ACT-R

La premisa más importante de ACT-R es que el conocimiento humano se puede dividir en dos tipos irreductibles de representaciones: declarativas y procedimentales .

En el código ACT-R, el conocimiento declarativo se representa en forma de bloques , es decir, representaciones vectoriales de propiedades individuales, cada una de ellas accesible desde una ranura etiquetada.

Los fragmentos se almacenan y se hacen accesibles a través de búferes , que son la interfaz de lo que son módulos , es decir, estructuras cerebrales especializadas y en gran medida independientes.

Existen dos tipos de módulos:

• Los módulos perceptivo-motores se encargan de la interacción con el mundo real (es decir, con una simulación del mundo real). Los módulos perceptivo-motores más desarrollados en ACT-R son el visual y el manual.
• Módulos de memoria . En ACT-R existen dos tipos de módulos de memoria:
  • Memoria declarativa , que consiste en hechos como Washington, DC es la capital de Estados Unidos , Francia es un país de Europa , o 2+3=5.
  • Memoria procedimental , compuesta de producciones. Las producciones representan el conocimiento sobre cómo hacemos las cosas: por ejemplo, el conocimiento sobre cómo teclear la letra "Q" en un teclado, sobre cómo conducir o sobre cómo realizar una suma.

Todos los módulos solo son accesibles a través de sus búferes. El contenido de los búferes en un momento dado representa el estado de ACT-R en ese instante. La única excepción a esta regla es el módulo de procedimientos, que almacena y aplica conocimiento procedimental. Este módulo no tiene un búfer accesible y se utiliza para acceder al contenido de otros módulos.

El conocimiento procedimental se representa en forma de producciones . El término "producción" refleja la implementación real de ACT-R como un sistema de producción , pero, de hecho, una producción es principalmente una notación formal para especificar el flujo de información desde las áreas corticales (es decir, los búferes) a los ganglios basales y de vuelta a la corteza.

En cada instante, un comparador de patrones interno busca una producción que coincida con el estado actual de los búferes. Solo se puede ejecutar una producción de este tipo a la vez. Dicha producción, al ejecutarse, puede modificar los búferes y, por lo tanto, cambiar el estado del sistema. Así, en ACT-R, la cognición se desarrolla como una sucesión de activaciones de producción.

En las ciencias cognitivas , las distintas teorías suelen atribuirse al enfoque « simbólico » o al « conexionista » de la cognición. ACT-R pertenece claramente al campo «simbólico» y se clasifica como tal en los libros de texto y colecciones estándar. ^{[ 3 ]} Sus entidades (fragmentos y producciones) son discretas y sus operaciones son sintácticas, es decir, no se refieren al contenido semántico de las representaciones, sino solo a sus propiedades que las hacen apropiadas para participar en la(s) computación(es). Esto se observa claramente en las ranuras de fragmentos y en las propiedades de coincidencia de búfer en las producciones, las cuales funcionan como variables simbólicas estándar.

Los miembros de la comunidad ACT-R, incluidos sus desarrolladores, prefieren concebir ACT-R como un marco general que especifica cómo se organiza el cerebro y cómo dicha organización da origen a lo que se percibe (y, en psicología cognitiva, se investiga) como mente, trascendiendo el debate tradicional entre lo simbólico y lo conexionista. Naturalmente, nada de esto contradice la clasificación de ACT-R como sistema simbólico, ya que todos los enfoques simbólicos de la cognición buscan describir la mente, como producto de la función cerebral, utilizando una determinada clase de entidades y sistemas para lograr dicho objetivo.

