Hispanopedia Wiki
Articulo de referencia

Aprendizaje de conceptos

El aprendizaje de conceptos , también conocido como aprendizaje de categorías , adquisición de conceptos y formación de conceptos , es definido por Bruner , Goodnow y Austin (19...

Hispanopedia WikiContenido en espanolLectura gratuita

El aprendizaje de conceptos , también conocido como aprendizaje de categorías , adquisición de conceptos y formación de conceptos , es definido por Bruner , Goodnow y Austin (1956) como "la búsqueda y prueba de atributos que pueden usarse para distinguir ejemplares de no ejemplares de diversas categorías". [ a ] En términos más sencillos, los conceptos son las categorías mentales que nos ayudan a clasificar objetos, eventos o ideas, partiendo de la comprensión de que cada objeto, evento o idea posee un conjunto de características relevantes comunes. Por lo tanto, el aprendizaje de conceptos es una estrategia que requiere que el aprendiz compare y contraste grupos o categorías que contienen características relevantes para el concepto con grupos o categorías que no las contienen.

El concepto de logro de conceptos requiere las siguientes cinco categorías:

  1. la definición de tarea;
  2. la naturaleza de los ejemplos encontrados;
  3. la naturaleza de los procedimientos de validación;
  4. las consecuencias de categorizaciones específicas; y
  5. la naturaleza de las restricciones impuestas. [ 1 ]

En una tarea de aprendizaje de conceptos, una persona clasifica objetos a partir de un conjunto de ejemplos con sus respectivas etiquetas de clase. El aprendiz simplifica lo observado, condensándolo en un ejemplo. Esta versión simplificada se aplica posteriormente a ejemplos futuros. El aprendizaje de conceptos puede ser simple o complejo, ya que abarca diversas áreas. Cuando un concepto es difícil, es menos probable que el aprendiz pueda simplificarlo y, por lo tanto, menos probable que lo aprenda. Coloquialmente, esta tarea se conoce como aprendizaje a partir de ejemplos. La mayoría de las teorías sobre el aprendizaje de conceptos se basan en el almacenamiento de ejemplares y evitan la síntesis o la abstracción explícita de cualquier tipo.

En el aprendizaje automático , esta teoría se puede aplicar al entrenamiento de programas informáticos. [ 2 ]

  • Aprendizaje de conceptos: Inferir una función booleana a partir de ejemplos de entrenamiento de su entrada y salida.
  • Un concepto es una idea de algo formada por la combinación de todas sus características o atributos que construyen dicho concepto. Todo concepto tiene dos componentes:
    • Atributos: características que se deben buscar para decidir si una instancia de datos es positiva en relación con el concepto.
    • Una regla: indica qué conjunto de restricciones sobre los atributos calificará como una instancia positiva del concepto.

Tipos de conceptos

El aprendizaje de conceptos debe distinguirse del aprendizaje mediante la recitación de algo de memoria (recuerdo) o la discriminación entre dos cosas diferentes (discriminación). Sin embargo, estos aspectos están estrechamente relacionados, ya que el recuerdo de hechos podría considerarse un proceso conceptual "trivial" donde los ejemplos previos que representan el concepto son invariables. De manera similar, si bien la discriminación no es lo mismo que el aprendizaje inicial de conceptos, los procesos de discriminación intervienen en el refinamiento de conceptos mediante la presentación repetida de ejemplos. La adquisición de conceptos se basa en el aprendizaje inductivo. Por lo tanto, al diseñar un currículo o aprender mediante este método, la comparación de ejemplos similares y diferentes es clave para definir las características de un tema. [ 3 ]

conceptos concretos o perceptuales frente a conceptos abstractos

Los conceptos concretos son objetos que pueden ser percibidos por sensaciones y percepciones personales. Estos son objetos como sillas y perros donde ocurren interacciones personales con ellos y crean un concepto. [ 4 ] Los conceptos se vuelven más concretos a medida que la palabra que usamos para asociarlos tiene una entidad perceptible. [ 5 ] Según la teoría de codificación dual de Paivio , los conceptos concretos son los que se recuerdan más fácilmente a partir de sus códigos de memoria perceptiva. [ 6 ] La evidencia ha demostrado que cuando se escuchan palabras, se asocian con un concepto concreto y se recrea cualquier interacción previa con la palabra dentro del sistema sensoriomotor. [ 7 ] Ejemplos de conceptos concretos en el aprendizaje son conceptos matemáticos educativos tempranos como sumar y restar.

