Inteligencia Artificial

Unidad Temas Subtemas

1 Fundamentos. 1.1 El propsito de la IA y su evolucin
histrica.
1.2 Las habilidades conoscitivas
se!n la psicolo"a. Teor"as de la
inteliencia #conductismo$
%ardner$ .
1.& El proceso de ra'onamiento se!n
la lica #A(iomas$ Teoremas$
demostracin).
1.* El modelo de ad+uisicin del
conocimiento se!n la ,iloso,"a.
1.- El modelo conoscitivo.
1.. El modelo del aente inteliente.
1./ El papel de la heur"stica.
2 0epresentacin del
conocimiento y
ra'onamiento.
2.1 1apas conceptuales.
2.2 0edes sem2nticas.
2.& 0a'onamiento montono.
2.* La lica de predicados3 sinta(is$
sem2ntica$ valide' e in,erencia.
2.5 La demostracin y sus mtodos.
2.. El m4todo de 0esolucin de
0obinson
2.7 Conocimiento no-montono y Otras
lgicas.
2.5 0a'onamiento probabil"stico.
2.6 Teorema de 7ayes.
& Sistemas de
ra'onamiento lico.
&.1 0elas de produccin.
&.2 Sinta(is de las relas de
produccin.
8 A
1
A
2
... A
n
9: ;
8 representacin ob<eto8atributo8
valor
3.3 Semntica de las reglas de
produccin
&.&.1 ;onocimiento causal.
3.3.2 Conocimiento de diagnstico.
&.* Ar+uitectura de un sistema de
=roduccin #S=) # Sistemas
basados en relas$ S70).
3.4.1 Hechos.
&.*.2 7ase de conocimientos.
3.4.3 Mecanismo de control.
&.- ;iclo de vida de un sistema de
=roduccin.
* 7!s+ueda y
satis,accin de
restricciones.
*.1 =roblemas y Espacios de estados.
*.2 Espacios de estados
determin"sticos y espacios no
determin"sticos.
*.& 7!s+ueda sistem2tica.
*.&.1 7!s+ueda de metas a
pro,undidad.
*.&.2 7!s+ueda de metas en
anchura
*.&.& 7!s+ueda ptima.
*.* Satis,accin de restricciones.
*.- 0esolucin de problemas de
<ueos.
Unidad1. Fundamentos.
1.5 El propsito de la IA y su evolucin histrica.
El propsito de la Inteligencia Artificial es hacer computacional el conocimiento
humano no analtico por procedimientos simblicos o conexionistas.
El propsito de la nteligencia Artificial es equipar a las Computadoras con "nteligencia
Humana" y con la capacidad de razonar para encontrar soluciones. Otro factor fundamental del
diseo, la capacidad de la Computadora para reconocer patrones y secuencias de
procesamiento que haya encontrado previamente, (programacin Heurstica) que permita a la
Computadora recordar resultados previos e incluirlos en el procesamiento, en esencia, la
Computadora aprender a partir de sus propias experiencias usar sus Datos originales para
obtener la respuesta por medio del razonamiento y conservar esos resultados para
posteriores tareas de procesamiento y toma de decisiones. El conocimiento recin adquirido le
servir como base para la prxima serie de soluciones.
Caractersticas Principales
Mayor velocidad.
Mayor miniaturizacin de los elementos.
Aumenta la capacidad de memoria.
Multiprocesador (Procesadores interconectados).
Lenguaje Natural.
Lenguajes de programacin: PROGOL (Programming Logic) y LSP (List Processing).
Mquinas activadas por la voz que pueden responder a palabras habladas en diversas
lenguas y dialectos.
Capacidad de traduccin entre lenguajes que permitir la traduccin instantnea de
lenguajes hablados y escritos.
Elaboracin inteligente del saber y nmero tratamiento de datos.
Caractersticas de procesamiento similares a las secuencias de procesamiento
Humano.
La nteligencia Artificial recoge en su seno los siguientes aspectos fundamentales:
A. Sistemas Expertos
Un sistema experto no es una Biblioteca (que aporta informacin), si no un consejero o
especialista en una materia (de ah que aporte saber, consejo experimentado).
Un sistema experto es un sofisticado programa de computadora, posee en su memoria
y en su estructura una amplia cantidad de saber y, sobre todo, de estrategias para
depurarlo y ofrecerlo segn los requerimientos, convirtiendo a el sistema en un
especialista que est programado.
Duplica la forma de pensar de expertos reconocidos en los campos de la medicina,
estrategia militar, exploracin petrolera, etc... Se programa a la computadora para
reaccionar en la misma forma en que lo haran expertos, hacia las mismas preguntas,
sacaba las mismas conclusiones iniciales, verificaba de la misma manera la exactitud
de los resultados y redondeaba las ideas dentro de principios bien definidos.
B. Lenguaje natural
Consiste en que las computadoras (y sus aplicaciones en robtica) puedan
comunicarse con las personas sin ninguna dificultad de comprensin, ya sea oralmente
o por escrito: hablar con las mquinas y que stas entiendan nuestra lengua y tambin
que se hagan entender en nuestra lengua.
C. Robotica
Ciencia que se ocupa del estudio, desarrollo y aplicaciones de los robots. Los Robots
son dispositivos compuestos de sensores que reciben Datos de Entrada y que estn
conectados a la Computadora. Esta recibe la informacin de entrada y ordena al Robot
que efecte una determinada accin y as sucesivamente.
Las finalidades de la construccin de Robots radican principalmente en su intervencin
en procesos de fabricacin. ejemplo: pintar en spray, soldar carroceras de autos,
trasladar materiales, etc...
D. Reconocimiento De La Voz
Las aplicaciones de reconocimiento de la voz tienen como objetivo la captura, por parte de una
computadora, de la voz humana, bien para el tratamiento del lenguaje natural o para cualquier
otro tipo de funcin.
http://www.monografias.com/trabajos11/hisco/hisco.shtml
I. >?UE ES LA I@TELI%E@;IA A0TIFI;IALA
Podramos defnr a IA como una dscpna tecnogca que tene por
ob|eto e dseo y a construccn de mqunas y programas capaces
de reazar compe|as con perca gua o mayor que a de un ser
humano. Tenendo en cuenta que aqueas tareas que parecen ms
smpes, por e|empo, habar, ver, escuchar, son precsamente as ms
compe|as de reazar.
E computador es una poderosa herramenta por su capacdad para
representar cuaquer sstema dscreto de smboos fscos. Pero a
meta fna no es para esta "cenca cognosctva" e computador o sus
programas, sno e estudo de a conducta ntegente y, en partcuar,
de a conducta humana.
Este es e motvo por e cua a IA enaza con tantas otras cencas.
As, en e estudo de a conducta humana ntervenen cencas
naturaes como a neurofsooga y cencas humanas como a
pscooga; en e estudo de os procesos de aprendza|e, a pedagoga;
en otros aspectos mportantes, como e reconocmento de engua|e
natura, a ngstca; y en a reazacn prctca de os modeos, a
nformtca y en todo su entorno.
An cuando a IA es un campo reatvamente |oven y no exsten
defncones estrctas sobre o que es o representa, he aqu como a
defnen agunos expertos:
1. Para M. Mnsky profesor de MIT, "a IA es a cenca de hacer
mqunas que hacen cosas que reazadas por e hombre
requeren e uso de ntegenca".
2. No obstante, P.H. Wnston drector de Laboratoro de IA de MIT
escrbe, " E ob|etvo de a IA se puede defnr como consegur
ordenadores ms tes para comprender os prncpos que
hacen posbe a ntegenca".
3. N. Nsson |efe de Departamento de Cenca de Ordenadores de
a Unversdad de Stanford dce: "E campo de a IA tene su
prncpa contendo en aqueos procesos comunes que renen
percepcn y conocmento, esperando que e proceso sea
comprenddo y estudado centfcamente".
4. Tanto B.G. Buchanan (profesor ad|unto e nvestgador de
cenca de ordenadores) como E.A. Fegenbaun (nvestgador
prncpa de proyecto de nvestgacn sobre Heurstca), ambos
de a Unversdad de Stanford, escrben "a nvestgacn sobre
IA es a parte de a cenca de computadores que nvestga
procesos smbcos, razonamentos no agortmcos y
representacones smbcas de conocmento usados en
mqunas ntegentes".
Actuamente exsten dos tendencas en cuanto a desarroo de
sstemas de IA: os sstemas expertos y as redes neuronaes. Los
sstemas expertos ntentan reproducr e razonamento humano de
forma smbca. Las redes neuronaes o hacen desde una
perspectva ms bogca (recrean a estructura de un cerebro
humano medante agortmos gentcos). A pesar de a compe|dad
de ambos sstemas os resutados dstan mucho de un autntco
pensamento ntegente.
Muchos centfcos se muestran escptcos acerca de a posbdad de
que aguna vez pueda desarroarse una verdadera IA. E
funconamento de a mente humana todava no ha egado a
conocerse en profunddad y, en consecuenca, e dseo nformtco
segur sendo esencamente ncapaz de reproducr esos procesos
desconocdos y compe|os.
I. EBCLU;IC@ DISTC0I;A
Prehistoria de la IA
As como de aguna forma os soportes mecncos para a
automatzacn de ccuos artmtcos se stan en a prehstora de
os computadores, a prehstora de a ntegenca artfca abarca
desde os prmeros tempos de nuestra cvzacn hasta medados
de sgo vente. En este perodo se producen hechos que podemos
agrupar en dos neas: Una de eas, drectamente reaconada con a
construccn de autmatas que smuaban desde e punto de vsta
externo e comportamento humano o anma, y que soan funconar
en ayuda de su amo. La otra nea, referente a a nformacn y
automatzacn de razonamento gco y matemtco.
En reacn con os autmatas, sempre se ha reaconado a
ntegenca con os aparatos mecncos compe|os. Los hombres,
ntutvamente, han comparado a compe|dad de funconamento de
una mquna con su propa vda menta.
La tradcn |uda cre e mto de "goem", fgura humanode hecha
de arca a a que un rabno poda nsufar vda propa, convrtndoa
en un perfecto crado. Sn embargo, se requera a ntervencn dvna
para consegur estos espectacuares resutados.
A egar e reaconsta sgo XVIII, e sgo de os autmatas por
antonomasa, as cosas fueron muy dferentes. Como es sabdo,
Descartes haba defenddo a tess de "anma-mquna": os seres
vvos, savo e hombre, son meros mecansmos.
E escrtor Capek dfunde en 1920 una paabra destnada a tener gran
xto: "robot". En su obra "RUR" aparecen unos seres creados para
reazar as tareas que e hombre no quere hacer, que acaban sendo
ms poderosos que e msmo hombre, egando a poner en pegro su
exstenca.
Hasta a egada de os ordenadores eectrncos no dspuseron os
centfcos y tcncos de una herramenta que permtera a e|ecucn
de tareas ms compe|as por parte de dspostvos mecncos; que
hcera posbe, por as decr, a construccn de goems y robots.
La automatzacn de conocmento: A egar a sgo XIX, os
matemtcos senten por su parte a necesdad de abandonar a
nsttucn como fundamento de su cenca y buscar para su
razonamento ms sdas bases. La aparcn de as parado|as eva
a desarroo de os sstemas formaes y de gca matemtca. Las
escueas de Ruse o de Hbert reducen e razonamento a a
manpuacn abstracta de cadenas de smboos.
Las teoras de a computabdad y de os autmatas proporconaron e
vncuo entre a formazacn de razonamento y as mqunas que
estaban a punto de surgr tras a Segunda Guerra Munda. En este
ambente, no es extrao que a aparcn de as prmeras mqunas
eectrncas de computo fuera seguda nmedatamente por os
ntentos de apcaras a a que hoy amamos IA.
Un tmo eemento mportante es a ciberntica. Esta nfuy en
muchos campos debdo a su naturaeza fundamentamente
nterdscpnara, gado entre s a fsooga neurona. Las deas de
os creadores de a cberntca egaron a ser parte de esprtu de
tempo, e nfuyeron fuertemente en os prmeros nvestgadores de a
IA.
El nacimiento de la IA
E fracaso de a mayora de os probemas que ntentaban resover
eran demasado compcados, tanto terca como tecnogcamente.
La gca terca fue consderada como e prmer programa de IA y
usada para resover probemas de bsqueda heurstca.
Durante e deceno de 1950 se ceebraron congresos, proferaron os
grupos de nvestgacn y en 1954 uno de eos afrm haber creado
un programa que traduca de ruso a ngs. La verdad es que os
resutados prctcos fueron descorazonadoramente escasos.
De todas formas, e resutado ms espectacuar de este perodo fue e
programa de Samue para |ugar a as damas, que se present en
1961 y era capaz de aprender de su experenca, es decr, tener en
cuenta sus errores y xtos pasados, para determnar sus |ugadas en
a partda posteror.
Los aos difciles
Taes haban sdo as expectatvas evantadas por a IA, y tantos sus
fracasos, que e desnmo suced a optmsmo nca. E mundo
exteror se desentend de os traba|os de nvestgacn, y a
fnancacn de muchos proyectos se vov probemtca, tanto en
Amrca como en Europa. No obstante, a IA se fue consodando y,
aprendendo de sus fracasos, busc nuevos enfoques para os ve|os
probemas.
En e ao 1964 se pubc una tess doctora sobre e sstema
STUDENT, que es un programa de engua|e natura que comprende y
resueve probemas eevados de gebra.
Es en 1966 cuando se pubca, en Comunicaciones de la Asociacin
para Mquinas Calculadoras, un programa de ordenador para e
estudo de comuncacn hombre-mquna medante engua|e natura
nteractvo, ELIZA, que fue creado como un programa de pscooga
que smua respuestas de un terapsta en daogo nteractvo con un
pacente. Las personas que daogaban con ELIZA crean que
hababan con un pscogo autntco.
A partr de 1970, e nfass se trasad de as regas y procedmentos
generaes de deduccn a a acumuacn de conocmentos concretos
acerca de un campo ben demtado en a readad. E cebre
programa SHRDLU era una parte de un proyecto de comprensn de
engua|e natura capaz de comprender y e|ecutar correctamente
rdenes dadas en ngs acerca de un "mundo de boques". Eo era
posbe porque e programa tena todos os conocmentos necesaros
acerca de su mtado y smpfcado mundo.
Los sstemas expertos acanzaron una sorprendente efectvdad a a
hora de responder a compcadas cuestones de dagnstco mdco o
prospeccn mnera. Esto se consegua mtando e razonamento a
un mbto restrngdo de mundo rea, acumuando en e programa
una gran cantdad de conocmentos. En esta poca, una de as
prncpaes actvdades fue e dseo de sstemas expertos. La amada
Ingeniera del conocimiento fue acumuando tcncas y herramentas
para a representacn, recoeccn y empeo de conocmento
experto en un campo dado.
Los traba|os hasta 1973, tuveron como herramentas bscas de
traba|o os conceptos de tempo compartdo en ordenadores y
procesamento de paabra. La nvestgacn ms norma ncuye: vsn
con ordenador, todas as reas de a robtca, sstemas expertos,
engua|e natura y arqutectura de ordenadores.
La nvestgacn en vsn artfca a travs de Programa de
Comprensin de Imagen, ncuye un desarroo de a teora de a vsn
y de hardware para procesado de mgenes.
Se anzaron ataques contra a IA basndose en a ntrospeccn,
afrm que certos aspectos de pensamento humano son
esencamente nmtabes por parte de os ordenadores, dando varas
razones de apoyo a esta tess: de una parte, os ordenadores son
mqunas dscretas, mentras que e pensamento aparece en nuestra
ntrospeccn como contnuo; adems, os ordenadores carecen de
"corporedad", por o que no pueden reaconarse como nosotros con
e espaco fsco; por tmo, os ordenadores no comparten nuestras
experencas, nuestro contexto humano, por o que no pueden ser
como os seres humanos.
En cuaquer caso, as controversas no desanmaron a os
nvestgadores, que empezaban a acanzar resutados tangbes. En
esto es ayudaba grandemente e aceerado progreso de soporte
matera, con a aparcn de os crcutos y e aumento consguente
de capacdad y potenca de ccuo. Tambn e soporte gco
empezaba a adaptarse a as necesdades de a IA. La aparcn de
engua|es decaratvos fue un paso mportante para a IA.
E AM es un programa tpco de aprendza|e que defne y evaa
conceptos matemtcos con teora de con|untos y nmeros.
El desarrollo actual
Las nsttucones pbcas y os gobernos percberon os grandes
adeantos que, caadamente, haba reazado a IA en e deceno de
os aos setenta. Las empresas y organzacones se veron seducdas
por as posbdades que os sstemas expertos y a "ngenera de
conocmento" tenan para aumentar su efcenca.
Por todo eo, a IA vov a ser tema de moda, y e mpuso defntvo
vno de |apn. En 1979, e Mnstero de Industra y Comerco
Internacona de |apn decd desarroar una nueva generacn de
ordenadores que cumperan as necesdades prevsbes para a
dcada de os noventa. Aque msmo ao se cre un grupo de traba|o
para estudar a cuestn. En 1981 se pubcaba e nforme eaborado
con as contrbucones de unas 150 personas, aprobando e goberno
|apons os crdtos presupuestaros para os que se am e Proyecto
de la Quinta Generacin de Computadores.
Los dems pases responderon con esceptcsmo a desafo |apons.
Los amercanos, conscentes de su adeanto de varos aos y de su
mayor potenca econmca y centfca, no pareceron muy
preocupados. La frma IBM no ha mostrado en os tmos tempos un
nters excesvo por a IA; aunque acaso est reconsderando su
postura.

