Cognición computacional

La cognición computacional (a veces denominada ciencia cognitiva computacional , psicología computacional o simulación cognitiva ) es el estudio de la base computacional del aprendizaje y la inferencia mediante modelos matemáticos , simulaciones por computadora y experimentos conductuales . En psicología, es un enfoque que desarrolla modelos computacionales basados ​​en resultados experimentales. Busca comprender la base del método humano de procesamiento de la información . Desde sus inicios, los científicos cognitivos computacionales intentaron recuperar y crear una forma científica de la psicología de Brentano . ^{[ 1 ]}

Existen dos propósitos principales para la producción de inteligencia artificial: producir comportamientos inteligentes independientemente de la calidad de los resultados, y modelar comportamientos inteligentes que se encuentran en la naturaleza. ^{[ 2 ] [ 3 ]} Al principio de su existencia, no había necesidad de que la inteligencia artificial emulara el mismo comportamiento que la cognición humana. Hasta la década de 1960, el economista Herbert Simon y Allen Newell intentaron formalizar las habilidades humanas de resolución de problemas utilizando los resultados de estudios psicológicos para desarrollar programas que implementaran las mismas técnicas de resolución de problemas que las personas. Sus trabajos sentaron las bases para la IA simbólica y la cognición computacional, e incluso algunos avances para la ciencia cognitiva y la psicología cognitiva . ^{[ 4 ]}

El campo de la IA simbólica se basa en la hipótesis de los sistemas de símbolos físicos de Simon y Newell, que afirma que la expresión de aspectos de la inteligencia cognitiva puede lograrse mediante la manipulación de símbolos . ^{[ 5 ]} Sin embargo, John McCarthy se centró más en el propósito inicial de la inteligencia artificial, que es descomponer la esencia del razonamiento lógico y abstracto, independientemente de si los humanos emplean o no el mismo mecanismo. ^{[ 3 ]}

Durante las décadas siguientes, el progreso en inteligencia artificial se centró en el desarrollo de programas basados ​​en lógica y conocimiento, alejándose del propósito original de la IA simbólica. Los investigadores comenzaron a creer que la inteligencia artificial simbólica quizás nunca podría imitar procesos complejos de la cognición humana, como la percepción o el aprendizaje . La imposibilidad, entonces percibida (y posteriormente refutada ^{[ 6 ]} ), de implementar emociones en la IA se consideró un obstáculo para lograr una cognición similar a la humana mediante computadoras. ^{[ 7 ]} Los investigadores comenzaron a adoptar un enfoque "subsimbólico" para crear inteligencia sin representar específicamente ese conocimiento. Este movimiento dio lugar a la disciplina emergente del modelado computacional , el conexionismo y la inteligencia computacional . ^{[ 5 ]}

Dado que contribuye más a la comprensión de la cognición humana que la inteligencia artificial, el modelado cognitivo computacional surgió de la necesidad de definir diversas funcionalidades cognitivas (como la motivación, la emoción o la percepción) representándolas en modelos computacionales de mecanismos y procesos. ^{[ 8 ]} Los modelos computacionales estudian sistemas complejos mediante el uso de algoritmos de muchas variables y amplios recursos computacionales para producir simulaciones por computadora . ^{[ 9 ]} La simulación se logra ajustando las variables, cambiando una sola o incluso combinándolas, para observar el efecto en los resultados. Los resultados ayudan a los experimentadores a hacer predicciones sobre lo que sucedería en el sistema real si ocurrieran esos cambios similares. ^{[ 10 ]}

Cuando los modelos computacionales intentan imitar el funcionamiento cognitivo humano, es necesario conocer todos los detalles de la función para que se transfieran y muestren correctamente a través de los modelos, lo que permite a los investigadores comprender y probar a fondo una teoría existente, ya que ninguna variable es ambigua y todas son modificables. Consideremos un modelo de memoria construido por Atkinson y Shiffrin en 1968 , que mostraba cómo el repaso conduce a la memoria a largo plazo , donde se almacenaría la información repasada. A pesar del avance que supuso al revelar la función de la memoria, este modelo no proporciona respuestas a preguntas cruciales como: ¿cuánta información se puede repasar a la vez? ¿Cuánto tiempo tarda la información en transferirse del repaso a la memoria a largo plazo? Del mismo modo, otros modelos computacionales plantean más preguntas sobre la cognición de las que responden, lo que hace que sus contribuciones sean mucho menos significativas para la comprensión de la cognición humana que otros enfoques cognitivos. ^{[ 11 ]} Otra deficiencia del modelado computacional es su supuesta falta de objetividad. ^{[ 12 ]}