Los conceptos abstractos son palabras e ideas que tratan sobre emociones, rasgos de personalidad y eventos. [ 8 ] Términos como fantasía o frío tienen un concepto más abstracto en sí mismos. Cada persona tiene su definición personal, que está en constante cambio y comparación, de conceptos abstractos. Por ejemplo, frío podría significar la temperatura física del área circundante, o podría definir la acción y la personalidad de otra persona. Sin embargo, dentro de los conceptos concretos todavía hay un nivel de abstracción; los conceptos concretos y abstractos pueden verse en una escala. Algunas ideas como silla y perro son más directas en sus percepciones, pero conceptos como frío y fantasía pueden verse de una manera más oscura. Ejemplos de aprendizaje de conceptos abstractos son temas como religión y ética. El aprendizaje de conceptos abstractos es ver la comparación de estímulos basados ​​en una regla (por ejemplo, identidad, diferencia, rareza, mayor que, suma, resta) y cuando es un estímulo novedoso. [ 9 ] El aprendizaje de conceptos abstractos tiene tres criterios para descartar cualquier explicación alternativa para definir la novedad de los estímulos. Uno de los estímulos de transferencia tiene que ser novedoso para el individuo. Esto significa que debe ser un nuevo estímulo para el individuo. Segundo, no hay replicación de los estímulos de transferencia. Tercero y último, para tener una experiencia de aprendizaje abstracto completa, debe haber una cantidad igual de rendimiento de referencia y rendimiento de transferencia. [ 9 ]

Binder, Westbury, McKiernan, Possing y Medler (2005) [ 10 ] utilizaron fMRI para escanear los cerebros de los individuos mientras tomaban decisiones léxicas sobre conceptos abstractos y concretos. Los conceptos abstractos provocaron una mayor activación en el giro precentral izquierdo, el giro frontal inferior izquierdo y el surco, y el giro temporal superior izquierdo , mientras que los conceptos concretos provocaron una mayor activación en los giros angulares bilaterales, el giro temporal medio derecho , el giro frontal medio izquierdo, los giros cingulados posteriores bilaterales y los precúneos bilaterales.

En 1986, Allan Paivio [ 11 ] formuló la hipótesis de la teoría de la doble codificación , que postula que tanto la información verbal como la visual se utilizan para representar información. Al pensar en el concepto "perro" , surgen tanto la palabra "perro" como la imagen de un perro. La teoría de la doble codificación supone que los conceptos abstractos involucran el sistema semántico verbal y que los conceptos concretos, además, involucran el sistema visual imaginario.

Conceptos definidos (o relacionales) y asociados

Los conceptos relacionales y asociados son palabras, ideas y pensamientos que están conectados de alguna forma. En el caso de los conceptos relacionales, están conectados en una definición universal. Algunos términos relacionales comunes son arriba-abajo, izquierda-derecha y comida-cena. Estas ideas se aprenden en la primera infancia y son importantes para que los niños las comprendan. [ 12 ] Estos conceptos son fundamentales para nuestra comprensión y razonamiento en tareas de conservación. [ 13 ] Los términos relacionales que son verbos y preposiciones tienen una gran influencia en cómo se entienden los objetos. Estos términos tienen más probabilidades de generar una comprensión más amplia del objeto y pueden trascender a otros idiomas. [ 14 ]

Los conceptos asociados están conectados por el pasado y la propia percepción del individuo. El aprendizaje asociativo de conceptos (también llamado aprendizaje funcional de conceptos) implica categorizar estímulos basándose en una respuesta o resultado común, independientemente de la similitud perceptiva, en categorías apropiadas. [ 15 ] Esto consiste en asociar estos pensamientos e ideas con otros pensamientos e ideas que son comprendidos por unos pocos o por el individuo. Un ejemplo de esto se da en la escuela primaria al aprender las direcciones de la brújula: Norte, Este, Sur y Oeste. Los maestros han utilizado "Nunca comas waffles blandos", "Nunca comas gusanos agrios" y los estudiantes pudieron crear su propia versión para ayudarlos a aprender las direcciones. [ 16 ]

