Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
2. La estructuracin conceptual
Una de las concepciones ms extendidas sobre aquello que permite la induccin categrica
resalta el papel que desempea el conocimiento que se tiene sobre las propiedades de los
ejemplares, de modo que la descripcin de estas propiedades permite averiguar cmo los
ejemplares se agrupan en clases. Vamos a ver los diferentes enfoques tericos sobre esta
agrupacin categrica y cules son los principios que permiten que los objetos particulares se
agrupen en una categora.
jerrquicos:
Nivel supraordenado: grado ms alto de generalidad (fruta)
Nivel subordinado: grado ms concreto (manzana golden)
Nivel bsico: nivel intermedio en el que se ubicara el prototipo (concepto de manzana).
Este nivel comprendera el mayor nmero de propiedades que comparten los ejemplares de
una categora y el menor nmero de propiedades de otras categoras de contraste
Los datos que presentamos para ilustrar el enfoque probabilstico pertenecen al trabajo de
Malt y Smith. En la Tabla 3.1 (Pg.90) se presentan las puntuaciones que se obtuvieron cuando
los sujetos evaluaban en una escala de 1 a 7 varios ejemplares de los conceptos fruta y ave.
Como puede verse, manzana se considera como la fruta ms tpica, mientras que calabaza es la
menos tpica.
Resultados de este tipo cuestionaron la adecuacin del enfoque clsico al poner de
manifiesto que no todos los ejemplares eran equivalentes en cuanto a su pertenencia categrica.
Este trabajo de Malt y Smith tambin pone de manifiesto que los efectos de tipicidad parecen
deberse a las propiedades no necesarias, cuestionando en este punto la viabilidad del enfoque
clsico de la categorizacin.
En la Tabla 3.2 (Pg. 91) se presentan diez ejemplos en orden decreciente de tipicidad con
algunas de las propiedades que dieron los sujetos para los ejemplares que se les presentaron. A
cada propiedad se le asigna una puntuacin que es igual al nmero de ejemplares que presenta
esa propiedad. La suma de estas puntuaciones constituye su puntuacin de parecido familiar.
En esta tabla observamos que la puntuacin de parecido familiar es:
Una medida directa de la frecuencia de las propiedades del concepto. Los ejemplares con
las puntuaciones ms altas en parecido familiar son los que comparten el mayor nmero de
propiedades con los miembros de su categora y el menor nmero con los miembros de otras
categoras
Una medida indirecta de la semejanza de un ejemplar con respecto a los otros miembros de
la categora. Una puntuacin alta manifiesta que el ejemplar comparte muchas propiedades
con el resto de los ejemplares y, que, por tanto, es similar a muchos de estos ejemplares
El parecido familiar tambin se encuentra correlacionado con la tipicidad. El supuesto
principal de este enfoque es que la tipicidad de un ejemplar es una medida de la semejanza de
dicho ejemplar y su prototipo. Los miembros de una categora se relacionan por su parecido
familiar, entendiendo por parecido familiar:
La semejanza media de un ejemplar con respecto a otros miembros de la categora
La desemejanza media con respecto a los miembros de otras categoras de contraste
Cuanto ms semejante sea un ejemplar con respecto a los otros miembros de su categora y
menos semejante con los miembros de otras categoras, tanto mayor ser el parecido familiar y
tanto ms tpico ser como miembro de esa categora. De esta forma, la estructura interna del
el contexto.
La categorizacin ha de ser lo suficientemente flexible como para poder explicar la agrupacin
temporal de unas propiedades. Algunos conceptos se generan slo un contexto muy
determinado, presentando ejemplares que en otros contextos perteneceran a otras categoras.
Por ejemplo, si se pide a un sujeto que enumere aquello que salvara de un incendio en su casa,
aqul puede reunir una serie de ejemplares tales como joyas, cuadros, documentos, etc., que en
este contexto formaran temporalmente una nueva categora. A estos conceptos se denominan
dirigidos por metas, que tambin pueden presentar efectos de tipicidad, aunque la base de
estos efectos es cualitativamente distinta. En este caso, el parecido familiar no predice la
tipicidad, sino que sta se encuentra determinada por el peso de las propiedades en el contexto
en el que ocurren.
Los resultados de los estudios de las propiedades temporales y de las investigaciones de los
ejemplares, ponen de manifiesto que la induccin categrica es un proceso muy flexible en el
que es necesario explicar tanto la estabilidad como la inestabilidad de las categoras.