Investigacin y desarrollo en reas de la IA
Las apcacones tecnogcas en as que os mtodos de IA usados
han demostrado con xto que pueden resover compcados
probemas de forma masva, se han desarroado en sstemas que:
1. Permten a usuaro preguntar a una base de datos en cuaquer
engua|e que sea, me|or que un engua|e de programacn.
2. Reconocen ob|etos de una escena por medo de aparatos de
vsn.
3. Generar paabras reconocbes como humanas desde textos
computarzados.
4. Reconocen e nterpretan un pequeo vocabuaro de paabras
humanas.
5. Resueven probemas en una varedad de campos usando
conocmentos expertos codfcados.
Los pases que han apadrnado nvestgacones de IA han sdo:
EEUU. , |apn, Reno Undo y a CEE; y o han evado a cabo a travs
de grandes compaas y cooperatvas de resgo y ventura, as como
con unversdades, para resover probemas ahorrando dnero.
http://www.uap.edu.pe/Fac/02/trabajos/02206/isi
%2033/go1/ia.html
I@T0CEU;;IF@
La finalidad de la inteligencia artificial consiste en crear teoras y modelos que muestren la
organizacin y funcionamiento de la inteligencia. Actualmente, el mayor esfuerzo en la
bsqueda de la inteligencia artificial se centra en el desarrollo de sistemas de procesamientos
de datos que sean capaces de imitar a la inteligencia humana, realizando tareas que requieran
aprendizaje, solucin de problemas y decisiones. A veces llamada inteligencia de mquina, la
inteligencia artificial o A (Artificial ntelligence) cubre una vasta gama de teoras y prcticas.
1.1 La base de la inteliencia arti,icial
La inteligencia artificial se basa en dos reas de estudio: el cuerpo humano y el ordenador
electrnico. Puesto que la meta es copiar la inteligencia humana, es necesario entenderla. Sin
embargo, a pesar de todos los progresos en Neurologa y Psicologa, la inteligencia del hombre
se conoce poco, exceptuando sus manifestaciones externas. Muchos estudiosos de la
inteligencia artificial se han vuelto para obtener su modelo de inteligencia hacia el estudio
de la Psicologa cognoscitiva, que aborda la forma de percibir y pensar de los seres humanos..
Despus comprueban sus teoras programando los ordenadores para simular los procesos
cognoscitivos en el modelo. Otros investigadores intentan obtener teoras generales de la
inteligencia que sean aplicables a cualquier sistema de inteligencia y no solo al del ser humano.
1.2 >=ueden pensar las m2+uinas A
En 1950 el matemtico ingls Alan M. Turing public un ensayo que comenzaba as: "Quiero
proponer una pregunta: Pueden pensar las mquinas?." Como la pregunta era demasiado
vaga (Qu entendemos por "pensar"?), Turing desarroll un experimento basado en un juego
de saln en el que una persona formula a dos jugadores escondidos (un hombre y una mujer)
preguntas que le servirn para descubrir cul de los dos es la mujer. Turing propuso sustituir
uno de los dos jugadores escondidos por una mquina inteligente capaz de conversar. Si el
examinador, que se serva de un teletipo para comunicarse, no podan distinguir cul de los dos
jugadores era la mquina, ello evidenciara segn Turing que la mquina poda pensar. En
la actualidad, este experimento de Turing podra ser superado, en situaciones limitadas, por
muchos programas de ordenador estudiados para dialogar con el usuario.
nvestigaciones acerca de la inteligencia artificial realizadas en la Universidad de Yale (EE.UU.)
han llevado al desarrollo de programas de ordenador mediante los cuales stos pueden
aprender y razonar. Otros estudiosos de la inteligencia artificial estn poniendo a punto
sistemas para dotar a los ordenadores de capacidad visual y auditiva. Una importante rea de
investigacin es la del lenguaje normal, que permite a los ordenadores comunicarse mediante
lenguaje humano en lugar de hacerlo en lenguaje de mquina. Es decir, la mayora de los
ordenadores estn programados para recibir e interpretar instrucciones de este tipo:
S#DYR=48-56, LOC=AS NOT SW, EN=RALSTON". nicamente personas preparadas son
capaces de comunicarse eficazmente de esta forma. Pero si un ordenador programado para
gestionar la documentacin de una compaa petrolfera pudiese entender la orden
dactilografiada (traduccin de la anterior) "Encuntrame toda la documentacin relativa a las
perforaciones de los pozos de Arabia Saudita entre 1948 y 1956, pero nicamente la de los
pozos en que trabaj Ralston, no los de la zona surocciodental del pas", muchas personas
podran utilizarlo.
1.& Los ,ines de la IA
Las primeras investigaciones acerca de la inteligencia artificial estaban principalmente dirigidas
al hallazgo de una tcnica universal para la solucin de problemas. Este intento a gran escala
ha sido abandonado y las investigaciones actuales estn dirigidas al diseo de numerosos
programas para ordenadores capaces de imitar los procesos de toma de decisiones de
expertos, como mdicos, qumicos, basados en los conocimientos de especialistas en cada
materia, son ahora utilizados para diagnosticar enfermedades, identificar molculas qumicas,
localizar yacimientos de minerales e incluso disear sistemas de fabricacin. nvestigaciones
acerca de la percepcin han sido aplicadas a los robots y se han diseado algunos capaces de
"ver". La meta final consiste en crear un sistema capaz de reproducir todas las facetas de la
inteligencia humana.
2. DISTC0IA G EBCLU;IF@ EE LA I@TELI%E@;IA A0TIFI;IAL
La nteligencia Artificial "naci" en 1943 cuando Warren McCulloch y Walter Pitts propusieron
un modelo de neurona del cerebro humano y animal. Estas neuronas nerviosas abstractas
proporcionaron una representacin simblica de la actividad cerebral.
Ms adelante, Norbert Wiener elabor estas ideas junto con otras, dentro del mismo campo,
que se llam "ciberntica"; de aqu nacera, sobre los aos 50, la nteligencia Artificial.
Los primeros investigadores de esta innovadora ciencia, tomaron como base la neurona
formalizada de McCulloch y postulaban que:
"El cerebro es un solucionador inteligente de problemas, de modo que imitemos al cerebro".
Pero si consideramos la enorme complejidad del mismo esto es ya prcticamente imposible, ni
que mencionar que el hardware de la poca ni el software estaban a la altura para realizar
semejantes proyectos.
Se comenz a considerar el pensamiento humano como una coordinacin de tareas simples
relacionadas entre s mediante smbolos. Se llegara a la realizacin de lo que ellos
consideraban como los fundamentos de la solucin inteligente de problemas, pero lo difcil
estaba todava sin empezar, unir entre s estas actividades simples.
Es en los aos 50 cuando se logra realizar un sistema que tuvo cierto xito, se llam el
Perceptrn de Rossenblatt. ste era un sistema visual de reconocimiento de patrones en el
cual se asociaron esfuerzos para que se pudieran resolver una gama amplia de problemas,
pero estas energas se diluyeron enseguida.
Fue en los aos 60 cuando Alan Newell y Herbert Simon, que trabajando la demostracin de
teoremas y el ajedrez por ordenador logran crear un programa llamado GPS (General Problem
Solver: solucionador general de problemas). ste era un sistema en el que el usuario defina un
entorno en funcin de una serie de objetos y los operadores que se podan aplicar sobre ellos.
Este programa era capaz de trabajar con las torres de Hanoi, as como con criptoaritmtica y
otros problemas similares, operando, claro est, con microcosmos formalizados que
representaban los parmetros dentro de los cuales se podan resolver problemas. Lo que no
poda hacer el GPS era resolver problemas ni del mundo real, ni mdicos ni tomar decisiones
importantes. El GPS manejaba reglas heursticas (aprender a partir de sus propios
descubrimientos) que la conducan hasta el destino deseado mediante el mtodo del ensayo y
el error.
En los aos 70, un equipo de investigadores dirigido por Edward Feigenbaum comenz a
elaborar un proyecto para resolver problemas de la vida cotidiana o que se centrara, al menos,
en problemas ms concretos. As es como naci el sistema experto.
El primer sistema experto fue el denominado Dendral, un intrprete de espectrograma de masa
construido en 1967, pero el ms influyente resultara ser el Mycin de 1974. El Mycin era capaz
de diagnosticar trastornos en la sangre y recetar la correspondiente medicacin, todo un logro
en aquella poca que incluso fueron utilizados en hospitales (como el Puff, variante de Mycin
de uso comn en el Pacific Medical Center de San Francisco, EEUU).
Ya en los aos 80, se desarrollaron lenguajes especiales para utilizar con la nteligencia
Artificial, tales como el LSP o el PROLOG. Es en esta poca cuando se desarrollan sistemas
expertos ms refinados, como por el ejemplo el EURSKO. Este programa perfecciona su
propio cuerpo de reglas heursticas automticamente, por induccin.
Eesarrollo Districo #se!n HacIson$ 165.)
1950-1965 Periodo "clsico"
Gestacin (McColluck y Pitts, Shannon, Turing)
nicio - reunin de Darmouth College en 1956 (Minsky$ McCarthy)
Redes neuronales, robtica (Shakey)
Bsqueda en un espacio de estados, Heursticas, LSP
Solucionador general de problemas (GPS) (Newell, Simon)
Juegos, prueba de teoremas
Limitaciones de pura bsqueda, explosin combinatoria.
1965-1975 Periodo "romntico"
Representacin "general" del conocimiento.
Redes semnticas (Quillian)
Prototipos (frames) (Minsky)
Perceptrn (Minsky y Papert)
Lgica (Kowalski)
Mundo de bloques (SHDRLU) (Winograd)
Compresin de lenguaje, visin, robtica.
Dificultades de representacin "general", problemas de "juguete".
1975-Hoy Periodo "moderno". nteligencia "especifica" vs. "general"
Representacin explcita del conocimiento especfico del dominio.
Sistemas expertos o basados en conocimiento.
Regreso de redes neuronales (Hopfield, Rumelhart, Hinton), algoritmos genticos
(Holland, Goldberg) Reconocimiento de voz (HMM), incertidumbre (RB, Lgica difusa),
planeacin, aprendizaje. Aplicaciones "reales" (medicina, finanzas, ingeniera, exploracin,
etc.).
Limitaciones: conocimiento "superficial"
Eesarrollo Districo #se!n 0ussell y @orvi$ 166-)3
Gestacin (1943-1956):
McCullock y Pitts (1943)
Hebb (1949)
Shannon (1950)
Turing (1953)
Minsky y Edmonds (1951)
Darmouth College (1956)
McCarthy , Newell y Simon$ The Logic Theorist
Entusiasmo y grandes expectativas (1952-1969):
Samuel - checkers (1952)
McCarthy (1958): L SP : time sharing, Programs with common sense.
Minsky y McCarthy en MT moldearon mucho del rea.
Minsky , Evans, Student, Waltz, Winston, Winograd, etc.
Trabajo en RN: Hebb, Widrow, Rosenblatt
Dosis de realidad (1966-1974):
Simon predeca que en 10 aos se tendra una mquina inteligente.
Predicciones similares en traduccin automtica y ajedrez.
Teora de NP- completness.
Experimentos en machine evolution (ahora algoritmos genticos; estaban bien
fundados pero no produjeron nada.) (Friedberg, 1958)
Minsky y Papert Perceptrons (1969) (aunque irnicamente el mismo ao se descubri
backpropagation (Bryson y Ho))
Sistemas basados en conocimiento (1969-1979):
Dendral , Mycin, HPP, Prospector, Winograd, SHDRLU, Shank (no hay sintxis),
frames, Prolog, Planner
A como industria (1980-1988):
R1/XCON, proyecto de la quinta generacin, shells y mquinas de LIS=.
Regreso de redes neuronales (1986-presente):
Hopfield, Rumelhart y Hinton y descenso de los SE
Eventos recientes (1987-presente):
Cambio gradual hacia los tcnicos y lejos de los rudos (implica cierto grado de madurez
y estabilidad) ej., reconocimiento de voz (HMM), incertidumbre (Bayes), planeacin (Tweak),
robtica, aprendizaje (PAC), etc.
&. ;A0A;TE0JSTI;AS EE LA I@TELI%E@;IA A0TIFI;IAL
1. Una caracterstica fundamental que distingue a los mtodos de nteligencia Artificial de
los mtodos numricos es el uso de smbolos no matemticos, aunque no es suficiente
para distinguirlo completamente. Otros tipos de programas como los compiladores y
sistemas de bases de datos, tambin procesan smbolos y no se considera que usen
tcnicas de nteligencia Artificial.
2. El comportamiento de los programas no es descrito explcitamente por el algoritmo. La
secuencia de pasos seguidos por el programa es influenciado por el problema
particular presente. El programa especifica cmo encontrar la secuencia de pasos
necesarios para resolver un problema dado (programa declarativo). En contraste con
los programas que no son de nteligencia Artificial, que siguen un algoritmo definido,
que especifica, explcitamente, cmo encontrar las variables de salida para cualquier
variable dada de entrada (programa de procedimiento).
. El razonamiento basado en el conocimiento, implica que estos programas incorporan
factores y relaciones del mundo real y del mbito del conocimiento en que ellos operan.
Al contrario de los programas para propsito especfico, como los de contabilidad y
clculos cientficos; los programas de nteligencia Artificial pueden distinguir entre el
programa de razonamiento o motor de inferencia y base de conocimientos dndole la
capacidad de explicar discrepancias entre ellas.
!. Aplicabilidad a datos y problemas mal estructurados, sin las tcnicas de nteligencia
Artificial los programas no pueden trabajar con este tipo de problemas. Un ejemplo es
la resolucin de conflictos en tareas orientadas a metas como en planificacin, o el
diagnstico de tareas en un sistema del mundo real: con poca informacin, con una
solucin cercana y no necesariamente exacta.
La nteligencia Artificial incluye varios campos de desarrollo tales como: la robtica, usada
principalmente en el campo industrial; comprensin de lenguajes y traduccin; visin en
mquinas que distinguen formas y que se usan en lneas de ensamblaje; reconocimiento de
palabras y aprendizaje de mquinas; sistemas computacionales expertos.
Los sistemas expertos, que reproducen el comportamiento humano en un estrecho mbito del
conocimiento, son programas tan variados como los que diagnostican infecciones en la sangre
e indican un tratamiento, los que interpretan datos sismolgicos en exploracin geolgica y los
que configuran complejos equipos de alta tecnologa.
Tales tareas reducen costos, reducen riesgos en la manipulacin humana en reas peligrosas,
mejoran el desempeo del personal inexperto, y mejoran el control de calidad sobre todo en el
mbito comercial.
&.1 =rorama ,i<o y prorama modi,icado por el procesamiento
Existen grandes diferencias entre el funcionamiento de las mquinas y el del cerebro: algunas
son evidenciadas en el esquema bajo estas lneas. Las mquinas y el cerebro se diferencian en
muchos aspectos: el primero es ligado a la arquitectura del sistema de memoria y a la
elaboracin realizada por la inteligencia natural, que influye en los programas sucesivos al ser
almacenada en la memoria que mantiene disponibles todos los hechos que se han ido
acumulando a lo largo del tiempo. Abajo a la izquierda se muestra el esquema de
funcionamiento de un sistema artificial: procesa datos que recibe del exterior y que le son
presentados ya seleccionados. Los procesa mediante un programa fijo, siempre elegido y
construido por el hombre, es decir, desde el exterior.
Este programa es sencillo comparado con los utilizados por el cerebro humano. A lo largo del
tiempo, un mismo programa que procese los mismos datos obtendr siempre los mismos
resultados. Sin embargo, este sistema es muy veloz cuando se le piden secuencias de
operaciones. Contrariamente, el cerebro humano es capaz de procesar al mismo tiempo todas
las informaciones contenidas en una imagen, y el resultado de dicho procesamiento puede
servir para modificar el programa, que para posteriores utilizaciones ser ms completo. La
observacin de una imagen muestra la diferencia fundamental entre el modo de procesar los
datos del cerebro humano y el de la mquina. El cerebro humano no acta teniendo en cuenta
un programa prefijado, sino ms bien uno de naturaleza variable en el tiempo; las variaciones
dependen de los resultados procedentes. De hecho, el cerebro tiene la propiedad de recordar
imgenes similares; una vez vista la figura, extrae de su memoria imgenes similares
previamente almacenadas y los resultados de los anlisis realizados sobre ellas. Estos
resultados sirven para mejorar el programa segn el cual sacar conclusiones aplicadas al
examen de la figura.
*. FU@;IC@A1IE@TC 7KSI;C EE LA I@TELI%E@;IA A0TIFI;IAL
Diferentes teoras:
1. Construir rplicas de la compleja red neuronal del cerebro humano (bottom-up).
2. ntentar imitar el comportamiento del cerebro humano con un computador (top-down).
*.1 S"mbolos vs. 14todos @um4ricos
El primer perodo de la nteligencia Artificial, llamado sub-simblico, data de aproximadamente
1950 a 1965. Este perodo utiliz representaciones numricas (o sub-simblicas) del
conocimiento. Aunque la mayor parte de los libros de nteligencia Artificial enfatizan el trabajo
realizado por Rosenblatt y Widrow con redes neuronales durante este perodo, la realidad es
que otra importante escuela sub-simblica data tambin de la misma poca y estos son los
algoritmos evolutivos.
La escuela clsica dentro de la nteligencia Artificial, utiliza representaciones simblicas
basadas en un nmero finito de primitivas y de reglas para la manipulacin de smbolos. El
perodo simblico se considera aproximadamente comprendido entre 1962 y 1975, seguido por
un perodo dominado por los sistemas basados en el conocimiento de 1976 a 1988. Sin
embargo, en este segundo perodo las representaciones simblicas (por ejemplo, redes
semnticas, lgica de predicados, etc.) siguieron siendo parte central de dichos sistemas.
La Programacin Lgica tiene sus orgenes ms cercanos en los trabajos de J. A. Robinson
que propone en 1965 una regla de inferencia a la que llama resolucin, mediante la cual la
demostracin de un teorema puede ser llevada a cabo de manera automtica.
La resolucin es una regla que se aplica sobre cierto tipo de frmulas del Clculo de
Predicados de Primer Orden, llamadas clusulas y la demostracin de teoremas bajo esta regla
de inferencia se lleva a cabo por reduccin al absurdo.
Otros trabajos importantes de esa poca que influyeron en la programacin lgica, fueron los
de Loveland, Kowalski y Green, que disea un probador de teoremas que extrae de la prueba
el valor de las variables para las cuales el teorema es vlido.
Estos mecanismos de prueba fueron trabajados con mucho entusiasmo durante una poca,
pero, por su ineficiencia, fueron relegados hasta el nacimiento de Prolog, que surge en 1971 en
la Universidad de Marsella, Francia.
La Lgica de Primer Orden, es uno de los formalismos ms utilizados para representar
conocimiento en nteligencia Artificial. La Lgica cuenta con un lenguaje formal mediante el cual
es posible representar frmulas llamadas axiomas, que permiten describir fragmentos del
conocimiento y, adems consta de un conjunto de reglas de inferencia que aplicadas a los
axiomas, permiten derivar nuevo conocimiento.
*.2 Al,abeto del Lenua<e de la Lica de =rimer Crden
Contiene dos tipos de smbolos:
a. Smbolos lgicos, entre los que se encuentran los smbolos de constantes
proposicionales true y false; los smbolos de operadores proposicionales para la
negacin, la conjuncin, la disyuncin y las implicaciones (=>, <=); los smbolos de
operadores de cuantificacin como el cuantificador universal; el cuantificador
existencial; y los smbolos auxiliares de escritura como corchetes [,], parntesis (,) y
coma.
b. Smbolos no lgicos, agrupados en el conjunto de smbolos constantes; el conjunto de
smbolos de variables individuales; el conjunto de smbolos de funciones n-arias; y el
conjunto de smbolos de relaciones n-arias.
A partir de estos smbolos se construyen las expresiones vlidas en el Lenguaje de Primer
Orden: los t4rminos y las ,rmulas.
Un t4rmino es cualquiera de las tres expresiones siguientes: una constante, por ejemplo, el
nmero "100", la palabra "alfredo" y la letra "c"; o una variable, por ejemplo, "X" o bien una
expresin de la forma "f(t1,...,tn)" donde "f" es un smbolo de funcin n-aria y t1,...,tn son
trminos. Ejemplos de funciones son: f(100,X), padre(Y) y sucesor(X).
Las ,rmulas atmicas o elementales son expresiones de la forma R(t1,...,tn) donde R es un
smbolo de relacin n-aria y t1,...,tn son trminos.
Ejemplos de frmulas son:
positivo(3),not(igual(4,doble(2))), recetar(X,aspirina)<=tiene(X,fiebre), tiene(X,cefalea).
Esta ltima establece una regla que dice que, si X tiene fiebre y cefalea (dolor de cabeza), X
debe tomar una aspirina.
El Lenguaje de Primer Orden posee un amplio poder de expresin, los trminos permiten
nombrar los objetos del universo, mientras que las frmulas permiten afirmar o negar
propiedades de stos o bien establecen las relaciones entre los objetos del universo.
Puede decirse que la Programacin Lgica utiliza la Lgica de Primer Orden como lenguaje de
programacin. Prolog es un ejemplo de lenguaje basado en la Lgica de Primer Orden y
aunque toma su nombre de este trmino ("PROgramming in LOGic"), no abarca toda la riqueza
de la Lgica de Primer Orden para resolver problemas, pues est restringido al uso de cierta
clase de frmulas denominadas clusulas definidas o clusulas de Horn.
Un programa lgico est formado por un conjunto finito de clusulas de programa que son
hechos o reglas. Por ejemplo:
padre(luis,miguel). hecho
padre(miguel,jose). hecho
padre(jose,juan). hecho
abuelo(X,Y):-padre(X,Z), padre(Z,Y). regla
Este programa est formado por cuatro clusulas de programa, las tres primeras son del tipo
hecho y definen la relacin padre/2 y la cuarta una regla que define la relacin abuelo/2. Ntese
el uso de las variables X,Y y Z en esta clusula, las cuales permiten definir de manera general
en Prolog la relacin "ser abuelo de", pues la lectura declarativa de dicha clusula es la
siguiente: "Para cualesquiera X,Y,Z se cumple que: X abuelo de Y, si X padre de Z y Z padre
de Y".
En Prolog es posible hacer preguntas sobre objetos y relaciones del dominio y estas preguntas
se formulan como objetivos o metas, que son evaluadas por el intrprete de Prolog utilizando
su mecanismo de inferencia interno, el cual determina si la meta a demostrar es una
consecuencia lgica del programa, aplicando reglas de deduccin para obtener la respuesta.
Por ejemplo, del programa anterior, utilizando la clusula de tipo meta abuelo!",#uan$, para
preguntar quin es el abuelo de Juan? o bien quines son los abuelos de Juan?, es posible
deducir que Luis es abuelo de Juan, aunque implcitamente no existe en el programa ningn
hecho que as lo afirme.
En este ejemplo de anlisis de oraciones, podemos observar de qu manera se analiza una
oracin ingresada por el usuario y cmo el ordenador lo traduce en un lenguaje lgico de
primer orden.
En este caso la ejecucin del programa, para dicha meta, arrojara como resultado que X=luis.
El mtodo de deduccin utilizado por Prolog, para dar respuesta a los objetivos planteados, se
basa en el uso de una nica regla de inferencia: el Principio de Resolucin.
Los primeros trabajos de prueba automtica de teoremas utilizaban la resolucin, aplicada a
clusulas cualesquiera, pero el problema de las deducciones con clusulas generales es el
gran nmero de combinaciones posibles para llevar a cabo las resoluciones.
Por ello Prolog restringe el conjunto de clusulas, lo que le permite llevar a cabo una prueba
dirigida y, en la mayora de los casos, con un universo de posibilidades explorable en tiempo de
ejecucin.
-. FU@;IC@A1IE@TCS %E@E0ALES EE LA I@TELI%E@;IA A0TIFI;IAL
-.1 Tipos de Aloritmos Utili'ados
Cuando una tarea se realiza por medio de un algoritmo perfectamente definido de
almacenamiento, clasificacin o clculo, lo puede hacer un computador. Este concepto de
algoritmo, secuencial, fijo y de determinadas operaciones, es incapaz de manejar problemas
donde el camino del razonamiento es variable y donde deben afrontarse situaciones diversas
sin haber sido especificadas.
La nteligencia Artificial hace uso de un tipo de lenguaje diferente como es el caso de LSP y
PROLOG.
En 1932, Cannon visualiz la evolucin natural como un proceso de aprendizaje. Alan Turing
reconoci, en 1950, que debe haber una conexin obvia entre el aprendizaje de mquina y la
evolucin, y seal que se podran desarrollar programas para jugar ajedrez usando esta
tcnica. Campbell conjetur en 1960 que en todos los procesos que llevan a la expansin del
conocimiento, se involucra un proceso ciego de variacin y supervivencia selectiva.
Los primeros intentos de aplicar de manera formal la teora de la evolucin, a problemas
prcticos de ingeniera, apareci en las reas de control de procesos estadsticos, aprendizaje
de mquina y optimizacin de funciones. Tal vez el primer intento serio de este tipo se dio en el
trabajo que realizaron Box y sus colegas en 1957, en el desarrollo de una tcnica que
denominaron operacin evolutiva, la cual se aplic a una planta de manufactura, y que se
implanto sobre la base de los votos de un comit de jefes tcnicos. Bajo este esquema, la
calidad del producto avanzaba a travs de mutaciones aleatorias y la seleccin era
determinada por el comit.
Por su parte, Friedberg intent, en 1958, hacer que un programa en lenguaje mquina se
mejorara a s mismo, seleccionando instrucciones que se asociaran ms frecuentemente con
un resultado exitoso. Aunque Friedberg nunca mencion explcitamente estar simulando la
evolucin natural, esa es la interpretacin ms comnmente aceptada de su trabajo, y a pesar
de que tuvo cierto xito evolucionando manipuladores de bits y determinando las
interconexiones de una caja negra de 1400 terminales, la comunidad de nteligencia Artificial de
la poca prest poca atencin a su trabajo. Por ejemplo, Minsky lo critic duramente,
argumentando que una bsqueda puramente aleatoria era mucho mejor que el algoritmo de
Friedberg.
El trabajo de Bremermann, en 1958, se enfoc ms a la optimizacin, introduciendo el
importante manejo de un valor de aptitud, y definiendo a un individuo como una cadena de
smbolos binarios (unos y ceros). Bremermann advirti, acertadamente, que la mutacin jugaba
un papel importante en la evolucin, pues impeda el estancamiento en mnimos locales.
Aunque muchas de sus ideas se usan hoy en da, Bremermann cometi el error de tratar de
optimizar funciones lineales y convexas, obteniendo resultados decepcionantes, pues sus
algoritmos evolutivos tenan que ser complementados con otras heursticas para converger en
una solucin. Hoy sabemos que los algoritmos evolutivos difcilmente pueden competir con las
tcnicas tradicionales de optimizacin en esos dominios.
Barricelli ofreci, en 1954, una de las primeras simulaciones que usaba principios evolutivos,
utilizando los mismos procedimientos generales que se usan hoy en da en la disciplina
conocida como vida artificial. Sin embargo, en este trabajo, as como el que Reed realiz
posteriormente en 1967, se concluy que la cruza no pareca mejorar la velocidad de la
adaptacin selectiva, y el operador primordial era la mutacin.
Fue Fogel el que introdujo la primera tcnica evolutiva que realmente funcion ms o menos
dentro de los lineamientos actuales de la computacin evolutiva. Su programacin evolutiva
consista en hacer evolucionar autmatas de estados finitos por medio de mutaciones. Fogel
introdujo los importantes conceptos de poblacin y seleccin, y aunque las revisiones iniciales
de su trabajo fueron favorables, algunos investigadores, como Solomonoff, enfatizaron que el
mtodo de Fogel no deba verse en su estado actual (en 1966) como algo particularmente til
para resolver problemas, a excepcin de los ms simples posibles. Solomonoff vio a la
programacin evolutiva como una especie de bsqueda escalando la colina modelada
mediante autmatas, y otros investigadores como Holland, Kieras, Rada y Lenat compartieron
esa opinin.
Otra tcnica evolutiva dirigida particularmente a la optimizacin de funciones continuas de alta
complejidad se desarroll en Alemania, en 1965, por Rechenberg y Schwefel. Esta tcnica,
llamada estrategia evolutiva, se utiliz inicialmente para resolver problemas de ingeniera que
desafiaban a los mtodos de optimizacin tradicionales, como el gradiente conjugado, y se
basa en la modificacin sistemtica de un vector de nmeros reales (representando las
variables de decisin del problema) mediante operadores probabilsticos, usando ciertos
criterios para decidir en qu direccin dirigir la bsqueda. La estrategia evolutiva utiliza como
operador principal a la mutacin, y en su versin ms reciente usa la cruza como operador
secundario.
Aunque el australiano Fraser propuso, desde fines de los 50, un procedimiento muy similar al
que John Holland llam planes evolutivos a fines de los 60, es al segundo al que se le suele
atribuir la creacin de la tcnica que se conoce como algoritmo gentico, a raz de que Holland
publicara el libro "%daptation in &atural and %rti'icial S(stems" en 1975.
-.1.1 Aloritmo %en4tico
La principal diferencia del algoritmo gentico con las tcnicas antes mencionadas, es que utiliza
la cruza como operador principal y a la mutacin como operador secundario (e incluso
opcional). El algoritmo gentico, al igual que las redes neuronales, funciona como una caja
negra que recibe ciertas entradas y produce (tras una cantidad de tiempo indeterminada) las
salidas deseadas. Sin embargo, a diferencia de stas, los algoritmos genticos no necesitan
entrenarse con ejemplos de ningn tipo, sino que son capaces de generar sus propios ejemplos
y contraejemplos que guen la evolucin a partir de poblaciones iniciales totalmente aleatorias.
Los mecanismos de seleccin del ms apto y de reproduccin sexual del algoritmo gentico,
son los encargados de preservar las caractersticas ms adecuadas de cada individuo a fin de
hacer converger a la poblacin en soluciones ptimas.
Los algoritmos genticos se distinguen tambin por no quedar atrapados fcilmente en
mnimos locales, como la mayor parte de las tcnicas de bsqueda clsicas, adems de usar
operadores probabilsticos ms robustos que los operadores determinsticos, que las otras
tcnicas suelen usar.
No obstante, siendo una heurstica, tampoco pueden garantizar encontrar siempre la solucin
ptima, si bien la experiencia acumulada hasta la fecha parece demostrar que, cuando se
utilizan apropiadamente, pueden proporcionar soluciones muy aceptables y, en la mayora de
los casos, superiores a las encontradas con otras tcnicas de bsqueda y optimizacin.
Aunque an atacados por algunos sectores de la comunidad de nteligencia Artificial, los
algoritmos genticos, al igual que las redes neuronales, se han ido ganando poco a poco, y
sobre la base de la efectividad de sus resultados en aplicaciones prcticas, el reconocimiento
de los investigadores como una tcnica efectiva en problemas de gran complejidad, como lo
demuestra un nmero creciente de conferencias y publicaciones especializadas alrededor del
mundo, en los ltimos aos.
-.2 Sistemas 7asados en ;onocimiento
Los mtodos generales desarrollados para la resolucin de problemas y tcnicas de bsqueda
al inicio de la era de la nteligencia Artificial demostraron no ser suficientes para resolver los
problemas orientados a las aplicaciones, ni fueron capaces de satisfacer los difciles
requerimientos de la investigacin.
A este conjunto de mtodos, procedimientos y tcnicas, se lo conoce como Inteliencia
Arti,icial E4bil. La principal conclusin que se deriv de este trabajo inicial fue que los
problemas difciles slo podran ser resueltos con la ayuda del conocimiento especfico acerca
del dominio del problema.
La aplicacin de estas ideas dio lugar al desarrollo de los denominados Sistemas Basados en
Conocimiento ()nowledge *ased S(stems) y al aparecimiento de la ngeniera Cognoscitiva,
como una rama de la nteligencia Artificial, que estudia los sistemas basados en el
conocimiento. La definicin de un sistema basado en conocimiento puede ser la siguiente:
Componentes: so'tware de inter'a+, base de datos, programa computacional.
Una relativamente nueva categora de sistemas de informacin orientada al servicio es el
sistema e,perto, llamado as porque su base de datos guarda una descripcin de habilidades
en la toma de decisiones de experiencias humanas en un estrecho dominio de procedimientos,
tales como interpretacin mdica de imagen, impuestos, diseo de piping, configuracin de
hardware en un sistema de computadores, equipamiento para reparar malfuncionamientos o,
en la preparacin de cerveza.
La motivacin para construir sistemas expertos es el deseo de replicar el escaso, in
estructurado y quizs el pobremente documentado conocimiento emprico de especialistas que
de este modo puede ser rpidamente usado por otros.
Un programa computacional que usa inteligencia artificial resuelve problemas en un dominio
especializado que ordinariamente requiere experiencia humana.
El primer sistema experto fue desarrollado en 1965 por Edward Feigenbaum y Joshua
Lederberg de la Universidad de Standford en California, EEUU, y se lo llam -endral. Fue
diseado para analizar componentes qumicos.
Dado que cada condicin que puede ser encontrada puede ser descrita por una regla, los
sistemas expertos basados en reglas no pueden manejar eventos no anticipados, pero pueden
evolucionar con el uso, y permanece limitado a un estrecho dominio de problemas.
Otra variante de sistemas expertos, uno que no posee esta limitacin, emplea una base de
conocimiento que consiste de descripciones estructuradas de situaciones, de problemas del
mundo real y de decisiones actualmente hechas por expertos humanos.
En medicina, por ejemplo, el registro de un paciente contiene descripciones de datos
personales, exmenes fsicos y de laboratorio, diagnstico clnico, tratamiento propuesto, y los
resultados de tales tratamientos.
Dada una gran base de datos con tales registros en una especialidad mdica, el mdico puede
indagar acerca de eventos anlogos a los relacionados con el paciente. Esto en contraste con
el sistema que idealmente intenta reemplazar al ser humano, ya que en casos como estos slo
podra usarse este tipo de conocimiento como una herramienta que ayuda en la toma de
decisiones.
El software requerido para este tipo de sistemas se ha ido complicando con el tiempo ya que su
desarrollo demanda tiempo, un buen equipo de programadores y un buen producto final.
Se percibe este trabajo como una tarea para el ingeniero y consiste de:
dentificacin y anlisis de los requerimientos del usuario.
Desarrollo de las especificaciones del sistema (software y hardware).
Diseo del software.
mplementacin
Testeo
Mantenimiento
Tareas tpicas para sistemas expertos involucran clasificacin, diagnstico, monitoreo, diseo,
inventario y planificacin para esfuerzos especializados.
-.2.1 @iveles de conocimiento
A pesar de no disponerse de un modelo general comnmente aceptado, existe unanimidad en
cuanto a la aprobacin de tres niveles distintos de conocimientos, a los que corresponde tres
fases diferentes de estudio y sobre los que se basa, en general, la concepcin de un sistema
experto. Esos niveles son el de estructuracin, el conceptual y el cognoscitivo. El primero es el
que define el mecanismo que genera la certeza. Este mecanismo vara segn el campo al que
se aplique el sistema experto, ya que las evidencias asociadas a cada campo no son idnticas.
La determinacin del nivel de estructuracin permite definir un formalismo de representacin
del conocimiento as como un mecanismo adecuado de deduccin. El nivel conceptual es el
que determina el conjunto de los conceptos que emplea el experto humano en la materia; cada
uno de ellos corresponde a un nudo del razonamiento del experto. Se le asocia un descriptor
que se experimenta con el formalismo correspondiente al nivel de estructuracin. Finalmente, el
nivel cognoscitivo corresponde al conjunto de los conocimientos que el experto humano pone
en prctica para la resolucin del problema planteado. Este conjunto de conocimientos debe
poder traducirse al lenguaje definido mediante el formalismo de representacin del
conocimiento adoptado. En cuanto al desarrollo actual de la investigacin en el campo de los
sistemas expertos, la primera fase corresponde al desarrollo de sistemas y programas que
traten directamente el lenguaje natural, si bien persisten todava dos escollos importantes. Por
un lado, el problema de cmo emplear de un modo eficaz una gran cantidad de informacin sin
necesidad de echar mano de la combinatoria; es decir, cmo conseguir un sistema dotado de
conocimientos (metaconocimientos) que le permitan utilizar los conocimientos del sistema y
que, a su vez, le permitan deducir automticamente nuevos conocimientos, ya que no cabe
pensar en la reunin de todos los conocimientos necesarios en casos de campos tan
sumamente vastos como el del diagnstico en la medicina.
-.& Sistemas E(pertos
Los sistemas expertos se basan en la simulacin del razonamiento humano. El razonamiento
humano tiene para ellos, un doble inters: por una parte, el del anlisis del razonamiento que
seguira un experto humano en la materia a fin de poder codificarlo mediante el empleo de un
determinado lenguaje informtico; por otra, la sntesis artificial, de tipo mecnico, de los
razonamientos de manera que stos sean semejantes a los empleados por el experto humano
en la resolucin de la cuestin planteada.
Estos dos campos de inters han conducido a los investigadores que trabajan en el campo de
la inteligencia artificial (de la cual los sistemas expertos son un campo preferente) a intentar
establecer una metodologa que permita verificar el intercambio con los expertos humanos y
aislar los diversos tipos de razonamiento existentes (inductivo, deductivo, formal, etc.), as
como construir los elementos necesarios para modelizarlos. Los sistemas expertos son, por lo
tanto, intermediarios entre el experto humano, que transmite sus conocimientos al sistema, y el
usuario de dicho sistema, que lo emplea para resolver los problemas que se le plantean con la
competencia de un especialista en la materia y que, adems, puede adquirir una destreza
semejante a la del experto gracias a la observacin del modo de actuar de la mquina. Los
sistemas expertos son, pues, simultneamente, un sistema de ejecucin y un sistema de
transmisin del conocimiento. Asimismo, los sistemas expertos se definen mediante su
arquitectura; obtienen, por lo tanto, una realidad palpable. Mientras que en las operaciones de
programacin clsicas se diferencia nicamente entre el propio programa y los datos, en el
caso de los sistemas expertos se diferencian tres componentes principales. Son los siguientes:
La base de conocimientos aloja la totalidad de las informaciones especficas relativas al campo
del saber deseado. Est escrita en un lenguaje especfico de representacin de los
conocimientos que contiene y en el cual el experto puede definir su propio vocabulario tcnico.
A la inversa de lo que sucede en los programas clsicos, en la base de conocimientos las
informaciones entran tal como llegan, ya que el orden no influye en los resultados obtenidos.
Sucede as porque cada elemento de conocimiento es comprensible por s mismo tomado de
forma aislada y, por lo tanto, no es necesario referirse al contexto en el cual est inserto. La
informacin se representa, por regla general, mediante reglas de produccin o redes
semnticas. Las reglas de produccin constituyen el mtodo ms utilizado para construir bases
de conocimientos en los sistemas expertos. Llamadas tambin implicaciones lgicas, su
estructura es la siguiente: para unas ciertas causas, unos efectos; o, para determinadas
condiciones, ciertas consecuencias. Junto a cada regla, se almacena tambin su porcentaje en
forma de probabilidad. ste indica, mediante un tanto por ciento, el grado de certeza de las
consecuencias que se obtienen como resultado de la aplicacin de la regla de produccin. En
cuanto a las redes semnticas, se trata de un mtodo de construccin de bases de
conocimientos en el cual los conocimientos se muestran mediante un grafo en el que los
vrtices representan los conceptos u objetos y las aristas indican las relaciones entre ellos.
Adems el sistema dispone de la llamada base de hechos, que alberga los datos propios
correspondientes a los problemas que se desea tratar con la ayuda del sistema. Asimismo, a
pesar de ser la memoria de trabajo, la base de hechos puede desempear el papel de memoria
auxiliar. La memoria de trabajo memoriza todos los resultados intermedios, permitiendo
conservar el rastro de los razonamientos llevados a cabo. Puede, por eso, emplearse para
explicar el origen de las informaciones deducidas por el sistema en el transcurso de una sesin
de trabajo o para llevar a cabo la descripcin del comportamiento del propio sistema experto. Al
principio del perodo de trabajo, la base de hechos dispone nicamente de los datos que le ha
introducido el usuario del sistema, pero, a medida que va actuando el motor de inferencias,
contiene las cadenas de inducciones y deducciones que el sistema forma al aplicar las reglas
para obtener las conclusiones buscadas.
El ltimo elemento, el motor de in'erencias, es un programa que, mediante el empleo de los
conocimientos puede resolver el problema que est especificado. Lo resuelve gracias a los
datos que contiene la base de hechos del sistema experto. Por regla general, el tipo de reglas
que forman la base de conocimientos es tal que, si A es vlido, puede deducirse B como
conclusin. En este caso, la tarea que lleva a cabo el motor de inferencias es la de seleccionar,
validar y activar algunas reglas que permiten obtener finalmente la solucin correspondiente al
problema planteado.
El sistema experto establecido se compone, por lo tanto, de dos tipos bien diferenciados de
elementos, los propios del campo de los expertos relacionados con el problema concreto (es
decir, la base de conocimientos y la base de hechos) y el que se puede aplicar de forma
general a una gran variedad de problemas de diversos campos (como el caso del motor de
inferencias). Sin embargo, el motor de inferencias no es un mecanismo universal de deduccin,
ya que hay dos tipos diverso: los que emplean el razonamiento aproximativo (para el cual el
resultado puede ser errneo) y aquellos que emplean un tipo de razonamiento capaz de
obtener un resultado (si llegan a l), con toda seguridad, verdadero.
-.&.1 Fases del proceso
Sin embargo, a pesar de no existir una metodologa generalmente aceptada en cuanto a la
concepcin de los sistemas expertos, se admite por regla general un esquema que consta de
tres fases. En la primera fase, la discusin con el experto o los expertos humanos en la cual se
intenta, por un lado, delimitar el problema a resolver y, por el otro, los modos de razonamiento
que se emplearn para su solucin. La segunda fase comprende el desglose del formalismo de
expresin del conocimiento y la determinacin del motor de inferencias adecuado a dicho
formalismo. Por ltimo, la tercera etapa, corresponde a la creacin de la base de conocimientos
(en colaboracin con los expertos humanos), as como a la comprobacin y ajuste del
funcionamiento del sistema experto mediante el empleo de ejemplos.
.. LA BIEA A0TIFI;IAL
La Vida Artificial se puede considerar como la parte de la nteligencia Artificial que pretende
reproducir los procesos y comportamientos tpicos de los seres vivos. Tambin podemos
definirla como el intento de crear vida, o algo parecido a la vida, mediante la combinacin de
smbolos (datos) y procesos de smbolos (programas) independientemente del soporte fsico de
estos smbolos y procesos.
Por una parte estn los intentos "hardware" de emulacin de vida. Por ejemplo, es posible
construir un pequeo robot con aspecto de ratn capaz de encontrar la salida de un laberinto.
Por otra parte estn las simulaciones "software". stas tienen la ventaja de que permiten
construir un gran nmero de seres vivos y entornos en los que estos existen, de manera que es
ms fcil estudiar comportamientos sociales.
Podemos construir los seres artificiales con el objetivo de solucionar los problemas que a
nosotros nos interesen, y que aprendan o colaboren entre ellos hasta conseguir el resultado
deseado.
De esta forma, se puede considerar la Vida Artificial (VA) como un paso ms all despus de la
Programacin Orientada a Objetos (POO), y sin embargo, siendo la VA un caso particular de la
POO. Es decir, si un objeto es un elemento que encapsula datos y procedimientos, una entidad
artificial es un elemento que encapsula un objetivo, unos sentidos, unas acciones y unas
creencias. A esto le podemos llamar Programacin Orientada a Agentes.
En muchos campos de estudio se plantea la posibilidad de realizar simulaciones para intentar
predecir o ayudar a la toma de decisiones acerca de ciertos aspectos del mundo real. Hay dos
formas de enfocar estas simulaciones.
La primera de ellas se basa en la observacin de la realidad, centrando la atencin en los
aspectos "a ms alto nivel", es decir, precisamente en los que se pretenden predecir o
modificar, y tambin en aquellos que aparentemente estn ms relacionados con stos. El
cerebro humano elabora una teora acerca de cmo todos estos aspectos varan. Esta teora se
formaliza en frmulas, reglas o algo parecido, y se simula en un ordenador ante diversas
condiciones iniciales. Se observa si el modelo, ante datos histricos del pasado, ofrece salidas
(resultados) que se ajustan a lo esperado segn los datos histricos, y en ese caso, se utiliza
para la toma de decisiones en el futuro, ajustando continuamente el modelo segn el error
obtenido. En caso de obtener resultados muy alejados de la realidad, se revisa la teora inicial,
reescribindola por completo, ajustando ciertos aspectos o detallando con mayor nivel de
profundidad los que parecen ser generalizaciones excesivas.
La segunda de ellas se basa en la observacin de la realidad, centrando la atencin en los
aspectos "a ms bajo nivel" del problema, buscando los aspectos ms sencillos y a la vez con
una alta multiplicidad. Es decir, el cerebro humano identifica aquellas caractersticas sencillas
que estn presentes en muchas entidades del problema. Mediante frmulas, reglas o algo
parecido, se define un tipo genrico de entidad que admita estas caractersticas, y en un
ordenador se realiza una simulacin basada en la generacin de un alto nmero de estas
entidades capaces de interactuar entre s, con la esperanza en que de esta interaccin emerja
el comportamiento complejo que se pretende estudiar. nicialmente los agentes genricos se
definen tan sencillos como sea posible sin dejar de ajustarse al problema. Se observa si el
modelo, ante datos histricos del pasado, ofrece salidas (resultados) que se ajustan a lo
esperado segn los datos histricos, y en ese caso, se utiliza para la toma de decisiones en el
futuro, ajustando continuamente el modelo segn el error obtenido. En caso de obtener
resultados muy alejados de la realidad, se deduce que la definicin del agente genrico (ms
su entorno, etc.) es demasiado sencilla y se va complicando, aadiendo detalles hasta
ajustarse suficientemente a la realidad.
..1 ;uestin Filos,ica de la Bida Arti,icial
Para ver el grfico seleccione la opcin Bajar trabajo del men superior
La Vida Artificial tambin nos ofrece una "visin privilegiada" de nuestra realidad. No hace falta
que las simulaciones por ordenador sean todava ms complejas, para poder tener el derecho a
preguntarnos acerca de si nuestro propio mundo no ser tambin una "simulacin dentro de un
cosmo-ordenador". De hecho, esta pregunta se ha planteado, desde tiempos remotos, de
infinidad de maneras.
Si los ordenadores son capaces de simular universos artificiales poblados por organismos que
mediante la reproduccin, las mutaciones y la seleccin natural, evolucionan y se hacen cada
vez ms inteligentes y conscientes, podramos interpretar nuestro propio mundo como un
"superordenador" donde nosotros mismos somos los "seres artificiales" que lo habitan,
siguiendo el curso de evolucin que El Programador ha deseado.
En el caso de que existiera un creador y una intencionalidad, es decir, si El Programador que
nos ha creado lo ha hecho con algn objetivo, no sera extrao que ese mismo programador
hubiera implementado mecanismos para que sus "entidades" (nosotros) no escapen a su
control. Por ejemplo, podra haber marcado lmites a su movimiento (la velocidad de la luz?
la gravedad?) en su ordenador (nuestro universo) ...O tal vez el lmite de 300.000 km/seg
corresponde con los MHz del ordenador en el que vivimos?.
Pero las limitaciones que el programador fija para controlar a sus entidades pueden no ser
suficientes. Algunos programadores de Vida Artificial quedan a menudo gratamente
sorprendidos por el inesperado comportamiento de sus pequeas creaciones, ms inteligentes
y capaces de lo que cabra esperar en un primer momento.
Adems, los "bugs" (errores) en programacin son probablemente una constante en todos los
universos, dimensiones y realidades posibles, as que tal vez el "programador" haya dejado
algn hueco por donde podamos colarnos; es decir, que es posible que en nuestro mundo
existan acciones, comportamientos, o razonamientos con efectos maravillosos, que estn ah,
accesibles, pero que an nadie ha realizado, ya sea por ignorancia, mala suerte, o porque
provocan la muerte a quien llega a adquirirlos. Un ejemplo de esto ltimo se encuentra en
"Creced y Multiplicaos", de saac Asimov.
..2 =erspectivas Futuras de la Bida Arti,icial
Con poco ms de diez aos de antigedad, la Vida Artificial se ha convertido en un punto de
referencia slido de la ciencia actual.
En septiembre de 1987, 160 cientficos en informtica, fsica, biologa y otras disciplinas se
reunieron en el Laboratorio Nacional de Los lamos para la primera conferencia internacional
sobre Vida Artificial. En aquella conferencia se definieron los principios bsicos que han
marcado la pauta desde entonces en la investigacin de esta disciplina.
Un concepto bsico dentro de este campo es el de comportamiento emergente. El
comportamiento emergente aparece cuando se puede generar un sistema complejo a partir de
reglas sencillas. Para que se d este comportamiento se requiere que el sistema en cuestin
sea reiterativo, es decir, que el mismo proceso se repita de forma continua y adems que las
ecuaciones matemticas que definen el comportamiento de cada paso sean no lineales.
Por otra parte, un autmata celular consiste en un espacio n-dimensional dividido en un
conjunto de celdas, de forma que cada celda puede encontrarse en dos o ms estados,
dependiendo de un conjunto de reglas que especifican el estado futuro de cada celda en
funcin del estado de las celdas que le rodean.
Hay dos posturas dentro de la Vida Artificial: la ,uerte y la d4bil.
Para los que apoyan la postura dbil, sus modelos son solamente representaciones simblicas
de los sntomas biolgicos naturales, modelos ciertamente muy tiles para conocer dichos
sistemas, pero sin mayores pretensiones.
Para los que defienden la versin fuerte, dicen que se puede crear vida autntica a partir de un
programa de ordenador que reproduzca las caractersticas bsicas de los seres vivos.
Desde este punto de vista, la vida se divide en vida h!meda, que es lo que todo el mundo
conoce como vida, vida seca, formada por autmatas fsicamente tangibles, y vida virtual,
formada por programas de computador. Las dos ltimas categoras son las que integran lo que
genricamente se conoce como Vida Artificial.
Para defender un punto de vista tan radical, los defensores de la postura fuerte, aluden a un
conjunto de reglas que comparten las tres categoras anteriores:
La biolo"a de lo posible: La Vida Artificial no se restringe a la vida hmeda tal como
la conocemos, sino que "se ocupa de la vida tal como podra ser". La biologa ha de convertirse
en la ciencia de todas las formas de vida posibles.
14todo sint4tico: La actitud de la Vida Artificial es tpicamente sinttica, a diferencia
de la biologa clsica, que ha sido mayoritariamente analtica. Desde este punto de vista, se
entiende la vida como un todo integrado, en lugar de desmenuzarlo en sus ms mnimas
partes.
Bida real #arti,icial): La Vida Artificial es tal porque son artificiales sus componentes y
son artificiales porque estn construidos por el hombre. Sin embargo, el comportamiento de
tales sistemas depende de sus propias reglas y en ese sentido es tan genuino como el
comportamiento de cualquier sistema biolgico natural.
Toda la vida es ,orma: la vida es un proceso, y es la forma de este proceso, no la
materia, lo que constituye la esencia de la vida. Es absurdo pretender que slo es vida genuina
aquella que est basada en la qumica del carbono, como es el caso de la vida hmeda.
;onstruccin de aba<o hacia arriba: la sntesis de la Vida Artificial tiene lugar mejor
por medio de un proceso de informacin por computador llamado programacin de abajo hacia
arriba. Consiste en partir de unos pocos elementos constitutivos y unas reglas bsicas, dejar
que el sistema evolucione por s mismo y que el comportamiento emergente haga el resto.
Poco a poco el sistema se organiza espontneamente y empieza a surgir orden donde antes
slo haba caos.
Esta clase de programacin contrasta con el principio de programacin en la nteligencia
Artificial. En ella se intenta construir mquinas inteligentes hechos desde arriba hacia abajo, es
decir, desde el principio se intenta abarcar todas las posibilidades, sin dejar opcin a que el
sistema improvise.
