Tema 5: Aprendizaje de relaciones de contingencia y causalidad'

1
Tema 5 Aprendizaje de relaciones de contingencia
y causalidad.

• Luis Jiménez
• Noviembre, 2009

2
TEMA 5 Aprendizaje de Relaciones de Contingencia
y Causalidad. 1. Tareas de detección de
contingencia. 1.1. Tareas predictivas vs.
diagnósticas. 1.2. Presentación tabulada vs.
secuencial. 1.3. Juicios de contingencia vs.
tareas de predicción. 2. Modelos
explicativos. 2.1. Modelos basados en el uso de
reglas. 2.1.1. Delta P. 2.1.2. Delta
D. 2.1.3. Delta P condicional El modelo de
contraste probabilístico. 2.2. Modelos
asociativos. 2.2.1. El modelo de
Rescorla-Wagner. 3. Evidencia experimental y
valoración de los modelos. 3.1. Juicios de
contingencia y de las probabilidades
condicionadas. 3.2. Efectos del orden de
presentación de los ensayos. 3.3.
Comportamiento preasintótico y curva de
aprendizaje. 3.4. El papel del contexto
juicios predictivos vs. diagnósticos. 3.5. El
efecto de la frecuencia de juicios. 4.
Conclusión hacia un modelo combinado de
aprendizaje de contingencias. Lecturas
Recomendadas -Perales, J.C., Catena, A., Ramos,
M.M. Maldonado, A. (1999). Aprendizaje de
relaciones de contingencia y causalidad Una
aproximación a las tendencias teóricas actuales.
Psicológica, 20, 163-193. http//www.uv.es/revisps
i/paraARCHIVES/1999.html -Matute, H. (Ed.)
(2002). Debate Aprendizaje Causal. Cognitiva,
14, 1-128. http//www.ingentaconnect.com/content/
fias/cog/2002/00000014/00000001jsessionidirfidly
uo4wm.alexandra -M.A. Vadillo Matute, H. (Ed.)
(2007). Introducción al aprendizaje causal.En O.
Pineño, M.A. Vadillo y H. Matute (Eds.)
Psicología del Aprendizaje. (pp. 301-322).
Abecedario. Badajoz.
3
1. Tareas de detección de contingencia y
causalidad

• Aprendizaje causal proceso por el que los
  organismos son capaces de captar las relaciones
  de dependencia entre acontecimientos de su medio.
• Aprendizaje de contingencias _at_ Aprendizaje causal
  
• diferencias necesidad de descartar influencias
  de terceras variables
• necesidad de disponer de una teoría explicativa
• pero son pragmáticamente equivalentes.

• Estructura común Una variable de entrada (clave)
  y una de salida (resultado)
• Tareas predictivas vs. tareas diagnósticas
• predictivas clave causa resultadoconsecuenci
  a
• diagnósticas clave síntoma resultadocausa
• Tareas estímulo-estímulo vs. tareas
  acción-resultado.
• Presentación tabulada vs. secuencial.
• Juicios de contingencia vs. tareas de predicción.
• indica la fuerza y sentido de la relación clave /
  resultado.
• en cada ensayo indica si crees que va a aparecer
  el resultado
• agregadas indica probabilidad de resultado en
  presencia de clave.

Música alta
Gripe
estudiar
cansancio
Dolor de cabeza
Fiebre
4
2. Modelos explicativos

• 2.1. Modelos basados en reglas Los sujetos
  estiman el valor normativo de la contingencia
• DP (P R/C) - (P R/noC)

DP a/(ab) - (c/cd)

• Sin embargo, hay desviaciones conductuales que
  parecen difíciles de explicar desde este modelo
• Sesgo de densidad Para un nivel fijo de
  contingencia (sobre todo con contingencia nula),
  la estimación aumenta en función directa de la
  probabilidad del resultado

DP 75/(100) - (15/20) .00
DP 25/(100) - (5/20) .00
Prob(R) 90/(120) .75
Prob(R) 30/(120) .25
5
2. Modelos explicativos

• 2.1. Modelos basados en reglas (alternativas a
  deltaP)
• DeltaP ponderada Prestamos más atención a ciertas
  casillas de la tabla de contingencia e.g.,
• nos centramos más en los ensayos en que la clave
  está presente.

• DD (ad) - (cb) / N (diferencia de
  diagonales proporción de ensayos que confirman
  la relación directa, menos proporción de ensayos
  que confirman la relación inversa).