Las crticas principales del enfoque de los ejemplares se centran en:
La necesidad de contemplar las generalizaciones que se producen durante el aprendizaje
La necesidad de especificar el criterio de coherencia interna que limite el mbito de la
categorizacin.
Tambin se han propuesto modelos mixtos en los que el enfoque de los ejemplares se
complementa con algn nivel de abstraccin (enfoque probabilstico) que se corresponde con el
prototipo.
3. La combinacin de conceptos
Nuestra experiencia cotidiana pone de manifiesto que la informacin conceptual se combina
para producir otros conceptos, por ejemplo sof cama (dos sustantivos), sangre azul (sustantivo
y adjetivo) y mujer muy alta (sustantivo, adverbio y adjetivo). Esta capacidad para la formacin,
en principio finita, de conceptos complejos a partir de una base conceptual finita se conoce como
la composicionalidad del pensamiento. Esta composicionalidad ilustra la enorme
productividad y flexibilidad del proceso de categorizacin.
4. El proceso de categorizacin
Analizaremos cmo las propiedades de los ejemplares se agrupan en una categora. Buena
parte de las investigaciones se apoyan directa o indirectamente en la nocin de semejanza.
Principio de semejanza
En el caso de las propiedades prototpicas (enfoques probabilsticos) determinados
ejemplares se consideran ms tpicos o ms representativos que otros con respecto a su
presencia categrica y cmo la tipicidad de un ejemplar era una medida de semejanza del
ejemplar con su prototipo.
En el enfoque de los ejemplares (semejantes entre s) se rechaza la idea de un prototipo y se
defiende que la categorizacin consiste en el cmputo de la semejanza entre los ejemplares, en
lugar de consistir en una descripcin unitaria de la clase como un todo.
La semejanza parece ser aquello que hace que una categora pueda aglutinar un conjunto de
ejemplares. Sin embargo, la semejanza es un trmino escurridizo porque, aunque es cierto que
los miembros de una categora parecen semejantes, esta explicacin es en s misma recursiva,
ya que supone la explicacin de por qu las cosas parecen semejantes. As, encontramos que
muchas cosas parecen semejantes por el solo hecho de pertenecer a la misma categora. Por
ejemplo, en el caso de agrupar la naranja y el pltano frente a la naranja y el baln. En otras
palabras, la estimacin que hacen los sujetos sobre la semejanza puede estar influida por el
propio conocimiento de que aquello que se compara pertenece a la misma categora.
Segn Tversky, la semejanza se define en funcin de las propiedades que son comunes y
distintivas en un conjunto de ejemplares, pero que se encuentran ponderadas en trminos de
su saliencia o relevancia. La semejanza depende de las ponderaciones de las propiedades, lo
que nos permite explicar por qu ballena se agrupa con mamferos, a pesar del nmero de
propiedades en comn que posee con los peces. En este caso, el conocimiento terico ha
permitido ponderar diferencialmente unas propiedades frente a otras, o se recurre a las
propiedades diagnsticas para arbitrar esta categorizacin.
Sin embargo, el propio Tversky demuestra cmo las ponderaciones varan en funcin del
contexto estimular y de la tarea experimental. De tal forma que no existe una respuesta unvoca
a la pregunta de cun semejante es un objeto con respecto a otro. Los sujetos, en realidad,
basan sus juicios en ciertas propiedades segn su relevancia para una situacin concreta, es
decir, no enumeran todo lo que conocen, sino las propiedades que les parecen ms relevantes
en esa situacin concreta.
Frente al principio general de semejanza, otros enfoques proponen que es el propio
conocimiento que tienen los sujetos y sus teoras ingenuas sobre el mundo lo que restringe la
construccin y organizacin categrica.
Conocimiento previo
Este enfoque guiado por el conocimiento previo o las teoras ingenuas determina cules
son las propiedades relevantes para una categora. De esta forma, se entiende que la
categorizacin no se da aisladamente sino que los conceptos se organizan circunscritos al
conocimiento estructurado o teoras ingenuas que tienen los sujetos y que les permite actuar de
forma coherente.
La categorizacin basada en el conocimiento organizado permite articular las relaciones inter
e intracategoriales de modo que la estructuracin conceptual no se reduzca a lista de
propiedades, sino que se encuentre inmersa en un cuerpo de conocimientos con estructura y
coherencia.
En esta lnea de una categorizacin guiada por el conocimiento tambin podemos incluir
aquellas teoras que asumen una representacin de la informacin en estructuras de
conocimiento tales como los esquemas, los guiones, los marcos o los modelos mentales. Ahora
bien, en contraposicin al prototipo, un esquema no necesita especificar los valores de sus
propiedades, sino que estas propiedades (variables) son genricas y adoptan valores en funcin
del contexto.