Un malentendido común sugiere que ACT-R podría no ser un sistema simbólico porque intenta caracterizar la función cerebral. Esto es incorrecto por dos razones: Primero, todos los enfoques de modelado computacional de la cognición, simbólicos o no, deben caracterizar de alguna manera la función cerebral, porque la mente es función cerebral. Y segundo, todos estos enfoques, incluidos los conexionistas, intentan caracterizar la mente a un nivel cognitivo de descripción y no a nivel neuronal, porque solo a nivel cognitivo se pueden conservar generalizaciones importantes. ^{[ 4 ]}

Surgen más malentendidos debido al carácter asociativo de ciertas propiedades de ACT-R, como la propagación de activación entre fragmentos o las propiedades cuantitativas que poseen los fragmentos y las producciones, relevantes para su selección. Ninguna de estas propiedades contradice la naturaleza fundamental de estas entidades como simbólicas, independientemente de su función en la selección de unidades y, en última instancia, en el cálculo.

Los desarrolladores de ACT-R suelen destacar la importancia de distinguir entre la teoría en sí y su implementación.

De hecho, gran parte de la implementación no refleja la teoría. Por ejemplo, la implementación real utiliza "módulos" adicionales que existen únicamente por razones puramente computacionales y que no pretenden reflejar nada del cerebro (por ejemplo, un módulo computacional contiene el generador de números pseudoaleatorios utilizado para producir parámetros con ruido, mientras que otro contiene rutinas de nomenclatura para generar estructuras de datos accesibles mediante nombres de variables).

Además, la implementación real está diseñada para permitir a los investigadores modificar la teoría, por ejemplo, alterando los parámetros estándar, creando nuevos módulos o modificando parcialmente el comportamiento de los existentes.

Finalmente, si bien el laboratorio de Anderson en CMU mantiene y publica el código oficial de ACT-R, se han puesto a disposición otras implementaciones alternativas de la teoría. Estas implementaciones alternativas incluyen jACT-R ^{[ 5 ]} (escrito en Java por Anthony M. Harrison en el Laboratorio de Investigación Naval ) y Python ACT-R (escrito en Python por Terrence C. Stewart y Robert L. West en la Universidad de Carleton , Canadá). ^{[ 6 ]}

De manera similar, ACT-RN (ahora descontinuado) fue una implementación neuronal completa de la versión de 1993 de la teoría. ^{[ 7 ]} Todas estas versiones eran completamente funcionales, y se han escrito y ejecutado modelos con todas ellas.

Debido a estos grados de libertad de implementación, la comunidad ACT-R suele referirse a la versión "oficial" de la teoría, basada en Lisp , cuando se adopta en su forma original y se deja sin modificar, como "ACT-R Vanilla".

El sistema de memoria declarativa ACT-R se ha utilizado para modelar la memoria humana desde su creación. A lo largo de los años, se ha adoptado con éxito para modelar un gran número de efectos conocidos. Estos incluyen el efecto de abanico de interferencia para información asociada, ^{[ 9 ]} los efectos de primacía y recencia para la memoria de listas, ^{[ 10 ]} y el recuerdo serial. ^{[ 11 ]}

ACT-R se ha utilizado para modelar procesos de atención y control en varios paradigmas cognitivos. Estos incluyen la tarea de Stroop , ^{[ 12 ] [ 13 ]} el cambio de tarea , ^{[ 14 ] [ 15 ]} el período refractario psicológico , ^{[ 16 ]} y la multitarea. ^{[ 17 ]}

Varios investigadores han estado utilizando ACT-R para modelar diversos aspectos de la comprensión y producción del lenguaje natural . Estos incluyen modelos de análisis sintáctico, ^{[ 18 ]} comprensión del lenguaje, ^{[ 19 ]} adquisición del lenguaje ^{[ 20 ]} y comprensión de metáforas. ^{[ 21 ]}

ACT-R se ha utilizado para capturar cómo los humanos resuelven problemas complejos como la Torre de Hanoi, ^{[ 22 ]} o cómo las personas resuelven ecuaciones algebraicas. ^{[ 23 ]} También se ha utilizado para modelar el comportamiento humano al conducir y volar. ^{[ 24 ]}