El principio de procesamiento de informacin en la Vida Artificial se basa en el paralelismo
masivo que ocurre en la vida real. A diferencia de los modelos de nteligencia Artificial en los
que el procesamiento es secuencial, en la Vida Artificial es de tipo paralelo, tal y como ocurre
en la mayora de fenmenos biolgicos.
/. LAS 0EEES @EU0C@ALES
Si se pudieran explicar los procesos cognitivos superiores de una manera intrnseca, es decir,
si se pudiera demostrar que los procesos mentales inteligentes que realiza el hombre se
producen a un nivel superior (o intermedio) con independencia de las capas subyacentes que
existen hasta la constitucin fsica del ente inteligente, se demostrara que es posible crear
-mediante un sistema de smbolos fsicos-, una estructura artificial que imite perfectamente la
mente humana mediante una arquitectura de niveles, ya que se podra construir dicho nivel
superior mediante la combinacin de elementos que no necesariamente han de ser los que
forman el nivel inferior en los humanos (que por ejemplo, podemos suponer que son las
neuronas).
En cambio, si slo se pudieran explicar los procesos cognitivos superiores mediante una
descripcin al ms bajo nivel (comportamiento neuronal), slo se podra imitar la inteligencia
humana mediante la construccin de neuronas artificiales. Para ser exactos, esta afirmacin
est condicionada por la certeza de la suposicin (bastante comn) segn la cual el neuronal
es el ms bajo de los niveles relevantes para la formacin de los procesos cognitivos.
Arbitrariamente, se podra haber elegido otro nivel an ms bajo (molculas, tomos). Llevado
al extremo, se podra reescribir la afirmacin, sustituyendo "neuronas" por "la ms pequea
partcula de nuestro universo", si este fuera discreto (no infinitamente divisible).
Las denominaciones "nivel superior" y "nivel inferior" son arbitrarias en cuanto a que parece
que se puede encontrar con facilidad un nivel que est an ms bajo que el que hemos llamado
"nivel inferior" -el nivel atmico es inferior al neuronal- y lo simtrico respecto al nivel superior
-la conciencia colectiva es superior a la individual-. La existencia de una conciencia colectiva
capaz de comunicarse a un nivel superior al del individuo parece evidente en los estudios sobre
el comportamiento de algunos insectos, siempre que hagamos el esfuerzo de no interpretar el
trmino "conciencia colectiva" desde nuestro punto de vista subjetivo como individuos. Cmo
conseguir esto? No es difcil, si se usa una analoga bajando un nivel. maginemos dos clulas
(concretamente, dos neuronas) de nuestro cuerpo charlando amistosamente acerca de la
posibilidad de que el conjunto de clulas forme una "conciencia colectiva". Las neuronas
podran hablar sobre esta "conciencia colectiva", ponerla en duda o intentar argumentar su
existencia, pero difcilmente podran llegar a comprenderla, no puede ser un concepto familiar
para ellas.
Una Red Neuronal es usada para aprender patrones y relaciones de datos. Los datos pueden
ser el resultado del esfuerzo de una investigacin de mercado, el resultado de un proceso de
produccin dando variacin a las condiciones de operacin, o las decisiones de un prestamista
dado un conjunto de aplicaciones de prstamo, utilizando una Red Neuronal es una salida
considerable parecida a un enfoque tradicional. Tradicionalmente un programador o un analista
especifican "cdigos" de cada faceta del problema en orden para la computadora pueda
"entender" la situacin. Redes Neuronales no requieren el cdigo explcito del problema. Por
ejemplo, para generar un modelo que lleve acabo un pronstico de ventas, una Red Neuronal
solo necesita que le den los datos sin preparar relacionados con el problema. Los datos sin
preparar podran consistir en: historias de ventas pasadas, precios, precios de la competencia y
otras variables econmicas. La Red Neuronal escoge entre esta informacin y produce un
acuerdo de los factores que influyen en las ventas. El modelo puede entonces ser llamado para
dar una prediccin de ventas futuras dado un pronstico de los factores claves. Estos adelantos
son debidos a la creacin de reglas de aprendizaje de una Red Neuronal, que son los
algoritmos usados para "aprender" las relaciones de los datos. Las reglas de aprendizaje
habilitan a la red para "ganar conocimiento" desde datos disponibles y aplica ese conocimiento
para asistir al gerente para hacer decisiones claves.
Aunque su estructura vara segn el tipo de red, lo ms usual es que haya tres capas de
neuronas, una de entrada, que recoge los estmulos, otra oculta, que procesa la informacin, y
otra de salida, que ejecuta la respuesta. La figura siguiente muestra esta disposicin:
/.1 0ed @euronal Arti,icial
Las Redes Neuronales Artificiales son el resultado de investigaciones acadmicas que utilizan
frmulas matemticas para modelar operaciones del sistema nervioso, es decir, es un modelo
de procesamiento de informacin que es inspirado por el modo de un sistema nervioso
biolgico, tal como el cerebro procesa informacin. El elemento clave de este paradigma es la
estructura original del sistema de procesamiento de informacin. Este se compone de un gran
nmero de elementos interconectados procesando y trabajando en armona para resolver
problemas especficos. Las Redes Neuronales Artificiales, como la gente, aprenden con
ejemplos. Una Red Neuronal Artificial es configurada para una aplicacin especfica, tal como
el reconocimiento de patrones o clasificacin de datos, a travs de un proceso de aprendizaje.
Aprender en sistemas biolgicos implica ajustes para las conexiones sinpticas que existen
entre las neuronas. Esto lo hace una Red Neuronal Artificial.
Tambin, las Redes Neuronales Artificiales se han aplicado a un gran nmero de problemas
reales de complejidad considerable. Su ventaja ms importante est en resolver problemas que
son demasiado complejos para tecnologas convencionales, problemas que no tienen un
algoritmo de solucin o que su algoritmo de solucin es muy difcil de encontrar. En general, a
causa de su abstraccin del cerebro biolgico, las Redes Neuronales Artificiales son aptas para
resolver problemas que la gente puede resolver, pero las computadoras no pueden. Estos
problemas incluyen reconocimiento de patrones y pronsticos (los cuales requieren el
reconocimiento de tendencias de datos).
El hecho de suponer que el comportamiento inteligente en el hombre se produce a un nivel
superior con independencia de los niveles inferiores est ntimamente relacionado con el
debate entre holismo o creencia en que "el todo es ms que la suma de sus partes" y el
reduccionismo, o creencia en que "un todo puede ser comprendido completamente si se
entienden sus partes, y la naturaleza de su suma."
Los esfuerzos desarrollados en Arquitecturas Generales de nteligencia son puramente
reduccionistas. Por el contrario, el holismo subyacente en los modelos conexionistas como las
Redes Neuronales Artificiales, sugiere el aspecto de la interdependencia entre algunos niveles,
o lo que es lo mismo, la imposibilidad de sustituir un nivel (las conexiones neuronales, como
sistema sub-simblico) por otro que realice sus mismas funciones (sistema simblico). Sin
embargo, tambin las Redes Neuronales Artificiales pueden ser consideradas reduccionistas si
tenemos en cuenta otros niveles an ms bajos.
/.2 1odelos de 0edes @euronales
Los modelos de redes neuronales tambin conocidos como modelos de procesamiento
distribuido en paralelo sistemas neuromorfolgicos tienen su principio de funcionamiento
basado en la interconexin de alta densidad de elementos sencillos de cmputo. La estructura
de las redes neuronales ha sido desarrollada de acuerdo a nuestra comprensin del sistema
nervioso biolgico. Estos modelos de redes han tenido gran auge en reas como el
reconocimiento de imgenes y sonido, ya que dichas redes procesan simultneamente varias
hiptesis a travs de redes paralelas compuestas de elementos de cmputo conectados a las
variables ponderables. Los elementos de cmputo o nodos utilizados en las redes neuronales
son generalmente no lineales y analgicos, adems estn caracterizados por un umbral y offset
interno. Algunas de las no linealidades ms comunes son: los limitadores lgicos del umbral y
las no linealidades sigmoidales. Los nodos ms complejos incluyen temporal y otras
operaciones matemticas ms complejas. Los mdulos de redes neuronales son especificados
de acuerdo a la topologa de la red, las caractersticas de los nodos y las reglas de
entrenamiento o aprendizaje. Estas reglas indican un grupo inicial de valores y como deben
modificarse esos valores para obtener un mejor resultado. La mayora de los algoritmos de las
redes neuronales realizan lecturas de los valores a analizar a lo largo del tiempo para obtener
bases en resultados actuales, valores ms confiables. Esto con el propsito que el aprendizaje
y la adaptacin sean lo ms ptimo posible. Para este fin se utilizan clasificadores, los cuales
tienen un grado de robustez determinado por la capacidad de adaptabilidad de la red, mayor
que los clasificadores estadsticos. Mediante la utilizacin de las redes neuronales constituidas
por una gran cantidad de circuitos simples de procesamiento operando en paralelo se ha
logrado obtener la capacidad de procesamiento requerida hoy en da.
/.& %ran<a de Evolucin
La evolucin en la naturaleza fue la clave para mejorar los organismos y desarrollar la
inteligencia. Michael Dyer, investigador de nteligencia Artificial de la Universidad de California,
apost a las caractersticas evolutivas de las redes neuronales y dise Bio-Land.
Bio-Land es una granja virtual donde vive una poblacin de criaturas basadas en redes
neuronales.
Los biots pueden usar sus sentidos de la vista, el odo e incluso el olfato y tacto para encontrar
comida y localizar parejas. Los biots cazan en manadas, traen comida a su prole y se apian
buscando calor.
Lo que su creador quiere que hagan es hablar entre ellos, con la esperanza de que desarrollen
evolutivamente un lenguaje primitivo.
A partir de ese lenguaje, con el tiempo podran surgir niveles ms altos de pensamiento.
5. A=LI;A;IC@ES G =0CGE;TCS
5.1 =rincipales 0amas de la IA
Lgica di'usa: Consiste en una nueva forma de entender la lgica, en la que los
enunciados dejan de ser cien por cien verdaderos o falsos, para tomar valores fraccionarios. En
el campo concreto de la A esto supone evitar las paradojas lgicas que pueden bloquear el
sistema, y hacer que el ajuste entre las variables sea ms fino.
.obtica: Hoy por hoy, el mayor problema consiste en conseguir que la supervivencia
de las mquinas sea superior a unas horas. Por otra parte, su coeficiente intelectual slo les
permite realizar tareas simples, como salvar obstculos y recoger objetos del suelo.
.ealidad virtual: En los ltimos tiempos han surgido sistemas de realidad virtual, que
simulan comportamiento inteligente, a un coste mucho menor que el de los robots. Como
ejemplo est Homer, un submarino virtual creado por Steven A. Vere, del Centro de nteligencia
Artificial de Lockheed, en Palo Alto. Homer es capaz de evitar obstculos en su deambular por
el ciberespacio e informar sobre lo que ve. Como conclusin, todava no disponemos de
respuesta a la pregunta con que empezamos el artculo. Cuanto ms se complican los sistemas
de A, ms compleja se nos revela la capacidad intelectual humana. Del mismo modo que el
agua se alejaba del sediento Tntalo, cada vez que ste se aproximaba a ella, tambin el
sueo de un sistema artificial inteligente se ve ms lejano cuanto ms nos acercamos a l. En
cualquier caso esta complejidad ha de tener un lmite por fuerza, por lo que es de esperar que
antes o despus la A alcanzar sus mximos objetivos.
5.2 Huadores intelientes
Esta rama dentro de la A es la de los programas jugadores de juegos inteligentes. En una
fecha tan temprana como 1946, Arthur Samuel desarroll un programa que no slo jugaba a las
damas, sino que mejoraba su juego a medida que jugaba.
La historia de este programa no tiene desperdicio, en la medida que su autor protagoniz una
de las versiones ms chocantes del cuento de la lechera. Por aquellos aos, Samuel deseaba
que su facultad adquiriese un ordenador, pero su presupuesto resultaba insuficiente. Ni corto ni
perezoso elabor el siguiente plan: construira un pequeo ordenador, y a partir de ste un
programa capaz de jugar a las damas, que vencera sin dificultad el campeonato mundial de
damas; la publicidad que obtendra sera suficiente como para garantizarle una subvencin
estatal que le permitira la adquisicin de su querido ordenador. Si Samuel escogi las damas
fue porque lo consider un juego sencillo de programar. Al fin y al cabo, hay un nico tipo de
ficha, que se mueve de la misma forma. Pese a esta aparente simplicidad, la gran cantidad de
estrategias que se pueden plantear a partir de una posicin dada complican notablemente el
problema. El resultado de su sueo fue ms que previsible: cuando lleg la fecha del
campeonato no estaba concluido ni el ordenador ni el programa.
Para ver el grfico seleccione la opcin Bajar trabajo del men superior
Tres aos despus, el investigador Claude Shannon, famoso por su teora de la informacin,
escriba la primera obra sobre programacin del ajedrez. De esta manera, se daba el
pistoletazo de salida a una carrera cuya mxima meta era la creacin de un programa que
conquistara el ttulo mundial de ajedrez; cosa que an dista mucho de conseguirse.
/0mo 'unciona un programa capa+ de #ugar a un #uego de inteligencia, tal como el a#edre+ o
las damas
La palabra clave es programacin en rbol. La figura 1 muestra una hipottica situacin. Las
letras A, B y C representan sendas fichas. Para cada una tenemos uno o varios movimientos,
que a su vez provocarn movimientos en las piezas de nuestro contrincante. Los nmeros
representan la puntuacin de cada jugada. Para calcular la jugada ptima se toman cada una
de las jugadas propias y a su puntuacin se le resta la de la jugada del oponente. Por ejemplo,
una jugada de la pieza A nos reporta 9 puntos, pero a continuacin la del contrincante le puede
suponer 11 puntos, de forma que quedan -2 puntos globales. Por otra parte, una jugada de la
figura C nos supone slo 2 puntos, pero al restarle los -2 de la jugada ms ptima del
contrincante nos da una ganancia neta de 4 puntos. De esta manera, se puede encontrar la
mejor jugada en aquella que proporciona una puntuacin neta mayor.
Con slo dos niveles de profundizacin se tiene un nivel de juego comparable al de un nio de
seis aos. Ampliando el nmero de niveles se puede ir mejorando el nivel de juego, a costa de
un mayor tiempo de cmputo. Por ello, se han desarrollado tcnicas para "podar" el rbol, y
eliminar aquellas ramas que a priori se puede saber que no van a dar puntuaciones altas.
5.& =roramas +ue ra'onan
Esta rama es la encargada de desarrollar sistemas con capacidad real o aparente de dialogar
de forma inteligente y, consecuentemente, de razonar. Desde siempre ha supuesto la mxima
aspiracin de los investigadores en este campo (como botn de muestra se puede repasar la
definicin de ordenador de quinta generacin en la introduccin al artculo), y coincide con la
idea de que la mayor parte de la gente tiene de un sistema inteligente. Sin embargo, es
importante destacar que, fieles a la filosofa del test de Turing, los investigadores no se
preocupan en nuestros das por la cuestin de si tal sistema comprende realmente lo que se le
dice o si tiene conciencia de s mismo, sino de que nosotros podamos comprender lo que l
nos dice.
Dentro de este apartado, destacan tres programas que han supuesto autnticos hitos en el
proceso de desarrollo de la A. Por orden cronolgico son el programa Eli'a, el programa
Shrdlu y el programa 0acter.
Para ver el grfico seleccione la opcin Bajar trabajo del men superior
ELILA
Corra el ao de 1966 cuando Joseph Weizenbaun, a la sazn profesor de informtica del MT,
daba los ltimos toques a su programa Eliza. Durante dos aos haba trabajado en l, con el
nico objetivo de crear un programa que parodiase a los psiquiatras de la escuela de Carl
Rogers. Estos psiquiatras son los que aparecen con frecuencia en las pelculas
norteamericanas, y que practican una terapia basada en el dilogo de libre asociacin de los
pacientes, propio del psicoanlisis no directivo.
El programa simula una sesin con un psiquiatra rogeliano; al ejecutarlo, tenemos que
introducir unas frases, a las que el programa tiene que dar respuesta. Para lo cual busca en la
cadena alfanumrica que se le introduce algunas frases clave, para las que tiene una batera
de respuestas estndar, de las que selecciona una al azar. Caso de no encontrar una frase
clave busca una palabra clave y, en funcin de sta, vuelve a seleccionar al azar una de las
respuestas que tiene programadas. Si tampoco encontrase una palabra clave, mira a ver si
tiene almacenada una frase dicha con anterioridad por el usuario, y en funcin de sta
construye su respuesta.
Por ejemplo, supongamos que en un momento dado se introduce la frase "Mi mujer me odia".
El programa toma la frase que viene a continuacin de Mi y la almacena tras intercambiar las
personas de pronombres y posesivos. Cuando ms adelante el programa no encuentre una
frase o palabra clave puede recuperar la frase almacenada y contestar algo as como: "Tiene
eso que ver con el hecho de que su mujer le odia?". Finalmente, si tampoco tiene almacenada
ninguna frase el programa, selecciona al azar una frase del tipo "Eso es muy interesante" u
otras similares, para mantener la conversacin.
SD0ELU
Creado en 1971 por Terry Winograd, un investigador del MT. A diferencia de Eliza, Shrdlu no
se limita a seleccionar respuestas al azar ante cada entrada, sino que lleva a cabo un autntico
proceso de razonamiento. En el mundo de Shrdlu existen tan slo las figuras geomtricas de
diferentes colores, figuras que se pueden disponer con distinto orden. Cuando el usuario da las
rdenes oportunas mediante un lenguaje coloquial, el programa lleva a cabo las
transformaciones que se le piden, e informa de la nueva situacin creada.
Framento de conversacin entre un usuario y el prorama3
Dumano: Quieres, por favor, apilar los dos bloques rojos, por un lado, y un cubo verde o una
pirmide, por otro?
Shrdlu3 De acuerdo
Dumano3 Qu cubo descansa sobre la mesa?
Shrdlu3 El cubo grande verde que soporta a la pirmide roja
Dumano: Hay algn bloque grande detrs de una pirmide?
Shrdlu3 S, hay tres: uno grande rojo, un cubo grande verde y el azul
Aunque el dilogo prosigue, este fragmento es suficiente para captar la neta superioridad de
este programa frente al de sus antecesores; no slo parece comprender correctamente las
rdenes que se le dan, sino que en todo momento tiene una idea clara de las relaciones
espaciales entre los bloques que maneja. Cmo consigue tal cosa? Parafraseando a
Dewdney, en el artculo comentado antes "La organizacin interna de Shrdlu..., est formada
por subsistemas que analizan gramaticalmente, interpretan y construyen frases, llevan a cabo
bsquedas en un diccionario, efectan anlisis semnticos y deducciones lgicas. Todos estos
subsistemas estn estrechamente entretejidos, en modo sumamente estructurado, cuyo efecto
conjunto nos da la impresin de una verdadera inteligencia que analizara el mundo de bloques
depositados en el tablero".
0A;TE0
Creado en 1980 por Thomas Etter, un programador-analista de San Francisco y William
Chamberlain, un escritor neoyorquino. La intencin de ambos era crear un programa que
crease cuentos. Posteriormente, lo modificaron para permitirle mantener conversaciones con
seres humanos, veamos un extracto de una conversacin entre Racter y Chamberlain.
0acter3 Hemos hablado antes?
;hamberlain3 No
0acter3 De qu sexo eres?
;hamberlain3 Masculino
0acter3 Cul es tu nombre completo?
;hamberlain3 Bill Chamberlain
0acter3 Qu eres?
;hamberlain3 Cronorreflectometrista
0acter3 De dnde eres?
;hamberlain3 De la ciudad de Nueva York
0acter3 Ya veo. As que cronorreflectometrista, verdad? Escucha. Gritemos juntos con
decisin. Me gusta la cautivadora msica italiana. Qu clase de msica te gusta a ti?
;hamberlain3 el jazz
0acter3 El jazz est bien. qu me dices de la clsica?
;hamberlain3 Me gusta la msica clsica
0acter3 Y de qu nacionalidad?
;hamberlain3 Tambin me gusta la msica italiana
0acter3 A m, personalmente, Palestrina me inflama. Adems de talia, otros pases produjeron
en el siglo XV embelesados msicos. Sewall fue un importante y furibundo maestro del
Renacimiento. Amrica fue su nacin. Yo saco de la msica amoroso placer.
El dilogo prosigue por similares derroteros, mezclando sin pudor Bach con el rodaballo y las
lechugas. Al comparar este dilogo con el que yo mismo he mantenido con el programa Doctor
se aprecia una diferencia; el dilogo de Racter es mucho ms rico y fluido que el de Doctor, si
bien es bastante ms disparatado.
En el test de Turing Racter podra pasar por un humano con una marcada tendencia a la
divagacin. Cul es el funcionamiento de Racter? Al principio de la conversacin hace una
serie de preguntas a su interlocutor, cuyas respuestas va almacenando en una base de datos.
En cuanto juzga que dispone de suficiente informacin empieza a elaborar frases, en las que
combina los elementos de que dispone en su memoria con aquellos que ha recibido de su
interlocutor, con lo que logra implicarlo en la conversacin. Para construir las frases sigue un
mismo esquema gramatical, en el que los sustantivos, adjetivos y verbos se eligen al azar entre
una amplia variedad que pertenecen a una misma categora, y los artculos se adecuan a la
forma gramatical correspondiente. Esto hace que las frases sean sintcticamente correctas,
pero en tanto los sustantivos, adjetivos y verbos se escogen al azar el sentido suele ser
disparatado.
5.* Sistemas histricos y sistemas actuales
Sistemas histricos
%=S - Newell$ Shaw y Simon
=erceptron - Minsky y Papert Chekers - A. Samuel
1A;SG1A A1 - D. Lenat
ELILA - Weisenbaum
ShaIey - SR
SDE0LU - Winogard
1G;I@ - E. Shortliffe
=rospector - Duda, Hart
Dearsay II - Erman, Hayes-Roth, Lesser, Reddy
;G; 8 E. Lenat, R. Guha
Sistemas actuales
=E%ASUS - Hace reservas de transporte por telfono (Zue et al. 94)
1A0BEL - Sistema experto en tiempo real que maneja la informacin de Voyager y ayuda a
diagnosticar fallas (Schwuttke 92)
1G;I@ - Sistema de diagnstico de medicina interna con capacidad de explicar sus razones a
los expertos (Heckerman, 1991)
@ABLA7 - Vehculo autnomo que viaja en forma automtica de un extremo a otro de EEUU
(Pomerlau, 1993)
Sistema de visin que monitorea el trfico en Paris y reconoce accidentes con los cuales llama
a servicios de emergencia (Koller, 1994)
EEE= 7LUE - mquina paralela que juega ajedrez y primera en derrotar al campen mundial
(BM 1997)
1G;I@
El MYCN (desarrollado entre 1972 y 1980, Universidad de Stanford) es un sistema interactivo
experto que ayudaba a los fsicos en la seleccin de un apropiada terapia antimicrobiana para
los pacientes de los hospitales con bacteremia, meningitis e infecciones de cistitis. El sistema
diagnosticaba la causa de la infeccin usando el conocimiento relativo a la infeccin de los
microorganismos con historiales de pacientes, sntomas y los resultados de los test de
laboratorio. El sistema recomendaba un tratamiento de medicinas (tipo y dosificacin) acorde a
los procedimientos seguidos por la experiencia de los fsicos en las terapias.
El sistema MYCN fue desarrollado originalmente en la consulta y diagnosis de una terapia para
infecciones. Desde el principio, en el proyecto se haban impuesto una serie de obligaciones
- Tena que ser funcional (esto implicaba competencia y consistencia). El rea de uso era
elegido segn una necesidad demostrada. (Por ejemplo, a principios de los 70 a una cuarta
parte de la poblacin de USA se le recetaba penicilina, el 90 % de esas prescripciones eran
innecesarias).
- El programa tena que ser diseado con un nfasis de sus soportes de roles como una utilidad
para un fsico, a pesar de reemplazar sus propios procesos de razonamiento.
- El programa deba albergar una cantidad ingente de informacin tcnica.
- El sistema tena que interactuar mediante dilogos, tena que dar una explicacin concreta de
su razonamiento para llegar a la solucin propuesta.
- Velocidad, accesibidad y facilidad de uso.
>;mo de 4(itoso ,ue 1G;I@A >?u4 nuevos conceptos de desarrollo se reali'aronA
MYCN introduca nuevas formas las cuales procedan de los mejores sistemas expertos hasta
el momento. Primero, su base de conocimiento consista en cientos de reglas. Segundo, esas
reglas eran probabilsticas. MYCN era lo bastante robusto como para determinar
correctamente conclusiones cuando algunas evidencias eran incompletas o incorrectas.
Tercero, MYCN poda explicar sus propios procesos de razonamiento. El usuario (un fsico)
poda preguntar de muchas formas - preguntando, porque al realizar una cuestin concreta o
como haba llegado a una determinada conclusin, por ejemplo. Fue uno de los primeros
sistemas genuinamente amigables. Cuarto, y crucial, MYCN actualmente funciona. El trabajo
que realiza supone para un humano muchos aos de entrenamiento.
MYCN se extendi la nocin de base de conocimiento separadamente del motor de inferencia,
y su base de reglas y motor de inferencia fueron construidos mediante retro-chaining, o "goal-
directed", estrategia de control.
>Fue 1G;I@ comercialmente e(itoso o se introdu<o por pura rutinaA
MYCN produjo resultados de alta calidad; su forma igualaba a la de los especialistas. Aunque
MYCN deba ser usado por fsicos, hizo aparecer numerosos clones de diagnsticos mdicos,
que eran utilizados rutinariamente.
>?u4 otros sistemas nacieron a partir del 1G;I@A
Del MYCN parti TERESAS (explicaba fcilmente los conceptos), EMYCN (primer intrprete),
PUFF, CENTAUR, VM, GUDON (tutorial inteligente), SACON y hasta ONCOCN y ROGET.
%=S
Despus del Terico de Lgica, Newell y Simon llevaron a cabo juntos otro proyecto, proyecto
que concluy en 1957. Esta vez no trataron de investigar el posible funcionamiento del cerebro
humano, sino que se apretaron a la potencia (de aquel entonces) ofrecida por los ordenadores
y las matemticas. As naci el GPS (General Problem Sover) [Solucionador General de
Problemas]. Se trataba de un programa, al que se le podan ofrecer pequeos problemas
(como el tpico del mono que debe coger un pltano que se encuentra colgado del techo), y
este (el programa) deber describir todos los pasos que realiza hasta conseguir su fin, es decir,
completar el problema positivamente (en este caso llegar a una altura que le permita coger el
pltano). Se puso en practica el anlisis medios-fines, un principio de la retroalimentacin de
Wiener llevado a un mayor nivel de abstraccin. El anlisis medios-fines consiste en detectar
las diferencias entre un objetivo deseado y la situacin actual y reducir despus esas
diferencias. Tambin se aplic por primera vez el Backtracking [vuelta atrs] (probar si funciona
y si no, volver atrs y probar otra cosa) que se convirti desde aquel momento en una
herramienta bsica de la .A.
6. LA I@TELI%E@;IA A0TIFI;IAL G EL 1U@EC
Para ver los grficos seleccione la opcin Bajar trabajo del men superior
1M. LA I@TELI%E@;IA A0TIFI;IAL E@ LA A0%E@TI@A
"Si la Argentina la impulsase, podra ganar 300 millones de dlares por ao en exportaciones
gracias a la inteliencia arti,icia", dice Juan Chamero, ingeniero electromecnico, uno de los
disertantes en una conferencia que se realiz los primeros das de abril de este ao en el
Centro Argentino de ngenieros.
La conferencia cont con la presencia de profesores y estudiantes universitarios en ingeniera y
medicina, y psiclogos sociales, entre otros. Sirvi para explicar en qu consiste la inteligencia
artificial, que se define como "la comprensin cientfica de los mecanismos subyacentes al
pensamiento y comportamiento inteliente y su integracin en mquinas".
En la Argentina, el rea de inteligencia artificial y sus aplicaciones es incipiente, segn coment
el ingeniero Chamero. Sin embargo, enfatiz en que podra pegar un salto. "Hay ms de 5.000
programadores y equipamiento actualizados. Por lo cual, estn dadas las condiciones para que
se incentiven desarrollos en inteligencia artificial".
Las aplicaciones de la inteligencia artificial que trata de conseguir que los ordenadores
simulen en cierta manera la inteligencia humana son variadas. Por ejemplo, se usa en
robots, en sistemas de administracin de conocimiento y en buscadores. En el mundo, el
mercado de la inteligencia artificial ya ,actura *M mil millones de dlares al aNo.
Como expositores, tambin estuvieron los ingenieros Raimundo Osvaldo D'Aquila y Osvaldo
Anbal Prez Guzmn y el licenciado Alejandro de Montmollin.
Para continuar con la difusin de la inteligencia artificial, se dio un seminario que empez en
mayo en el Centro Argentino de ngenieros. Se desarroll en 80 horas, incluyendo una prctica
que fue asistida por los profesores que dictaron el seminario a travs de una red sobre nternet.
Los asistentes al seminario pudieron realizar las prcticas en sus propias empresas,
instituciones o estudios y con temas de aplicacin local inmediata.
11. EL ;I@E G LA I@TELI%E@;IA A0TIFI;IAL
En el mundo de la ciencia-ficcin, a veces no tan ciencia, a veces no tan ficcin, se han tratado
con amplia gama de variedades las interrelaciones entre hombre e inteligencias artificiales
(.A.). El cine ha copiado, imitado, e incluso fagocitado esta variedad.
El mundo del cine est lleno de referencias a la inteligencia artificial, ordenadores o mquinas
que aprenden y crecen como Hall de "2001". El superordenador de "Terminator" que adquiere
conciencia y con ella la terrorfica idea, para nosotros, de la amenaza que suponen los hombres
para su subsistencia, decisin que comparte la ms estpida de "Juegos de Guerra", que hace
tablas consigo mismo a tres en raya. Otros ordenadores de .A. deciden enamorarse cono en
"Electrical Dreams". Algunos son menos .A. y ms textura humana y compuesto robtico,
como las tres versiones que aparecen en la saga de "Alien", el primero fiel seguidor de las
directrices que le da la compaa. El 2 ms humanizado, ms perfeccionado como el mismo
se califica. La 3, la extraa y pequea Wynnona, que es una .A. sentimental y un poco
enfadada.
Terminator II El d"a del <uicio ,inal
Para ver el grfico seleccione la opcin Bajar trabajo del men superior
Uno de los favoritos, de los ms impresionantes, de los ms conseguidos en la historia del cine
son los replicantes de "Blade Runner", capaces de sentir emociones como el amor, el odio y el
miedo a la muerte. Y finalmente capaces de PERDONAR, amando ms a la vida que a
cualquier otra cosa. Por su parte, quien no recuerda el nico anhelo de Hall, que sabiendo que
va a ser destruido, solo quiere saber si soar en la segunda parte "2010", a fin de cuentas,
desde su punto de vista es lo nico que le falta para ser humano. Del mismo modo, el
autodestructivo de "Electrical Dreams" y su peculiar sentido del humor, se enamora de la rubia
estupenda (Virginia Madsen) y antepone la felicidad de sta a la suya, y en cierto modo una
extraa amistad con su dueo.
0obocop$ mente humana
y cuerpo de m2+uina$
>nos +uedaremos limitados a estoA
En ocasiones una nave espacial es el punto de partida. Voyager hace un largo y extrao viaje
hasta convertirse en un .A. en "Star Treck", donde se habla de un planeta de mquinas donde
modifican al Voyager. Y en una reciente cinta, "Horizonte Final" quien tiene vida propia es
precisamente la nave.
A veces son simplemente robots, aunque aprenden y tienen hasta algo de psicosis, "mieditis" y
humor, como la sin par pareja R2D2 y su compaero C3PO de la espectacular "La Guerra de
las Galaxias".
Hay quien considera que el da, cada vez ms cercano, en que estas .A. existan, bastar con
que se cumplan las tres leyes de Asimov. La pregunta es si un .A. con conciencia de s mismo
no es en cierto modo un ser humano, ya que adquiere "CONCENCA". Quizs simplemente
queremos crear (qu hay de los clones de los que tanto se habla ahora?), queremos tener el
poder de un dios, creando no slo animales sino tambin vida inteligente.
Como ltimo apunte, posiblemente todo esto tiene en parte su origen en la pelcula "Metrpolis"
primera en que aparece un .A. y no me resisto a hacer un pequeo homenaje al primer
chistoso de las mquinas pre-.A., Charlot en "Tiempos Modernos".
Algunos de los ms olvidados son el autogenerativo de "Superman ", que tuvo un "hijo" en un
captulo de "Expediente X", ste con mayor xito o suerte pues sobrevive.
12. 7I7LIC%0AFJA
http3OOaleI.pucp.edu.peOmaPcont
http://delicias.dia.fi.upm.es
http://www.dia.fi.upm.es
http://www.fortunecity.com/skyscraper/chaos/279/principal.htm
http://go.to/inteligencia_artificial
http://www.itba.edu.ar
http3OOQQQ.publispain.comOsupertutorialesOmatematicaOintelienciaParti,icial
http3OOQQQ.redcienti,ica.comOdocOdoc2MM1M.1/MMM1. html
1A0TJ@ 7C@AFIC, .edes neuronales ( Sistemas -i'usos, Madrid, Ediciones
Alfaomega, 2001.
Enciclopedia ;LA0J@$ La 0iencia E,plicada, Buenos Aires, Editorial Clarn, 1995.
http3OOQQQ.monora,ias.comOtraba<os1.Ointeliencia8arti,icial8historiaOinteliencia8
arti,icial8historia.shtml
1.6 Las habilidades conoscitivas se!n la psicolo"a.
Teor"as de la inteliencia #conductismo$ %ardner$ .
INT!"#$$I%N
Pocos conceptos son tan pomcos como e de ntegenca. Desde os prmeros estudos centfcos sobre
a ntegenca, ncados por Gaton, as controversas entre as dstntas teoras de a ntegenca han do
aumentando. Aun hoy en da exsten pscogos para os que e trmno ntegenca es una paabra vaca
de sgnfcado psquco.
"&FINI$I!N&'
Exsten tantas y varadas defncones que es dfc seecconar aguna con un ampo grado de
aceptacn.
Koher a defne como "a capacdad para adqurr conocmentos nuevos". Stern como "a capacdad de
adaptar e pensamento a necesdades de momento presente". Wenz a defn como "a capacdad de
comprender y estabecer sgnfcacones, reacones y conexones de sentdo".
Agunos pscogos, antes de defnra, preferen destacar agunos rasgos:
Agunas teoras a consdera como a dferente capacdad de adaptacn que poseen o
ndvduos sobretodo ante nuevas stuacones, adaptacn no soo por mecansmos automtcos
sno tambn por e uso de a mente. Se destacan as a versatdad y adaptabdad como
rasgos esencaes de a ntegenca.
Otras consderan que ser ntegente es saber resover probemas de a manera ms
satsfactora posbe. Esto exge una capacdad de pensar y decdr estrategas para resover e
probema. De esta manera se resata a orgnadad y e pensamento creatvo.
Certas teoras cogntvas nssten en que a ntegenca es a capacdad de procesar
raconamente a nformacn. Esto destaca as funcones de razonamento y pensamento
gco.
Ante a posbdad de que a paabra ntegenca fuera posmca Thorndke destac tres tpos de
ntegenca: a ntegenca prctca, a conceptua y a soca.
En resumen podemos decr que e concepto de ntegenca engoba un con|unto de apttudes
(aprendza|e, memora, amacenamento de nformacn, percepcn seectva, habdades socaes, etc.)
que permte a ser humano adaptarse a mundo que e rodea y souconar sus probemas con efcaca.
T&!I(' '!*& +( INT&+I,&N$I(
as primeras in!estigaciones
A fnaes de sgo XIX, aparecen as prmeras nvestgacones centfcas sobre a ntegenca. Esos
prmeros ntentos fueron nfudos por e darwnsmo soca, autntca moda de sgo.
Los pscogos que basaban su teora en e darwnsmo decan que a ntegenca era a capacdad de
adaptacn de ser humano a su medo. Los ms ntegentes acanzaban me|or adaptacn que os pocos
ntegentes, as expcaban as dferencas nteectuaes entre as personas. Tambn se asocaba a
rqueza o pobreza con e nve nteectua, y o msmo para a raza banca sobre as dems o unos pases
sobre os otros.
A prncpos de sgo, camb a nea de nvestgacn sobre a ntegenca. E tema centra sgu sendo
a expcacn de as dferencas ndvduaes, pero abordado ahora desde una nueva perspectva: a
creacn de tcncas y pruebas que puderan dar cuenta de taes dferencas. Aparecen as, con Bnet y
Smon, os que entonces se denomnaron tests mentaes.
"eoras #actoriales
E auge de a pscometra propc a aparcn de numerosas teoras que ntentaban anazar os
componentes mpcados en a actvdad nteectua. Pronto se extend e amado anss factora, a
travs de cua se pretenda determnar e nmero y a naturaeza de os factores actuantes en e
rendmento nteectua.
Sperman do a conocer su famosa teora sobre a ntegenca, a teora bfactora. Segn esta, exste una
ntegenca genera que se caracterza por estar presente en todos os procesos nteectuaes evados a
cabo por os seres humanos. Adems de esta exste otro factor especfco responsabe de a habdad
necesara para a reazacn de una tarea concreta.
En a actuadad a mayora de os especastas se decantan por teoras mutfactoraes, es decr, a
ntegenca se compone de numerosas apttudes o sufcentemente dferencadas y reatvamente
ndependentes entre s.
E prmero en proponer un modeo seme|ante fue Thurstone, quen as os sguentes factores de a
ntegenca:
La apttud espaca.
La capacdad de comprender sgnfcados ngstcos.
La fudez verba.
La rapdez en a percepcn vsua.
Las capacdades de nduccn u deduccn.
Tras , numerosos pscogos propuseron modeos mutfactoraes de a ntegenca, pero e esfuerzo
dedcado a desvear os procesos mentaes de a ntegenca fue escaso.
"eoras cogniti!as
Insprndose en as nvestgacones de Paget y en as nvestgacones sobre procesamento de a
nformacn, os enfoques cogntvos han propuesto nuevos modeos de a ntegenca.
Estas teoras proponen una nueva perspectva para expcar os mecansmos funconaes de a
ntegenca: segn eos, ser ntegente sgnfca en purdad ser capaz de comprender.
En a compresn, entendda como resutado goba de a ntegenca, nfuyen factores cogntvos no
cuantfcabes, taes como esquemas, estructuras mentaes, expectatvas, motvacones, etc.
Un e|empo de teora que adopta este tpo de enfoque es a teora trrquca, ya que segn esta exsten
tres tpos de ntegenca:
La componenca: consste en estabecer reacones con e mundo nterno de su|eto..
La experenca: son as experencas vtaes de su|eto.
La soca: tene que ver con os procesos de socazacn de su|eto, permtendo su adaptacn
a medo humano en e que se desenvueve.
En resumen estos enfoques ntentan anazar a ntegenca desde e marco goba de a comprensn.
+!' T&'T' "& INT&+I,&N$I(
Caractersticas generales
Un test de ntegenca es una prueba dseada especfcamente para medr apttudes, comnocmentos y
capacdades de ndvduo. Consta de un con|unto de prehuntas o e|erccos comunes para todos o
su|etos, amados tems, cuya funcn es determbbar cuanttatvamente os conocmentos o destrezas.
E test se evaa por comparacn: se compara a puntuacn de un ndvduo especfco con a de un
grupo de su|etos que ha sdo sometdo a a msma prueba. Generamente, os tems se dsponen en un
orden de dfcutad crecente.
$l Cociente de Inteligencia %CI&
Es a medda de a ntegenca ms utzada por os pscogos.
E CI estabece una reacn entre a edad cronogca y a edad menta de un ndvduo. La edad menta
es un supuesto terco basado en una hptess de Bnet, segn a cua as personas poseen un nve
menta especfco para cada edad cronogca. Actuamente, por pura conveccn centfca, se consdera
que a edad menta de un ndvduo puede expresarse numrcamente; exactamente es a puntuacn
obtenda por ese ndvduo en un test de ntegenca dseado para cacuar es medda.
Unversamente se aceptan unas tabas que reaconan e CI con certos estados nteectuaes. As:
Defcentes:
o Idoca 0-24
o Imbecdad 25-49
o Debdad menta 50-69
Casos mtes o bordenes 70-79
Normaes:
o Norma-medocre 80-89
o Norma-medo 90-109
o Norma-superor 110-119
Superores:
o Superor 120-129
o Muy superor 130-140
o Superdotado De 140 en adeante
'Qu miden los tests(
Podemos dvdr os tests en dos grandes grupos:
Tests para medr a ntegenca genera
Bateras o con|unto de tests dseados para cuantfcar as dstntas apttudes nvoucradas en a
ntegenca.
Criticas a los tests de inteligencia
Muchos pscogos han amado a atencn sobre as connotacones puramente acadmcas de os tests
de ntegenca. Segn eos, srven para medr e rendmento acadmco pero no a ntegenca genera.
Tambn se es acusa de etnocentrsmo, es decr, de estar eaborados segn e concepto occdenta de
ntegenca. Los que defenden teoras genetstas rechazan este tpo de crtcas, ya que para eos a
ntegenca medda por os tests se haa mucho ms determnada por a herenca que por nfu|os
ambentaes o educatvos.
Otra crtca habtua es a que se refere a a pretendda homogenedad o consstenca nterna de os
tests. Agunos pscogos han seaado que es muy dfc probar que todos os tems de una prueba
concreta mdan una msma habdad.
+( INT&+I,&N$I( (TIFI$I(+
Es a cenca y tcnca que versa sobre e conocmento genera de a ntegenca con e ob|etvo de
fabrcar mqunas ntegentes. Entendemos por mqunas ntegentes, artugos que puedan evar a
cabo procesos especfcamente humanos como razonamentos, resoucn creatva y no puramente
mecnca de probemas, toma de decsones, etc.
http://html.rincondelvago.com/inteligencia_2.html
;onductismo y conitivismo$ ruptura entre dos teor"as
1. Introduccin
2. Los conceptos3 naturale'a$ ,uncin y estructura
3. El prorama conductista
4. La revolucin conitiva
5. ;onclusin
6. 7ibliora,"a
La intencin de este trabajo es, por un lado, analizar la postura de dos teoras y explicar el
enfoque seguido por las mismas con respecto al tema de la formacin de conceptos. Ellas son:
el CONDUCTSMO y el COGNTVSMO,en particular el PROCESAMENTO DE
NFORMACN.
Por otro lado, me he abocado al anlisis de estas dos corrientes desde una perspectiva
histrica, haciendo hincapi en sus diferencias, momento de ruptura y aplicando un enfoque
epistemolgico: el programa de investigacin de Lakatos, con respecto a su estructura.
1 8 I@T0CEU;;IF@.
La adquisicin de los conceptos ha sido un tema importante dentro de las teoras del
Aprendizaje. Se ha tratado de explicar esta adquisicin a lo largo del tiempo recurriendo a
diversas teoras cuyas bases se remontan a preguntas tales como: Los conceptos son
innatos? Se forman a travs de la experiencia? Son una respuesta al estmulo perceptivo?.
Mi inters en estas dos teoras: Conductismo y Cognitivismo, nace del hecho que la primera
(Emprica) ha sido una corriente muy fuertemente arraigada en el pensamiento durante el siglo
XX, superada por la segunda (Cognitiva), lo cual representa una interesante ruptura desde el
punto de vista cientfico. Me ha interesado trabajar sobre el origen de ambas, su abarcatividad
y tambin sus puntos dbiles.
CONDUCTA y MENTE: Cul es ms confiable para basar un estudio psicolgico? Sobre
cul de las dos es posible la obtencin del conocimiento cientfico? La primera es observable y
no as la segunda. En qu se basaron los defensores de la postura conductista para
considerar la conducta y no la mente su campo de estudio? Estas son preguntas que tratar de
responder a continuacin.
1.1 8E=ISTE1CLC%JA G ;C@C;I1IE@TC
Las teoras clsicas del conocimiento se han planteado ante todo la pregunta: "Cmo es
posible el conocimiento?", que rpidamente se diferenci en una pluralidad de problemas,
referidos a la naturaleza y a las condiciones previas del conocimiento lgico-matemtico, del
conocimiento experimental, del psicofsico, etc.. El postulado comn para las diversas
epistemologas tradicionales es que el conocimiento es un hecho y no un proceso y que si
nuestras diferentes frmulas de conocimiento son siempre incompletas y nuestras diversas
ciencias todava incompletas, lo que se ha adquirido est adquirido y puede entonces ser
estudiado estticamente. (Piaget, J., 1998)
Por otro lado, actualmente, bajo la influencia convergente de una serie de factores, se tiende a
considerar da a da al conocimiento como un proceso, ms que como estado. La razn
proviene, en parte, de la epistemologa de las filosofas de las ciencias.
Los cambios, dentro de las ciencias, no se dan sin ser acompaados de crisis y obligan en
todos los casos a un trabajo constante de reorganizacin reflexiva, de forma tal que la
epistemologa cientfica se ha convertido progresivamente en una cuestin de los propios
cientficos: los problemas de la "fundamentacin" se han incorporado ms y ms al sistema de
cada una de las ciencias en cuestin.
Por ejemplo, si se decide dar cuenta del conjunto de los conocimientos slo a travs de la
"experiencia" no se puede justificar tal tesis sin intentar el anlisis de +u4 es la experiencia,
entonces se llega a recurrir a las percepciones, a las asociaciones, a los hbitos, que son
procesos psicolgicos. Pero como las filosofas empiristas nacieron mucho antes que la
psicologa experimental, se contentaron con las nociones del sentido comn y con una
descripcin ante todo especulativa, lo que impidi ver que la experiencia es siempre asimilacin
a estructuras. (Piaget, j. 1998)
En cuanto a las epistemologas platonizantes, racionalistas o aprioristas creyeron encontrar,
cada una de ellas, algn instrumento fundamental de conocimiento ajeno, superior o anterior a
la experiencia.
La epistemologa es la teora del conocimiento vlido y aun cuando este conocimiento, segn
Piaget (Piaget, J. 1998), no sea jams un estado y constituya siempre un proceso, este
proceso es esencialmente un pasaje de una valide' menor a una valide' superior.
1.2 8 A@TE;EEE@TES DISTF0I;CS.
Pozo, en Teor"as ;onitivas del Aprendi'a<e$ #1997) explica que Ebbinghaus opinaba que la
psicologa tiene un laro pasado$ pero una corta historia. Si bien el crecimiento de la Historia
de la Psicologa se ha producido "hacia delante", con los sucesivos cambios metodolgicos y
conceptuales habidos en este siglo, tambin, de alguna manera, la Historia de la Psicologa se
ha prolongado "hacia atrs" recuperando como propios los problemas y vicisitudes de ms de
veinte silos de tradicin filosfica occidental. Los cambios habidos, especialmente en los
ltimos cuarenta aos, han convencido, segn Pozo, a muchos psiclogos de que la Historia de
su disciplina comenz mucho antes de lo que la frase de Ebbinghaus haca suponer.
Esto no significa que la ciencia psicolgica haya nacido en la Grecia antigua, pero es
interesante analizar temas y conceptos que ya se tenan en cuenta, que despertaban
inquietudes en los pensadores de aquellas pocas, que tuvieron origen en el pensamiento
humano siglos antes de la aparicin de la Psicologa como ciencia social y moderna tal como la
conocemos en el presente.
Muy acertada es la mencin que Pozo hace en la introduccin al libro anteriormente
mencionado de la idea de Jorge Luis Borges, segn la cual son los sucesores los que crean a
los precursores. Los sucesores de aquellas ideas originadas por los precursores han sido los
que les han dado forma, las han insertado en un marco de investigacin cientfica y no han
quedado en mera especulacin.
Me ha resultado de sumo inters hurgar en los orgenes lejanos de las concepciones
racionalistas y empiristas, mente y experiencia, y es por eso que, al menos la historia de mi
anlisis me lleva a pocas tan lejanas de lo que sera realmente la aparicin de la Psicologa
moderna como ciencia social.
Esta historia, entonces, se remonta al siglo V antes de Cristo, cuando en la Grecia Antigua se
debatan cuestiones y conceptos que, muchos siglos despus, pasaran a constituir el ncleo
de los problemas que estudiara la Psicologa Cognitiva. La escuela de filosofa fundada por
Platn para difundir las ideas de Scrates, reflexion sobre la naturaleza del conocimiento y
sobre su origen. Platn presenta al conocimiento como proyeccin de nuestras ideas innatas.
Cuando se aprende, se lleva hasta la conciencia aquellas ideas que desde siempre estaban en
el alma. Esta doctrina platnica resurgir en la tradicin filosfica occidental en el pensamiento
racionalista e idealista de Descartes, Leibniz o Kant, y ser recuperada para la psicologa por
algunos autores representativos del movimiento cognitivista actual, como Fodor y Chomsky,
entre otros.(Pozo, 1997)
Frente a la corriente racionalista iniciada por Platn se levanta otra tradicin que tiene su origen
precisamente en el discpulo predilecto de ste, Aristteles, quien rechaza la doctrina de las
ideas innatas, sustituyndola por la de la "tabula rasa" sobre la cual se van imprimiendo las
sensaciones. De esta forma, el conocimiento procede de los sentidos que dotan a la mente de
imgenes, que se asocian entre s segn tres leyes: la contigidad, la similitud y el contraste
(Carpio, 1974). As, Aristteles puede ser considerado como el padre del asociacionismo, que
en los siglos XV y XV alcanzar con Hobbes, Locke y Hume su mxima expresin dentro de
la filosofa, dominar el pensamiento del conductismo, teniendo una influencia decisiva en la
Historia de la Psicologa y especficamente, en la Psicologa del Aprendizaje.
1.& 8 EL SI%LC RR.
A grandes rasgos, el siglo XX estara caracterizado por el dominio, primero, del
CONDUCTSMO, y segundo, por la PSCOLOGA COGNTVA. Esta historia de la psicologa
en el siglo XX est amparado en las ideas de KUHN con respecto al desarrollo y el cambio en
los movimientos cientficos, la cual narra la existencia de dos revoluciones paradigmticas,
seguidas por su correspondiente perodo de ciencia normal. La primera revolucin se produce
en la segunda dcada del siglo y da lugar a la aparicin del conductismo, como respuesta al
subjetivismo y al abuso del mtodo introspectivo. El conductismo se consolida a partir de 1930
entrando en un perodo de ciencia normal, caracterizado por la aplicacin de su paradigma
objetivista, basado en los estudios de aprendizaje mediante condicionamiento, que considera
innecesario el estudio de los procesos mentales superiores para la comprensin de la
conducta humana.
La expansin del paradigma, que desemboca en mltiples anomalas empricas, junto al
empuje de diversos factores externos a la psicologa, como son las nuevas tecnologas
cibernticas que vienen de la mano de la Teora de la Comunicacin, la Lingstica y la propia
Ciberntica, harn que el paradigma conductista entre en crisis a partir de 1950. A mediados de
esta dcada, ser sustituido por el Procesamiento de nformacin que, apoyndose en la
metfora del ordenador, har posible el estudio de los procesos mentales que el conductismo
marginaba. De esta forma se entra en un nuevo perodo de ciencia normal, esta vez bajo el
dominio de la psicologa cognitiva. Este perodo alcanza hasta nuestros das.
El Procesamiento de nformacin constituye el paradigma dominante dentro del enfoque
cognitivo actual. Pero su validez est siendo contestada desde posiciones cognitivas, y son
abundantes las crticas a sus insuficiencias, limitaciones y promesas incumplidas (Pozos, j.
1997).
1.* 8 LCS =A0AEI%1AS3 SUD@ G LASATCS.
La teora de las revoluciones cientficas de Kuhn nace como respuesta a la pretensin
popperiana de que la ciencia avanza mediante la falsacin sistemtica de los enunciados que
formula (Pozos, l978). Con sus anlisis histricos Kuhn logra demostrar no slo que los
cientficos no buscan por sistema falsar sus teoras, sino incluso que stas perviven con
considerables pruebas empricas en su contra. De esta forma, Kuhn desacredita a la
experimentacin como la causa fundamental del progreso cientfico. Segn su concepcin, no
es la fuerza de los datos la que hace que un paradigma sea sustituido por otro, ya que los
paradigmas son en s mismos inconmensurables. Esa sustitucin respondera ms a criterios
externos, ya sean generacionales o de demandas sociales, que a criterios de racionalidad
cientfica. Pozos explica que esta ltima idea ser rechazada por Lakatos, cuyo falsacionismo
metodolgico puede concebirse como un intento de sntesis entre las posiciones de Popper y
Kuhn.
Lakatos coincide con Kuhn en el predominio de los paradigmas (en su terminologa,
"Programas de nvestigacin Cientfica") sobre los datos, pero admitir con Popper que son
finalmente los datos los que constituyen los rbitros del cambio en las teoras cientficas. Segn
Lakatos, todo programa de investigacin consta de dos componentes distintos: un n!cleo
,irme, constitudo por las ideas centrales y un cinturn protector de ideas auxiliares, cuya
misin es precisamente impedir que el ncleo pueda ser refutado empricamente. Lakatos
considera que nunca una teora puede ser falsada por un hecho. Los datos en contra de una
teora son simples "anomalas". Toda teora, en la medida que no explica todo$ convive con
numerosas anomalas simultneamente. Ante ellas puede reaccionar de dos formas distintas:
sencillamente desentendindose de ellas o incorporndolas al cinturn protector. En cualquier
caso, el ncleo de la teora o programa de investigacin se mantiene intacto. La falsacin de
una teora no la producen los datos empricos sino la aparicin de una teora mejor. Segn
Lakatos, una teora es mejor que otra cuando: 1- puede predecir hechos que la anterior no
predeca, 2- explica el xito de la teora anterior, 3 corrobora empricamente su contenido.
Lo que caracteriza a una buena teora, o segn Lakatos: "Programa de nvestigacin
Progresivo", es su capacidad para predecir e incorporar hechos nuevos, frente a otras teoras o
"Programas de nvestigacin Regresivos", que se limitan a explicar lo conocido. Un programa
puede ser progresivo tericamente, cuando realiza predicciones nuevas aunque no sean
corroboradas, o empricamente, cuando corrobora alguna de esas predicciones. Un programa
progresivo puede dejar de serlo cuando agota su capacidad predictiva y se muestra incapaz de
extenderse hacia nuevos dominios. Y, a la inversa, un programa regresivo puede convertirse en