A continuacin vamos a exponer dos perspectivas sobre la induccin categrica que
pretenden explicar la flexibilidad de este proceso. Ambos enfoques pertenecen al marco de los
modelos computacionales, el primero pertenece al paradigma simblico y el segundo al
paradigma conexionista.
La ejecucin de las reglas seleccionadas para que llevan a cabo las acciones especificadas.
Estas reglas, a su vez, estn organizadas en funcin de los patrones de condiciones y
acciones, dando lugar a dos tipos de organizacin:
Organizacin implcita: si la accin que es consecuencia de una regla satisface la condicin
de una segunda regla, entonces la ejecucin de la primera conducir a la ejecucin de la
segunda regla.
Organizacin explcita: la conexin entre reglas viene indicada directamente, y las reglas que
se activan conjuntamente quedarn conectadas con el tiempo, formando un conjunto
interrelacionado de reglas.
representados. Sin embargo la mayor ponderacin previa del nodo 1 hace que ste se
considere la categorizacin tentativa. Para evitar las generalizaciones poco plausibles, la
categorizacin cuenta con un umbral de confirmacin que establece un criterio para la
variabilidad del conjunto de propiedades que se estn considerando. En este ejemplo no se
alcanza el umbral de confirmacin, y, por tanto, se requiere de mayor informacin para confirmar
la categorizacin.
En la concepcin de este modelo no se entiende que estas reglas sean una definicin de la
categora, sino un conjunto de expectativas que se consideran verdaderas siempre y cuando
no se contradigan por la informacin presentada en el sistema. En ausencia de mayor
informacin, estas expectativas por defecto proporcionan el mejor esquema para la situacin
actual.
La probabilidad condicionada de una categora puede representarse implcitamente por la
fuerza de un conjunto de reglas. Adems, estas reglas se organizan en jerarquas por defecto
que se ordenan por expectativas basadas en las relaciones subordinadas y supraordenadas. A
travs de la organizacin explcita, se enlazan las relaciones entre categoras. En virtud de
estos marcadores, un objeto dentro de una categora se encuentra implcitamente conectado con
una red de categoras. De esta forma, la categorizacin no depende de una descripcin
monoltica, sino de una combinacin de propiedades y situaciones. As, tambin se evita el
problema computacional de representar un nodo para cada una de las propiedades.
A travs de estas jerarquas por defecto se pretender representar la incertidumbre sobre la
que tiene que operar el sistema. Estas jerarquas pueden representar:
En un nivel las generalizaciones que son tiles.
En otro nivel la informacin ms especfica.
Se asume tambin que los sujetos representan la variabilidad del objeto con respecto a un
tipo de propiedad. El nmero de ejemplares necesarios para alcanzar la generalizacin ser
funcin de sta variabilidad:
Cuando existen pocos niveles excepcionales, entonces la generalizacin con pocos
ejemplares ser automtica.
Cuando existen muchas excepciones, entonces las generalizaciones sern dbiles o
tentativas.
De acuerdo con esta teora, los grados de tipicidad pueden interpretarse en trminos de la
organizacin de la jerarqua por defecto. El modelo mental de un objeto particular sera un
conjunto de reglas derivadas de una variedad de conceptos supraordenados ms cualquier
informacin particular disponible:
Los ejemplares tpicos se adhieren con reglas supraordenadas (las ms generales)
Los ejemplares atpicos lo hacen con reglas excepcionales
Esto implica que no es necesario asumir un prototipo explcito, en el sentido de un ejemplar
ideal construido por la media de los ejemplares para representar todo lo que se induce de una
defecto o esquemas. Estas entidades digamos que se encuentran implcitas, y que emergen de
las interacciones de un amplio conjunto de restricciones.
El modelo conexionista que se va a analizar, pertenece a los modelos de satisfaccin de
restricciones, que simulan un proceso que satisface simultneamente un nmero considerable
de restricciones y en el que no hay una solucin nica que pueda satisfacer todas las
restricciones. Las restricciones que ya estn implcitas en el patrn de activacin van a
determinar el conjunto de posibles estados del sistema, interactuando con la entrada de
informacin. La relevancia diferencial de las restricciones se encuentra reflejada en la fuerza de
la conexin entre unidades. Adems, cada una de las unidades presenta tambin un sesgo,
reflejando la probabilidad a priori de estar activadas. El ajuste global que alcanza el sistema es
la suma de los grados en que cada par de unidades contribuye a la bondad de ajuste, ms
el grado en el que las unidades satisfacen las restricciones de la entrada de informacin.