John Anderson, en su modelo de Control Adaptativo del Pensamiento-Racional (ACT-R), utiliza las funciones de los modelos computacionales y los hallazgos de la ciencia cognitiva. El modelo ACT-R se basa en la teoría de que el cerebro consta de varios módulos que realizan funciones especializadas de forma independiente. ^{[ 11 ]} El modelo ACT-R se clasifica como un enfoque simbólico de la ciencia cognitiva. ^{[ 13 ]}

Otro enfoque que se ocupa más del contenido semántico de la ciencia cognitiva es el conexionismo o modelado de redes neuronales. El conexionismo se basa en la idea de que el cerebro consta de unidades o nodos simples y que la respuesta conductual proviene principalmente de las capas de conexiones entre los nodos y no del estímulo ambiental en sí. ^{[ 11 ]}

Las redes conexionistas se diferencian de los modelos computacionales específicamente por dos funciones: la retropropagación neuronal y el procesamiento paralelo . La retropropagación neuronal es un método utilizado por las redes conexionistas para demostrar el aprendizaje. Después de que una red conexionista produce una respuesta, los resultados simulados se comparan con los resultados de situaciones reales. La retroalimentación proporcionada por la retropropagación de errores se utiliza para mejorar la precisión de las respuestas subsiguientes de la red. ^{[ 14 ]} La segunda función, el procesamiento paralelo, surgió de la creencia de que el conocimiento y la percepción no se limitan a módulos específicos, sino que se distribuyen por todas las redes cognitivas. La presencia de procesamiento paralelo distribuido se ha demostrado en experimentos psicológicos como el efecto Stroop , donde el cerebro parece analizar la percepción del color y el significado del lenguaje al mismo tiempo. ^{[ 15 ]} Sin embargo, este enfoque teórico se ha refutado continuamente porque las dos funciones cognitivas de percepción del color y formación de palabras operan de forma separada y simultánea, no en paralelo. ^{[ 16 ]}

El campo de la cognición puede haberse beneficiado del uso de redes conexionistas, pero la configuración de los modelos de redes neuronales puede ser una tarea bastante tediosa y los resultados pueden ser menos interpretables que el sistema que intentan modelar. Por lo tanto, los resultados pueden usarse como evidencia para una teoría general de la cognición sin explicar el proceso particular que ocurre dentro de la función cognitiva. Otras desventajas del conexionismo radican en los métodos de investigación que emplea o las hipótesis que prueba, ya que a menudo se ha demostrado que son inexactos o ineficaces, lo que aleja a los modelos conexionistas de una representación precisa de cómo funciona el cerebro. Estos problemas hacen que los modelos de redes neuronales sean ineficaces para estudiar formas superiores de procesamiento de información y dificultan que el conexionismo avance en la comprensión general de la cognición humana. ^{[ 17 ]}

• Red neuronal artificial
• Modelo cognitivo §  Modelo cognitivo madre-feto
• Psicología matemática

• Busemeyer, Jerome R .; Wang, Zheng; Townsend, James T .; Eidels, Ami, eds. (2015). The Oxford handbook of computational and mathematical psychology . Oxford library of psychology. Vol.  1. Oxford; Nueva York: Oxford University Press . doi : 10.1093/oxfordhb/9780199957996.001.0001 . ISBN 9780199957996OCLC 894139948​​ 
• Chipman, Susan F., ed. (2017). «Parte I. La nueva psicología computacional: arquitecturas cognitivas y modelado computacional de la cognición». The Oxford handbook of cognitive science . Oxford library of psychology. Vol.  1. Oxford; Nueva York: Oxford University Press . doi : 10.1093/oxfordhb/9780199842193.001.0001 . ISBN 9780199842193OCLC 953823360 .​ 
• Sun, Ron , ed. (2008). Manual de psicología computacional de Cambridge . Cambridge, Reino Unido; Nueva York: Cambridge University Press . doi : 10.1017/CBO9780511816772 . ISBN 9780521857413OCLC 153772906​​ 

• Grupo de Ciencias Cognitivas Computacionales del MIT
• Laboratorio de Computación y Cognición de la Universidad de Nueva York
• Laboratorio de Ciencias Cognitivas Computacionales de Princeton
• Laboratorio de Computación y Cognición de Stanford
• Laboratorio de Memoria y Toma de Decisiones de la UCI. Archivado el 13 de junio de 2017 en Wayback Machine.
• Jacob Feldman