Conceptos complejos

Constructos como un esquema y un guion son ejemplos de conceptos complejos. Un esquema es una organización de conceptos (o características) más pequeños que se revisa con información contextual para facilitar su comprensión. Un guion, por otro lado, es una lista de acciones que una persona sigue para lograr un objetivo deseado. Un ejemplo de guion sería el proceso de comprar un CD. Existen varias acciones que deben realizarse antes de la compra, y un guion proporciona la secuencia de las acciones necesarias y el orden correcto para completar la compra con éxito.

Desarrollo de un plan de aprendizaje para la adquisición de conceptos

La adquisición de conceptos en la educación y el aprendizaje es un método de aprendizaje activo. Por lo tanto, se pueden elegir planes de aprendizaje, métodos y objetivos para implementar la adquisición de conceptos. El trabajo de David Perkin sobre el conocimiento como diseño, las 4 preguntas de Perkin describen las preguntas del plan de aprendizaje: [ 17 ]

1) ¿Cuáles son los atributos críticos del concepto?

2) ¿Cuáles son los propósitos del concepto?

3) ¿Cuáles son los casos modelo del concepto?

4) ¿Cuáles son los argumentos para aprender el concepto? [ 17 ]

Sesgo en la adquisición de conceptos

El aprendizaje de conceptos se ha estudiado históricamente con una profunda influencia de los objetivos y funciones que se les atribuyen. La investigación ha analizado cómo la función de los conceptos influye en el proceso de aprendizaje, centrándose en la función externa. Centrarse en diferentes modelos para la investigación sobre la adquisición de conceptos ampliaría los estudios en este campo. Al leer artículos y estudios, es necesario detectar posibles sesgos y cualificar la fuente en este tema. [ 18 ] [ 19 ]

El aprendizaje inductivo y el aprendizaje automático entran en conflicto con el aprendizaje de conceptos.

En general, las cuestiones teóricas que subyacen al aprendizaje de conceptos en el aprendizaje automático son las mismas que las de la inducción . Estas cuestiones se abordan en numerosas publicaciones, incluyendo literatura sobre temas como espacios de versiones , teoría del aprendizaje estadístico , aprendizaje PAC , teoría de la información y teoría de la información algorítmica . Algunas de las ideas teóricas generales también son analizadas por Watanabe (1969, 1985), Solomonoff (1964a, 1964b) y Rendell (1986); véase la lista de referencias a continuación.

Teorías psicológicas modernas

Es difícil hacer afirmaciones generales sobre el aprendizaje de conceptos en humanos (o animales) sin asumir previamente una teoría psicológica particular sobre dicho aprendizaje. Si bien las concepciones clásicas de los conceptos y su aprendizaje en filosofía hablan de un proceso de abstracción , compresión de datos , simplificación y resumen, las teorías psicológicas actuales sobre el aprendizaje de conceptos divergen en todos estos puntos básicos. La historia de la psicología ha visto el auge y la caída de muchas teorías sobre el aprendizaje de conceptos. El condicionamiento clásico (tal como lo definió Pavlov ) creó la primera técnica experimental. El aprendizaje por refuerzo , descrito por Watson y desarrollado por Clark Hull, creó un paradigma duradero en la psicología conductual . La psicología cognitiva enfatizó una metáfora de flujo de información y computación para la formación de conceptos. Los modelos de redes neuronales de formación de conceptos y la estructura del conocimiento han dado lugar a poderosos modelos jerárquicos de organización del conocimiento, como Wordnet de George Miller . Las redes neuronales se basan en modelos computacionales de aprendizaje que utilizan análisis factorial o convolución . Las redes neuronales también están abiertas a la neurociencia y a los modelos psicofisiológicos de aprendizaje, siguiendo a Karl Lashley y Donald Hebb .

