicho paradigma en un marco explicativo más amplio. Palabras clave: Causalidad, niveles de análisis, inducción, teorías generales.
In our previous work, we have compiled the most relevant experimental evidence from the different fields related to causal learning and causal induction, in order to answer the basic questions that underlie a computational analysis of human causal competence. Taking into account such answers, we postulate a model that constraints the range of viable algorithmic structures. Most criticisms to this integrative model have been due to an erroneous identification of analysis levels and representational levels in the explanation of behavior. From our point of view, this terminological and conceptual puzzlement is a general feature of the theoretical debate in the field. Hence, we will try to show how the main controversies can be partially solved by establishing a common terminology that allows a better communication among theorists. And secondly, we will try to strengthen the logical connection between the different sources of available data and the model we propose here. A meaningful integration of those data imposes several restrictions upon the algorithmic structure that computes causal relations. Therefore, with our account, we do not intend to exclude any approach, but to integrate the traditional learning paradigms into a broader explanatory framework