Es decir, la contribucin de un par de unidades es producto de sus valores de activacin
multiplicado por los pesos de las conexiones. Por tanto, el ajuste es la suma de todas las
contribuciones individuales que el sistema busca maximizar. En el siguiente apartado se va a
describir el funcionamiento de este modelo.
Con el siguiente ejemplo se va a ilustrar los supuestos del funcionamiento de una red
conexionista de este tipo. Los datos pertenecen al modelo de Rumerlhart, Smolensky,
McClelland y Hinton. En la Tabla 3.3 (Pg. 111) aparecen los trminos que fueron presentados
para que los sujetos evaluaran su pertenencia categrica en una serie de habitaciones: oficina,
dormitorio, cuarto de bao, saln y cocina. Los cuadrados sealados en gris representan la
activacin de dicha propiedad y los cuadrados en blanco su desactivacin. Cada una de estas
propiedades representa un patrn de activacin con respecto al resto de las propiedades.
En la Tabla 3.4 (Pg. 112) se presenta la matriz de pesos. La fuerza de las conexiones se
obtuvo del clculo de las concurrencias de todos los trminos. Cada unidad se representa por un
cuadrado y dentro de cada cuadrado aparecen los pesos de esa unidad con respecto al resto de
las unidades, teniendo en cuenta sus posiciones. As, por ejemplo, en la primera unidad (techo)
la segunda posicin de la primera fila representa el peso de la conexin (-0.08) de esta unidad
(techo) con la segunda unidad (pared), la tercera posicin representa el peso de la conexin (0.02) de esta unidad (techo) con la tercera unidad (puerta), y as sucesivamente.
En la Fig. 3.6 (Pg. 113) se ha intentado ilustrar cmo se encuentra la rede en este conjunto
de propiedades. Debido a la gran cantidad de datos que hay que manejar, slo se han elegido
aquellos que se encuentran activados en el prototipo oficina. A travs de esta representacin se
puede apreciar la idea esencial del estado de activacin de una red determinada. Como
podemos ver, este planto pretende representar un conjunto de unidades, cuyas ponderaciones
hacen que emerja una configuracin que se identifica con el prototipo. Las propiedades se
encuentran distribuidas por toda la red y la fuerza de sus conexiones hace que el patrn
5. Resumen
La induccin categrica ha estado siempre presente en las investigaciones psicolgicas y no
se puede hablar de consenso. As nos encontramos con:
El enfoque clsico, que defiende una estructura conceptual con propiedades bien definidas.
Enfoque probabilstico: que asume una estructuracin basada en las frecuencias, tendencia
central, o la dispersin entre dichas propiedades.
No logran explicar la totalidad del proceso de categorizacin.
Frente a estas concepciones estructurales de la representacin conceptual, el enfoque de los
ejemplares no asume una estructura propiamente dicha; propone que todos los ejemplares se
encuentran representados y que el nivel de abstraccin necesario para generar una categora
tendra lugar en el momento mismo de la recuperacin de la informacin almacenada. Este
enfoque dota al proceso de categorizacin con una capacidad de cmputo suficiente como para
explicar los resultados experimentales sobre la sensibilidad al contexto, a las correlaciones entre
propiedades, al rango de la propiedad y a la propia tipicidad. Crtica: No logra explicar cmo se
representan las generalizaciones que son producto del aprendizaje y la propia coherencia del
proceso de categorizacin.
Los modelos conciliadores o mixtos, tanta de salvar esta deficiencias, en ellos se combinan
propiedades definitorias y prototpicas (enfoque clsico y probabilstico) o la representacin de
casos concretos y un nivel de representacin ms abstracto que se correspondera con el
prototipo (enfoque de los ejemplares y probabilstico)
Detrs de estas polmicas est el cmo se encuentra representada y organizada la
informacin en un sistema computacional. As tenemos:
Modelos que asumen una representacin simblica con una organizacin estructurada y en
muchos casos jerrquica en la que lo0s distintos niveles contienen propiedades comunes o
especficas de acuerdo con una concepcin definitoria de estas propiedades, o segn una
concepcin representativa de las mismas o de acuerdo con un marco genrico y ms global
como los esquemas o teoras previas.