Con la integración de capacidades perceptivo-motoras, ACT-R se ha vuelto cada vez más popular como herramienta de modelado en factores humanos e interacción persona-computadora. En este ámbito, se ha adoptado para modelar el comportamiento de conducción en diferentes condiciones, ^{[ 25 ] [ 26 ]} la selección de menús y la búsqueda visual en aplicaciones informáticas, ^{[ 27 ] [ 28 ]} y la navegación web. ^{[ 29 ]}

Más recientemente, el ACT-R se ha utilizado para predecir patrones de activación cerebral durante experimentos de neuroimagen. ^{[ 30 ]} En este campo, los modelos ACT-R se han utilizado con éxito para predecir la actividad prefrontal y parietal en la recuperación de la memoria, ^{[ 31 ]} la actividad del cíngulo anterior para operaciones de control, ^{[ 32 ]} y cambios en la actividad cerebral relacionados con la práctica. ^{[ 33 ]}

ACT-R se ha adoptado con frecuencia como base para tutores cognitivos . ^{[ 34 ] [ 35 ]} Estos sistemas utilizan un modelo interno de ACT-R para imitar el comportamiento de un estudiante y personalizar sus instrucciones y currículo, tratando de "adivinar" las dificultades que los estudiantes pueden tener y brindar ayuda específica.

Estos "tutores cognitivos" se utilizan como plataforma para la investigación sobre el aprendizaje y el modelado cognitivo en el marco del Centro de Ciencias del Aprendizaje de Pittsburgh . Algunas de las aplicaciones más exitosas, como el Tutor Cognitivo para Matemáticas, se utilizan en miles de escuelas de todo Estados Unidos.

ACT-R es el sucesor definitivo de una serie de modelos cada vez más precisos de la cognición humana desarrollados por John R. Anderson .

Sus raíces se remontan al modelo original de memoria HAM (Memoria Asociativa Humana), descrito por John R. Anderson y Gordon Bower en 1973. ^{[ 36 ]} El modelo HAM se amplió posteriormente en la primera versión de la teoría ACT. ^{[ 37 ]} Esta fue la primera vez que se añadió la memoria procedimental al sistema original de memoria declarativa, introduciendo una dicotomía computacional que posteriormente se demostró que se cumple en el cerebro humano. ^{[ 38 ]} La teoría se extendió luego aún más en el modelo ACT* de cognición humana. ^{[ 39 ]}

A finales de los años ochenta, Anderson se dedicó a explorar y esbozar un enfoque matemático de la cognición que denominó Análisis Racional . ^{[ 40 ]} La premisa básica del Análisis Racional es que la cognición es óptimamente adaptativa, y las estimaciones precisas de las funciones cognitivas reflejan las propiedades estadísticas del entorno. ^{[ 41 ]} Posteriormente, retomó el desarrollo de la teoría ACT, utilizando el Análisis Racional como marco unificador para los cálculos subyacentes. Para resaltar la importancia del nuevo enfoque en la configuración de la arquitectura, su nombre se modificó a ACT-R, donde la "R" significa "Racional". ^{[ 42 ]}

En 1993, Anderson se reunió con Christian Lebiere, un investigador en modelos conexionistas famoso principalmente por desarrollar con Scott Fahlman el algoritmo de aprendizaje de correlación en cascada . Su trabajo conjunto culminó con el lanzamiento de ACT-R 4.0. ^{[ 43 ]} Gracias a Mike Byrne (ahora en la Universidad Rice ), la versión 4.0 también incluyó capacidades perceptivas y motoras opcionales, inspiradas principalmente en la arquitectura EPIC, lo que amplió enormemente las posibles aplicaciones de la teoría.

Tras el lanzamiento de ACT-R 4.0, John Anderson se interesó cada vez más por la plausibilidad neuronal subyacente de su teoría del tiempo de vida y comenzó a utilizar técnicas de neuroimagen para lograr su propio objetivo de comprender los fundamentos computacionales de la mente humana.

La necesidad de tener en cuenta la localización cerebral impulsó una revisión importante de la teoría. ACT-R 5.0 introdujo el concepto de módulos, conjuntos especializados de representaciones procedimentales y declarativas que podían asignarse a sistemas cerebrales conocidos. ^{[ 44 ]} Además, la interacción entre el conocimiento procedimental y declarativo se mediaba mediante nuevos búferes, estructuras especializadas para almacenar información temporalmente activa (véase la sección anterior). Se creía que los búferes reflejaban la actividad cortical, y una serie de estudios posteriores confirmaron que las activaciones en las regiones corticales podían relacionarse satisfactoriamente con operaciones computacionales sobre los búferes.

En 2005 se presentó una nueva versión del código, completamente reescrita, denominada ACT-R 6.0. Esta versión incluía mejoras significativas en el lenguaje de codificación ACT-R, entre ellas un nuevo mecanismo de especificación de producción llamado coincidencia dinámica de patrones . A diferencia de las versiones anteriores, que requerían que el patrón coincidente de una producción incluyera ranuras específicas para la información en los búferes, la coincidencia dinámica de patrones permite que las ranuras coincidentes también se especifiquen mediante el contenido del búfer. En Anderson (2007) se ofrece una descripción y la justificación de ACT-R 6.0. ^{[ 45 ]}

En el taller de 2015, se argumentó que los cambios en el software requerían un incremento en la numeración del modelo a ACT-R 7.0. Un cambio importante fue la eliminación del requisito de especificar los fragmentos según tipos predefinidos. El mecanismo de tipos de fragmentos no se eliminó, sino que pasó de ser una construcción obligatoria de la arquitectura a un mecanismo sintáctico opcional. Esto permitió una mayor flexibilidad en la representación del conocimiento para modelar tareas que requieren aprender información nueva y amplió la funcionalidad proporcionada mediante la coincidencia dinámica de patrones, permitiendo ahora que los modelos creen nuevos "tipos" de fragmentos. Esto también simplificó la sintaxis necesaria para especificar las acciones en producción, ya que todas las acciones ahora tienen la misma forma sintáctica. Posteriormente, el software ACT-R se actualizó para incluir una interfaz remota basada en JSON RPC 1.0. Esta interfaz se añadió para facilitar la creación de tareas para modelos y el trabajo con ACT-R desde lenguajes distintos de Lisp, y el tutorial incluido con el software se actualizó para proporcionar implementaciones en Python para todas las tareas de ejemplo realizadas por los modelos del tutorial.

En 1995, la Universidad Carnegie Mellon comenzó a organizar su Taller Anual ACT-R y su Escuela de Verano. ^{[ 46 ]} Su Taller ACT-R se lleva a cabo actualmente en la Conferencia anual MathPsych/ICCM, y su Escuela de Verano se lleva a cabo en el campus con una opción de asistencia virtual en la Universidad Carnegie Mellon .

El largo desarrollo de la teoría ACT-R dio origen a una serie de proyectos paralelos y relacionados.

Los más importantes son el sistema de producción PUPS , una implementación inicial de la teoría de Anderson, posteriormente abandonada; y ACT-RN , ^{[ 7 ]} una implementación de red neuronal de la teoría desarrollada por Christian Lebiere.

Lynne M. Reder , también de la Universidad Carnegie Mellon , desarrolló el SAC a principios de la década de 1990, un modelo de aspectos conceptuales y perceptivos de la memoria que comparte muchas características con el sistema declarativo central del ACT-R, aunque difiere en algunos supuestos.

Para su disertación en la Universidad Estatal de Pensilvania , Christopher L. Dancy desarrolló y defendió con éxito en 2014, ACT-R/Phi , ^{[ 47 ]} una implementación de ACT-R con módulos fisiológicos añadidos que permiten que ACT-R interactúe con los procesos fisiológicos humanos.

^{Don Morrison ,} de la Universidad Carnegie Mellon , creó una implementación ligera en Python del componente de memoria de trabajo de ACT-R, denominada pyACTUp [ ^{48 ]} . Esta biblioteca implementa ACT-R como un modelo de aprendizaje supervisado unimodal para tareas de clasificación.