Redined

Network of Educational Information logoNetwork of Educational Information logo
    • twitter
    • English 
      • Español
      • Català
      • English
      • Euskera
      • Galego
  • Login
  • About Redined
    • What is Redined
    • Directory
  • Help
    • How to search in Redined
    • Tutorial
  • Document submission
    • Who can submit documents?
    • Submit your documents
    • Intellectual property
  • Statistics
    twitter
  • English 
    • Español
    • Català
    • English
    • Euskera
    • Galego
JavaScript is disabled for your browser. Some features of this site may not work without it.

Browse

All RedinedAuthorsCorporate AuthorsTitlesTopicsOther TopicsEducational LevelsCollectionsPeriodical TitlesThis CollectionAuthorsCorporate AuthorsTitlesTopicsOther TopicsEducational LevelsCollectionsPeriodical Titles

My Account

Login

Statistics

View Usage Statistics

Aprendizaje de relaciones de contingencia y causalidad : hacia un análisis integral del aprendizaje causal desde una perspectiva computacional

URI:
http://hdl.handle.net/11162/67488
Education Level:
Ámbito general
Document type:
Artículo de revista
Exportar:
Exportar a RefworksBibtex
Compartir:
Imprimir
Estadísticas:
View Usage Statistics
Metadata:
Show full item record
Author:
Perales, José César; Catena, Andrés; Maldonado, Antonio
Date:
2002
Published in:
Cognitiva. Madrid, 2002, v. 14, n. 1; p. 15-43
Abstract:

En las dos últimas 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 de causalidad a partir de la observación de la correlación estadística entre acontecimientos del medio. Muchos modelos reducen la explicación a un algoritmo de cómputo simple. Frente a esa idea mecanicista, se adopta una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisición de conocimiento causal. En otras palabras, se pretende responder a dos preguntas fundamentales: a) ¿qué información es relevante en el aprendizaje de relaciones de causalidad?. y b) ¿ por qué dicha información es relevante? Desde este punto de vista, lo más importante no es describir la formulación matemática de los procesos implicados en el procesamiento, sino analizar el sentido funcional de dichos procesos. A continuación, se discute sobre cómo este marco computacional puede guiar la construcción teórica en el futuro a nivel algorítmico y ayudar a integrar los distintos modelos actuales.

En las dos últimas 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 de causalidad a partir de la observación de la correlación estadística entre acontecimientos del medio. Muchos modelos reducen la explicación a un algoritmo de cómputo simple. Frente a esa idea mecanicista, se adopta una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisición de conocimiento causal. En otras palabras, se pretende responder a dos preguntas fundamentales: a) ¿qué información es relevante en el aprendizaje de relaciones de causalidad?. y b) ¿ por qué dicha información es relevante? Desde este punto de vista, lo más importante no es describir la formulación matemática de los procesos implicados en el procesamiento, sino analizar el sentido funcional de dichos procesos. A continuación, se discute sobre cómo este marco computacional puede guiar la construcción teórica en el futuro a nivel algorítmico y ayudar a integrar los distintos modelos actuales.

Leer menos
Materias (TEE):
teoría del aprendizaje; psicología cognitiva; razonamiento; probabilidad; modelo; proceso cognitivo
Ministry logo
AndalucíaAragónPrincipado de AsturiasIslas BalearesIslas CanariasCantabriaCastilla-La ManchaCastilla y LeónCataluñaExtremaduraGaliciaComunidad de MadridRegión de MurciaComunidad Foral de NavarraPaís VascoLa RiojaComunidad Valenciana
Indexed inDspaceOpenaireOpen-doarRecolectaUniversiaHispanaGoogle Scholar
Redined | Legal notice | Accesibility | Contact us | suggestions
RSSShare
 

 

Redined does not provide access to the full text of all the documents described due to copyright reasons. If you are interested in accessing any of these resources, you can contact us through the email redinedDS@educacion.gob.es and we will try to help you.