Modelos con una representacin simblica pero sin una estructuracin conceptual en la que
los casos concretos se representan como una organizacin reticular en la que los marcadores
relacionales y sus ponderaciones van dando lugar a la estructuracin categrica segn se
necesite. La categorizacin surge en este ltimo caso cmputo de un nivel crtico de
semejanza con respecto al grupo de ejemplares concretos.
Modelos que asumen una representacin no simblica, en la que la informacin se distribuye
en una red con unidades de activacin diferencialmente ponderadas y la categorizacin
emerge como consecuencia de la puesta en marcha de los patrones de activacin que han
sido activados en un momento dado.
Las investigaciones sobre combinacin de conceptos ponen de manifiesto la enorme
flexibilidad y la continua reestructuracin del sistema categrico. Winiewski al trabajar sobre la
combinacin de conceptos sustantivo-sustantivo, logra reunir bajo una misma perspectiva los
procesos de combinacin conceptual, cambio conceptual y razonamiento analgico.
Proceso de combinacin conceptual sustantivo adjetivo bajo tres modelos:
El modelo de modificacin selectiva, es el ms especfico y asume una representacin
prototpica en la que los atributos tienen pesos diferenciados con respecto a su prominencia y
diagnosticidad. El procedimiento para el cmputo de la tipicidad de los conceptos compuestos
se basa en la semejanza entre los atributos con mayor prominencia y valor diagnstico.
Crtica: modelo demasiado simple con respecto a su concepcin de los atributos, ya que
asume que stos son independientes y su rango de aplicacin se limita a los conceptos
constituidos por sustantivos y adjetivos.
El modelo de la especializacin conceptual , asume una representacin por esquemas con
variables y valores en la que uno de los conceptos (el adjetivo) especifica los valores de las
propiedades del otro (el sustantivo). Sin embargo, antes de iniciar este proceso de
especializacin se accede a la base de conocimientos que tiene el sujeto con el fin de elegir la
variable que va a ser modificada y que dar lugar a un concepto compuesto que sea
coherente dentro del sistema representacional.
El modelo de modificacin selectiva y el Modelo de Especializacin conceptual, se
pueden considerar complementarios dado que el primero aporta un procedimiento concreto
para el clculo de la combinacin conceptual y el segundo amplia la riqueza del marco
representacional en el que se desarrolla este proceso.
Propuesta que combina la representacin de ejemplares y el conocimiento del mundo ,
este Modelo hbrido para la combinacin conceptual asume una representacin concreta de
los ejemplares en la que tambin es necesario acceder a toda la base de conocimientos del
sujeto para poder explicar las relaciones entre las propiedades de un concepto, los efectos del
contexto sobre los juicios de semejanza y los distintos valores crticos que puede tener una
misma propiedad para distintos conceptos.
En el proceso de induccin categrica hemos tratado del principio de semejanza y el de las
teoras previas:
Con respecto al proceso de categorizacin guiado por el principio de semejanza: podramos
decir que los sujetos suelen ser muy flexibles con respecto a la nocin de semejanza. Por
ejemplo, en los estudios de Barsalou se muestra como pueden agrupar diversos ejemplares
en una categora atendiendo a la temporalidad de sus propiedades, poniendo de manifiesto
que la estructuracin conceptual es altamente dinmica y dependiente del contexto. La
desventaja de esta flexibilidad es que deja sin explicar la propia nocin de semejanza, por lo
que convendra ms considerarlo como un heurstico.
Los enfoques que defienden un proceso de categorizacin guiado por el conocimiento
estructurado imponen ciertas restricciones al conjunto de propiedades que son relevantes
para la categora en coherencia con el entramado de relaciones del dominio del conocimiento
en cuestin. Crticas: Una teora o un conocimiento estructurado tambin debe restringir su
mbito de aplicacin. Si no hay restricciones, entonces una teora cualquiera puede adoptar
cualquier estructura y dar lugar a cualquier tipo de categora. Para resumir podramos decir
que las investigaciones resaltan cada vez ms que la interaccin entre el contexto y un
entramado complejo de relaciones es responsable de la induccin categrica y que hace falta
conjugar tanto la semejanza como el conocimiento estructurado si queremos explicar el
proceso de categorizacin.
Los dos modelos que han servido para ilustrar la complejidad del proceso de induccin
categrica han puesto de manifiesto que ste es un proceso lo suficientemente flexible y
dinmico como para ir ajustando los cambios en las propiedades de los conceptos en funcin del
contexto y del entramado de relaciones propias del sistema. Ahora bien, ambos modelos
presentan dos perspectivas alternativas del modelo computacional subyacente a la
categorizacin: