PONENCIA: III ENCUENTRO VIRTUAL DE DOCENTES CON EXPERIENCIAS DE AULAS DE INNOVACIONES PEDAGOGICAS 2013 “MEGATENDENCIAS EN EDUCACIÓN”

CONEXIONISMO El conexionismo es un conjunto de enfoques en los ámbitos de la inteligencia artificial, psicología cognitiva, ciencia cognitiva, neurociencia y filosofía de la mente. Presentes en los fenómenos de la mente y del comportamiento como procesos neuronales.

PRINCIPIOS BÁSICOS El principio central del conexionismo son los fenómenos mentales. La forma de las conexiones y de las unidades varía de un modelo a otro. Por ejemplo, las unidades de la red podrían representar neuronas y las conexiones podrían representar sinapsis. Sinapsis. Proceso de interconexión entre neuronas.

Propagación de Activación En la mayoría de los modelos conexionistas de las redes cambian con el tiempo. Un aspecto estrechamente relacionado y muy común de los modelos conexionistas es la activación: Por ejemplo, la probabilidad de que la neurona genere un pico o emociones como potencial de acción.

Realismo Biológico La rama de las redes neuronales del conexionismo sugiere que el estudio de la actividad mental es en realidad el estudio de los sistemas neurales. Esto enlaza el conexionismo con la neurociencia y el sistema biológico.

Aprendizaje Los conexionistas por lo general subrayan la importancia del aprendizaje en sus modelos. El aprendizaje siempre implica la modificación de los procesos de conexión: Ejemplo: El uso de fórmulas matemáticas para obtener un conjunto de datos.

Historia Las bases de las ideas conexionistas se pueden remontar a finales del siglo XIX, cuando Santiago Ramón y Cajal establecieron las bases para los estudios de redes neuronales, cuando describieron la estructura de las neuronas y su forma de interconexión en el cerebro humano.

Procesamiento Distribuido en Paralelo El enfoque conexionista que prevalece hoy en día fue originalmente conocido como procesamiento distribuido en paralelo (PDP). Aspectos principales: Un conjunto de unidades de procesamiento: representadas por un conjunto de números enteros. Una activación para cada unidad: representada por un vector de funciones dependientes del tiempo. Una función de activación para cada unidad: representada por un vector de funciones de activación. Un patrón de conectividad entre las unidades: representada por una matriz de números reales y actividad lingüística. Una regla de propagación que extienda las activaciones a través de las conexiones, representada por conjuntos reales. Una regla de activación: representada por una función de activación actual y de propagación. Una regla de aprendizaje para modificar las conexiones, basada en la experiencia vivida.

Primeros Trabajos Raíces directas del PDP fueron las teorías del perceptrón de investigadores como Frank Rosenblatt en la década de 1950 y Pero los modelos perceptrón se hicieron muy impopulares a raíz del libro Perceptrons. Este libro mostraba los límites de la clase de funciones que los perceptrones pueden calcular, demostrando que inc lu so las funciones simples, como el exclusivo no pueden ser manejadas correctamente. Los libros sobre PDP superaron esta limitación, al mostrar que las redes neuronales multi-capa y no lineales son mucho más robustas y pueden utilizarse para una amplia gama de funciones.

Conexionismo aparte de PDP Aunque el PDP es la forma dominante de conexionismo, hay otro tipo de trabajos teóricos que también deben ser englobados dentro del conexionismo. Santiago Ramón y Cajal. Describió la estructura de las neuronas y su forma de interconexión estableciendo de esta manera las bases para los estudios de redes neuronales. William James. Las teorías psicológicas basadas en el conocimiento del cerebro humano. John Hughlings Jackson. Abogó por sistemas distribuidos en varios niveles de experiencias. Edward Thorndike. Estaba experimentando con formas de aprendizaje que postulaban a las unidades lingüísticas respecto al habla. Friedrich Hayek Propuso que el orden espontáneo en el cerebro era consecuencia de redes descentralizadas formadas por unidades sencillas de grupos neuronales.

Debate Conexionismo vs. Inteligencia artificial convencional Mientras el conexionismo se hacía cada vez más popular en la década de 1980, hubo una reacción contraria por parte de algunos investigadores, incluyendo a Jerry Fodor, Steven Pinker y otros. Argumentaban que el conexionismo tal y como se estaba desarrollando corría el peligro de olvidar lo que ellos veían como los progresos realizados por el enfoque clásico de la inteligencia artificial en los campos de la ciencia cognitiva y la psicología. La inteligencia artificial convencional argumenta que la mente opera mediante la realización de operaciones simbólicas puramente formales, como una máquina de Turing. Algunos investigadores señalaron que la tendencia hacia el conexionismo era un error, ya que significaba una reversión hacia el asociacionismo y el abandono de la idea de un lenguaje del pensamiento.

APLICACIONES E l debate sobre si las redes conexionistas eran capaces de producir la estructura sintáctica observada en razonamientos de tipo lógico fue tardío y el hecho de que los procedimientos utilizados eran muy improbables en el cerebro hizo que la controversia persistiera. Hoy en día los avances y aplicaciones de la neurofisiología y de la comprensión de las redes neuronales han llevado a la elaboración de modelos que han tenido éxito en la superación de gran número de aquellos primeros problemas. Para los neurocientíficos la cuestión fundamental sobre el conocimiento se ha inclinado a favor del conexionismo. Sin embargo, este desarrollo relativamente, aún no han alcanzado un consenso aceptable entre aquellos que trabajan en otros campos, tales como la psicología o la filosofía de la mente.