Ley universal de generalización

La ley universal de generalización es una teoría de la cognición que establece que la probabilidad de que una respuesta a un estímulo se generalice a otro es una función de la “distancia” entre los dos estímulos en un espacio psicológico. Fue introducida en 1987 por Roger Shepard , ^{[ 1 ] [ 2 ]} quien comenzó a investigar los mecanismos de generalización cuando aún era estudiante de posgrado en Yale:

«Ahora estaba convencido de que el problema de la generalización era el problema más fundamental al que se enfrentaba la teoría del aprendizaje. Dado que nunca nos encontramos exactamente con la misma situación total dos veces, ninguna teoría del aprendizaje puede estar completa sin una ley que rija cómo lo que se aprende en una situación se generaliza a otra». ^{[ 3 ]}

El artículo de Shepard de 1987 ofrece un ejemplo de "generalización" de un pájaro que ha comido una lombriz de tierra y se le presenta una lombriz de tierra de aspecto ligeramente diferente. ^{[ 2 ]} Al explicar el concepto de "espacio psicológico" en el resumen de su artículo de 1987, Shepard escribió:

"Se establece un espacio psicológico para cualquier conjunto de estímulos determinando distancias métricas entre los estímulos de tal manera que la probabilidad de que una respuesta aprendida a cualquier estímulo se generalice a cualquier otro sea una función invariante [monótona] de la distancia entre ellos" ^{[ 2 ]} .

Utilizando evidencia experimental de sujetos humanos y no humanos, Shepard planteó la hipótesis de que la probabilidad de generalización disminuye exponencialmente con la distancia medida por una de dos métricas específicas. Su análisis argumenta a favor de la universalidad de esta regla para todos los organismos sensibles , debido a la internalización evolutiva .

En 1988, Daniel M. Ennis, del Centro de Investigación Philip Morris, escribió que la teoría de Shepard podría ser irrelevante porque la investigación de Nosofsky había encontrado “varias excepciones” a la misma. ^{[ 4 ]} Shepard respondió afirmando que los experimentos de Nosofsky se centraban en “las ubicaciones precisas de los estímulos individuales en el ‘espacio psicológico’” ^{[ 4 ]} mientras que sus experimentos se centraban en la “ubicación, el tamaño y la forma de la región del espacio psicológico correspondiente al conjunto de estímulos que tienen la misma consecuencia importante que un estímulo de entrenamiento dado”. ^{[ 4 ]}  

Otros investigadores han seguido la investigación de Shepard. En 2000, Ken Cheng, de la Universidad Macquarie ^{[ 5 ],} experimentó con la generalización especial de las abejas, comparando sus hallazgos con investigaciones previas sobre humanos y palomas. Cheng explicó su comprensión de la ley de generalización de Shepard en este estudio de la siguiente manera:

“Supongamos que un animal encuentra comida en un recipiente en una ubicación (S+). Cuando el animal regresa, el recipiente se encuentra en una ubicación notablemente diferente. ¿Seguirá el animal apostando a encontrar comida en el recipiente? Esta pregunta se basa en la suposición de que el animal puede distinguir entre las dos ubicaciones. La ley de Shepard no se aplica cuando el animal tiene dificultades para distinguir entre estímulos. La cuestión es si las dos ubicaciones tienen la misma consecuencia de interés; en este caso, si el recipiente contiene comida…” ^{[ 5 ]}

Cheng midió la respuesta de la abeja a copias de un recipiente en diferentes ubicaciones, mientras que el original permaneció en un área y contenía agua azucarada. Los recipientes de copia contenían agua del grifo o agua azucarada. Las mediciones de los gradientes de generalización se separaron por distancia y dirección según la ley de Shepard. Cheng descubrió que “los gradientes de generalización en ambas series se ajustaban a funciones exponenciales, lo que respalda la ley de Shepard”. ^{[ 5 ]} La investigación de Cheng sugirió que la ley de Shepard tenía el potencial de generalizarse no solo a mamíferos y aves, sino también a invertebrados . En 2001, Chater y Vitányi ^{[ 6 ]} intentaron proporcionar una “forma matemáticamente más atractiva de la Ley Universal”. ^{[ 6 ]}   Explican la necesidad de una perspectiva matemática diferente a la presentada en el artículo de Shepard ilustrando el ejemplo de una fotografía y su negativo:

“Así, mientras que el positivo y el negativo de la misma imagen están muy alejados entre sí en términos de distancia euclidiana, están a una distancia casi cero en términos de distancia universal porque intercambiar los píxeles blancos y negros transforma una imagen en la otra” ^{[ 6 ].}

Chater y Vitányi admiten que su forma de abordar la ley de generalización podría ser demasiado abstracta para ajustarse a una ecuación psicológica, pero argumentan que una explicación abstracta simple sería tan adecuada como cualquier otra explicación elemental en un sentido práctico cuando se enfrentan a situaciones que están entrelazadas con explicaciones matemáticas complejas. ^{[ 6 ]}

Chris R. Sims ^{[ 7 ]} ha intentado ofrecer una nueva perspectiva sobre la ley de generalización a través del alcance del principio de codificación eficiente. Sims defiende la teoría de la distorsión de la tasa mediante experimentos de identificación perceptiva. ^{[ 7 ]}

Steven A. Frank, de la Universidad de California, Irvine ^{[ 8 ],} propuso otra perspectiva sobre el enfoque de la ley de generalización. Argumenta que la forma exponencial de la ley universal surge simplemente porque es la única transformación matemática de una escala perceptual continua a una probabilidad de respuesta que es invariante a cambios y estiramientos.