Basado en reglas

Las teorías basadas en reglas del aprendizaje de conceptos comenzaron con la psicología cognitiva y los primeros modelos informáticos de aprendizaje que podían implementarse en un lenguaje informático de alto nivel con sentencias computacionales como reglas de producción if:then . Toman como entrada datos de clasificación y una teoría basada en reglas, que son el resultado de un aprendiz basado en reglas con la esperanza de producir un modelo más preciso de los datos. [ 20 ] La mayoría de los modelos basados ​​en reglas que se han desarrollado son heurísticos, lo que significa que no se han proporcionado análisis racionales y los modelos no están relacionados con enfoques estadísticos de inducción. Un análisis racional para modelos basados ​​en reglas podría presuponer que los conceptos se representan como reglas, y luego preguntaría en qué grado de creencia un agente racional debería estar de acuerdo con cada regla, con algunos ejemplos observados proporcionados. [ 21 ] Las teorías basadas en reglas del aprendizaje de conceptos se centran más en el aprendizaje perceptivo y menos en el aprendizaje de definiciones. Las reglas pueden usarse en el aprendizaje cuando los estímulos son confusos, en lugar de simples. Cuando se usan reglas en el aprendizaje, las decisiones se toman basándose solo en propiedades y dependen de criterios simples que no requieren mucha memoria. [ 22 ]

Ejemplo de teoría basada en reglas:

"Un radiólogo que utilice la categorización basada en reglas observaría si ciertas propiedades de una imagen de rayos X cumplen con determinados criterios; por ejemplo, ¿existe una diferencia extrema de brillo en una región sospechosa en relación con otras regiones? La decisión se basa entonces únicamente en esta propiedad." [ 22 ]

Prototipo

La perspectiva prototípica del aprendizaje de conceptos sostiene que las personas abstraen la tendencia central (o prototipo) de los ejemplos experimentados y la utilizan como base para sus decisiones de categorización.

La teoría del prototipo del aprendizaje de conceptos sostiene que las personas categorizan basándose en uno o más ejemplos centrales de una categoría determinada, seguidos de un conjunto de ejemplos cada vez menos típicos. Esto implica que las personas no categorizan basándose en una lista de elementos que se corresponden con una definición, sino en un inventario jerárquico basado en la similitud semántica con el o los ejemplos centrales.

Ejemplar

La teoría de los ejemplares se basa en el almacenamiento de instancias específicas (ejemplares), donde los nuevos objetos se evalúan únicamente en función de su parecido con miembros (y no miembros) conocidos de la categoría. Esta teoría plantea la hipótesis de que los aprendices almacenan ejemplos textualmente . Considera el aprendizaje de conceptos como sumamente simplista, ya que solo se representan propiedades individuales. Estas propiedades no son abstractas ni crean reglas. Un ejemplo de cómo podría ser la teoría de los ejemplares es "el agua está mojada". Simplemente se sabe que algunos (o uno, o todos) los ejemplos almacenados de agua tienen la propiedad de estar mojada. Las teorías basadas en ejemplares han ganado popularidad empírica con el paso de los años, y algunas evidencias sugieren que los aprendices humanos utilizan estrategias basadas en ejemplares solo en las primeras etapas del aprendizaje, formando prototipos y generalizaciones más adelante en la vida. Un resultado importante de los modelos de ejemplares en la literatura psicológica ha sido la disminución de la complejidad en el aprendizaje de conceptos. Una de las teorías de ejemplares más conocidas sobre el aprendizaje de conceptos es el modelo de contexto generalizado (MCG).

Un problema de la teoría de los ejemplares es que los modelos de ejemplares dependen fundamentalmente de dos medidas: la similitud entre ejemplares y la existencia de una regla para determinar la pertenencia a un grupo. A veces resulta difícil obtener o distinguir estas medidas.

Prototipo múltiple

Más recientemente, los psicólogos cognitivos han comenzado a explorar la idea de que los modelos de prototipo y ejemplar constituyen dos extremos. Se ha sugerido que las personas son capaces de formar una representación de prototipos múltiples, además de las dos representaciones extremas. Por ejemplo, consideremos la categoría "cuchara". Existen dos subgrupos o clústeres conceptuales distintos: las cucharas tienden a ser grandes y de madera, o pequeñas y de metal. La cuchara prototípica sería entonces un objeto de tamaño mediano hecho de una mezcla de metal y madera, lo cual es claramente una propuesta poco realista. Una representación más natural de la categoría "cuchara" consistiría, en cambio, en múltiples (al menos dos) prototipos, uno para cada clúster. Se han realizado diversas propuestas al respecto (Anderson, 1991; Griffiths, Canini, Sanborn y Navarro, 2007; Love, Medin y Gureckis, 2004; Vanpaemel y Storms, 2008). Estos modelos pueden considerarse como un compromiso entre los modelos de ejemplar y prototipo.

Basado en explicaciones

La idea básica del aprendizaje basado en explicaciones sugiere que un nuevo concepto se adquiere al experimentar ejemplos del mismo y al formar un esquema básico.<sup> 1 </sup> En pocas palabras, al observar o percibir las cualidades de algo, la mente forma un concepto que posee y se identifica por esas cualidades.

La teoría original, propuesta por Mitchell, Keller y Kedar-Cabelli en 1986 y denominada generalización basada en la explicación, postula que el aprendizaje se produce mediante la generalización progresiva.² Esta teoría se desarrolló inicialmente para programar máquinas con el fin de que aprendieran. Aplicada a la cognición humana, se traduce de la siguiente manera: la mente separa activamente la información que se aplica a más de una cosa y la integra en una descripción más amplia de una categoría de cosas. Esto se logra identificando las condiciones suficientes para que algo se ajuste a una categoría, de forma similar a la esquematización.

El modelo revisado gira en torno a la integración de cuatro procesos mentales: generalización, agrupamiento, operacionalización y analogía 3 .

  • La generalización es el proceso mediante el cual se reconocen y etiquetan las características fundamentales de un concepto. Por ejemplo, las aves tienen plumas y alas. Todo lo que tenga plumas y alas se identificará como "ave".
  • Cuando la información se agrupa mentalmente, ya sea por similitud o relación, el grupo se denomina fragmento. Los fragmentos pueden variar en tamaño, desde un solo elemento con partes hasta muchos elementos con muchas partes. 4
  • Un concepto se operacionaliza cuando la mente es capaz de reconocer activamente ejemplos del mismo por sus características y etiquetarlo adecuadamente. 5
  • La analogía es el reconocimiento de similitudes entre ejemplos potenciales. 6

Esta teoría en particular sobre el aprendizaje de conceptos es relativamente nueva y se están realizando más investigaciones para ponerla a prueba.

Bayesiano

Al adoptar un enfoque matemático para el aprendizaje de conceptos, las teorías bayesianas proponen que la mente humana genera probabilidades para una determinada definición de concepto, basándose en ejemplos que ha visto de dicho concepto. [ 23 ] El concepto bayesiano de probabilidad previa evita ser excesivamente específico, mientras que la probabilidad de una hipótesis garantiza que la definición no sea demasiado amplia.

Si, por ejemplo, un padre le muestra a un niño tres caballos y le dice que se llaman "caballos", el niño debe deducir qué quiere decir exactamente el adulto con esa palabra. Es mucho más probable que defina la palabra " caballos " como referida a este tipo de animal o a todos los animales , en lugar de un ejemplo extrañamente específico como "todos los caballos excepto los Clydesdale", que sería un concepto antinatural. Por otro lado, la probabilidad de que " caballos " signifique "todos los animales" cuando los tres animales mostrados son muy similares es baja. La hipótesis de que la palabra "caballo" se refiere a todos los animales de esta especie es la más probable de las tres definiciones posibles, ya que tiene una probabilidad previa razonable y una probabilidad plausible dados los ejemplos.

El teorema de Bayes es importante porque proporciona una herramienta poderosa para comprender, manipular y controlar datos 5 que adopta una perspectiva más amplia que no se limita únicamente al análisis de datos 6. El enfoque es subjetivo, y esto requiere la evaluación de probabilidades previas 6 , lo que también lo hace muy complejo. Sin embargo, si los bayesianos demuestran que la evidencia acumulada y la aplicación de la ley de Bayes son suficientes, el trabajo superará la subjetividad de las entradas involucradas 7. La inferencia bayesiana puede utilizarse para cualquier dato recopilado honestamente y tiene una gran ventaja debido a su enfoque científico 6 .

Un modelo que incorpora la teoría bayesiana del aprendizaje de conceptos es el modelo ACT-R , desarrollado por John R. Anderson . El modelo ACT-R es un lenguaje de programación que define las operaciones cognitivas y perceptivas básicas que permiten el funcionamiento de la mente humana, mediante la simulación paso a paso del comportamiento humano. Esta teoría se basa en la idea de que cada tarea que realizan los humanos consiste en una serie de operaciones discretas. El modelo se ha aplicado al aprendizaje y la memoria, la cognición de alto nivel, el lenguaje natural, la percepción y la atención, la interacción persona-ordenador, la educación y las fuerzas generadas por ordenador.

Además de John R. Anderson, Joshua Tenenbaum ha contribuido al campo del aprendizaje conceptual. Estudió las bases computacionales del aprendizaje y la inferencia humanos mediante pruebas de comportamiento en adultos, niños y máquinas, utilizando estadística bayesiana y teoría de la probabilidad, así como geometría, teoría de grafos y álgebra lineal. Tenenbaum trabaja para lograr una mejor comprensión del aprendizaje humano en términos computacionales y para desarrollar sistemas computacionales que se acerquen a las capacidades de los aprendices humanos.

Teoría de la visualización de componentes

La teoría de la presentación de componentes (CDT) de MD Merrill es una matriz cognitiva que se centra en la interacción entre dos dimensiones: el nivel de desempeño esperado del alumno y los tipos de contenido del material a aprender. Merrill clasifica el nivel de desempeño del alumno como: encontrar, usar, recordar, y el contenido del material como: hechos, conceptos, procedimientos y principios. La teoría también se basa en cuatro formas de presentación primarias y varias otras formas de presentación secundarias. Las formas de presentación primarias incluyen: reglas, ejemplos, recuerdo y práctica. Las formas de presentación secundarias incluyen: prerrequisitos, objetivos, ayudas, mnemotecnia y retroalimentación. Una lección completa incluye una combinación de formas de presentación primarias y secundarias, pero la combinación más efectiva varía de un alumno a otro y también de un concepto a otro. Otro aspecto significativo del modelo CDT es que permite al alumno controlar las estrategias de instrucción utilizadas y adaptarlas a su propio estilo y preferencia de aprendizaje. Un objetivo principal de este modelo era reducir tres errores comunes en la formación de conceptos: sobregeneralización, subgeneralización y concepción errónea.

Véase también

Notas y referencias

  1. ↑ Pág. 233 Bruner, Goodnow y Austin (1956) archive.org Véase también Jerome Bruner sobre Estrategias de adquisición de conceptos Sitio web de teorías del aprendizaje
  1. ↑ Bruner, JS, Goodnow, JJ y Austin, GA (1956) Un estudio del pensamiento. Chapman & Hall, Limited. Londres. https://jan.ucc.nau.edu/lsn/educator/edtech/learningtheorieswebsite/bruner.htm
  2. ↑ "Aprendizaje de conceptos" (PDF) . web.cs.hacettepe.edu.tr .
  3. ↑ Holle. "Concept Attainment" (PDF) . CSUN . Consultado el 9 de agosto de 2022 .
  4. ↑ Paivio, Allan. (2014). La mente y su evolución : un enfoque teórico de codificación dual . Taylor and Francis. ISBN  978-1-317-71690-7OCLC 868489792​​ 
  5. ↑ Binder, JR; Westbury, CF; McKiernan, KA; Possing, ET; Medler, DA (1 de junio de 2005). "Sistemas cerebrales distintos para el procesamiento de conceptos concretos y abstractos". Journal of Cognitive Neuroscience . 17 (6): 905– 917. doi : 10.1162/0898929054021102 . PMID 16021798. S2CID 207624180 .  
  6. ↑ Paivio, Allan (2014). La mente y su evolución . doi : 10.4324/9781315785233 . ISBN 9781317716907.
  7. ↑ Cappa, Stefano F.; Pulvermüller, Friedemann (julio de 2012). "Número especial de Cortex: El lenguaje y el sistema motor". Cortex . 48 ( 7): 785– 787. doi : 10.1016/j.cortex.2012.04.010 . PMID 22579224. S2CID 33954008 .  
  8. ↑ Katja Wiemer-Hastings, Katja; Xu, Xu (10 de septiembre de 2005). "Diferencias de contenido para conceptos abstractos y concretos". Cognitive Science . 29 (5): 719– 736. doi : 10.1207/s15516709cog0000_33 . PMID 21702791 . 
  9. 1 2 Katz, Jeffrey S.; Wright, Anthony A.; Bodily, Kent D. (1 de enero de 2007). "Cuestiones en la cognición comparada del aprendizaje de conceptos abstractos" . Comparative Cognition & Behavior Reviews . 2 : 79–92 . doi : 10.3819/ccbr.2008.20005 . PMC 2836729. PMID 20228966 .  
  10. ↑ Binder, JR; Westbury, CF; McKiernan, KA; Possing, ET; Medler, DA (1 de junio de 2005). "Sistemas cerebrales distintos para el procesamiento de conceptos concretos y abstractos". Journal of Cognitive Neuroscience . 17 (6): 905– 917. doi : 10.1162/0898929054021102 . PMID 16021798. S2CID 207624180 .  
  11. ↑ Paivio, A. (1986). Representaciones mentales: Un enfoque de codificación dual . Nueva York: Oxford University Press.
  12. ↑ Boehm, Ann (2004). La evaluación psicoeducativa de niños en edad preescolar . Londres: Lawrence Erlbaum Associates. pp. 186–203.
  13. ↑ Walker, Alice A. (septiembre de 1979). "El desarrollo de conceptos relacionales en niños de tres y cuatro años". The Journal of Educational Research . 73 (1): 37– 40. doi : 10.1080/00220671.1979.10885201 .
  14. ↑ Loewenstein, Jeffrey; Gentner, Dedre (junio de 2005). " Lenguaje relacional y desarrollo del mapeo relacional". Psicología Cognitiva . 50 (4): 315– 353. doi : 10.1016/j.cogpsych.2004.09.004 . PMID 15893523. S2CID 14318417 .  
  15. ↑ Urcuioli, Peter J. (2009-04-08). «Respuestas y clases de equivalencia adquirida». Comparative Cognition Experimental Explorations of Animal Intelligence . Oxford University Press. pp. 405–422 . doi : 10.1093/acprof:oso/9780195377804.003.0022 . ISBN  978-0-19-537780-4.{{cite book}}: |work=ignorado ( ayuda )
  16. ↑ "Direcciones del viento: Norte, Este, Sur, Oeste" .
  17. 1 2 Adquisición de conceptos - Universidad Estatal de California, Northridge. (s.f.). Recuperado el 9 de agosto de 2022 de https://www.csun.edu/sites/default/files/Holle-Concept-Attainment.pdf
  18. ↑ Shanks, DR (2001). "Aprendizaje y representación de conceptos: modelos". Enciclopedia internacional de las ciencias sociales y del comportamiento . págs. 2491–2495 . doi : 10.1016/B0-08-043076-7/00536-2 . ISBN  9780080430768.
  19. ↑ Billman, Dorrit (1996). Sesgos estructurales en el aprendizaje de conceptos . Psicología del aprendizaje y la motivación. Vol. 35. págs. 283–321 . doi : 10.1016/S0079-7421(08)60578-2 . ISBN   9780125433358.
  20. ↑ Hekanaho, Jukka (14 de agosto de 1997). Mejora de reglas basada en GA en el aprendizaje de conceptos (PDF) . KDD'97: Actas de la Tercera Conferencia Internacional sobre Descubrimiento de Conocimiento y Minería de Datos. AAAI Press. págs. 183–186 . ISBN  978-1-57735-027-9.
  21. ↑ Goodman, Noah D.; Tenenbaum, Joshua B.; Feldman, Jacob; Griffiths, Thomas L. (2 de enero de 2008). "Un análisis racional del aprendizaje de conceptos basado en reglas" (PDF) . Cognitive Science . 32 (1): 108– 154. doi : 10.1080/03640210701802071 . PMID 21635333 . 
  22. 1 2 Rouder, Jeffrey; Ratcliff, Roger (2006). "Comparación de teorías de categorización basadas en ejemplos y reglas". Current Directions in Psychological Science . 15 : 9–13 . doi : 10.1111/j.0963-7214.2006.00397.x . S2CID 7290181 . 
  23. ↑ Tenenbaum, Joshua B. (1999). "Modelado bayesiano del aprendizaje de conceptos humanos" (PDF) . Advances in Neural Information Processing Systems . 11 (12): 59– 65. Recuperado el 30 de enero de 2018 .

Lecturas adicionales

  • Feldman, Jacob (2003). "El principio de simplicidad en el aprendizaje de conceptos humanos". Current Directions in Psychological Science . 12 (6): 227– 232. doi : 10.1046/j.0963-7214.2003.01267.x . S2CID 15441281 . 
  • Rendell, Larry (1986). "Un marco general para la inducción y un estudio de la inducción selectiva" . Machine Learning . 1 (2): 177– 226. doi : 10.1007/BF00114117 .
  • Hammer, Rubi (2008). "Procesos de comparación en el aprendizaje de categorías: De la teoría al comportamiento". Brain Research . 1225 (15): 102– 118. doi : 10.1016/j.brainres.2008.04.079 . PMID 18614160. S2CID 106981 .  
  • Hammer, Rubi (2009). "El desarrollo de estrategias de aprendizaje de categorías: ¿Qué marca la diferencia?". Cognition . 112 ( 1): 105– 119. doi : 10.1016/j.cognition.2009.03.012 . PMID 19426967. S2CID 1199541 .  
  • Watanabe, Satosi (1969). Conocer y adivinar: Un estudio cuantitativo de la inferencia y la información . Nueva York: Wiley. ISBN 9780471921301.
  • Watanabe, Satosi (1985). Reconocimiento de patrones: humano y mecánico . Nueva York: Wiley.
  • Solomonoff, RJ (1964). "Una teoría formal de la inferencia inductiva. Parte I" . Information and Control . 7 (1): 1– 22. doi : 10.1016/S0019-9958(64)90223-2 .
  • Solomonoff, RJ (1964). "Una teoría formal de la inferencia inductiva. Parte II". Information and Control . 7 (2): 224– 254. doi : 10.1016/S0019-9958(64)90131-7 .
  • "Ciencias del cerebro y cognitivas" . Instituto Tecnológico de Massachusetts . Consultado el 23 de noviembre de 2007 .
  • Kearsley, Greg (1994). "Teoría de la visualización de componentes (MD Merrill)" . Recuperado el 4 de diciembre de 2007 .
  • Kearsley, Greg (1994). "Concepto" . Archivado del original el 9 de julio de 2011. Recuperado el 4 de diciembre de 2007 .
  • "Teoría de la visualización de componentes" . 10 de abril de 2007. Consultado el 4 de diciembre de 2007 .
  • "Logro de conceptos" . 1999. Consultado el 4 de diciembre de 2007 .
  • "Aprendizaje de conceptos" . 7 de noviembre de 2007. Consultado el 4 de diciembre de 2007 .
  • "Formación de conceptos" . The McGraw-Hill Companies. 2007. Consultado el 4 de diciembre de 2007 .
  • Berry, Donald A. (1997–1998). "Enseñanza de estadística bayesiana elemental con aplicaciones reales en la ciencia". The American Statistician . 5 (3): 241– 246. doi : 10.1080/00031305.1997.10473970 .
  • Brown, Harold I. (1994). "Razón, juicio y la ley de Bayes". Filosofía de la ciencia . 61 (3): 351– 369. doi : 10.1086/289808 . S2CID 122639303 . 
  • Lindley, Dennis V. (1983). "Teoría y práctica de la estadística bayesiana". The Statistician . 32 (1/2): 1– 11. doi : 10.2307/2987587 . JSTOR 2987587 .