DD (2515) - (575) /120 -.33
DD (755) - (1525)/120 .33
DP 75/(100) - (15/20) .00
DP 25/(100) - (5/20) .00
Prob(R) 90/(120) .75
Prob(R) 30/(120) .25
6
2. Modelos explicativos

• 2.1. Modelos basados en reglas (problemas con
  claves múltiples)
• Efecto de interacción entre claves
• cuando existen varias claves, ciertos efectos
  resultan contradictorios con un modelo basado en
  la aplicación de reglas

• bloqueo Chapman Robins (1990)

• Validez relativa (Shanks, 1991)

• señalización Shanks (1989)

los ensayos b contienen una segunda clave
7
2. Modelos explicativos (cont. II)

• 2.1. Modelos basados en reglas (Delta P
  condicional)
• Delta P condicional y teoría del contraste
  probabilístico (Cheng Holyoak) la contingencia
  no se calcula sobre todos los ensayos, sino sobre
  un conjunto focal comparamos la probabilidad de
  que el resultado se presente con o sin la clave,
  mientras todo lo demás sigue igual.
• señalamiento
• bloqueo

DP 70/(100) - (0/100) .70
DP cond. 70/(70) - (0/100) 1
DPc 10/(10) - (10/10) .00
DP 10/(10) - (20/30) .33
DPc 10/(10) - (0/10) 1
8
2. Modelos explicativos (cont. III)

• 2.2. Modelos asociativos Los mecanismos que
  explican aprendizaje causal y condicionamiento
  pueden ser análogos basados en la acumulación de
  fuerza asociativa entre las representaciones de
  los estímulos.
• Rescorla-Wagner (1972)
• DVcrab (l- Vx)
• El cambio en la fuerza asociativa depende de la
  saliencia de la clave (a), de la del resultado
  (b), y de la diferencia entre la cantidad máxima
  de fuerza asociativa que puede conseguirse (l) y
  la acumulada en ese ensayo por todas las claves
  presentes (Vx)
• Explica fenómenos de competición entre claves
  (e.g., bloqueo y validez relativa o
  señalización).
• Tiene problemas para explicar cómo se aprende
  acerca de una clave cuando NO está presente
  (e.g., bloqueo hacia atrás Shanks, 1985).
• Wasserman los dos predictores se asocian entre
  sí en la primera fase. El hecho de la no
  aparición de uno de ellos en la segunda fase se
  convierte en un estímulo relevante, con una
  saliencia negativa (-a)

9
2. Modelos explicativos (cont. IV)

• 2.2. Simulaciones de los modelos asociativos en
  redes conexionistasLa ecuación de Rescorla
  -Wagner es equivalente a la regla delta, que se
  usa a menudo como algoritmo de aprendizaje en
  modelos conexionistas. Sus predicciones son
  análogas con respecto a la competición entre
  predictores, y se ha observado, además
• El efecto de sesgo de densidad se observa en los
  periodos iniciales de aprendizaje, pero tiende a
  perderse al alcanzar la asíntota.
• Efectos del orden de presentación de los ensayos
  Si se entrenan dos tipos de contingencia en
  serie, la segunda afecta más a los juicios de los
  sujetos (Lopez, et al., 1998). Según los autores,
  no se debe a un mayor recuerdo de los
  emparejamientos finales, sino al mayor impacto de
  la sorpresa en el sentido del cambio
• contingente /no contingente lt no
  contingente/contingente

10
3. Causalidad y aprendizaje de contingencias

• Frecuencia de juicios Catena et al. (1998) La
  importancia de los últimos ensayos en el juicio
  depende de la frecuencia de juicio la revisión
  de creencias no parece un efecto meramente
  asociativo, sino un efecto estratégico.
• El papel del contexto juicios predictivos vs.
  diagnósticos. Waldmann Holyoak (1992)
• Las causas compiten entre sí, pero no los
  efectos Si los sujetos no sólo aprenden
  relaciones de contingencias, sino que aplican un
  modelo causal, la competición entre claves
  debería darse cuando varias causas compiten por
  explicar un resultado (juicio predictivo), pero
  no cuando cuando varios síntomas se relacionan
  con una causa subyacente (diagnóstico).
• Pero... (Shanks Lopez, 1996) hay algunos
  estudios que encuentran competición tanto entre
  causas como entre efectos el modelo causal es,
  al menos en ocasiones, superado por los efectos
  asociativos.

11
4. Conclusiones

• Modelos asociacionistas
• a favor
• efectos de orden de presentación de ensayos
• Sesgo de densidad, comportamiento preasintótico y
  curva de aprendizaje
• competición en situaciones predictivas y
  diagnósticas.
• en contra
• bloqueo hacia atrás.
• ausencia de competición en algunas situaciones de
  diagnóstico.
• efecto de la frecuencia de juicios.
• Perales, Catena, Maldonado (2002)

input representación
output
conocimiento causal previo
juicios causales
relaciones causales
respuestas manipulativas
condiciones de inferencia
relaciones de contingencia
juicios de contingencia
Abstracción/categorización
respuestas condicionadas
información sobre correlación
relaciones predictivas
juicios de predicción
información temporal
12
(No Transcript)
13
(No Transcript)
14
DP 10/(10) - (20/30) .33
DPc 10/(10) - (10/10) .00
DPc 10/(10) - (0/10) 1
15
Curva de aprendizaje y sesgo densidad