10.11: Marcos Alternativos y Enfoques de Modelado

En este capítulo nos hemos centrado en un marco teórico particular, pero se han descrito muchos otros enfoques a lo largo de los años. Probablemente el modelo más influyente vino de Alan Baddeley (1986), quien se centró especialmente en la memoria de trabajo, pero también argumentó a favor de un “ejecutivo central”. En particular, postuló dos formas específicas de memoria de trabajo: 1) un bucle fonológico para mantener la información verbal y; 2) un bloc de notas visuoespacial para información espacial. Otro enfoque teórico altamente influyente vino de Tim Shallice (e.g., 1988,2007) quien describió un marco de sistema de atención supervisora (SAS). Por último, también está el enfoque tradicional muy influyente de IA, que discutiremos brevemente a continuación.

Motivada en gran parte por los tipos de funciones cognitivas enumeradas anteriormente, la IA tradicional se ha centrado en gran medida en un enfoque orientado al diseño utilizando símbolos que se han centrado en tratar de averiguar qué se necesitaría para resolver un tipo particular de problema, y luego diseñar un modelo que haga las cosas de esa manera. Hay una ironía en este enfoque en que los investigadores que toman este enfoque están utilizando la funcionalidad cognitiva de muy alto nivel que están tratando de explicar para diseñar un sistema que lo reproduzca. Un problema fundamental con este tipo de enfoques es que básicamente diseña en la misma funcionalidad que pretende explicar. Esto no quiere decir que este tipo de enfoques carecen totalmente de mérito, sólo que están fundamentalmente limitados en lo que en última instancia pueden explicar. Quizás por razones obvias, ha resultado que este tipo de modelos de función cognitiva han tenido más éxito al tratar con los tipos de función cognitiva que enumeramos como al más alto nivel -es decir, en modelar sistemas capaces de hacer matemáticas y lógica formales. En lo que han hecho menos bien ha sido dar cuenta de muchos de los tipos de cosas que podrían considerarse menos de alto nivel, o incluso de nivel inferior, cosas que a menudo tomamos para ser automáticas. Es para estas últimas áreas, que el enfoque de la red neuronal biológicamente informada ha sido de gran ayuda. Por lo tanto, estos dos enfoques pueden ser muy complementarios y se están persiguiendo enfoques híbridos. Por ejemplo, el enfoque Leabra se está hibridando con el enfoque ACT-R en una arquitectura llamada SAL.

Todos estos enfoques no son mutuamente excluyentes, sino que comparten muchas ideas comunes y pueden ser complementarios de muchas maneras. En particular, el enfoque tradicional de IA, yendo directo a resolver un problema de alto nivel por ejemplo, la aritmética. Por otro lado, el objetivo del enfoque de redes neuronales que defendemos es proporcionar un modelo más ascendente que intente proporcionar una cuenta reduccionista para el surgimiento de un procesamiento similar al control basado en mecanismos automáticos subyacentes. Este es el enfoque que tomamos con el marco PBWM.