progresivo si logra hacer nuevas predicciones parcialmente corroboradas.
Lakatos piensa que una nueva teora se impondr sobre otra vigente, cuando, entonces,
adems de explicar todos los hechos relevantes que ella explicaba, se enfrenta con xito a
algunas de las anomalas de las que la teora anterior no poda dar cuenta. As se asegura una
continuidad entre las teoras sucesivas. Esta continuidad es consistente con el carcter
acumulativo del progreso del conocimiento cientfico.
En cuanto a las Teoras del Aprendizaje, el marco epistemolgico de Lakatos es el ms
adecuado. En el presente trabajo analizaremos las siguientes cuestiones: Qu constituye el
ncleo del programa conductista? En qu se diferencia este programa del enfoque cognitivo?
Este ser el tema de reflexin de las siguientes pginas, con respecto al campo de estudio que
representa el rea de la Ad+uisicin de los conceptos.
2. 8 LCS ;C@;E=TCS3 @ATU0ALELA$ FU@;IF@ G EST0U;TU0A.
La definicin de CONCEPTO es harto compleja. Por ejemplo, Los filsofos empiristas
como Mill, suponan que las personas adquirimos conceptos mediante un proceso de
abstraccin que suprime los detalles idiosincrticos que difieren de un ejemplo a otro.
(Laird, l990). En consecuencia, la mayora de los experimentos han utilizado una
tcnica en la cual los sujetos tienen que descubrir el elemento comn que subyace a
un concepto. Sin embargo, los conceptos cotidianos, no consisten en la conjuncin o
disyuncin de caractersticas, sino ms bien en relaciones entre ellas. Laird da el
ejemplo de "tabla", no como una mera conjuncin de patas y tablero, sino como que las
patas "soportan "al tablero.
Otro aspecto de los conceptos de la vida diaria es que sus ejemplos puede que no
tengan un elemento en comn. Wittgestein, en sus "nvestigaciones Filosficas"
presenta el ejemplo de lo que denominamos "juegos". Segn su postura, no hay nada
que sea comn a todos los juegos, excepto similitudes y relaciones (Laird, l990).
Adems, sostuvo que los conceptos dependen, no de elementos comunes, sino de
redes de similitudes que son como las semejanzas entre los miembros de una familia.
Esta idea obtuvo popularidad en los aos setenta. Los tericos plantearon que el
mundo se conceptualiza en trminos de estereotipos, prototipos, marcos o guiones. No
vamos a dedicarnos a cada uno de stos, tarea sobre la cual habra que explayarse
largamente, pero s podemos decir que, aunque la terminologa difiere, las teoras
subyacentes son extraordinariamente semejantes: un concepto especifica las
caractersticas tpicas de los miembros de la clase; dicho concepto no tiene
condiciones necesarias y suficientes, y tampoco tiene lmites claros
2.1 T LA ;C@;E=;IF@ ;LKSI;A. #E@FC?UE ;C@EU;TISTA)
Veamos que dice Gardner al respecto de la categorizacin del mundo (Gardner, l996).
Ya los griegos clasificaban en grupos a los objetos comunes y corrientes del mundo.
Estos grupos son diferenciables por determinados atributos que sirven de criterios
definitorios.
En la teora clsica de la formacin de conceptos encontramos las siguientes
caractersticas: 1- Las categoras son arbitrarias. Los rubros pueden agruparse de
cualquier cantidad de modos a fin de constituir categoras. 2 - Las categoras poseen
atributos definitorios o crticos. Todos los miembros de esta categora comparten estos
atributos, ningn miembro de otra categora los comparte, y no existe superposicin
alguna entre los miembros de una categora y los que no lo son. 3 - La "intensin" (o
suma de atributos) de una categora determina su "extensin" (la cantidad de objetos
del mundo que la integran en calidad de miembros). Por lo tanto, no tiene ningn
sentido pensar que una categora puede estar dotada de una estructura interna tal que
algunos de sus tems sobresalgan respecto de los dems como miembros "mejores".
Los lmites son estrictos y no hay confusin posible: un tringulo es grande y rojo o no
lo es.
Estas premisas estn presentadas en sus formas ms puras, pero ya desde la poca
de los empiristas ingleses - rama de la filosofa que adoptar el conductivismo- se
plantearon objeciones frente a esta visin extrema de las categoras. Esta posicin
clsica tuvo amplio arraigo hasta mediados de este siglo, cuando Ludwig Wittgestein y
sus seguidores lanzaron contra ella un desafo que en las ltimas dcadas recibi
considerables refuerzos de los trabajos llevados a cabo en las ciencias de la conducta.
Eleanor Rosch, fue posiblemente la cognitivista que ms socav con sus crticas la
concepcin clsica. Se le asesta a esta teora un rudo golpe a travs de una serie de
trabajos pertenecientes a un dominio que, inicialmente la concepcin clsica haba
adoptado como propio: el de la designacin de los colores. Aqu se comprueba, por
ejemplo, que desde un punto de vista puramente fsico, nada nos indica dnde termina
la designacin de un color y donde empieza la del otro (Leech,1978).
En sntesis, el espacio cromtico, lejos de ser un dominio adecuado para estudiar los
efectos que el lenguaje tiene sobre el pensamiento, pareca constituir un ejemplo
primordial de la influencia de ciertos factores conitivos perceptuales subyacentes
sobre la formacin y referencia de las categoras lingsticas. Podemos mencionar aqu
que los procesos cognitivos no eran objeto de estudio del conductismo, el cual s
adhera a la teora clsica de formacin de conceptos, esto lo profundizaremos cuando
analicemos el programa de investigacin de esta teora.
Volviendo al tema de Rosch, Por qu desbarataron estos hallazgos la formacin
clsica de la formacin de conceptos? La razn es la siguiente: durante muchos aos
se haba presupuesto que las lneas demarcatorias de los colores eran trazadas en
forma arbitraria por cada cultura, y que los individuos no hacan ms que reflejar estos
lmites en sus propias clasificaciones. Ahora, Rosch pona en tela de juicio estas
argumentaciones: niega la existencia de lmites fijos o rotundos entre las categoras:
muchos de sus miembros se hallan entre dos o ms categoras por sobre sus fronteras.
2. T LCS =0CTCTI=CS G LCS EHE1=LA0ES #E@FC?UE ;C%@ITIBC)
La idea de que los conceptos no tienen una estructura determinstica asimilable a una
lgica de clases no es nueva en psicologa. En lugar de clases lgicamente definidas,
se postula la existencia de un mecanismo automtico de categorizacin de estmulos
basado en prototipos. Wittgestein, por ejemplo, rechaza la concepcin clsica de que
todos los ejemplares de un concepto tienen una serie de atributos comunes y propone
que lo que une a esos ejemplares dentro de un mismo concepto es un cierto parecido
"familiar", basado en una semejanza no transitiva entre los miembros de la categora.
Pozo cita a Rosch en su definicin de prototipo: " Por prototipos de categoras se
entienden en general los casos m2s claros de pertenencia a la categora, definidos
operacionalmente por los juicios de la gente con respecto a la bondad de pertenencia a
esta categora ". (Pozo, l997, pag.101)
Rosch, como ya mencionamos anteriormente, retoma esta idea en sus estudios sobre
formacin de conceptos naturales, que sern un nuevo punto de partida de un nuevo
enfoque en el aprendizaje de conceptos.
ncompatibles con la posicin clsica, se han ido desarrollando modelos que asumen
una posicin probabilstica, segn la cual, la posesin de los atributos del concepto por
parte de un e<emplar y su pertenencia a la categora no son una cuestin de "todo o
nada", sino de rados o probabilidades. Segn la concepcin probabilstica, la
mayora de los conceptos son como miembros de una familia, no siempre tienen
atributos comunes suficientes, no todos son ejemplares igualmente representativos de
la categora y las fronteras del concepto son borrosas.
Rosch considera que el mundo percibido no contiene atributos o rasgos independientes
entre s, sino que est estructurado segn tres principios. En primer lugar, los atributos
no ocurren por separado. Rosch considera que el mundo posee en s mismo una
estructura correlacional que es la base de las categoras naturales.
En segundo lugar, esta estructuracin no slo alcanza a las relaciones entre rasgos,
sino tambin a la existencia de niveles de abstraccin o de inclusin jerrquica. Se cree
en la existencia de un nivel bsico de abstraccin, en el que la economa cognitiva en
la categorizacin sera ptima. Por ltimo, Rosch piensa que, aunque la estructura
correlacional del mundo no es perfecta, siendo de hecho un continuo estimular, la
estructura de las categoras se ve completada mediante su representacin en forma de
los ya mencionados prototipos$ que adems de preservar esa estructura correlacional,
permiten fragmentar el continuo estimular en unidades discretas.
Segn estos principios, los conceptos poseen una doble estructura. En primer lugar,
tienen una estructura vertical, segn la cual, todo concepto est incluido en una
jerarqua de niveles de abstraccin que comprende tres niveles: un nivel b2sico, en el
cual los sujetos aprenden fcilmente los nombres, tienen pronto acceso a stos, los
recuerdan de inmediato, etc. Los objetos pertenecientes a este nivel bsico dentro de
una categora comparten similitudes perceptuales y rasgos funcionales. Por ejemplo,
en el mbito del mobiliario, una silla es un objeto de nivel bsico; en el del mundo
animal, lo es un perro o un pjaro. Los objetos de nivel bsico contrastan con los de un
nivel superior llamado supraordinado (el mobiliario, respecto de la silla; el reino
animal, respecto del pjaro o perro), y tambin con otro nivel subordinado (la
mecedora, respecto de la silla; el tordo, respecto del pjaro). Los nios pequeos
tienen gran propensin a designar todos los objetos en el nivel bsico. En definitiva, los
individuos llegan a ser capaces de designar y clasificar objetos pertenecientes a estos
diversos niveles, pero tienden a adherir siempre al nivel bsico de organizacin.
Al proponer estas ideas, se desafan cada uno de los principios fundamentales en que
se sustentaba la concepcin clsica. Antes que arbitrarias, las categoras son vistas
como motivadas. Ellas reflejan la estructura perceptual del sujeto, el sujeto no es
pasivo, se enfatiza la clase de acciones que una persona puede llevar a cabo y la
estructura fsica y material del mundo. No estn conformadas por caractersticas
definitorias, como ya hemos visto, sino que albergan prototipos y los miembros menos
prototpicos de ellas son aprehendidos segn el grado en que se asemejen a ste. Las
categoras poseen una estructura interna y esto a su vez tiene consecuencias
psicolgicas: como ya fue mencionado, los conceptos del nivel bsico resultan los ms
prontamente designados y recordados.
En cuanto a su formacin, Rosch postula que los conceptos se desarrollan a travs de
los mismos principios que gobiernan la formacin de las propias categoras: "la
maximizacin" de la validez de las claves y del parecido categorial (Pozos, l997). La
validez de las claves es un concepto propuesto por Rosch para explicar la adquisicin
de los conceptos. Segn la cual Ula valide' de una clave dada ( como predictora de
una cateor"a y la probabilidad condicionada (Oy se incrementa a medida +ue
aumenta la ,recuencia con la +ue la clave ( se asocia a la clase y UyU disminuye a
medida +ue aumenta la ,recuencia con la +ue la clave ( se asocia a otras
cateor"as distintas de yU. (Rosch, 1978, en Pozo, l997, pag. 97). El prototipo sera,
segn la formulacin de Rosch, el e<emplar, real o ideal, de los atributos ms
frecuentes.
En todos estos procederes y acciones, se postula la presencia de la mente como
motora del proceso perceptual, mientras que en la teora clsica, adoptada por el
enfoque conductista, es la conducta la que da el significado al concepto, una vez que
sta ha sido disparado.
Segn Rosch, como ya hemos mencionado, la formacin de conceptos se inicia en las
categoras bsicas; se aprenden por medio de la percepcin visual y la interaccin
sensoriamotriz con el objeto y, de esta forma, seran las primeras divisiones del mundo.
Aunque no es parte del presente trabajo, se puede mencionar en este punto que lo
anteriormente expuesto nos llevara ms adelante al proceso constructivista, donde el
sujeto es activo en la construccin de la realidad que lo rodea.
Por otro lado, los partidarios de la teor"a del e<emplar, son aquellos que interpretan
que las categoras estn representadas por aqul concepto (el ejemplar) que recoge
los rasgos ms comunes en la misma. Estos conceptos se adquieren y almacenan
como casos individuales. La atribucin de un estmulo nuevo a una categora se
produce por un proceso de comparacin con los ejemplares almacenados en la
memoria, componente presente en la teora cognitiva del PROCESAMENTO DE LA
NFORMACN. La formacin de conceptos se basa entonces, en un proceso de
comparacin de similaridad en la memoria de trabajo. Los conceptos no se almacenan,
sino que se forman de manera ad hoc en el momento de su uso.
Los defensores de la teora del ejemplar no son muy especficos con respecto a los
procesos de aprendizaje. Rechazan la abstraccin como proceso bsico para la
adquisicin de conceptos, pero no formulan ninguna alternativa coherente a la
abstraccin, que es el proceso aceptado por posiciones asociacionistas. Pozos
considera que en su formulacin es insuficiente como teora de conceptos. Sin
embargo, se muestra como una teora eficaz desde el punto de vista representacional y
se ajusta a las demandas de las nuevas teoras computacionales, basadas en
representaciones implcitas ms que explcitas (modelos mentales o de memoria
distribuida en lugar de esquemas o prototipos).
Este xito emprico y esta adecuacin con respecto a las nuevas teoras
computacionales puede resultar engaoso, ya que estas teoras no pueden dar cuenta
de la formacin de conceptos ms all del laboratorio. Las situaciones experimentales
son restrictivas: pruebas de retencin a corto plazo, situaciones artificiales en lugar de
naturales y otras variables de interaccin.
Datos empricos y estudios llevados a cabo por enfoques cognitivistas, nos dicen que
los conceptos son una abstraccin, y sta es la idea de los partidarios del prototipo,
cuyas caractersticas ya han sido presentadas.
2.2.1 T LUEVI% VTT%ESTEI@3 LA =0E;ISIF@.
A comienzos del siglo, Wittgetein (Gardner, l998) que no slo fue uno de los
sostenedores del Crculo de Viena, sino su inspirador haba subrayado la importancia
de la lgica y la necesidad de precisin en el lenguaje, as como la conveniencia de
guardar silencio cuando fuera imposible alcanzar esa precisin lingstica.
Para mencionado autor, el lenguaje es un conjunto vago y fragmentario de elementos,
y un medio de comunicacin indispensable para los individuos; pero tanto puede
iluminar las cosas como oscurecerlas, ya que es la red a travs de la cual pasa
necesariamente cualquier otra experiencia. Los conceptos no son ni constructos
mentales ni ideas abstractas e(istentes en el mundo, sino que deben ser
capacidades que los individuos pueden emplear de una manera aceptable para el resto
de su comunidad; dicho en trminos generales, los conceptos no son sino una manera
de realizar cosas.
Wittgestein era escptico al respecto: lo mximo que un analista puede esperar, es
comprender mejor cmo opera el sistema de la lengua y cmo han llegado a plasmarse
nuestras ideas merced a prcticas lingsticas de nuestra comunidad. Todo empeo
por averiguar lo que realmente acontece, dejando de lado el lenguaje y tomando los
conceptos como entidades aisladas, est condenado al fracaso. Y la glorificacin de
la lgica o de conceptos abstractos desprovistos de utilidad dentro de la comunidad a
la que pertenece es irrelevante y carece de fundamentos filosficos.
Sea como fuere, como ya fue dicho anteriormente, la formacin de conceptos en la
mente humana ha sido y ser fuente de investigacin y debate. De hecho, comienza a
aceptarse la idea de que en la formacin de conceptos conviven dos tipos de estructura
y de procesos. Por un lado, los conceptos tienen un procedimiento de identificacin que
responde a los modelos probabilsticos; por otro lado, tienen un ncleo que parece
adoptar una estructura lgica, consistente con la posicin clsica. De esta forma han
comenzado a surgir modelos duales de la formacin de conceptos, que asumen la
coexistencia entre ambos tipos de estructuras.
Veremos ahora un anlisis de los programas que intentaron explicar la formacin de
conceptos desde su enfoque particular. Me limitar a la presentacin del programa
Conductista y al programa Cognitivo del Procesamiento de nformacin.
&. 8 EL =0C%0A1A ;C@EU;TISTA.
&.1 8 =0ESE@TA;IF@ DISTF0I;A EEL ;C@EU;TIS1C G ;A0A;TE0JSTI;AS.
En 1913, John Watson lanz la revolucin conductista, afirmando que el tema de
estudio adecuado de la psicologa no era el funcionamiento de la mente sino el examen
de la conducta objetiva y observable. Basndose en estudios fisiolgicos, propuso que
todas las actividades psicolgicas podan explicarse comprendiendo los reflejos que se
establecen en las porciones superiores del sistema nervioso. Esta era una psicologa
molecular, pura y simple, que iba de lo particular a lo general.
Watson rechazaba gran parte del programa de la psicologa tradicional y casi todos su
mtodos: no ms sensaciones o intenciones, a partir de entonces, slo era pertinente
la observacin de la conducta mani,iesta. La descripcin y explicacin de los estados
y contenidos de la conciencia deba ser reemplazada por la prediccin y eventualmente
el control de la conducta. Los trminos mentalistas quedaban expulsados del
vocabulario del psiclogo.
Toda una generacin de cientficos se form en esta rbita: Clark Hull, B.F. Skinner,
Kenneth Spence, E.L. Thorndike contribuyeron a asegurar que entre 1920 y 1950 la
psicologa en los Estados Unidos fuera conductista. Ac podemos hablar de una
ruptura entre las posiciones anteriores y las ya mencionadas aceptadas por la
comunidad cientfica del momento. Una autoridad tan eminente como el New York
Times declaraba en 1942 que el conductismo haba inaugurado una nueva 4poca
intelectual del hombre. La ruptura se haba dado con respecto al mtodo cientfico
implementado anteriormente a esta revolucin: la introspeccin, vale decir, la
autoreflexin de un observador bien adiestrado acerca de la naturaleza y decurso de
sus propias pautas de pensamiento. Aunque esta introspeccin fue sugestiva, no
gener esa acumulacin de saber que es decisiva para toda ciencia. El
introspeccionismo, entonces cay bajo su propio peso y fue derribado agresivamente
por el programa de investigacin que en ese momento lo super.
Un elemento decisivo del canon conductista era la supremaca y el poder determinante
del medio. Consideraban que los individuos no actuaban de la manera en que lo hacan
a raz de sus propias ideas y propsitos, o porque su aparato cognitivo poseyera
ciertas tendencias estructurantes autnomas, sino que operaban como re,lectores
pasivos de diversas fuerzas y factores presentes en el medio. Se postularon los
principios de condicionamiento y refuerzo para describir cmo se produca el
aprendizaje. Los conceptos, por ejemplo, segn la tradicin clsica descripta
anteriormente, se adquiriran a travs de cadenas asociativas simples entre un
estmulo y una respuesta.
2. T EL @W;LEC ;E@T0AL EEL =0C%0A1A ;CEU;TISTA.
El ncleo central del conductismo est constituido por su concepcin
antimentalista. Es la versin ms cruda del asociacionismo. Situado en la
tradicin asociacionista que nace con Aristteles, el conductismo comparte la
teora del conocimiento del empirismo ingls, cuyo exponente es Hume, quien
postul que el conocimiento humano est constituido exclusivamente de
impresiones recibidas a travs de los sentidos (Carpio, l977). Las ideas que se
forman de esas impresiones son copias que recoge la mente y que perduran
una vez que desaparecen las impresiones. El conocimiento se alcanza
mediante la asociacin de ideas segn los principios de seme<an'a,
contiXidad espacial y temporal y causalidad. Estos son los principios
bsicos del pensamiento en el empirismo de Hume. Con diversas variantes,
todos los conductistas se basan en estos principios para la descripcin y
explicacin de la conducta humana y animal (Crystal, 1971).
Dado que inicialmente somos, segn el conductismo, una "tabula rasa" y todo
lo adquirimos del medio por mecanismos asociativos, reforzados por la
recompensa y el castigo, es lgico que esta teora tomara como rea
fundamental de estudio el aprendizaje. La estructura de la conducta es una
copia de las contingencias o covariaciones ambientales.
Analicemos la concepcin antimentalista de este programa. No es que
nieguen la existencia de la mente, s rechazan el uso de la introspeccin. El
estudio cientfico debe ser llevado a cabo, como fue presentado anteriormente,
a travs de mtodos objetivos, es decir, ndices conductuales. La mente, de
existir, es necesariamente una copia de la realidad, un reflejo de sta y no al
revs. Este es el principio de correspondencia que tambin sera uno de los
rasgos nucleares del conductismo. El control de la conducta reside en el
medio: se considera que el aparato mental es un sustituto interno de las
contingencias del ambiente.
Otro rasgo importante de esta corriente es el anticonstructivismo, por lo cual
el sujeto es pasivo, sujeto a una reaccin estmulo-respuesta, simple y
atomista. Se define al aprendizaje como "cambio de la conducta" e implica una
conducta por parte del sujeto como respuesta al estmulo dado (Bays,1980).
El principio motor de la conducta est ,uera del individuo. El aprendizaje
siempre es iniciado y controlado por el ambiente y se realiza por asociacin.
Este enfoque simple, que desprecia las diferencias individuales el
conductismo establece la equivalencia entre todos los organismos de una
misma especie (todas la "tabulas rasas" se parecen) se complementa bien
con la teora clsica de los conceptos, donde el conjunto de atributos definen
en forma demarcativa y diferencia un concepto de otro, lo cual como ya vimos,
no es tan simple en la psiquis humana.
&. T LA ;0ISIS EEL ;C@EU;TIS1C.
A pesar de disponer de un ncleo terico y metodolgico comn, consistente en un
antimentalismo y asociacionismo psicolgico, y una concepcin positivista del mtodo
cientfico, el conductismo fue incapaz de elaborar la teora unitaria del aprendizaje que
buscaba.
Este programa dej de ser progresivo, en la terminologa de Lakatos, siendo incapaz de
predecir hechos nuevos, sino incluso de explicar las mltiples anomalas que en el curso de sus
experimentos sobre condicionamiento iban surgiendo. En estas condiciones, el programa
conductista se hallaba escasamente preparado para afrontar la irrupcin de un nuevo enfoque
psicolgico: EL PROCESAMENTO DE LA NFORMACN.
Como vemos, los excesos en que incurri el introspeccionismo a principios de siglo fueron
reemplazados, a su vez por los excesos del conductismo de la primera parte del siglo XX.
* 8 LA 0EBCLU;IF@ ;C%@ITIBA.
A mediados del siglo XX se hallaban en camino de ser develados dos de los mayores misterios
de la poca antigua: la naturaleza de la materia fsica y de la materia viva. Pero an deba
alcanzarse una elucidacin semejante para un tercer misterio que tambin fascin a los
antiguos: el enigma de la mente humana. (Gardner, 1996) Aqu comienza un camino que data
de pocas antiguas, de ideas innatas, que asociamos con los griegos. Ya a comienzos de la
Edad Moderna, Descartes se presenta como el antecedente filosfico de la ciencia cognitiva,
quien otorg un lugar de privilegio a la mente, la cual conceba las ideas de los individuos
(Carpio, l974). Como vemos, este inters por el estudio de la mente no es tan reciente, sin
embargo, se vio retrasado por diferentes causas que veremos a continuacin.
El lanzamiento apropiado de una ciencia de la cognicin fue impedido por diversos factores,
desde el auge del conductismo, como ya hemos visto, a causas presentadas por otras escuelas
filosficas como el positivismo, el fisicalismo, el verificacionismo, que descartaban toda entidad
(como un concepto o una idea) que no pudiera ser fcilmente observable y mensurable.
Por otro lado, y no menos interesante, la situacin poltica mundial ejerci un efecto
inhabilitante sobre la ciencia. En primer lugar, la comunidad cientfica europea fue desgarrada
por el auge del totalitarismo, y en cuanto a los Estados Unidos, se le pidi que dejara de lado
sus programas tericos a fin de contribuir al esfuerzo blico. Es as como se produce la
revolucin tecnolgica impulsada por las necesidades blicas de la Segunda Guerra Mundial,
dando como resultado un perfeccionamiento en el uso de las computadoras y la apertura del
nuevo mundo cientfico abierto por "las ciencias de lo artificial".
El ao 1956 suele concensuarse como fecha de inicio de la nueva psicologa cognitiva. Ese
ao se publicaron algunos de los trabajos fundacionales del nuevo movimiento que ayudaron al
triunfo de la revolucin.
Por ejemplo, las ideas de la Teora de la Comunicacin sostenan que los seres humanos
tenemos capacidades de recepcin de informacin a travs de "canales". En ese ao Miller
publica su artculo "El Mgico Nmero Siete" donde explica nuestra capacidad para procesar
informacin precisamente gracias a esos canales. Tambin aquel ao Chomsky daba a
conocer sus ideas sobre la nueva lingstica, basada en reglas formales y sintcticas, prximas
a las formalizaciones matemticas (Lyons,1977). Adems de otros autores como Newell y
Simon, quienes presentaron un programa de ordenador capaz de hacer la demostracin de un
teorema. Comienza aqu la marcha de la inteligencia artificial.
La invencin de la computadora contribua a resolver el clsico problema de la relacin mente-
cuerpo: software o soporte lgico y hardware o soporte tcnico. Era clara la analoga con el
sistema humano y los procesos de pensamiento. Los seres humanos, al igual que las
computadoras, albergaban programas y era posible invocar el mismo lenguaje simblico para
describir los programas de ambas entidades. Por ejemplo, se puede concebir un programa
alimentado con conceptos de una de las teoras probabilsticas mencionadas: el ejemplar.
Estos sistemas simblicos son entidades materiales capaces de procesar, transformar, elaborar
y manipular smbolos de diversas especies.
Como vemos, al ncleo antimentalista del programa conductista se le opone el ncleo mental
del nuevo programa que analizaremos a continuacin.
*.1 T EL =0C;ESA1IE@TC EE I@FC01A;IF@: AUTC0ES
0E=0ESE@TATIBCS.
La psicologa cognitiva refiere la explicacin de la conducta a entidades mentales, a estados,
procesos y disposiciones de naturaleza mental. De acuerdo a esta definicin de psicologa
cognitiva, no slo entrara el procesamiento de informacin, sino el constructivismo de autores
como Piaget y Vygotski. He recortado el objeto de estudio al primero por una cuestin de
extensin en el anlisis. Sin embargo, cabe aqu mencionar que todos ellos coinciden en que la
accin del sujeto est determinada por sus representaciones. El procesamiento de informacin
en su versin fuerte propone que estas representaciones estn constituidas por algn proceso
de cmputo.
La concepcin del ser humano como procesador de informacin se basa en la aceptacin de la
analoga entre la mente humana y el funcionamiento de una computadora. Se adoptan los
programas de una computadora como metfora del funcionamiento cognitivo humano ya que
ambos, mente y computadora, procesan informacin.
Segn esta idea, el ser humano y la computadora, son sistemas de propsitos generales
equivalentes, que intercambian informacin con su entorno mediante la manipulacin de
smbolos. Ambos son sistemas cognitivos cuyo alimento es la informacin; y aqu sta tiene un
significado matemtico muy preciso de reduccin de la incertidumbre.
Tanto Chomsky, como Fodor, dos cognitivistas cabales, por ejemplo, han intentado representar
en forma matemtica y precisa este contenido abstracto de nuestro aparato mental. Chomsky,
por un lado, se ha explayado en su concepcin sintctica de la estructura profunda del
lenguaje. Fodor, por otro lado, postula que las actividades cognitivas se constituyen en la
manipulacin de los smbolos o representaciones mentales, entidades abstractas, que no
mantienen ninguna relacin configuracional con las entidades que denotan. Fodor cree en la
existencia de un "lenguaje del pensamiento" y afirma que lo que debe hacer una teora de la
mente consiste en caracterizar este lenguaje. Este autor explica que si los procesos mentales
son computacionales, debe haber representaciones en las cuales se ejecuten tales
computaciones. As tambin, postula el carcter innato de este lenguaje del pensamiento: las
personas nacen con un conjunto completo de representaciones en el cual pueden acuar toda
nueva forma de informacin que emerja de su experiencia en el mundo, es por eso que, segn
Fodor, los lenguajes naturales son fciles de aprender.
Tanto Fodor como Chomsky, entonces, postulan que el individuo viene equipado con un
dispositivo bien especificado y construdo de manera tal que permite el aprendizaje de
informacin nueva.
*.2 T EES;0I=;IF@ EEL =0C%0A1A EEL =0C;ESA1IE@TC EE
I@FC01A;IF@.
Siguiendo a Lakatos en la descripcin del programa de investigacin de este enfoque cognitivo,
en el paso del conductismo al procesamiento de informacin, se han introducido cambios
radicales en cuanto al ncleo mentalista, as tambin como en su cinturn protector.
As como el conductismo se centraba en el estudio del aprendizaje mediante teoras basadas
en el anlisis de los estmulos y las respuestas, el procesamiento de informacin, en la medida
en que se ocupa del estudio de las representaciones, ha generado ante todo teor"as de la
memoria. La propia metfora computacional a la que ya nos hemos referido, conduce
necesariamente a considerar la memoria como la estructura bsica del sistema de
procesamiento.
Las ideas reduccionistas del conductismo se reemplazan por procesos conitivos causales.
En lugar de posiciones ambientalistas, el procesamiento de informacin defiende la
interaccin de las variables del su<eto y las variables de la tarea o situacin ambiental a la
que est enfrentado el sujeto. Por ltimo, el sujeto del conductismo, pasivo y receptivo, se
convierte en un procesador de la in,ormacin que busca y reelabora activamente
informacin. Adems, los procesos cognitivos son descomponibles en unidades u operaciones
ms simples.
Otro elemento importante en la descripcin de este programa - aunque actualmente debatido
en su contundencia y sobre el cual no voy a realizar crtica adversa por una cuestin de
magnitud, lo cual, aunque importante, excedera el propsito de este trabajo -, es la idea que
tanto los programas de las computadoras y el funcionamiento cognitivo humano estn definidos
por leyes sint2cticas, como ya fue mencionado cuando se hizo referencia a Noam Chomsky.
Estas leyes se ocupan de determinar las reglas mediante las que estas unidades se agregan
hasta constituir procesos complejos. Esto significa, y aqu lo discutible, que tanto el ser humano
como las computadoras estn concebidos como sistemas licos o matemticos de
procesamiento de informacin, constituidos exclusivamente por procedimientos formales. Esta
naturaleza sintctica del sistema queda reflejada en su definicin como un procesador de
propsitos generales: la lgica computacional es suficiente por s misma para representar
cualquier conocimiento.
En cuanto a la "intencionalidad" del sujeto, en este sistema de procesamiento no hallamos
propsitos ni intenciones, nicamente la satisfaccin de ciertas condiciones que dispara la
bsqueda de ciertas metas. Se caracteriza por remitir la explicacin de las acciones y
representaciones del sistema a entidades mentales tales como la memoria a largo plazo, filtros
atencionales, capacidades de procesamiento limitadas, etc. Al no admitir la intencionalidad, el
procesamiento de informacin no puede asumir la subjetividad de los estados mentales, aqu
encontramos una limitacin en el programa dado que la intencin en el ser humano es
primordial en el proceso de aprendizaje.
Siguiendo la lnea crtica con respecto a este programa, podemos agregar que es improbable
que el procesamiento de informacin pueda dar cuenta de estados mentales ya que stos
tienen un carcter sem2ntico y todos los procesos postulados son de carcter sint2ctico.
Adems, no puede explicar el origen de las estructuras de conocimiento que determinan la
conducta de los sujetos. Aqu est su paradoja, por un lado, afirma que los sujetos construyen
su propio conocimiento a partir de estructuras y procesos cognitivos, pero no explica cmo se
efecta la construccin de esas estructuras y procesos iniciales.
De esta manera, el procesamiento de informacin puede explicar cmo acta el sujeto ante una
tarea de decisin lxica, atribuyndole ciertas estructuras de memoria semntica, pero no
puede explicar cmo se han adquirido los conocimientos almacenados en la memoria
semntica.
Otro elemento importante en el programa es el asociacionismo, diferenciado del
asociacionismo conductista en cuanto a que el primero es computacional: con una
extraordinaria capacidad de cmputo posibilitada por la ciberntica. Otra paradoja aqu es que
la computadora se presenta como un espejo de la mente sin tener mente. La memoria
semntica est constituida por redes asociativas. Una computadora manipula informacin, no
significados y sta se mide en trminos de probabilidad matemtica o de reduccin de la
incertidumbre. Los significados necesitan una mente que los interprete, por lo tanto, lo que el
procesamiento de informacin puede hacer es ocuparse de seales, o sea, de signos vacos,
no de signos, de significantes portadores de sentido. Haciendo un paralelo con el programa
anteriormente descripto, desde un punto de vista semntico, los smbolos con los que opera
una computadora son equivalentes a la campana de los clebres experimentos de Pavlov:
seales que "disparan" acciones; no son vehculos de conocimiento ni de comprensin.
Ante todo lo presentado, queda claro que el procesamiento de informacin en su forma
ciberntica: la inteligencia artificial, no puede dar cuenta de procesos de aprendizaje o
formacin de conceptos, tema subyacente de este trabajo de anlisis comparativo.
La imposibilidad del asociacionismo para proporcionar una teora del aprendizaje lingstico ha
sido reconocida por diversos autores. Mencionaremos aqu nueva y brevemente a Noam
Chomsky y a Jerry Fodor, quienes postulan el innatismo como nica explicacin ante los
procesos de aprendizaje. Fodor, por ejemplo, considera que la idea de una teora de un
aprendizaje de conceptos es inicialmente confusa y que no se puede explicar la aparicin de
significados nuevos. Como el sistema es incapaz de generar nuevos primitivos sem2nticos,
todos los significados han de ser innatos, a la espera de ser "fijados" o "descubiertos".
Volvemos aqu a las ideas innatas de Platn!
Los procesadores computacionales, entonces, no aprenden, sino que se limitan a descubrir el
conocimiento que siempre ha anidado, oculto en ellos. Segn el procesamiento de informacin,
no construmos significados, simplemente lo reconocemos y lo "activamos".
Como ya ha sido mencionado anteriormente, el tema de la adquisicin de conceptos es
extenso, as como lo es tambin el tema de la psicologa cognitiva. Por motivos de extensin no
vamos a mencionar otros autores, que si bien son importantes, su presentacin excedera el
objetivo del presente trabajo. Queda por destacar, s, la importancia de las investigaciones en
el campo de la ciencia cognitiva, que da a da aumentan en cantidad y calidad.
Para finalizar, mencionaremos reflexiones de Pozos con respecto a la diferencia del programa
conductista y el procesamiento de informacin en su versin computacional. De acuerdo con
Pozos (1997), la imposibilidad de proporcionar una teora del aprendizaje por parte del
procesamiento de informacin, se origina en el propio ncleo conceptual del programa, que,
segn el autor mencionado, a pesar de su apariencia revolucionaria, continua con la tradicin
del conductismo. Aqu podramos concordar, ya que realmente, ambos programas son
netamente mecanicistas. Pozos afirma que el programa no es progresivo y que sus limitaciones
son las que precisamente aquejaban al conductismo.
En cuanto a limitaciones se refiera, es interesante mencionar lo que ha sido denominada la
"paradoja computacional". rnicamente, la aplicacin rigurosa de los mtodos y modelos
extrados del mbito computacional ha llevado a los cientficos a comprender en qu aspectos
los seres humanos no se asemejan a las computadoras. Esto no significa, por supuesto, que
no haya procesos cognitivos semejantes a los de las mquinas cibernticas; pero significa que
la concepcin lgica y racional sobre la cognicin humana no describe en forma apropiada gran
parte del pensamiento y la conducta de los hombres.
La ciencia cognitiva puede seguir adelante, pero surge el interrogante de si debemos buscar
modelos ms verdicos del pensamiento humano. As, la ciencia cognitiva se encuentra ante un
desafo y se espera de ella que logre una articulacin entre los aspectos computacionales, los
aspectos cognitivos del lenguaje y la percepcin, los antropolgicos y los neurocientficos$
tarea vasta para los aNos por venir.
;C@;LUSIF@.
En los ltimos siglos dos temas importantes han aparecido recurrentemente en la filosofa. El
primero se refiere a la tensin entre racionalistas y empiristas. Los racionalistas creen que la
mente posee un poder de razonamiento y que impone ese poder al mundo de la experiencia
sensorial; los empiristas, por otro lado, creen que los procesos mentales reflejan las
impresiones sensoriales externas o se construyen sobre las bases de stas.
Tanto Platn como Descartes adhirieron al extremo racionalista de esta polaridad, en tanto que
muchos de los empiristas posteriores, Hume entre otros, reaccionaron frente a ellos. En el siglo
XX, el programa de investigacin conductista siguiendo la nomenclatura de Lakatos- fue el
resultado de este enfoque empirista y vlido por muchos aos en el campo de la psicologa
tanto animal como humana. Este programa adhiri a la concepcin clsica de los conceptos,
como abstracciones de atributos, con lmites definidos y claros. El aprendizaje se desarrollaba
en bases asociacionistas y su recorte de estudio fue la conducta observable, la mente un reflejo
de la realidad que no vala la pena estudiarse. Su ncleo fue, entonces, antimentalista.
A partir de la segunda mitad del siglo XX, se produce un cambio de programa de investigacin,
dado que el nuevo presenta un ncleo diferente del anterior. Era menester demostrar las
insuficiencias del enfoque conductista y, en segundo lugar, el advenimiento de la computadora
dara el impulso final para esta nueva ciencia. Nos referimos aqu al cognitivismo, cuyo ncleo
es la mente. Los cognitivistas abrazan al racionalismo. Las cuestiones planteadas por
Descartes y sus contemporneos, se han convertido, unos siglos ms tarde, en el objeto de
psiclogos, lingistas y neurocientficos. No slo eso, las reflexiones cartesianas como posible
autmata son hoy centrales en toda la esfera de la inteligencia artificial.
Si bien dentro del cognitivismo, el procesamiento de informacin no puede dar total cuenta de
la formacin de conceptos y el aprendizaje, se ha abierto un camino para futuras
investigaciones dentro de esta rea. La concepcin clsica de los conceptos se ha visto
reemplazada por teoras probabilsticas, donde el concepto ya no es delimitado, sino que posee
lmites difusos y forma parte de una red en la cual, podramos decir, "interacta".
As como el programa conductista fue reemplazado, a causa de sus limitaciones y anomalas,
por el nuevo programa cognitivista, debemos recordar que el conductismo surge de los excesos
y anomalas no resueltas del programa anterior. Cabe destacar, entonces, que si bien el nuevo
programa puede presentarse como progresivo, en trminos de Lakatos, es notable y evidente
nunca est dada la ltima palabra en cuanto a conocimiento se refiere. Seguiremos, entonces,
hacindonos la pregunta que no ha sido totalmente contestada:
>;mo llea una persona a conocer aloA
http://www.monografias.com/trabaos1!/conductismo"
cognitivismo/conductismo"cognitivismo.shtml
Ee los aNos 2M a los -M
El concepto de inteligencia emocional, aunque est de actualidad, tiene a nuestro parecer un
claro precursor en el concepto de nteligencia Social de Thorndike (1920, p. 228) quien la
defini como "la habilidad para comprender y dirigir a los hombres y mujeres, muchachos y
muchachas, y actuar sabiamente en las relaciones humanas". Para Thorndike adems de la
inteligencia social existen tambin otros dos tipos de inteligencias: la abstracta -habilidad para
manejar ideas- y la mecnica- habilidad para entender y manejar objetos- .
En los aos 30 con el auge del conductismo entramos en una larga etapa de "silenciamiento"
de los procesos no directamente observables como la inteligencia. No obstante, aparecen
algunos trabajos en esta poca como los de Wechsler con el diseo de las dos bateras de
pruebas de inteligencia: para adultos (1939) -WAS- y el de nios (1949) -WSC-. Ambas siguen
siendo utilizadas hoy en da.
De los 50 a la actualidad
El debilitamiento de las posturas conductistas y la emergencia de los procesos cognitivos
aparecen con el estructuralismo. Los trabajos de Piaget y su teora sobre el desarrollo
intelectual contrasta visiblemente de las posturas psicometricistas y del procesamiento de la
informacin (Hardy, 1992).
Desde el procesamiento de la informacin se desarrollan dos enfoques: por un lado, el de los
correlatos cognitivos en el que el estudio de la inteligencia se ha llevado a cabo seleccionando
una capacidad que pueda medirse en un test; por otro lado, el de los componentes cognitivos
en el que su inters estriba ms bien en conocer qu es lo que mide un test de inteligencia.
Aparece el modelo computacional y el inters por el estudio de la inteligencia artificial. Con ello
llega, a nuestro juicio, uno de los errores ms graves de las teoras cognitivas. Cuando se
estudian los procesos cognitivos sobre inteligencia artificial lo que estudiamos es la inteligencia
computacional y no la humana.
Siguiendo a Marina (1993), si bien es cierto que las ciencias cognitivas han realizado
aportaciones valiosas muy aprovechables, la labor pendiente es la elaboracin de una ciencia
de la inteligencia humana, donde no se trate slo de lgica formal, sino tambin de lgica
inventiva, no slo de razn sino tambin de emocin y de sentimientos.
La idea que subyace a la inteligencia actualmente es la capacidad de adaptacin (Sternberg,
1997). Es como si la idea de la globalizacin hubiese llegado a este campo de estudio de la
Psicologa, donde la inteligencia est muy vinculada con la emocin, la memoria, la creatividad,
el optimismo, la personalidad y en cierto sentido con la salud mental.
Cmo llegamos al concepto de E
En 1983, Gardner publica "Frames of Mind", donde reformula el concepto de inteligencia a
travs de la teora de nteligencias Mltiples. De esta manera, Gardner sostiene que poseemos
7 tipos de inteligencia distintas, cada una de ellas relativamente independiente de las otras
-nteligencia musical, . quinestsica-corporal; . lgico-matemtica; . Lingstica; .
ntrapersonal e . nterpersonal- (Gardner, 1983; Walters y Gardner, 1986; Krechevsky y
Gardner, 1990). Esta teora, introdujo dos tipos de inteligencias muy relacionadas con la
competencia social, y hasta cierto punto emocional, la nteligencia nterpersonal y la
nteligencia ntrapersonal. Gardner (1983,1993) defini a ambas como sigue:
"La nteligencia nterpersonal se construye a partir de una capacidad nuclear para sentir
distinciones entre los dems: en particular, contrastes en sus estados de nimo,
temperamentos, motivaciones e intenciones. En formas ms avanzadas, esta inteligencia
permite a un adulto hbil leer las intenciones y deseos de los dems, aunque se hayan
ocultado... " (Gardner, 1993: 40)
Y a la nteligencia ntrapersonal como "el conocimiento de los aspectos internos de una
persona: el acceso a la propia vida emocional, a la propia gama de sentimientos, la capacidad
de efectuar discriminaciones entre las emociones y finalmente ponerlas un nombre y recurrir a
ellas como un medio de interpretar y orientar la propia conducta..." (Gardner 1993: 42) Quizs
esta ltima, tiene algo ms de relacin tiene con nuestro constructo terico de inters, la
inteligencia emocional.
En la actualidad, Goleman (1996, p. 74), interpreta y resume estas dos capacidades,
propuestas por Gardner, como "la capacidad de discernir y responder apropiadamente a los
estados de nimo, temperamentos, motivaciones y deseos de las dems personas" en
referencia a la inteligencia interpersonal, y en cuanto a la inteligencia intrapersonal como "la
capacidad de establecer contacto con los propios sentimientos, discernir entre ellos y
aprovechar este conocimiento para orientar nuestra conducta".
El concepto de inteligencia emocional nace con la necesidad de responder a una cuestin que
puede parecer simple: Por qu hay personas que se adaptan mejor que otras a las diferentes
contingencias de la vida?
En 1966, Leuner desarrolla un trabajo en el que vincula el papel de la familia y el desarrollo de
la E en la etapa preverbal del nio, aunque el concepto de E no queda suficientemente
desarrollado.
El concepto de E fue ms desarrollado Peter Salovey, quien la defini como "un tipo de
inteligencia social que incluye la habilidad de supervisar y entender las emociones propias y las
de los dems, discriminar entre ellas, y usar la informacin para guiar el pensamiento y las
acciones de uno" (Mayer y Salovey, 1993: 433). Segn Salovey y Mayer (1990), este concepto
de E subsume a los conceptos de inteligencia intrapersonal e interpersonal que propone
Gardner (1983), dndole adems un enfoque menos cognitivo, pero aadindole el
componente emocional que Gardner obvia, probablemente por estar inmerso del "Zeitgeist" de
la poca, a principios de los ochenta cuando Gardner define estas inteligencias por primera
vez, donde la Psicologa Cognitiva predominaba como paradigma. Este concepto propuesto por
Salovey y Mayer incluye adems el hecho de que son metahabilidades que pueden ser
categorizadas en cinco competencias o dimensiones (Salovey y Mayer, 1990; Mayer y Salovey,
1993, Mayer y Salovey, 1995, Goleman, 1996 y Goleman 1998):
1.8 El conocimiento de las propias emociones. Es decir, el conocimiento de uno mismo, la
capacidad de reconocer un mismo sentimiento en el mismo momento en que aparece,
constituyendo la piedra angular de la E
2.8 La capacidad para controlar las emociones. La conciencia de uno mismo es una
habilidad bsica que nos permite controlar nuestros sentimientos y adecuarlos al momento.
&.8 La capacidad de motivarse a s" mismo. Con esto Salovey y Mayer, y ms tarde Goleman,
quieren hacernos entender que el control de la vida emocional y su subordinacin a una meta
puede resultar esencial para "espolear" y mantener la atencin, la motivacin y la creatividad.
Es decir, esta habilidad ayuda a aumentar la competencia no slo social sino tambin la
sensacin de eficacia en las empresas que se acometen. Este aspecto se relaciona tambin
con el concepto de nteligencia Exitosa propuesto actualmente por Sternberg (1998).
*.8 El reconocimiento de las emociones a<enas. La empata, es decir, la capacidad para
poder sintonizar con las seales sociales sutiles indican qu necesitan o qu quieren los
dems.
-.8 El control de las relaciones. Es una habilidad que presupone relacionarnos
adecuadamente con las emociones ajenas.
http://www.capitalemocional.com/articulos/iemo"constructo.htm
#efinici$n % concepci$n b&sica '(u) es el conductismo*
No hay unanimidad de criterios al denominar al conductismo o a la terapia
conductista. En general no se la considera una escuela psicolgica sino ms bien
como una orientacin clnica, que se enriquece con otras concepciones. La historia
de esta terapia ha evolucionado bastante por lo que hoy sera difcil que una
persona se autodefina como un conductista puro o clsico. Por esta ran otros
autores no conductistas llaman a los continuadores de los lineamientos conductistas
como !neo"conductistas#, pero esto tampoco satisface a los protagonistas.
$uando se habla de conductismo aparece una referencia a palabras tales como
!estmulo# !respuesta# !refuero#, !aprendia%e# lo que suele dar la idea de un
esquema de raonamiento acotado y calculador. Pero ese tipo de palabras se
convierten en un metalengua%e cientfico sumamente &til para comprender la
psicologa. 'ctualmente nadie acotara la terap(utica solamente esos ordenadores
tericos, hasta los clnicos que se definen como conductistas usan esos elementos
como punto de partida, pero nunca se pierde de vista la importancia interpersonal
entre el paciente y el terapeuta, ni la vida interior de un ser humano, ni otros
elementos, t(cnicas, teoras, inventivas que sirven para la tarea terap(utica. En
este sentido, en los comienos del conductismo se desechaba lo cognitivo, pero
actualmente se acepta su importancia y se intenta modificar la rotulacin cognitiva
)e*pectativas, creencias actitudes+ para reestructurar las creencias irracionales del
cliente buscando romper los marcos de referencia que pueden ser desadaptativos.
,rente a determinados estmulos, se puede mostrar un repertorio conductual
adecuado pero puede responderse errneamente a otros. -n e%emplo com&n al
respecto es cuando un padre entrena sin quererlo a su hi%o en alg&n tipo de
estmulo discriminatorio inadecuado, por e%emplo cuando afirma sobre su hi%o que
este solo le hace caso cuando se le grita. En este proceso, aunque las respuestas
est(n bien aprendidas, suelen ser desadaptativas. Para modificarlas se elabora un
plan con respuestas potenciales ante un problema dado. .curre que el hbito que
se quiere cambiar, es una conducta que en determinados casos se convierte o se
constituye directamente como desadaptativa.
Es importante estructurar la terapia con el cliente, describir el modo de aprendia%e
social de la conducta desadaptativa, e*plicar en que consiste el tratamiento, cuales
son las etapas etc.
El ob%etivo se convierte en la modificacin de las conductas, y es clave determinar
claramente este y otros ob%etivos, es decir cuales son las conductas desadaptativas
que deben modificarse.
En primer lugar se prepara al cliente sobre los lineamientos de un tratamiento,
luego se seleccionan situaciones conflictivas que se deben cambiar en las cuales se
evidencia la problemtica a tratar, para esto primero se llega a imaginar situaciones
interpersonales en el consultorio, luego a simular estas circunstancias probando
una modificatoria de la conducta propiamente dicha, para poder lograr
paulatinamente el desempe/o de nuevas conductas frente a situaciones reales. 0s
tarde se insistir en la llamada !e*posicin en vivo#, que es la e*posicin gradual a
situaciones anlogas a las que fueron tratadas durante la desensibiliacin
imaginaria. 1e busca as un nuevo desempe/o frente a un nuevo rol en situaciones
reales, al seguir con (*ito una pauta formulada en el consultorio, pero ahora
ensayada en vivo.
2ay que tener en cuenta que en las conductas aparecen refueros, que es cuando
un acontecimiento acrecienta la posibilidad de la conducta a la que sigue. 2ay
refueros positivos y negativos )si disminuye la probabilidad de la conductas que
contin&a+. En el consultorio se pautan cuales son los refueros positivos y cuales los
negativos, como llegar a condicionar mediante estos refueros la evitacin de
conductas desadaptativas y el fomento de otras que no lo son.
Es com&n que los clientes se mane%en dentro de un conte*to de !autoconcepto
negativo#, lo que constituye una actitud negativa respecto a la propia conducta. Por
ello se debe traba%ar en la eficacia de las conductas de interrelacin del cliente. En
este sentido la falta de asertividad, suele implicar un d(ficit conductual adecuado,
por lo que se utilian t(cnicas para fomentarla, y crear un marco social ms
favorable.
Es claro que el terapeuta influye de manera significativa durante las sesiones de
terapia, se pasa de operar en primer lugar en un ambiente controlado )por e%emplo
el consultorio+ para llegar a una aplicabilidad significativa en la vida del cliente,
mediante un condicionamiento operante en el mbito interpersonal.
-na de las t(cnicas empleadas es la utiliacin de metodologas de rela%acin. Esta
actitud se basa en la concepcin que los pensamientos y sentimientos tienen una
localiacin en lo muscular. Por lo tanto el entrenamiento de la rela%acin reduce la
ansiedad. 1e persigue as la llamada !desencibiliacin sistemtica# para reducir la
ansiedad in%ustificada ante ciertas situaciones, con la consigna de rela%arse ante la
aparicin de tensin.
La terapia conductista se centra en el presente del su%eto, aunque no niega el
pasado ni lo descarta, pero considera que ese pasado no contin&a siendo activo en
el presente de un paciente, aunque reconoce la importancia de las e*periencias de
aprendia%e previas.
Por el contrario de escuelas como las de $. 3ogers, que plantean el autocontrol y la
!no direccin# del cliente, el conductismo cree que si alguien requiere ayuda es
porque necesita intervenciones terap(uticas dirigidas y sistemticas, que debern
realiarse basadas en la inventiva profesional.

+oncepto de caa negra
la lectura pragmtica de 4atla5ic6 et al. )789:+ da lugar, parad%icamente, a una
versin interaccional de la ;ca%a negra; del conductismo. <e hecho, el grupo de Palo
'lto reivindica e*plcitamente el concepto de ca%a negra y afirman que= 1i bien es
cierto que algunas relaciones permiten hacer deducciones con respecto a lo que
;realmente; sucede en el interior de la ca%a, tal conocimiento no resulta esencial
para estudiar la funcin del aparato dentro del sistema ms amplio del que forma
parte )4atla5ic6 et al., 789:, p. >>+.
http=??555.clinicapsi.com?conductismo.html
Durante ms de dos mil aos la psicologa ha sido entendida en su sentido etimolgico de
"disciplina que tiene por objeto el alma". En efecto, "psique", quiere decir alma, y por
consiguiente psicologa significa "el estudio del alma".
Cuando en 1700 y luego en 1800 empez a abrirse camino la idea de que la psique poda
conocerse mejor a travs del anlisis basado en la experiencia, se crearon las premisas para
un cambio en el mtodo de investigacin que habran dado paso al nacimiento de la psicologa
cientfica. Pero el objeto de la psicologa continu siendo el mismo, es decir, la psique, aunque
su carcter de sustancia (el alma) se haba ido sustituyendo por su aspecto fenomnico (la
conciencia) y muchos investigadores parecan preferir el anlisis de reacciones precisas antes
que el examen introspectivo de la conciencia. Probablemente, muy pocos habran puesto en
duda que la psicologa poda tener otro objeto de estudio, ya que, al renegar de dicho objeto, se
habra negado a s misma por definicin.
El conductismo representa la revolucin ms radical en el enfoque de estudio de la psicologa,
ya que no slo considera que le compete tambin la conducta observable, sino que llega a
rechazar a veces que se tenga que ocupar de la conciencia. Desde cierta perspectiva, se
podra decir que el conductismo propone una nueva disciplina con un diverso objeto de estudio,
a no ser porque su propsito, de explicar todos los temas afrontados por la psicologa antigua
de un modo ms satisfactorio y cientficamente satisfactorio, presenta al conductismo como la
nica manera de hacer ciencia a la psicologa.
En otras palabras, el objeto psique es explicado en los contenidos psicolgicos (emocin,
hbito, aprendizaje, personalidad, etc.) y se propone su estudio a travs de su manifestacin
observable en trminos de comportamientos emotivos, comportamientos habituales,
comportamientos de aprendizaje, comportamientos constitutivos de la personalidad etc.
El conductismo es un movimiento en la psicologa que
avoca el uso de procedimientos estrictamente experimentales para la observacin de
conductas (respuestas) con relacin al ambiente (estmulo). El conductismo se desarrolla en los
principios del siglo XX por el psiclogo americano John B. Watson. En ese entonces la
psicologa era considerada predominantemente como el estudio de las experiencias internas o
sentimientos a travs de mtodos subjetivos o introspectivos. Watson no negaba la existencia
de experiencias internas o emociones, pero insista que estas experiencias no podan ser
estudiadas porque eran imposibles de observar.
Watson propuso convertir el estudio de la psicologa en ciencia utilizando solo procedimientos
objetivos, como experimentos de laboratorio diseados para producir resultados estadsticos
significativos. El estudio conductivista lo hizo formular una teora conocida como estmulo-
respuesta. En esta teora todas las formas complejas de conducta, tales como emociones y
hbitos, son estudiadas como compuestas por cambios musculares y glandulares simples, que
pueden ser observados y medidos.
En mediados del siglo XX otro psiclogo americano B. F. Skinner desarrollo una posicin
conocida como Conductismo Radical o Conductismo Base. l estaba de acuerdo con la opinin
de Watson de que la psicologa es el estudio de conductas observables en individuos
interactuando con el ambiente. Aunque sostena que los procesos internos, como los
sentimientos, deban de ser estudiados tambin a travs de los procesos cientficos usuales,
con un nfasis en particular en los experimentos controlados utilizando animales y humanos.
Desde 1950, los psiclogos conductistas han producido una impresionante cantidad de
estudios dirigidos a entender como se producen y mantienen los diferentes tipos de conductas.
Estos estudios han estudiado cuatro partes en especial:
1. Las interacciones que preceden una conducta, como los procesos
preceptales y el periodo de atencin que brinde el individuo.
2. Cambios en la conducta en s, como la formacin de habilidades.
3. nteracciones que se producen a partir de la conducta como los efectos de los
premios o castigos.
4. Condiciones que prevalecen a travs de los eventos, como el stress emocional.
Los estudios realizados utilizando los principios conductistas han arrojado principalmente
conocimientos sobre la modi'icacin de la conducta, o an1lisis aplicado de la conducta, tiles
en especial para la terapia de la conducta, mtodos de enseanza y entrenamiento, y los
efectos de las drogas en la conducta.
C0I%E@ES EEL ;C@EU;TIS1C
El conductismo nace oficialmente en 1913, ao en que J. B. Watson publicaba un artculo
programtico con el ttulo Psc(colog( as the *ehaviorist 2iews 3t. Sin embargo, como han
observado muchos, Watson fue ms bien el organizador, el radical propugnador y el hbil
divulgador de una serie de ideas y temas que haca tiempo iban madurando.
Watson haba sido el primer doctor en psicologa de la Universidad de Chicago (1903), cabe la
cual se esteba dibujando el movimiento funcionalista, y que ms tarde el mismo Watson
reconociera haber elaborado el "verdadero funcionalismo.
Quien lea el ensayo de Watson citado se dar cuenta inmediatamente de la influencia ejercida
sobre el conductismo por la experimentacin con los animales. El evolucionismo darwiniano
haba clarificado que entre el hombre y las dems especies animales no haba una diferencia
radical, por la que el hombre tuviera un alma y los animales no. Por ello era plausible hacer
investigacin psicolgica con los animales, lo cual presentaba una serie de ventajas
incomparables debidas a la posibilidad de estudiar algunos hechos en organismos menos
complejos a la oportunidad de controlar variables concomitantes (cantidad y tipo de
alimentacin, horas de reposos y actividad, condiciones de vida, etc.), a la posibilidad de
conocer y mantener bajo control la influencia de la experiencia pasada en las acciones
realizadas por el individuo examinado, a la libertad en los procedimientos (experimentaciones
largas y pesadas, disponibilidad del sujeto para el momento y el ambiente deseados, etc.),
finalmente, al carcter manipulable del organismo (lesin de las funciones sensoriales,
operaciones quirrgicas, etc.). Entre fines del siglo XX y comienzos del siglo XX, muchos
estudiosos de primer plano se haban ocupado de psicologa animal: entre ello Romanes, Loeb,
Donaldson, Jennings, Lloyd-Morgan, Uexkull, Thorndike, Washburn, Yerkes, Small y Hunter.
Estudiar la psicologa de los animales poda significar varias cosas. En particular, si el objeto de
la psicologa es la conciencia, se tendra que haber llegado a conocer la naturaleza de la
conciencia animal. Pero partiendo del examen del comportamiento observable (los animales no
tienen un lenguaje a travs del cual explicitar sus contenidos mentales), esto slo se poda
obtener de un modo precario e indirecto. Watson afirmaba que la verdadera psicologa de los
animales tena simplemente que considerar su comportamiento, por el hecho de que el objeto
de toda la psicologa se identificada sin ms que el comportamiento. Ya en la investigacin
llevada a cabo para su tesis doctoral, Watson tenda a juntar esta opcin metodolgica con otra
de contenido, orientada a negar importancia a la conducta. El aprendizaje que se verificaba en
un ratn adiestrado a recorrer un laberinto pareca consistir en la adquisicin de una serie de
movimientos ms que de nociones. De este modo dos tendencias distintas de fines del siglo
XX (evolucionismo y fisicismo) encontraban una confluencia armnica. El animal empezaba a
ser considerado como conejillo de ndias, ideal para el conocimiento psicolgico del hombre.
Thorndike, otro psiclogo norteamericano da un gran impulso a la experimentacin animal. Sus
investigaciones con los animales, llevadas a cabo a fines del siglo pasado, fueron realizadas
con aparatos como el laberinto en forma de T y la jaula. En el laberinto el animal, despus de
haber recorrido las patas de tantas T, se halla ante lugares de opcin y tiene que aprender cul
de las dos direcciones es la adecuada. En cambio lo que se exige al animal encerrado en la
jaula es aprender que para salir de la misma y encontrar comida e preciso mover una
manecilla. Observando a los gatos empeados en esta ltima operacin, Thorndike lleg a la
conclusin de que su aprendizaje se verificaba gradualmente, a travs de una serie de ensayos
y errores que llevaba a la consolidacin de las reacciones del organismo que haban sido
recompensadas (ley del efecto).
La "Ley del Efecto" de Thorndike se caracteriza claramente por un enfoque de tipo
conductista. Con el mismo el autor crea especificar una caracterstica bsica de la "inteligencia
animal". En efecto, podramos considerar que la inteligencia consiste en comprender la relacin
que existe entre el acto de presionar la manecilla y la posibilidad de salir, pero lo que
observamos efectivamente es que dicho acto se verifica tanto ms a menudo mientras ms va
seguido por una recompensa. El primer modo de describir la situacin constituye una pura
inferencia sacada del segundo modo, que, en cambio se limita a los hechos. La ley emprica del
efecto nos dice que "una accin acompa4ada o seguida de un estado de satis'accin tender1 a
volverse a presentar m1s a menudo, una accin seguida de un estado de insatis'accin
tender1 a volverse a presentar menos a menudo". Pero, si esta ley explica nuestras
observaciones y es capaz de predecir lo que probablemente haremos en el futuro no hay
motivo para sustituirla por otra.
La ley del efecto subrayaba en primer lugar el carcter adaptativo y utilitarista de la accin
humana, cuya manifestacin apareca simplemente vinculada a la posibilidad de ser
recompensada. Muchos psiclogos habran negado que el aprendizaje se verifique slo en
presencia de recompensa y entre ellos incluso algunos pertenecientes a la tradicin
conductista. En segundo lugar, el anlisis de los tiempos exigidos al gato para llegar a la
presin de la manecilla sugera a Thorndike que el aprendizaje era gradual. Muchos
experimentos realizados por los psiclogos de la Gestalt y nuestro mismo sentido comn nos
hubieran hecho pensar que el aprendizaje tendra que haberse verificado por medio de una
comprensin bastante repentina de la manera como era posible salir de la jaula. En este caso
el gato mentalmente dira algo as: "Ah, ya entend"
Las curvas de aprendizaje trazadas por Thorndike, partiendo de sus datos, eran favorables a la
idea de que el aprendizaje es gradual, y no fruto de una comprensin repentina. En efecto en
este ltimo caso tendra que haber pasado que, al principio, el gato no lograse salir o hallarse
casualmente la respuesta adecuada y, por tanto, tuviese necesidad de mucho tiempo, y que
luego con el descubrimiento de la solucin, el tiempo necesario para salir se volviese mnimo.
En cambio, Thorndike observ que con el paso de las pruebas, el tiempo necesario para un
gato salir de la jaula decreca regular y gradualmente, sin cadas bruscas, y esto le hizo llegar a
la conclusin de que el animal no captaba la solucin, sino que ms bien iba a pequeos pasos
sucesivos, imprimindose las respuestas adecuadas y borrando las equivocadas.
Sin embargo, Thorndike no adopt una postura decidida contra los que hacan una psicologa
distinta de la suya, cosa que, en cambio hizo poco aos despus Watson. ste haba dejado en
1904 la universidad de Chicago por la John's Hopkins University y haba continuado la
experimentacin animal, colaborando tambin con Carr y Yerkes, el cual en 1909 haba
introducido con Morgulis la obra de Pavlov en el mbito norteamericano. Es indudable que la
escuela rusa ejerci una gran influencia sobre el conductismo.
En 1912, Watson anticipaba en una serie de conferencias en la Columbia University sus ideas,
expresadas luego ms claramente en diversos ensayos y en tres volmenes tericos, el
primero 5atson, 6768 inspirado en la psicologa animal, el segundo 5atson, 6767 enriquecido
con las observaciones llevadas a cabo con nios, el tercero 5atson 679: caracterizado por un
mayor inters aplicativo y por la batalla ambientalista.
Toda la obra de Watson est penetrada de una brillante y emotiva vena polmica y radical. El
primer blanco contra el que dirigi sus ataques fue el mtodo introspectivo. En sentido amplio,
la introspeccin significa "mirar dentro de s" y en este aspecto haba constituido la base de
acopio de informaciones para la psicologa tradicional.
Prescindiendo del hecho de que los demasiado pequeos progresos llevados a cabo con dicho
mtodo por la psicologa ponan en duda su capacidad efectiva de avance cognoscitivo,
Watson consideraba no cientfica la introspeccin por dos motivos fundamentales:
1. Por el hecho de que el observador se identificaba con lo observado (esto
significa, por ejemplo, que desde el mismo momento en que el observador
empezaba a observar la conciencia cambiaba por definicin su objeto de
observacin, ya que ste inclua la conciencia de estar observando.
2. Por el hecho de que la observacin introspectiva era realizada por una persona
que hablaba de cosas que los dems no podan ver directamente (los datos
introspectivos son privados, en contraposicin a los datos pblicos de las
ciencias naturales). El carcter privado de los datos introspectivos era criticado
no slo por una cuestin de principio, sino tambin por una cuestin de hecho:
a travs de este mtodo, se llegaba a descripciones completamente
discordantes o insatisfactorias.
La primera guerra mundial tuvo una funcin central en el desarrollo de la psicologa en los
Estados Unidos, hacindola salir de los estrictos mbitos acadmicos y conocer en sus
potenciales contextos aplicativos y a la opinin pblica. Si consideramos las relaciones
existentes anteriormente entre industrias y psicologa, hasta 1915 haban sido ms bien dbiles
y episdicos. Durante la guerra, en cambio, se asisti a una especie de boom de la psicologa.
La verdadera bomba estuvo representada por la tarea confiada a los psiclogos de someter el
ejrcito a tests con el fin de seleccionar los mejores soldados, y evitar grandes costes de
entrenamiento para los reclutas con una baja preparacin intelectual. En un segundo tiempo los
tests tambin fueron usados con una intencin clasificatoria, es decir, precisar las aptitudes
diferenciadas de los sujetos examinados.
El programa de seleccin llev a examinar ms de 1,727,000 hombres; el relieve y el xito de la
iniciativa constituyeron la mejor carta de presentacin para la psicologa.
Los psiclogos de las universidades, primero hostiles a la aplicacin, terminaron
progresivamente colaborando en la publicidad, en la organizacin industrial, en el ejrcito, etc.,
independientemente de su orientacin terica. Figuras del primer plano en este complejo
movimiento de investigacin-aplicacin fueron W. D. Scott, Mustenberg y Bingham, pero en
posicin de menor importancia- colaboraron muchisimos ms y entre ellos Titchner, Watson y
Thorndike.
En 1920, cuando a causa de un pequeo escndalo terminado con el divorcio de Watson, ste
tuvo que abandonar la John's Hopkins University, pas a colaborar directamente con la
industria, metindose en problemas publicitarios y empresariales e interesndose cada vez
menos por la psicologa. Su libro *ehaviorism (1925), que obtuvo un gran xito tambin y
especialmente fuera de los mbitos cientficos, representa claramente el nuevo estado
profesional e indica las perspectivas aplicativas del conductismo.
EL ;C@EU;TIS1C VATSC@IA@C
Entre 1913 y 1930 se desarrolla el conductismo watsoniano. En ese perodo aparecieron las
primeras aportaciones conductistas de Kuo, Lashley, Weiss, Tolman y otros muchos, pero es
cierto que la obra de Watson fue particularmente central.
La teora elaborada por Watson no presenta como un sistema orgnico y definido una vez por
todas. Por ejemplo, Watson especific de modo diferente el objeto de la psicologa. El
comportamiento fue explicado en los trminos de "adaptacin del organismo al ambiente",
"contracciones musculares", "conjunto integrado de movimientos" y "acciones". Se puede, en
cierto modo, decir que la unidad de observacin psicolgica es para Watson el comportamiento
o la conducta en el sentido de accin compleja manifestada por el organismo en su integridad,
"sea lo que fuere lo que realice, como orientarse hacia una luz o en direccin opuesta, saltar al
or un sonido, u otras actividades ms altamente organizadas como tener hijos, escribir libros,
etc.". Evidentemente esas conductas no se detectan en cada una de las reacciones
psicolgicas que el organismo manifiesta (contraccin de un msculo, o bien actividades de
rganos individuales como la respiracin, la digestin, etc.), que constituyen el objeto
diferenciado de estudio de la fisiologa.
En la experimentacin psicolgica que lleva a cabo, Watson se interesa principalmente por
variables dependientes complejas del tipo que acabamos de mencionar. Su "molecularismo" y
"reduccionismo" terico se especifican en la idea de que esos comportamientos no son ms
que la "combinacin" de reacciones ms simples, de molculas constituidas por cada uno de
los movimientos fsicos que, en cuanto a tales, son precisamente estudiados por la fisiologa y
la medicina. En efecto, los principios de composicin de las unidades simples en unidades
complejas no modifican la naturaleza de las primeras, sino que simplemente las componen. Los
principios a que principalmente se refiere Watson son la frecuencia y proximidad y el
condicionamiento. Los principios de la frecuencia y proximidad nos dicen que cuanto tiempo
ms a menudo o cuanto ms recientemente se ha verificado una asociacin, con tanta mayor
probabilidad se verificar.
El condicionamiento empieza a ocupar un lugar central, en la teora conductista, hacia 1916.
Watson aparece directamente influido no slo por Pavlov sino tambin por los reflexlogos
rusos, es decir, por Secenov, que ya hacia 1860 haba afirmado que los actos de la vida
consciente e inconsciente no son ms que reflejos y por Bectherev que se interesaba de modo
particular por los reflejos musculares.
El principio de condicionamiento parte del descubrimiento del hecho de que en el organismo
existen respuestas incondicionadas a determinadas situaciones. Por ejemplo, un organismo
hambriento que recibe comida seguramente reaccionar salivando, un sbito haz de luz sobre
los ojos provocar seguramente una contraccin de la pupila, etc. la comida y el haz de luz se
llaman estmulos incondicionados, es decir, acontecimientos que se producen en el medio
ambiente y que provocan incondicionadamente una determinada respuesta en el organismo.
Pero, otros estmulos que hayan sido asociados a los estmulos incondicionados provocarn
tambin la reaccin incondicionada, aunque no tengan por si mismos relacin alguna con ella.
Por ejemplo, el perro de Pavlov salivaba cuando oa el sonido de una campanita, por el slo
hecho de que ese sonido haba sido anteriormente asociado con cierta frecuencia a la
presentacin de la comida. La investigacin sobre el condicionamiento era de particular
importancia para el conductista porque, por un lado detectaba precisas unidades estmulo (que
permitan definir mejor el ambiente en que el organismo reacciona) y precisas unidades
respuesta, y, por el otro, porque ofreca un principio clave para explicar la gnesis de las
respuestas complejas. En efecto, se poda suponer que los comportamientos complejos,
manifestados por el hombre, eran una larga historia de condicionamientos.
Por este motivo adquiri particular importancia el estudio del aprendizaje empezando por las
primeras adquisiciones infantiles. Al analizar las emociones, Watson expresaba la idea de que
el miedo, la rabia y el amor son las emociones elementales y se definen partiendo de los
estmulos ambientales que las provocan. A partir de estas emociones se construiran las
siguientes emociones. Un caso famoso de aprendizaje de las emociones es el del pequeo
Albert, que Watson estudi junto con R. Rayner. Albert jugaba tranquilamente con un ratoncillo
cuando se le hizo escuchar a sus espaldas un violento ruido. Desde ese momento, el nio
manifest un gran miedo tanto hacia los ratones como hacia otros animales y objetos peludos.
El ruido era un estmulo incondicionado capaz de producir por s solo una respuesta de miedo;
su asociacin con otro estmulo haca que el nio fuese condicionado a tener miedo tambin al
ratoncillo y tambin a otros objetos con caractersticas similares. Estudiando una de las
primeras neurosis experimentales de la historia de la psicopatologa, Watson probaba ms
adelante que las neurosis no son ni innatas, ni objetos misteriosos, sino que podan definirse en
los trminos de respuestas emocionales aprendidas.
Para Watson, las mismas leyes que regulan el aprendizaje emotivo constituyen la base de las
dems adquisiciones y, en particular, de los llamados "hbitos". Si para los "hbitos manuales"
la idea poda ser compartida por muchos, el problema se haca ms difcil cuando se trataba de
explicar procesos psicolgicos complejos y en particular el pensamiento y sus relaciones con el
lenguaje. La propuesta metodolgica de Watson exiga basarse en la observacin de la
conducta, y en este caso de la conducta verbal, y por tanto el pensamiento debera haberse
inferido del lenguaje. Pero la propuesta por as decir "filosfica" era la de negar existencia real
al pensamiento y asimilarlo directamente al lenguaje.
Para Watson, el lenguaje se adquiere por condicionamiento. El nio oye asociar a un objeto su
nombre y por consiguiente el nombre termina por evocar la misma respuesta evocada por el
objeto. Progresivamente todo el sistema de movimientos que provocan la emisin del sonido
palabra puede ser sustituido por una parte de movimientos, por lo que la palabra es slo
pronunciada en voz baja, o moviendo silenciosamente los labios, o bien mediante simples
"hbitos de laringe". Watson crea que de esta manera se va formando el pensamiento y
sugera que poda ser reducido a un conjunto de hbitos de laringe. En el plano terico el punto
central estaba representado por el hecho de que la actividad de pensamiento era un resultado
de los aprendizajes comunicativos y no tena por s mismo importancia ni inters cognoscitivo.
EL =A=EL EE LA ER=E0IE@;IA G
LAS %0A@EES TEC0IAS EEL A=0E@EILAHE


En el segundo y tercer decenio del siglo, las teoras psicolgicas ms populares en los Estados
Unidos, adems de la watsoniana, fueron la de McDougall y la de Freud. Ambas, pero en
particular la primera, se caracterizaban por la importancia atribuida a los instintos hereditarios
en el hombre. Watson en un primer tiempo acept esta idea, pero en un segundo tiempo,
influido por la posicin radical de Kuo e impresionado por el desacuerdo y la confusin entre los
psiclogos que intentaban clasificar los instintos, opt decididamente por una postura, que por
un lado no reconoca la utilidad y validez psicolgica del concepto de instinto y, por el otro,
negaba que el hombre estuviese al momento del nacimiento dotado de un bagaje psicolgico
personal. En 1925, Watson lleg a afirmar que el recin nacido tiene un repertorio de
reacciones extremadamente limitado, como reflejos, reacciones postulares, motrices,
glandulares y musculares, pero dichas reacciones afectan al cuerpo y no son rasgos mentales;
el nio nace sin instinto, inteligencia u otras dotes innatas, y ser slo la experiencia ulterior la
que caracterizar su formacin psicolgica. Watson adoptaba as una posicin igualitarista "los
hombres nacen todos iguales" y llena de confianza en poder influir el desarrollo del sujeto
controlando las experiencias a que se expone. Con una afirmacin que se hizo famosa, Watson
declaraba que si le hubiesen dado una docena de nios sanos, los habra podido convertir
fcilmente en buenos doctores, magistrados, artistas, comerciantes, independientemente de
sus hipotticas "tendencias, inclinaciones, vocaciones, raza de los antepasados".
Segn esta posicin el hombre era totalmente producto de sus experiencias. Por consiguiente,
adquira importancia central el estudio del aprendizaje, es decir, la manera como el hombre
adquiere un repertorio de comportamientos motores, verbales, sociales, etc., que luego sern
los elementos constitutivos de su personalidad complexiva. Aunque a menudo los psiclogos
de tradicin conductista hayan aceptado la idea de que parte de los rasgos psicolgicos de una
persona est vinculada a sus predisposiciones hereditarias, es cierto que de su opcin
ambientalista surgi el inters dominante por el estudio del aprendizaje.
En efecto, gran parte de las teoras del aprendizaje elaboradas entre 1920 y 1960 se puede
relacionar con el conductismo. Entre las mismas las ms famosas son las de Thorndike,
Guthrie, Tolman, Hull, Spence, Skinner, Miller, Estes, Underwood y Postman. Diversos
volmenes ofrecen una presentacin bastante completa de dichas teoras, por lo que solo
estudiaremos a tres de sus ms ilustres exponentes, es decir, Tolman, Hull y Skinner.
La obra de Tolman constituye uno de tantos casos anmalos dentro de la escuela conductista,
desde el momento en que fue poco a poco diferencindose del conductismo watsoniano y
acogiendo ideas cognitivitas o incluso psicoanalticas. Tolman se vincul directamente con Holt
y Perry en el intento de especificar el objeto psicolgico mejor de lo que crea haber hecho
Watson. En efecto, la posicin "molecularista" de Watson tena el peligro de identificar el
"comportamiento" de las "contracciones musculares" y de remitir su estudio a la fisiologa. Por
el contrario, Tolman crea que exista un "especfico psicolgico" caracterizado por su
"molaridad" (es decir, no descomponible en componentes simples, so pena de desnaturalizarlo)
o bien por su irreductibilidad. Ese "especifico", sin embargo, no era de naturaleza psquica, sino
de naturaleza comportamental, tal como Watson haba afirmado, slo que se caracterizaba por
el hecho de poseer propiedades emergentes. Para Tolman, si caracterizsemos el
comportamiento, por ejemplo de un ratn que mueve una cuerdecita para acercarse la comida,
solo con los componentes motores habramos dado una descripcin fisiolgica. Para llegar a
una descripcin psicolgica deberamos tener en cuenta los predicados que emergen del
comportamiento de ese ratn, es decir, del hecho que muestra "cogniciones" e
"intencionalidades" (es decir, est orientado hacia metas).
Podremos seguir mejor la argumentacin de Tolman refirindonos al predicado de la
intencionalidad que s tan importante en su obra que se ha hablado de ella como un
conductismo intencional. Perry ya haba analizado el comportamiento finalizado y haba
afirmado que se caracterizaba por la "docilidad" o presencia de un aprendizaje, por el que,
dado un determinado ambiente, la respuesta se presenta slo si se tiene un determinado
resultado. Para que el individuo sepa que la respuesta lleva precisamente al objetivo deseado,
la conexin si tiene que haberse verificado en el pasado y el individuo tiene que haberla
aprendido. Realizando experimentos con los animales Tolman explicit en trminos empricos
la problemtica inherente a la intencionalidad del comportamiento.
"El ob#etivo est1 descriptivamente presente, cuando es necesario la a'irmacin del ob#eto meta
para indicar;
6. la constancia del ob#eto meta, a pesar de las variaciones en la adaptacin a los
obst1culos interpuestos< o
9. la variacin en la direccin 'inal correspondiente a las posiciones di'erentes del
ob#eto meto< o
=. el cese de la actividad cuando se quita un determinado ob#eto meta."
Tolman 67>?, @=A@8
En estos tres casos, la descripcin del comportamiento sera insatisfactoria si no se hiciese
referencia a un objeto meta. Filosficamente, introduciendo la nocin de "objetivos" y con ella
otras como "expectativa", "signo Gestalt", "mapa cognitivo", etc., Tolman se aparta
indudablemente de la mayor parte de los conductistas. Sin embargo, ha adoptado de ellos la
metodologa y el punto de partida: el comportamiento.
Tolman habla a menudo de "variable interventora", reconociendo que un mtodo objetivo
conoce slo la variable dependiente representada por el comportamiento, y sin embargo, puede
inferir del mismo la presencia y las caractersticas de las variables mentales que intervienen. En
efecto, conociendo los valores de las variables independientes (estmulos ambientales,
experiencia anterior, estado pulsional, etc., variables que Tolman propone definir en trminos
operacionales) y los valores del comportamiento efectivo, es posible hacer inferencias sobre las
variables interventoras (propiedades que el sujeto atribuye al objeto, capacidades, etc.) que,
como dice Tolman, son entidades objetivas, definidas en los trminos de las funciones U,U que
las conectan con las variables independientes por una parte y con el comportamiento final por
la otra.
Como observ Fraisse (1967) la psicologa haba abandonado muy pronto el ideal de detectar
las conexiones puras por las cuales, dado el estimulo S, se verifica siempre la respuesta 0. La
realidad nos dice que S puede provocar respuestas diversas, R1, R2, R3, . R11, que por
consiguiente no pueden ya ser consideradas puramente funcin de S, segn el esquema:
S 0
luego 0 9 , #S)
sino que deben referirse tambin a una variable que interviene entre S y R:
S I 0
luego 0 9 , #I ( S)
En particular, la superacin de la simple conexin S-R se habra dado en primer tiempo en
referencia a la importancia de variables interventoras del organismo, en un segundo tiempo con
referencia a toda la personalidad.
Al aceptar conceptos no observables, la teorizacin psicolgica se dejaba una vez ms influir
por el modelo de las ciencias naturales, cuyo debate epistemolgico reconoca, cada vez con
mayor claridad, la relacin que, dentro de una ciencia, existe entre teora y datos empricos.
Dos movimientos epistemolgicos conectados entre s tuvieron, alrededor de 1930, un peso
importante en la psicologa: el neopositivismo y el operacionismo. Del neopositivismo muchos
psiclogos sacaron en particular los criterios para construir teoras y modelos fundados y
convalidados sobre datos empricos, pero que tambin incluan constructos tericos (la teora
hipottico-deductiva de Hull constituira su ejemplo ms destacado), y adems la distincin
entre datos empricos aceptables. Esta distincin iba especialmente bien para los conductistas
e incluso consagraba su opcin antiinstrospeccionista. A menudo fue descrita en esa poca en
los trminos operacionistas, por lo que el cientfico puede realizar slo determinadas
"operaciones". En realidad, como demostr Curi (1973), el anlisis de las operaciones
cientficas haba sido originariamente introducido por Bridgman como instrumento heurstico de
conocimiento de la actuacin del cientfico; los conductistas, en cambio, lo aceptaron del modo
que congeniaba ms con ellos.
Clark Hull recogi de Watson el conductismo molecular, de Thorndike la idea de que la
recompensa constituye un requisito fundamental del aprendizaje, de Tolman la referencia
metodolgica a las variables interventoras. Partiendo de estas premisas y basndose en el
principio del condicionamiento clsico, Hull construy una teora hipottico-deductiva que
intentaba para la psicologa la misma sistematizacin lgica y matemtica presente en las
ciencias fsicas. El sistema de Hull consta de definiciones, postulados, corolarios y teoremas; y
permite hacer predicciones no slo sobre la direccin sino tambin sobre los aspectos
cuantitativos del comportamiento. Si pensamos que la psicologa halla a menudo dificultades en
predecir si una cosa suceder (se decidir Pedrito a ir al telfono?), aparece muy fascinante el
intento de Hull de llegar a travs de sofisticadas ecuaciones- a caracterizar tambin
cuantitativamente el comportamiento (cuanto tiempo emplear Pedrito para llegar hasta el
telfono?). Est claro entonces por qu el anlisis de Hull pudo forzosamente limitarse a pocas
situaciones experimentales, relativas al comportamiento de ratones, y que las formulaciones
tuvieran que someterse a revisiones y a crticas.
La teora general de Hull apareci en 1943 en un libro con el titulo Principles o' *ehavior, pero
fue sometida a diversas modificaciones expuestas en una versin menos sistemtica en el
volumen pstumo % *ehavior S(stem, en 1952. En ese decenio, el impacto de Hull sobre la
psicologa experimental norteamericana fue tan grande que casi todos los investigadores se
vean obligados a citarlo en la bibliografa.
Si Hull crea en la utilidad de la teora, Skinner, en cambio, se mostr -en lnea de principio-
contrario a la misma. Actualmente Skinner no se opona a cualquier teora, sino slo a las
teoras elaboradas generalmente por los psiclogos, que introducen conceptos "mentalista" que
corren el riesgo de hipostatizar procesos y hechos puramente hipotticos y son en su opinin
intiles. Skinner est interesado por la observacin del comportamiento y su relacin con las
"contingencias de refuerzo", es decir, las ocasiones en que a una determinada respuesta ha
seguido una recompensa. Su idea es que este tipo de anlisis puede ser suficiente para
explicar cualquier forma de aprendizaje, incluso el aprendizaje lingstico. La consecuencia de
ello es que la referencia a procesos que se verificaran en la mente sera intil y engorrosa,
adems de ser difcilmente objetivable. Skinner extrapola su anlisis de carcter general
partiendo del estudio del comportamiento de ratones y palomas emitidos en una jaula. Entre las
diversas respuestas que el animal puede dar se escoge una de modo que vaya seguida de un
estmulo reforzador. Se observar que la respuesta seguida de refuerzo tender a presentarse
cada vez con mayor frecuencia. Este paradigma se llama "condicionamiento operante" y se
diferencia del estudiado por Pavlov (llamado "clsico" o "de respuesta") por el hecho de que la
respuesta no sigue sino que precede al estmulo crtico. En el caso del perro de Pavlov, el
estmulo incondicionado (comida) o condicionado (campanita asociada a la comida) provoca
necesariamente la respuesta incondicionada. En el caso del ratn de Skinner, el organismo
emite cada vez ms a menudo la respuesta a que se ha seguido un refuerzo. Desde los aos
30 hasta hoy Skinner y sus colaboradores realizaron muchisimas experimentaciones con el fin
de especificar mejor la relacin entre adquisicin de comportamientos y hechos reforzadores en
particular por los efectos de "programas" diferentes de refuerzo. El paradigma del
"condicionamiento operante" se ha convertido en un esquema fundamental en psicologa
comparada y fisiolgica para estudiar tambin otra variables (como por ejemplo: el frmaco x
tiene efectos colaterales sobre el comportamiento?), y se ha convertido en una clave de bveda
para explicar aprendizajes complejos que quedaban inexplicados partiendo del
"condicionamiento clsico". En efecto, ste se basaba en la existencia de reacciones
incondicionadas (y en el hombre se han hallado muy pocas) y en la formacin de
condicionamientos de segundo orden (la campanita del perro de Pavlov) y por tanto de orden
sucesivo: pero la posibilidad de obtener condicionamiento de cuarto, quinto, etc. orden quedaba
sin demostrar. En cambio est claro que el condicionamiento operante se aplica a cualquier tipo
de respuesta, porque cada uno de ellos puede ser seguido de refuerzo. Skinner, por
consiguiente, se empe en estudiar las principales respuestas humanas, buscando los hechos
reforzadores que provocan su mantenimiento o consolidacin.
En esta perspectiva Skinner puso de manifiesto el carcter "manipulable" del comportamiento
humano, denunciando por un lado el papel desempeado por ciertos grandes agentes de
control, como la familia, el Estado y la glesia y, por el otro, proponiendo, en una novela utpica,
utilizar con buen resultado esas mismas "reglas de manipulacin", de modo que se llegue a
realizar una especie de "repblica" platnica, gobernada por los sabios.
La pedagoga es muy compleja y se dice que cada maestro y cada escuela es un mundo aparte
con sus propias creencias basadas en sus estrategias de enseanza diaria. La posicin ms
comn tomada por los directores de las escuelas tanto como por los maestros es la que
describiremos a continuacin, conocida como La Educacin Tradicional, y que se basa
fuertemente en la teora conductista.
Un maestro de la educacin tradicional cree en lo siguiente:
o Todo estudiante necesita ser calificado con notas, estrellitas, y
otros incentivos como motivacin para aprender y cumplir con
los requisitos escolares.
o Cada estudiante debe ser calificado en base a los estndares
de aprendizaje, que la profesora traza para todos los
estudiantes por igual.
o El currculo debe estar organizado por materias de una manera
cuidadosamente y en secuencia y detallado.
Los maestros que aceptan la perspectiva conductista asumen que el comportamiento de los
estudiantes es una respuesta a su ambiente pasado y presente y que todo comportamiento es
aprendido. Por tanto cualquier problema con el comportamiento de un estudiante es visto como
el historial de refuerzos que dicho comportamiento ha recibido. Como para los conductistas el
aprendizaje es una manera de modificar el comportamiento, los maestros deben de proveer a
los estudiantes con un ambiente adecuado para el refuerzo de las conductas deseados.
Las conductas no deseadas de los estudiantes en el aula pueden ser modificados utilizando los
principios bsicos de modificacin de conducta.
Las siguientes son tcnicas aplicadas en la educacin tradicional para eliminar conductas no
deseadas en los estudiantes:
1. Refuerzo de las conductas deseadas, que de esta manera competir con la
conducta no deseada hasta reemplazarla por completo.
2. Debilitar las conductas no deseadas eliminando los refuerzos de estas.
3. La tcnica de la "saturacin" que implica envolver a un individuo en la misma
conducta no deseada, de manera repetitiva hasta que el individuo se sienta
hastiado del comportamiento.
4. Cambiando la condicin del estmulo que produce la conducta no deseada,
influenciando al individuo a tomar otra respuesta a dicho estimulo.
5. Usando castigos para debilitar la conducta no deseada.
Una importante aplicacin del condicionamiento operante utilizado en la educacin tradicional
es la de prendi!a"e #ro$ramado. En esta tcnica las materias son divididas en pequeos
simples pedazos o marcos de referencia, en que en cada parte al estudiante se le bombardea
con una cantidad de preguntas a las que el estudiante conoce la respuesta y probablemente
conteste correctamente; luego de una en una se van agregando preguntas al repertorio, dando
premios e incentivando las respuestas correctas.
;C@;LUSIF@
Muchos crticos afirman que el Conductismo "sobre simplifica" la conducta humana y que ve al
hombre como una automatizacin en vez de una criatura con propsito y voluntad. A pesar de
la opinin de estos crticos, el conductismo ha tenido gran impacto en la psicologa. Ha
impulsado la experimentacin cientfica y el uso de procedimientos estadsticos.
Su ms importante logro es el que ha
logrado cambiar el propsito principal de la psicologa hacia la solucin de verdaderas
problemticas relacionadas con la conducta humana. Como el aprendizaje es una forma de
modificacin de conducta, los procedimientos de modificacin de conducta desarrollados por
los conductistas han probados ser de gran utilidad para muchos maestros y escuelas durante
las ltimas generaciones.
Aunque en desacuerdo con gran parte de la influencia del conductismo en la educacin, por la
forma de ver a los estudiantes como individuos vacos que adquieren conductas y que las que
no son deseadas pueden ser reemplazadas o eliminadas, hay que admitir la gran influencia del
conductismo en la educacin tradicional y la gran influencia que seguir manteniendo sobre
esta.
http://caminantes.metropoliglobal.com/web/pedagogia/conductismo.htm
1.1MEl proceso de ra'onamiento se!n la lica
#A(iomas$ Teoremas$ demostracin).
El Proceso de Razonamiento
El proceso de razonamiento en un sistema basado en reglas es una progresin desde un
conjunto inicial de afirmaciones y reglas hacia una solucin, respuesta o conclusin. Como se
llega a obtener el resultado, sin embargo, puede variar significativamente:
Se puede partir considerando todos los datos conocidos y luego ir progresivamente
avanzando hacia la solucin. Este proceso se lo denomina guiado por los datos o de
encadenamiento proresivo ('orward chainning).
Se puede seleccionar una posible solucin y tratar de probar su validez buscando
evidencia que la apoye. Este proceso se denomina guiado por el ob#etivo o de
encadenamiento reresivo (bacBward chainning).
%a!onamiento #ro$resi&o
En el caso del razonamiento progresivo, se empieza a partir de un conjunto de datos
colectados a travs de observacin y se evoluciona hacia una conclusin. Se chequea cada
una de las reglas para ver si los datos observados satisfacen las premisas de alguna de las
reglas. Si una regla es satisfecha, es ejecutada derivando nuevos hechos que pueden ser
utilizados por otras reglas para derivar hechos adicionales. Este proceso de chequear reglas
para ver si pueden ser satisfechas se denomina interpretacin de reglas.
La interpretacin de reglas es realizada por una mquina de inferencia en un sistema basado
en conocimiento. La interpretacin de reglas, o inferencia, en el razonamiento progresivo
involucra la repeticin de los pasos que se indican en la siguiente figura.
'i$ura (.) Proceso de .a+onamiento Progresivo
http3OOQQQ.monora,ias.comOtraba<osOiarti,icialOpaina*P&1.htm
Razonamiento Progresivo...
1. Uni,icacin #*atchin$).8 En este paso, en las reglas en la base de conocimientos se
prueban los hechos conocidos al momento para ver cules son las que resulten
satisfechas. Para decir que una regla ha sido satisfecha, se requiere que todas las
premisas o antecedentes de la regla resuelvan a verdadero.
2. 0esolucin de ;on,lictos.8 Es posible que en la fase de unificacin resulten
satisfechas varias reglas. La resolucin de conflictos involucra la seleccin de la regla
que tenga la ms alta prioridad de entre el conjunto de reglas que han sido satisfechas.
3. E<ecucin.8 El ltimo paso en la interpretacin de reglas es la ejecucin de la regla. La
ejecucin puede dar lugar a uno o dos resultados posibles: nuevo hecho (o hechos)
pueden ser derivados y aadidos a la base de hechos, o una nueva regla (o reglas)
pueden ser aadidas al conjunto de reglas (base de conocimiento) que el sistema
considera para ejecucin.
En esta forma, la ejecucin de las reglas procede de una manera progresiva (hacia adelante)
hacia los objetivos finales.
Un conjunto de aplicaciones adecuadas al razonamiento progresivo incluye supervisin y
diagnstico en sistemas de control de procesos en tiempo real, donde los datos estn
continuamente siendo adquiridos, modificados y actualizados. Estas aplicaciones tienen 2
importantes caractersticas:
1. Necesidad de respuesta rpida a los cambios en los datos de entrada.
2. Existencia de pocas relaciones predeterminadas entre los datos de entrada y las
conclusiones derivadas.
Otro conjunto de aplicaciones adecuadas para el razonamiento progresivo est formado por:
diseo, planeamiento y calendarizacin, donde ocurre la sntesis de nuevos hechos basados en
las conclusiones de las reglas. En estas aplicaciones hay potencialmente muchas soluciones
que pueden ser derivadas de los datos de entrada. Debido a que estas soluciones no pueden
ser enumeradas, las reglas expresan conocimiento como patrones generales y las conexiones
precisas entre estas reglas no pueden ser predeterminadas.
http3OOQQQ.monora,ias.comOtraba<osOiarti,icialOpaina*P&2.htm
Razonamiento Regresivo
El mecanismo de inferencia, o interprete de reglas para el razonamiento regresivo, difiere
significativamente del mecanismo de razonamiento progresivo. Si bien es cierto ambos
procesos involucran el examen y aplicacin de reglas, el razonamiento regresivo empieza con
la conclusin deseada y decide si los hechos que existen pueden dar lugar a la obtencin de un
valor para esta conclusin. El razonamiento regresivo sigue un proceso muy similar a la
bsqueda primero en profundidad.
El sistema empieza con un conjunto de hechos conocidos que tpicamente est vaco. Se
proporciona una lista ordenada de objetivos (o conclusiones), para las cuales el sistema trata
de derivar valores. El proceso de razonamiento regresivo utiliza esta lista de objetivos para
coordinar su bsqueda a travs de las reglas de la base de conocimientos. Esta bsqueda
consiste de los siguientes pasos:
1. Conformar una pila inicialmente compuesta por todos los objetivos prioritarios definidos
en el sistema.
2. Considerar el primer objetivo de la pila. Determinar todas las reglas capaces de
satisfacer este objetivo, es decir aquellas que mencionen al objetivo en su conclusin.
. Para cada una de estas reglas examinar en turno sus antecedendentes:
a. Si todos los antecedentes de la regla son satisfechos (esto es, cada parmetro
de la premisa tiene su valor especificado dentro de la base de datos), entonces
ejecutar esta regla para derivar sus conclusiones. Debido a que se ha asignado
un valor al objetivo actual, removerlo de la pila y retornar al paso (2).
b. Si alguna premisa de la regla no puede ser satisfecha, buscar reglas que
permitan derivar el valor especificado para el parmetro utilizado en esta
premisa.
c. Si en el paso (b) no se puede encontrar una regla para derivar el valor
especificado para el parmetro actual, entonces preguntar al usuario por dicho
valor y aadirlo a la base de datos. Si este valor satisface la premisa actual
entonces continuar con la siguiente premisa de la regla. Si la premisa no es
satisfecha, considerar la siguiente regla.
Si todas las reglas que pueden satisfacer el objetivo actual se han probado y todas no han
podido derivar un valor, entonces este objetivo quedar indeterminado. Removerlo de la pila y
retornar al paso (2). Si la pila est vaca parar y anunciar que se ha terminado el proceso.
El razonamiento regresivo es mucho ms adecuado para aplicaciones que tienen mucho mayor
nmero de entradas, que de soluciones posibles. La habilidad de la lgica regresiva para trazar
desde las pocas conclusiones hacia las mltiples entradas la hace ms eficiente que el
encadenamiento progresivo.
Una excelente aplicacin para el razonamiento regresivo es el diagnstico, donde el usuario
dialoga directamente con el sistema basado en conocimiento y proporciona los datos a travs
del teclado. Problemas de clasificacin tambin son adecuados para ser resuelto mediante el
razonamiento regresivo.
http3OOQQQ.monora,ias.comOtraba<osOiarti,icialOpaina*P&&.htm
Existen dos mtodos de razonamiento lgico para probar una proposicin: El
mCtodo inductivo y el mCtodo deductivo.

El 0a'onamiento Inductivo.

Consiste en observar propiedades especficas de un nmero limitado de
casos particulares y luego concluir que esas propiedades son generales
para todos los casos. En este razonamiento se procede de lo particular a
lo general. Desafortunadamente, tal razonamiento no siempre nos conduce a
resultados vlidos, pues esta conclusin inductiva, o conjetura, es solo
una proposicin tentativa de lo que parece ser cierto en lo general, que queda
desacreditado con solo un caso que no cumpla con tal proposicin.

Ejemplo de razonamiento inductivo.
Toma un conjunto finito de nmeros impares y realiza las siguientes
operaciones:
(1) -1 = 0 = 8 (0)
(3) -1 = 8 = 8 (1)
(5) -1 = 24 = 8 (3)
(7) -1 = 48 = 8 (6)
La conjetura que podemos hacer es que DEl cuadrado de todo nEmero impar
disminuido en la unidad, es mEltiplo de @F. Si podemos probar que esta
conjetura es cierta para todo impar 2n-1, la podriamos aceptar como
verdadera, veamos:
(2n-1) - 1 = 4n - 4n = 4n (n-1)

y como (n) y (n-1) son factores consecutivos, entonces necesariamente uno
de ellos es un nmero par que multiplicado por 4 producir un mltiplo de 8,
con lo cual se prueba la veracidad de nuestra conjetura.

El 0a'onamiento Eeductivo.

Es un mtodo que consiste en partir de ciertas leyes generales para
aplicarlas a casos particulares. En este proceso de razonamiento, hay un
conjunto de hechos conocidos y de suposiciones a partir de los cuales otros
pueden ser deducidos. El conjunto de hechos conocidos son los a,iomas, las
definiciones y los teoremas previamente demostrados (que representan las
leyes generales). El conjunto de suposiciones son los datos de la
proposicin a demostrar y se llama hiptesis, los hechos que han de ser
deducidos se les denomina conclusin o tCsis (que representan el caso
particular)
El razonamiento deductivo consiste en obtener conclusiones verdaderas a
partir de enunciados dados, a travs de tres pasos:

. Un enunciado general que se refiera a un conjunto completo o
clase de cosas.

. Un enunciado particular acerca de un o algunos miembros del
conjunto o clase de cosas a que se refiere el enunciado general.

. Una deduccin que se produce lgicamente cuando el enunciado
general se aplica al enunciado particular.

Ejemplo 1 :
Todas las aves tienen alas (Enunciado general)
El guila es una ave (Enunciado particular)
El guila tiene alas (Deduccin)
A este arreglo de enunciados que nos permite deducir la tercera se le
denomina silogismo y a la tcnica que consiste en usar un silogismo para
llegar a una conclusin se le llama razonamiento deductivo.

En un silogismo, al enunciado general se le llama premisa mayor, y al
enunciado particular premisa menor y la deduccin es la conclusin.
Ejemplo 2 :

Premisa Mayor: Todos los perros son animales.
Premisa Menor: "Campen es un perro.
Conclusin : "Campen es un animal.
http3OOdocentes.uac<.m(O,lope'O;ursosO%eometriaOUnidadesOUnidad
Y2M&O&.1Y2MElY2M0a'onamiento.htm
"&-!'T($I!N "& T&!&-('
E encontrar una demostracn de un teorema presentado como
con|etura, en matemtcas, se consdera normamente como una
tarea ntegente. No so requere a capacdad de extraer
deduccones a partr de hptess, sno que exge destrezas ntutvas
taes como a de hacer con|eturas sobre que emas deberan ser
probados antes de factar a demostracn de teorema prncpa. Un
matemtco hb utza o que podramos amar un crtero (basado
en gran cantdad de conocmento especazado) para prever con
certa segurdad qu teoremas prevamente demostrados sern tes
en a demostracn que se trata de reazar y fracconar e probema
en sub-probemas en os que pueda traba|ar ndependentemente. Se
han desarroado programas para a demostracn automtca de
teoremas que poseen agunas de estas habdades en un grado
mtado.
E estudo de a demostracn de teoremas han tendo mucha
mportanca en e desarroo de os mtodos de IA. Por e|empo, a
formazacn de proceso deductvo utzando e engua|e de a gca
de predcados nos ayuda a comprender me|or ago sobre os
componentes de razonamento. Muchas tareas nformaes,
ncuyendo e dagnstco mdco y a recuperacn de nformacn,
pueden formazarse como probemas de demostracn de teoremas.
Por esa razn, a demostracn de teoremas es una matera
extremadamente mportante en e estudo de os mtodos de a IA.
http://www.uap.edu.pe/Fac/02/trabajos/02206/isi
%2033/go1/ia.html
1.11El modelo de ad+uisicin del conocimiento se!n
la ,iloso,"a.
El problema crucial
#o $ue denominamos problema crucial o estado de la cuestin% consiste en lo
siguiente:
en los actos de comunicacin humana estn interrelacionados imgenes, texto, voz%
&iconos% signos ' s(mbolos), pero en la programacin actual se utilizan como cosas
independientes (pegotes), ligadas espontneamente en el tiempo y el espacio por el
programador e interpretadas por la semntica natural del usuario.
Nuestro planteamiento:
Estos *pegotes* de imgenes, textos y sonidos necesitan una filosof(a del conocimiento
$ue fundamente su funcin interna dentro de la comunicacin de conocimientos% o sea
pasar a ser elementos de la estructura de conocimiento y no slo datos. A esta
filosof(a la llamamos idea intuitiva de la comunicacin sistema-usuario. +ara
deslindar este problema% lo situamos en un contexto de enseanza de conocimientos% o
sea% utores !nteligentes en entornos "ultimedia #!"$, $ue% por otro lado% resulta
uno de los campos pri,ilegiados de las aplicaciones de multimedia. -e esta
manera%adem.s% puede contribuir a crear un m%todo para el dise/o de tales aplicaciones.
+ero un m0todo% en computacin% significa no slo unas reglas de comportamiento sino%
como es sabido% un es$uema de representacin, $ue sir,a de plataforma com1n a IA '
2ultimedia. 3uestro esbo4o de es&uema de representacin del conocimiento se basa
en las redes semnticas '% por eso% lo denominamos 'E(")* &5edes sem.nticas para
multimedia).
"ultimedia supone una organi4acin general de la ar$uitectura ' dispositi,os de
ordenadores ' una organi4acin de la programacin: un hard+are ' un so,t+are
adecuados. 6u orientacin a aplicaciones de enseanza y entrenamiento resulta un
campo pri,ilegiado de experimentacin. +ero se necesita $ue esta orientacin tenga un
soporte terico contrastado. 7al soporte terico lo constitu'en los utores !nteligentes
&!) % $ue son un tipo de sistemas expertos &6E) con unos mdulos especiales &mdulo
del alumno% mdulo pedaggico) ' una reestructuracin de los existentes &mdulo de
conocimiento% mdulo de explicaciones% interfa4). El concepto de 7I supone la
existencia de un usuario inteligente con $uien dialoga el 7I. +ara facilitar esta
comunicacin el 7I necesita disponer de un modelo del alumno y de un interfaz de
comunicacin. As(% pues% el 7I contiene un modelo de usuario &ue le sirve de
plata,orma de intercomunicacin con el usuario real. 7I ' usuario tienen $ue
ponerse a un ni,el de conocimiento ra4onable ' concordar en el lenguaje% como si se
tratara de dos sujetos cooperativos $ue ,an a dialogar sobre objetos con,enidos.
#a necesidad de un modelo del usuario es patente en los sistemas de comunicacin
basados en la semntica &por ejemplo% dependencias conceptuales ' scripts: grupo de
8ale)% pues tal modelo contiene la interpretacin $ue se espera del usuario.
El modelo de ad$uisicin del conocimiento de 9.5. Anderson &A:7; ' luego +<+6)
representa una teor(a $ue puede ser,ir de referencia cognitiva &modelo computacional
del alumno) para una presentacin en forma de un modelo producti,o: modelo de
reali4acin &performance) ' modelo de aprendi4aje= donde% adem.s% se interrelaciona el
conocimiento declarativo y procesual.
3uestro planteamiento de los !" supone una transformacin fundamental de la -ase
de .onocimiento &>:) y de los !nter,aces de los !/ En la >: por$ue el conocimiento
se articula sobre la estructura de las im.genes &an.lisis ' s(ntesis)% '% en los interfaces%
por$ue exige distinguir entre el comportamiento del usuario ' el del sistema.
-e entre los m1ltiples productos multimedia $ue hemos anali4ado detalladamente
se/alamos dos por$ue ilustran bien el estado presente de este tipo de aplicaciones '
herramientas: N0)!*)( &reali4ado en 7??#>??@) ' 11*21'3(. El primero
es una especie de enciclopedia ' el segundo es una herramienta t(pica para manejar
ficheros de objetos multimedia. En ambos se ,e $ue% aun$ue utilicen un cierto m0todo
de dise/o basado en 67?58>?A5- '% en 1ltima instancia% en la experiencia
publicitaria ' de los comics &lo cual es natural ' con,eniente)% contin1an peg.ndose los
objetos de una manera casi arbitraria '% desde luego% no abordan el llamado problema
crucial al ni,el $ue la IA exige a la representacin computacional del conocimiento. En
este caso% como suele suceder% el mercado ,a por delante de los m0todos de
programacin proporcionando una experiencia de uso fundamental para el desarrollo de
una t0cnica cient(fica. Esta manera de proceder est. asumida tambi0n en la filosof(a $ue
da pi0 a nuestra llamada idea intuitiva de la comunicacin. 8% junto al anlisis de
aplicaciones, hemos reflexionado sobre nuestra experiencia de construir *pantallas*% as(
como sobre la de otros tan cualificados como el :enter for -esign of Educational
:omputing de la <ni,ersidad :arnegieA2ellon. +or otra parte% como es lgico% tambi0n
es necesario tener presente el estado $ue ,an presentando los distintos recursos
multimedia $ue tratan de adaptase a los re$uisitos ra4onables del uso natural
&dispositi,os de captacin% procesamiento ' tratamiento de im.genes ' sonido).
http://www.psico.unio,i.es/5E2A/,1n1/a!/p2.html
1.12El modelo conoscitivo.
EL 1CEELC ;C%@CS;ITIBC C I@TE0=0ETATIBC EE
;C1=C0TA1IE@TC
"Toda&a e+isten lderes or$ani!acionales y
educati&os ,ue creen en la teora tradicional
del comportamiento humano- la psicolo$a
del estmulo y respuesta y diri$en sus
empresas de acuerdo con ella."
W. .lasser
Los procesos cognoscitivos tanto situados como complejos, estn
explcitamente presentes en todos los modelos que se han desarrollado en los
ltimos espacios publicados de esta columna. El modelo econmico
frecuentemente toma en cuenta la eleccin racional, la cual forma parte del
proceso cognoscitivo natural. Una de las observaciones ms puntuales de los
fundamentos de la adopcin de decisin racional de la teora econmica ha
puesto en evidencia que la gran mayora de los procesos humanos de
discernimiento y decisin violan frecuentemente los principios de la eleccin
racional. Por la parte que le corresponde al modelo moral de comportamiento
proviene de su propia narrativa de racionalidad, la cual incluye valores morales
en el clculo de decisin. Mientras que el modelo de racionalidad retrospectiva
se ocupa de la relacin entre la cognicin y la accin, pero seala que en
repetidas oportunidades las cogniciones siguen a los actos para racionalizarlos
o justificarlos, en vez de proyectar la accin de manera futurista o de
prospectiva. Lo que realmente diferencia a lo que los cientficos sociales han
llamado *odelo /o$nosciti&o o 0nterpretati&o de /omportamiento de los
dems es bsicamente su atencin a los procesos de percepcin y
comprensin y el grado hasta el que los investigadores que administran este
mtodo alejan, en ciertos momentos, la cognicin de la realidad objetiva. De
esta manera, algunas variantes de este modelo estimulan con cierta relatividad
que las hacen atractivas a los tericos crticos y otras concepciones
posmodernistas de la ciencia de las organizaciones, que se lamentan de la
cualidad mecanicista de buena parte de las ciencias sociales y de la
investigacin de las instituciones.
Existe mucha dificultad para poder sintetizar este modelo, debido que posee
componentes que cada uno de ellos destacan diferentes caractersticas del
proceso cognoscitivo. Entre esas particulares sobresalen los aspectos sociales
del proceso de cognicin y se manifiestan casi indistinguibles del modelo social
del comportamiento, poniendo mucho nfasis en el contexto social. Algunos
investigadores sociales que defienden y apoyan este modelo de la tradicin
cognoscitiva hacen hincapi en la comprensin en retrospectiva basada en
procesos de compromiso y, orientado de esa forma, se hacen similares a los
del modelo de la racionalizacin de la conducta. Por otra parte, el punto focal
en la cognicin se basa de principio a fin en la idea de que las conductas y los
resultados se entienden mejor si nos centramos en los "procesos cognoscitivos
que influyen en tales comportamientos y resultados".
Cuando se le hizo al Dr. K. E. Weick especialista en comportamiento la
siguiente pregunta: "qu es una organizacin?", respondi de la siguiente
manera: "una organizacin es un cuerpo de pensamiento pensado por
pensadores que piensan..." En consecuencia se puede considerar que las
organizaciones son instantneas de procesos continuos y que la conciencia y
atencin humana seleccionan y controlan estas instantneas. La conciencia y
la atencin, a su vez, pueden verse como instantneas de procesos
cognoscitivos continuos, en los cuales la mente fija conocimiento de lo que la
rodea. Sin lugar a dudas que en estos procesos epistemolgicos, los
participantes construyen interactivamente tanto el conocimiento como el
entorno. Basndose en estas consideraciones el mismo tratadista mencionado
al inicio de este prrafo, reafirm lo siguiente: "es posible considerar a una
organizacin como un cuerpo de lenguaje caracterstico que se anexa a la
experiencia o que las organizaciones existen sobre todo en la mente".
Bajo estas realidades comportamentales en las organizaciones, cul es la
reaccin de los gerentes o los lderes de estas instituciones?. Sin temor a
equivocaciones puede afirmarse que el trabajo de la gerencia consiste en
administrar mitos, imgenes, smbolos y rtulos. La bandera ms
promocionada desde el punto de vista empresarial, como es la del "rengln de
rentabilidad" de las organizaciones es un smbolo, por no decir un mito. En
consecuencia, los gerentes trafican con imgenes y, como tales, "la funcin
apropiada del gerente puede ser la de evangelista en lugar de la de contador".
Este enfoque se diferencia en muchos aspectos importantes de otros
tratamientos de la funcin simblica de la gerencia y el uso del lenguaje y los
smbolos. En donde prevalece la retrica por un lado y la adopcin de
decisiones por el otro.
Las suposiciones de las personas acerca de las relaciones causales en un
marco organizacional se representan en un mapa de causas: "los trabajadores
editan su propia e+periencia or$ani!acional en patrones de conocimiento
personal. Una representacin de tal conocimiento se denomina mapa
co$nosciti&o. ste consta de los conceptos y las relaciones que un trabajador
usa para entender las situaciones empresariales. Los estudiosos del
comportamiento humano han medido los mapas de causas de los trabajadores
en las organizaciones. En estos mapas 1 indica una relacin inversa, 0 indica
ausencia de relacin y +1 indica una relacin positiva. Las representaciones
cognoscitivas de las organizaciones comienzan cuando los trabajadores
elaboran mapas cognoscitivos empezando con resultados, experimentos
pequeos y consecuencias. Estas regularidades percibidas forman parte de la
materia prima de dichos mapas.
http://gerenciaenaccion.com.,e/:ompor"Bum/comportC.htm
1.1&El modelo del aente inteliente.
Agentes inteligentes
1, '-u) son*
'gente, del latn agere, es .el (ue hace.. En el mbito de los negocios, un agente
es ;aquel que tiene por oficio gestionar negocios a%enos;.
-n agente inteligente es un programa de ordenador que es capa de hacer lo que
haramos nosotros si tuvieramos tiempo, o de forma ms precisa .un tipo de
programa inform&tico (ue/ por encargo de un usuario u otro programa/
reali0a de forma aut$noma tareas (ue re(uieren cierto grado de
inteligencia % aprendi0ae..
2, +aracter1sticas
La mayora de los agentes poseen las siguientes tres
caractersticas= comunicacin, inteligencia y autonoma.
+omunicaci$n. El agente puede comunicarse con el usuario, con otros
agentes y con otros programas. $on el usuario se comunica con un
interfa amigable, mediante el que personalia sus preferencias. 'lgunos
agentes permiten comunicarse en lengua%e natural, algo tpico de los
chatbots.
El grado de inteligencia vara mucho de unos agentes a otros, que
suelen incorporar mdulos con tecnologas procedentes de la @nteligencia
'rtificial. Los ms sencillos se limitan a recoger las preferencias del
usuario, quien debe personaliarlos. -n e%emplo son los agentes inteligentes basados en tecnologa de
redes neuronales especialiados en identificar mensa%es de correo electrnico sospechosos de
contener spam "mensa%es no deseados". En una primera fase el usuario debe marcarlos como spam,
el agente va aprendiendo a identificar los rasgos que caracterian a estos mensa%es y posteriormente
los filtra.
Autonom1a. -n agente no slo debe ser capa de hacer sugerencias al usuario sino de actuar. En el
e%emplo anterior, el agente que filtra el spam no puede estar continuamente alertando al usuario en
cada mensa%e de correo que llega sobre la posibilidad de que sea un mensa%e no deseado y su
verdadera utilidad surge cuando elimina de forma autnoma dichos mensa%es.
2, Usos % eemplos
En 3otspot )http=??555.botspot.com+ podemos encontrar una seleccin de estos
agentes.
a, 4epresentante virtual
1e comunican en lengua%e natural y suplen a los comerciales.
o El de la +oca +ola )http=??questions.coca"cola.com+ pregunta= 4hen do you pay dividendsA
o IA56 )http=??555.iams.com?enB-1?%htmls?faq?s5B,'CBpage.%htmlA
liDenB-1EbcD@EptiD,CEscDElscDEbscD+ $omprueba que no es lo mismo hello que hell...
o El agente virtual de +aa 5adrid )http=??555.ca%amadrid.es?$a%a0adrid?2ome?puenteA
paginaDF>>G+
b, +omo asistentes personales
Nos ayudan como lo hara un ayudante, un ;mayordomo virtual;.
o 'genda inteligente. 1i le digo que el sbado voy a la playa, me recuerda que tengo que
llevar la toalla. Por e%emplo estos agentes del 5I7
)http=??agents.media.mit.edu?pro%ects?tas6s?calendar.%pg+
)http=??agents.media.mit.edu?pro%ects?tas6s?calendar.5mv+.
o 'sesor financiero. En funcin de nuestra ;manera de ser;, por e%emplo aversos al riesgo nos
va recomendando unos valores u otros, 5I7
)http=??agents.media.mit.edu?pro%ects?investing+
o 'uditor. 4856 )http=??555.cica.ca?inde*.cfm?ciBid?79H9?laBid?7.htm+. 1i hay un encargo
nuevo, captura la informacin del cliente que hay en bases de datos financieras y nos
presenta el cuestionario de auditora ms apropiado. Por e%emplo, si es un cliente que no
e*porta se eliminan las cuestiones relativas a e*portacin.
c, 9egociador en mercados electr$nicos
Localia una subasta en @nternet, aprende cmo va la pu%a y realia la compra por
nosotros. . mira en las tiendas ms baratas.
o E%emplos en )http=??555.botspot.com?I.J1P.J?4indo5s?1hoppingBIots?'uctionBIots+
d, Agente de b:s(ueda de informaci$n o rastreador
3astrean en las redes de ordenadores en busca de la informacin solicitada. 1on
parametriables por el usuario o aprenden de sus hbitos, rastrean la red e
informan por correo electrnico de novedades que consideran pueden ser de inter(s
para el usuario.
o 5aimai )http=??maimai.com+ agilia la b&squeda de los anuncios clasificados tras haber
estudiado el comportamiento de sus visitantes durante varios meses. <e esta forma, si un
navegante est buscando un 'udi '9 y en ese momento no hay ning&n modelo disponible, el
agente de inteligencia relaciona rpidamente este vehculo con otros de caractersticas
similares, y as ofrece alternativas raonables. Por otra parte, este programa informtico
ofrece la posibilidad de avisar al interesado, mediante un sistema de alerta al correo
electrnico o al tel(fono mvil, cuando disponga de alguna oferta que hubiera sido solicitada
previamente.
o ;ooglealert )http=??555.googlealert.com+
o +opernic )http=??555.copernic.com?en?products?agent?do5nload.html+ y
)http=??555.copernic.com?en?products?agent?screenshots.html+ Klocal versin vie%aL
o 6p%press )http=??555.spypress.com+
o 7racerloc< )http=??555.tracerloc6.com+
o 7rademar<bots )http=??555.trademar6bots.com+ MCu( dicen de mi y de mi empresaA
buscan en 77 sitios )blogs, noticias, forosN+.
o ;oogle 9ews )http=??ne5s.google.com+. Podemos crear alertas
)http=??555.google.com?ne5salerts+, de forma que nos avisen cuando haya una noticia
sobre la palabra solicitada. Podemnos confeccionar un peridico a medida.
e, Agente secreto o esp1a
0onitorian una pgina 5eb identificada previamente por el usuario "una pgina
con la informacin financiera de una empresa, una 5eb oficial con normativa
europea, la pgina con ofertas de empleo de una empresa, etc." e informan cuando
se producen cambios en dicha pgina.
o +hangedetection )http=??555.changedetection.com+
o 6p%web )http=??555.spypress.com?spy5eb.php+
=, 6istemas multiagente
En general no se traba%a con agentes aislados sino con sistemas multi"agente,
como el de la figura siguiente, tomada del Iorrador <ocumento 'E$', 1erie Nuevas
Jecnologas y $ontabilidad ;@nteligencia 'rtificial y $ontabilidad;.
. la siguiente, tomada del agente 4'33EN )http=??555"
O.cs.cmu.edu?Psoftagents?5arren.html+ que se compone de varios agentes
simples.
http:44ciberconta/unizar/es4*E..!1N4!N'15).4678/9"
1.1*El papel de la heur"stica.
B1s,ueda Heurstica
Para resolver muchos problemas difciles (explosin combinatoria), es necesario muchas veces
llegar a un compromiso de los requerimientos de movilidad y sistematicidad y construir una
estructura de control que no necesariamente garantiza el encontrar la mejor respuesta, sino
que casi siempre encuentra una buena respuesta. Una tcnica heurstica mejora la eficiencia
del proceso de bsqueda sacrificando, usualmente, exhaustividad.
Las consideraciones que sirven de soporte a un proceso de bsqueda heurstica, son:
Rara vez se requiere, en realidad, una solucin ptima. Una buena aproximacin,
normalmente, sirve muy bien.
A pesar que una aproximacin heurstica no puede resultar muy buena en el peor de
los casos, raras veces aparecen los peores casos en la prctica.
El tratar de comprender por qu un heurstico funciona o por qu no funciona, a
menudo conduce a una mejor comprensin del problema.
#rocesos Heursticos de B1s,ueda
Las tcnicas heursticas de bsqueda son como guas de turismo. Buenas, en el sentido que
sealan aspectos de gran inters general, pero malas ya que pueden no satisfacer aspectos de
inters particular.
Existen varias tcnicas heursticas buenas, de propsito general, que son tiles para una
diversidad de problemas. Adicionalmente, es posible construir heursticos especiales que
exploten conocimiento especfico en cada dominio, para resolver problemas particulares.
http://www.ilustrados.com/publicaciones/EpZVVZkuVlzqTikQ.php
Beur(stica: Es la capacidad de detectar ,irus desconocidos por medio de sondeos del
sistema en busca de Dsintom.sD cl.sicos de infeccin como puede ser fechas extra/as en
ficheros% programas residentes en memoria% configuracin extra/a del sistema & como
por ejemplo $ue Eindows CF tenga acti,ado el modo de compatibilidad 26A-?6 )%
etc. El problema de la heur(stica es $ue puede dar Dfalsos positi,osD es decir% puede dar
por infectado un fichero $ue en realidad no lo est..
http://usuarios.lycos.es/urogallo/antivir.html
La heurstica es la aplicacin de conocimiento derivado de la experiencia a un problema y
tambin se utiliza para describir software que revisa y filtra mensajes que posiblemente
contengan un virus de computador o contenido no deseado. Software basado en heurstica
busca fuentes conocidas, frases de texto usadas comnmente, y patrones de contenido
y/o transmisin que la experiencia ha demostrado que estn asociados con correo
electrnico infectado con virus.

Dado que muchas empresas y/o usuarios reciben un alto volumen de correo electrnico y
que correo vlido puede tambin seguir los patrones, los programas basados en heurstica
tambin arrojan "positivos falsos", desestimando su uso. Los expertos en seguridad
indican que aunque los programas tienen espacio para mejorar, la heurstica es una
herramienta valiosa y necesaria.
http://www.gestiopolis.com/delta/term/TER235.html
Unidad 2. 4epresentaci$n del
conocimiento % ra0onamiento.
2.1M 1apas conceptuales.
<n mapa conceptual es un recurso es$uematico para presentar un conjunto de
significados conceptuales incluidos en una estructura de proposicionesD. 3o,aG
Los mapas conceptuales son una herramienta para el aprendizaje muy util.
Hay mapas conceptuales que no son tales, son una serie de graficos
diseados siguiendo criterios esteticos o simbologias personales casi
cabalistiscos o esotericos, un buen mapa es aquel que ayuda a aprender y
que se entiende nada mas mirarlo, si lo que tenemos delante ni lo
entendemos ni nos aclara nada no es tal mapa conceptual
http3OOQQQ.pacorey.netOmapconOindicemapas.htm
5apas +onceptuales
En relacin con el tema de mapas conceptuales se hallan en la literatura diversas
e*presiones, tales como mapas conceptuales, mapas cognitivos, mapas mentales,
esquemas cognitivos, esquemas conceptuales y otros. En relacin con las diversas
acepciones, significados y usos, pueden consultarse entre otros, los sitios y
documentos en @nternet incluidos en las referencias.
La forma en que concebimos los mapas conceptuales guarda mayor afinidad con la
de los autores Nova6 y Qo5in )78RR+, y 16emp )78RG, 78R8+. -saremos aqu el
t(rmino esquema conceptual en el significado de 16emp, seg&n este autor, el
aprendia%e inteligente implica la construccin de esquemas, que son estructuras
cognitivas o intelectuales que representan las relaciones entre conceptos y
procesos, por una parte, y entre varios esquemas, por la otra )16emp, 78R8, pp.
FO">R+
La e*presin ;mapa conceptual; tiene una ms amplia difusin en la literaturaS
seg&n 16emp )78RG, p. 7OO+, corresponde a un tipo particular de esquema, donde
se presenta un orden parcial entre los conceptos seg&n cuales sean necesarios para
adquirir otros y &til en planificacin de secuencias instruccionales y en diagnostico.
Nova6 y Qo5in )78RR+ indican que los mapas conceptuales ;tienen por ob%eto
representar relaciones significativas entre conceptos en forma de proposiciones;.
)p. FF+
En la caracteriacin dada por estos autores a los mapas conceptuales destaca la
idea de %erarqua. 16emp distingue entre conceptos primarios y secundarios, siendo
los segundos casos particulares o e%emplos de los primeros y entonces, de menor
orden. En relacin con los mismos establece sus dos principios del aprendia%e de
las matemticas=
7. $onceptos de un orden mayor que aquellos que ya tiene el estudiante, no
pueden serles comunicados por definiciones, sino por hacerle disponible una
adecuada coleccin de e%emplos.
O. $omo en matemtica estos e%emplos son casi invariablemente otros conceptos,
antes debemos asegurarnos que los mismos ya hayan sido adquiridos. )16emp,
78RG, p. 7R+
1imilarmente, Nova6 y Qo5in, indican que los conceptos mas generales o inclusivos
deben representarse en la parte superior del mapa, y los ms especficos o menos
inclusivos, en la inferior. <e esta forma, Nova6 y Qo5in e*plicitan la %erarqua por
la disposicin fsica arriba"aba%o de los conceptos en la representacin visual de los
mapas. 16emp, por su parte, lo indica mediante flechas entre los conceptos. Nova6
y Qo5in reservan el uso de flechas ;... solo en el caso de que la relacin de que se
trate no sea de subordinacin entre conceptos; )op. cit. p. >R+
En ambos casos los componentes fundamentales son los conceptos y la relacin
entre ellos, sin embargo, la relacin que establece 16emp es de orden )en el
sentido dado en los principios 7 y O+ y las lneas con punta de flecha que enlaan
los conceptos tienen ese significado, mientras que Nova6 y Qo5in rotulan las lneas
de enlace con lo que denomina palabras"enlace, las cuales e*presan el tipo de
relacin, constituyendo as la unidad mnima proposicional= dos conceptos
relacionados por una palabra"enlace.
'qu nos referiremos con mapa conceptual coincidiendo con Nova6 y Qo5in, a la
representacin de un determinado esquema conceptual= ;...los mapas conceptuales
constituyen una representacin e*plcita y manifiesta de los conceptos y
proposiciones que posee una persona; )78RR, p. FR+. Esta acepcin de mapa
conceptual es compatible con la de 16emp, en cuanto que el mapa conceptual
elaborado por un docente es la representacin de su esquema conceptual o ms
precisamente, de parte de varios de sus esquemas conceptuales sobre la asignatura
a ense/ar, sus recursos didcticos y sus valores, en el caso especifico de una
instruccin o evaluacin a una poblacin determinada.
El esquema conceptual es entonces, un constructo y el mapa conceptual, una
representacin de aquel seg&n la percepcin de quien lo elabora. En la construccin
de un mapa conceptual interviene entonces el esquema conceptual de quien lo
elabora, de cul es su idea de una vlida organiacin de conceptos y relaciones, y
sobre la forma de ense/arla o promover su aprendia%e. Este es un factor
determinante en la labor docente, cuando el profesor hace una estimacin del
esquema conceptual de sus alumnos y sobre esta base decide una particular
secuencia instruccional.
-bicamos el mapa conceptual en el conte*to del planteamiento de 'usubel sobre el
aprendia%e, de acuerdo a este autor el factor de mayor influencia en el aprendia%e
es lo que el estudiante ya conoce, y la ocurrencia del aprendia%e significativo se da
cuando quien aprende, establece consciente y e*plcitamente relaciones entre el
nuevo conocimiento y el que ya posee.
En el conte*to didctico, el profesor estima el estado de los esquemas conceptuales
de sus estudiantes mediante la observacin de sus conductas, a partir de las cuales
hace una representacin )rara ve e*plcita y consciente+ de sus esquemas.
$ontando entonces con sus propios esquemas conceptuales y una idea de cmo
debe estar organiado el conocimiento )su mapa conceptual, eventualmente
compartido por una comunidad+, selecciona partes de este mapa conceptual para
dise/ar una secuencia instruccional con el ob%eto de incidir en los esquemas
conceptuales de sus alumnos. <istinguimos en nuestra idea de mapa conceptual,
los siguientes elementos=
)7+ nodos, en los cuales se indican principalmente conceptos, definidos seg&n
Nova6 y Qo5in como ;... una regularidad en los acontecimientos o en los ob%etos
que se designa mediante alg&n termino; )op. cit., p. OO+. @ncluimos tambi(n otra
informacin, como actividades, comentarios, dudas, teoras y otros mapas
conceptuales. En la representacin visual, adoptaremos formas y eventualmente
colores distintos para cada uno=
)O+ enlace entre dos nodos, en la forma indicada a continuacin=
'l enlaar ms de dos nodos, distinguimos los siguientes casos=
En general, el sentido )""T+ indica el carcter contributivo del concepto antecedente
respecto del consecuente. -na flecha )""T+ sin rotulo indica solo esta relacin, el
rotulo r sobre el enlace da informacin adicional.
)F+ palabras"enlace, rotulo sobre los enlaces, indicando el carcter de la relacin.
Los enlaces """T no llevan rotulo, el mismo se deduce del antecedente y
consecuente= comentario o duda sobre el consecuente.
)>+ proposiciones, unidades semnticas formadas por dos o ms conceptos
relacionados por palabras"enlace
Para simplificar visualmente el mapa, abreviamos la indicacin de actividades o
comentarios estandariados o de uso frecuente, mediante un recuadro con smbolos
prefi%ados y sin lnea de enlace, por e%emplo=
):+ numeracin de nodos, indicando una posible secuencia instruccional. El uso de
las flechas y numeracin de nodos es compatible con la disposicion %erarquica
arriba"aba%o de Nova6 y Qo5in, y permite una mayor riquea y fle*ibilidad al mapa.
II. '+$mo nace un mapa conceptual*
@dentificamos, entre otras, dos motivaciones para la elaboracin de un mapa
conceptual, la primera se origina a partir de la apreciacin de una dificultad en el
aprendia%e de un tema o contenido especifico, representado a veces en un
problema que los alumnos no han podido resolverS la segunda, en el inter(s en
representar cierta rea o bloque de contenidos. Para e%emplificar la primera forma,
consideremos la siguiente situacin real. <e un total de ::8 estudiantes que en una
prueba tenan el problema siguiente=
<eterminar el dominio de la funcin dada por=
OH8 no desarrollaron respuesta alguna y F7 la respondieron correctamente. <e
aquellos que escribieron algo, indicamos algunos de los errores ms frecuentes
fueron= interpretacin del smbolo ;?; como ;tal que;, introducir la ecuacin= O*"
>DH y, considerar f definida como f)*+D7?O ?)O*">+. En esta situacin, se plante
una sesin de traba%o con%untamente con cinco estudiantes a quienes se presento
una ho%a representando conceptos aislados como en la siguiente figura=
' partir de la misma, se elabor el siguiente mapa conceptual=
1e hace notar que el t(rmino ;dominio m*imo; no se ha encontrado en la
literatura. Este t(rmino, sugerido por un estudiante, fue adoptado en esta
actividad, e*plicando el abuso de lengua%e cometido al pedir determinar el dominio
de una funcin.
En el siguiente e%emplo queremos poner de manifiesto la idoneidad de los mapas
conceptuales como herramienta para promover la integracin de contenidos y la
atencin a los e%es transversales, los cuales son dos aspectos resaltantes en la
reciente propuesta de reforma curricular de la escuela bsica en Ueneuela.
)0inisterio de Educacin, 788G+
En este caso consideremos la planificacin de una secuencia instruccional en
geometra a estudiantes de la Escuela Isica en un aula integrada con ni/os con
deficiencia visual.
Leyenda para las abreviaturas=
87> E%e Jransversal Lengua >? Libro 2ablado
@A Uariabilidad Perceptiva @5 Uariabilidad 0atemtica
4I 3econciliacin @ntegradora 5+ 0aterial $oncreto
;4 Qrfico en 3elieve 73 Je*to Iraille
87A E%e Jransversal <esarrollo del Pensamiento
El material concreto aqu considerado )0$+, consta de varias figuras poligonales en
diversos tama/os, colores y te*turas, incluyendo tringulos, rectngulos,
pentgonos y he*gonos.
El problema propuesto inicialmente se plantea en un lengua%e conte*tual y
relacionado con los intereses del ni/o. 1u interpretacin en un lengua%e com&n,
contribuye al desarrollo de los e%es lengua y desarrollo del pensamiento. La
atencin a los valores es promovida por el traba%o en equipo con ni/os de distintas
capacidades perceptivas.
http3OOmembers.tripod.comOEEPBISUOmapasPconceptuales.html
>?u4 son los mapas conceptualesA
Los mapas conceptuales, son una tcnica que cada da se utiliza ms en los diferentes niveles
educativos, desde preescolar hasta la Universidad, en informes hasta en tesis de investigacin,
utilizados como tcnica de estudio hasta herramienta para el aprendizaje, ya que permite al
docente ir construyendo con sus alumnos y explorar en estos los conocimientos previos y al
alumno organizar, interrelacionar y fijar el conocimiento del contenido estudiado. El ejercicio de
elaboracin de mapas conceptuales fomenta la reflexin, el anlisis y la creatividad.
Con relacin a lo antes expuesto, del Castillo y Olivares Barbern, expresan que "el mapa
conceptual aparece como una herramienta de asociacin, interrelacin, discriminacin,
descripcin y ejemplificacin de contenidos, con un alto poder de visualizacin". (2001,p.1) Los
autores sealados exponen que los mapas no deben ser principio y fin de un contenido, siendo
necesario seguir "adelante con la unidad didctica programada, clases expositivas, ejercicios-
tipo, resolucin de problemas, tareas grupales... etc.", lo que nos permite inferir que es una
tcnica que si la usamos desvinculada de otras puede limitar el aprendizaje significativo,
viendolo desde una perspectiva global del conocimiento y considerando la conveniencia de
usar en el aula diversos recursos y estrategias dirigidas a dinamizar y obtener la atencin del
alumno; es por eso que la recomendamos como parte de un proceso donde deben incluirse
otras tcnicas como el resumen argumentativo, el anlisis critico reflexivo, la exposicin,
anlisis de conceptos, discusiones grupales...(ver TECLAS )
2. Elementos +ue componen los mapas conceptuales3
Concepto:
Un concepto es un evento o un objeto que con regularidad se denomina con un nombre o
etiqueta (Novak y Gowin, 1988) Por ejemplo, agua, casa silla, lluvia.
El concepto, puede ser considerado como aquella palabra que se emplea para designar cierta
imagen de un objeto o de un acontecimiento que se produce en la mente del individuo.
(Segovia, 2001). Existen conceptos que nos definen elementos concretos (casa, escritorio) y
otros que definen nociones abstractas, que no podemos tocar pero que existen en la realidad (
Democracia, Estado)
Palabras de enlace: Son las preposiciones, las conjunciones, el adverbio y en general todas las
palabras que no sean concepto y que se utilizan para relacionar estos y as armar una
"proposicin" Ej. : para, por, donde, como, entre otras. Las palabras enlace permiten, junto con
los conceptos, construir frases u oraciones con significado lgico y hallar la conexin entre
conceptos.
Proposicin: Una proposicin es dos o ms conceptos ligados por palabras enlace en una
unidad semntica.
Lneas y Flechas de Enlace: En los mapas conceptuales convencionalmente, no se utilizan las
flechas porque la relacin entre conceptos esta especificada por las palabras de enlace, se
utilizan las lneas para unir los conceptos..
Las Flechas: Novak y Gowin reservan el uso de flechas "... solo en el caso de que la relacin
de que se trate no sea de subordinacin entre conceptos", por lo tanto, se pueden utilizan para
representar una relacin cruzada, entre los conceptos de una seccin del mapa y los de otra
parte del "rbol" conceptual.. La flecha nos indica que no existe una relacin de subordinacin.
Por ejemplo: agua, suelo, fruta.
Conexiones Cruzadas: Cuando se establece entre dos conceptos ubicados en diferentes
segmentos del mapa conceptual, una relacin significativa.
Las conexiones cruzadas muestran relaciones entre dos segmentos distintos de la jerarqua
conceptual que se integran en un solo conocimiento. La representacin grafica en el mapa para
sealar la existencia de una conexin cruzada es a travs de una flecha.
Cmo se representan los mapas conceptuales:
El mapa conceptual es un entramado de lneas que se unen en distintos puntos, utilizando
fundamentalmente dos elementos grficos:
&. La elipse u ovalo
Los conceptos se colocan dentro de la elipse y las palabras enlace se escriben sobre o junto a
la lnea que une los conceptos.
Muchos autores estn empleando algunos smbolos para incluir, adems de los conceptos y
proposiciones, otra informacin como: actividades, comentarios, dudas, teoras... En la
representacin visual, adoptan formas y eventualmente colores distintos para cada uno:
Tomado de: Oswaldo Monagas. Universidad Nacional Abierta, Venezuela
julio, 1998
Los mapas conceptuales permiten al estudiante:
Facilita la organizacin lgica y estructurada de los contenidos de aprendizaje, ya que
son tiles para seleccionar, extraer y separar la informacin significativa o importante de la
informacin superficial
nterpretar, comprender e inferir de la lectura realizada
ntegrar la informacin en un todo, estableciendo relaciones de subordinacin e
interrelacin
Desarrollar ideas y conceptos a travs de un aprendizaje interrelacionado, pudiendo
precisar si un concepto es en si vlido e importante y si hacen falta enlaces; Lo cual le permite
determinar la necesidad de investigar y profundizar en el contenido Ej. Al realizar el mapa
conceptual de Estado, puede inquirir sobre conceptos como Poder. Democracia, Dictadura....
nsertar nuevos conceptos en la propia estructura de conocimiento.
Organizar el pensamiento
Expresar el propio conocimiento actual acerca de un tpico
Organizar el material de estudio.
Al utilizarse imgenes y colores, la fijacin en la memoria es mucho mayor, dada la
capacidad del hombre de recordar imgenes.
Lo expuesto permite afirmar que un mapa conceptual es:
Un resumen esquemtico que representa un conjunto de significados conceptuales incluidos en
una estructura de proposiciones". (Joseph D. Novak)
Un Resumen: ya que contiene las ideas ms importantes de un mensaje, tema o texto.
Un Esquema: dado que es una representacin Grafica, se simboliza fundamentalmente con
modelos simples (lneas y valos) y pocas palabras (conceptos y palabras enlace), Dibujos,
colores, lneas, flechas (conexiones cruzadas)
Una Estructura: se refiere a la ubicacin y organizacin de las distintas partes de un todo. En
un mapa conceptual los conceptos ms importantes o generales se ubican arriba,
desprendindose hacia abajo los de menor jerarqua. Todos son unidos con lneas y se
encuentran dentro de valos.
Conjunto de significados: dado que se representan ideas conectadas y con sentido, enunciadas
a travs de proposiciones y/o conceptos(frases)
Caractersticas de un Mapa Conceptual.
Los MAPAS CONCEPTUALES deben ser simples, y mostrar claramente las relaciones
entre conceptos y/o proposiciones.
Van de lo general a lo especfico, las ideas ms generales o inclusivas, ocupan el pice
o parte superior de la estructura y las ms especficas y los ejemplos la parte inferior. An
cuando muchos autores abogan porque estos no tienen que ser necesariamente simtricos.
Deben ser vistosos, mientras ms visual se haga el mapa, la cantidad de materia que
se logra memorizar aumenta y se acrecienta la duracin de esa memorizacin, ya que se
desarrolla la percepcin, beneficiando con la actividad de visualizacin a estudiantes con
problemas de la atencin.
Los conceptos, que nunca se repiten, van dentro de valos y la palabras enlace se
ubican cerca de las lneas de relacin.
Es conveniente escribir los conceptos con letra mayscula y las palabras de enlace en
minscula, pudiendo ser distintas a las utilizadas en el texto, siempre y cuando se mantenga el
significado de la proposicin.
Para las palabras enlace se pueden utilizar verbos, preposiciones, conjunciones, u otro
tipo de nexo conceptual, las palabras enlace le dan sentido al mapa hasta para personas que
no conozcan mucho del tema.
Si la idea principal puede ser dividida en dos o ms conceptos iguales estos conceptos
deben ir en la misma lnea o altura.
Un mapa conceptual es una forma breve de representar informacin.
Los errores en los mapas se generan si las relaciones entre los conceptos son incorrectas.
Es fundamental considerar que en la construccin del mapa conceptual, lo importante son las
relaciones que se establezcan entre los conceptos a travs de las palabras-enlace que
permitan configuran un "valor de verdad" sobre el tema estudiado, es decir si estamos
construyendo un mapa conceptual sobre el "Poder Poltico" la estructura y relaciones de este
deben llevar a representar este concepto y no otro.
Para elaborar mapas conceptuales se requiere dominar la informacin y los conocimientos
(conceptos) con los que se va a trabajar, lo que quiere indicar que si no tenemos conocimientos
previos por ejemplo sobre energa nuclear mal podramos intentar hacer un mapa sobre el
tema, y de atrevernos a hacerlo pueden generarse las siguientes fallas en su construccin:
Que sea una representacin grfica arbitraria, ilgica, producto del azar y sin una
estructuracin pertinente
Que solo sean secuencias lineales de acontecimientos, donde no se evidencie la
relacin de lo ms general a lo especfico
Que las relaciones entre conceptos sean confusas e impidan encontrarle sentido y
orden lgico al mapa conceptual.
Que los conceptos estn aislados, o lo que es lo mismo que no se de la interrelacin
entre ellos.
Como hacer un mapa conceptual?
1. En la medida que se lea debe identificarse las ideas o conceptos principales e ideas
secundarias y se elabora con ellos una lista.
2. - Esa lista representa como los conceptos aparecen en la lectura, pero no como estn
conectadas las ideas, ni el orden de inclusin y derivado que llevan en el mapa. Hay que recordar
que un autor puede tomar una idea y expresarla de diversas maneras en su discurso, para aclarar o
enfatizar algunos aspectos y en el mapa no se repetirn conceptos ni necesariamente debe
seguirse el orden de aparicin que tienen en la lectura.
3: - Seleccionar los conceptos que se derivan unos de otros.
4. - Seleccionar los conceptos que no se derivan uno del otro pero que tienen una relacin cruzada
5.- Si se consiguen dos o ms conceptos que tengan el mismo peso o importancia, estos conceptos
deben ir en la misma lnea o altura, es decir al mismo nivel y luego se relacionan con las ideas
principales.
6. - Utilizar lneas que conecten los conceptos, y escribir sobre cada lnea una palabra o enunciado
( palabra enlace) que aclare porque los conceptos estn conectados entre s.
7. _ Ubicar las imgenes que complementen o le dan mayor significados a los conceptos o
proposiciones
8. -. Disear ejemplos que permitan concretar las proposiciones y /o conceptos
9- Seleccionar colores, que establezcan diferencias entre los conceptos que se derivan unos de
otros y los relacionados ( conexiones cruzadas)
10. - Seleccionar las figuras (valos, rectngulos, crculos, nubes) de acuerdo a la informacin a
manejar.
11. 8 El siguiente paso ser construir el mapa, ordenando los conceptos en correspondencia al
conocimiento organizado y con una secuencia instruccional. Los conceptos deben ir representados
desde el ms general al ms especifico en orden descendente y utilizando las lneas cruzadas para
los conceptos o proposiciones interrelacionadas.
http3OOQQQ.monora,ias.comOtraba<os1MOmemaOmema.shtml
-u) son los mapas conceptuales*
>os mapas conceptuales son un material sumamente :til para organi0ar los
contenidos vistos durante una unidad %/ adem&s/ contribu%en al desarrollo de
habilidades de s1ntesis % de pensamiento en sistemas. 6in embargo/ muchas
veces no eBiste claridad acerca de su estructura % finalidad. 8n este art1culo se
desarrollan las caracter1sticas de este material did&ctico % se entregan una serie
de eemplos clarificadores.
Este documento se basa en la propuesta realiada por Nova6 y Qo5in )78RR+ acerca del
conocimiento, el aprendia%e, la realiacin de mapas conceptuales, las posibilidades sobre su
elaboracin y aplicacin para el aprendia%e significativo.
Los mapas conceptuales tienen su origen en los traba%os que Nova6 y sus colaboradores de la
-niversidad de $ornell realiaron a partir de la Jeora del 'prendia%e 1ignificativo de 'usubel.
Estos autores comparten la idea, ampliamente aceptada en la investigacin educativa realiada
durante los &ltimos a/os, de la importancia de la actividad constructiva del estudiante
en el proceso de aprendi0ae, y consideran que los conceptos y las proposiciones que
forman los conceptos entre s son elementos centrales en la estructura del conocimiento y en
la construccin del significado.
Entonces, los mapas conceptuales son un medio de visualiar conceptos y relaciones
%errquicas entre conceptos. La capacidad humana es muchos ms notable para el recuerdo de
imgenes visuales que para los detalles concretos. $on la elaboracin de mapas conceptuales
se aprovecha esta capacidad humana de reconocer pautas en las imgenes para facilitar el
aprendia%e y el recuerdo.
Los mapas conceptuales tienen por ob%eto representar relaciones significativas entre conceptos
en forma de proposiciones. Una proposicin consta de dos o ms trminos conceptuales unidos
por palabras para formar una unidad semntica. En su forma ms simple, un mapa conceptual
constara tan slo de dos conceptos unidos por una palabra de enlace para formar una
proposicinS por e%emplo, Vel cielo es aulW representara un mapa conceptual simple que
forma una proposicin vlida referida a los conceptos VcieloW y VaulW. Los mapas
conceptuales tienen por ob%eto representar relaciones significativas entre conceptos en forma
de proposiciones.
En relacin al aprendia%e, los mapas conceptuales proporcionan un resumen esquemtico de
todo lo que se ha aprendido.
$onsiderando que se produce ms fcilmente un aprendia%e significativo cuando los nuevos
conceptos o significados conceptuales se engloban ba%o otros conceptos ms amplios, ms
inclusivos, los mapas conceptuales deben ser jerrquicos; es decir, los conceptos ms
generales e inclusivos deben situarse en la parte superior del mapa y los conceptos
progresivamente ms especficos y menos inclusivos, en la inferior .
Uale la pena recordar lo que sucede con un n&mero relativamente peque/o de conceptos que
los alumnos y alumnas adquieren muy pronto mediante un proceso de aprendia%e por
descubrimiento, no obstante esto, la ma%or parte de los significados conceptuales se
aprende mediante la composici$n de proposiciones en las (ue se inclu%e el concepto
(ue se va a ad(uirir. 'unque las ayudas e*perienciales concretas pueden facilitar el
aprendia%e de conceptos, la regularidad representada por el signo conceptual adquiere un
significado adicional por medio de enunciados proposicionales en los que se incluye el concepto
en cuestin. 's, las frases Vla hierba es verdeW, Vla hierba es un vegetalW, Vla hierba creceW,
Vla hierba es una planta monocotiledneaW, etc., dan lugar a un incremento en el significado, y
en la precisin del significado, del concepto VhierbaW.
-n mapa conceptual es, por tanto, un recurso esquemtico para representar un con%unto de
significados conceptuales incluidos en una estructura de proposiciones que tiene por ob%eto
representar las relaciones significativas entre los conceptos del contenido )e*terno+ y del
conocimiento del su%eto.
http3OOQQQ.educarchile.clOntOplani,icaccionO1.1MOpropertyvalue8
*M1*&.html
2.11 0edes sem2nticas.
'edes semnticas y marcos
+or $u0 usar redes sem.nticas ' marcos si pueden reducirse a lgica de primer
ordenH
o facilidad de comprensin ' de ,isuali4acin de los procesos de inferencia
o facilidad de control
o implementaciones eficientes
(intaxis y semntica de las redes semnticas
se concentran en categorias de objetos ' relaciones entre ellos
histricamente problemas de falta de una sem.ntica bien definida%
frecuentemente sem.ntica inducida del comportamiento
5elaciones member ' subset $ue permiten la herencia de propiedades
relaciones t(picas ' su traslacin a I?#
algoritmos de ra4onamiento de propsito especial $ue siguen los linGs: mas
r.pidos $ue los generales de I?#
9erencia con excepciones
valor por de,ecto% > es un ,alor por defecto para la relacin 5 ' los miembros
de A Rel(R, A, B): cada miembro de A debe tener una relacin 5 con > a no ser
$ue inter,enga otro A* tal $ue Rel(R, A', B')
rei,icacin: define la sem.ntica en I?#
o reificar la relacin: se con,ierte la relacin 5 en un objeto% no en un
predicado como ser(a lo normal
o Rel(R, A, B) es una sentencia atmica. 3o podemos escribier R(,B) 'a
$ue 5 es un objeto ' no un predicado
o !al(R, , B) significa $ue el e$ui,alente de una relacin R(,B) se
introduce expl(citamente en la red sem.ntica
o como saber $ue relaciones no se satisfacenH
9erencia m:ltiple
un objeto puede pertenecer a m.s de una categor(a ' heredar propiedades por
,arios caminos
necesidad de informacin adicional para resol,er los conflictos
9erencia y cambio
recu0rdese la propiedad
la herencia de propiedades es no montona
o las lgicas no montonas pueden tratar una proposicin como cierta
hasta $ue una e,idencia adicional la hace falsa
o 5E75A:7 ' 7E##
!mplementacin de redes semnticas
datat'pe 6E2A3E7A3?-E
components : 3A2E% 2E2>E56BI+6% E#E2E376% 6<+E56% 6<>6
5E#6AI3% 5E#6A?<7% A##A5E#6AI3% A##A5E#6A?<7
los campos 5E# pueden organi4arse con una tabla indexada por relacin
cada funcin sigue los linGs apropiados para responder a las preguntas
es importante $ue la implementacin no introdu4ca ambigJedades en la
sem.ntica
Expresividad las redes semnticas
en lo ,isto no es posible representar negacin% dis'uncin% cuantificadores.
Alternati,as:
o extender los es$uemas para permitir todo I?#: redes sem.nticas
particionadas% grafos conceptuales% ...
o enganche procedural: una funcin &en otro lenguaje) como ,alor de una
relacin
,entajas a pesar de la falta de expresi,idad
o modulares
o sencille4 ' de f.cil comprensin
o eficientes: se infiere siguiendo los linGs
http3OOQQQ.dc.,i.udc.esO.aiosOpeopleObarreiroOiadocenOiatemaM5Onode
1/.html
0EEES SE1K@TI;AS
Estos sistemas de organizacin del conocimiento estructuran conceptos$ no
como <erar+u"a sino como una red o una web.
Los conceptos son como nodos, con varias relaciones que se ramifican hacia
fuera de ellas. Las relaciones van generalmente ms all del BT, del NT y del
RT estndares, pueden incluir relaciones tipo todo8parte$ causa8e,ecto$
padre8niNo$ esPun o esPparte.
Las redes semnticas son grafos orientados que proporcionan una
representacin declarativa de objetos, propiedades y relaciones. Ejemplo:
http3OOes.eocities.comOontoloia2MM*Ored.htm
'edes (emnticas
Kuillian*LL
2odelo de memoria humana para capturar la sem.ntica de las palabras ' lograr uso del
significado parecido a los humanos.
<n tipo de red en la cual los nodos representan objetos% conceptos o situaciones ' los
arcos representan relaciones entre ellos.
5ealmente es una estructura de datos sofisticada ' mucho depende del programa $ue la
mantiene ' la usa.
6e llama red sem.ntica por$ue se usaron originalmente para representar el sentido en
expresiones de lenguaje natural.
#os nodos: conceptos de palabras
#os arcos: ligan conceptos para establecer la definicin
:ada palabra o nodo conceptual se consideraba la cabe4a de un MMplano** $ue tiene su
definicin &e.g.% si banco tiene significados% entoces existen planos para 0l).
#as ligas en el plano representan su definicin.
+ueden existir apuntadores a: superclases &is"a)% modificaciones% disjunciones%
conjunciones ' sujeto/objeto.
Apuntadores fuera del plano hacen referencia a otros objetos &' planos) en donde se
definen.
+ruebas: dar dos palabras ' buscar intersecciones en las redes% para obtener la relacin
&cosas en com1n) entre ellas.
Esta acti,acin de todo lo $ue rodea a una palabra se esperaba $ue representara la
definicin completa de un concepto.
Exist(an 2 ligas pricipales:
subclase &isAa): las clases de MMarriba** est.n definidas en t0rminos de conceptos
generales $ue se asumen $ue se cumplen en todas sus subclases
modificadores: propiedades particulares de conceptos espec(ficos
+uede existir herencia &e.g.% un canario es un animal)% ' herencia de propiedades &e.g.%
un canario come) e.g.%
El $ue un canario tiene piel se tarda m.s en deducir $ue es amarillo &parece $ue 0sto se
confirma% aun$ue no conclu'entemente% del tiempo de reaccin de la memoria humana).
Esto di pie a la definicin de distancia sem.ntica entre conceptos &n1mero de ligas a
recorrer).
5elaciones m.s complicadas:
piolin- es-un
canario - es-un
ave - tiene
alas

duenio

posesion - es-un
pertenencia - es-un
situacion

es-duenio-de
``Petit Chateau'' - es-un
nido
tiempo-inic
primavera - es-un tiempo
tiempo-final
septiembre - es-un
El permitir tener un conjunto de arcos de salida tambi0n se llama MMcase frame**.
posesin es una instancia de pertenencia ' hereda los arcos del MMcase frame**.
#as redes sem.nticas permiten tener ,alores por default ' cierta expectacin acerca de
los posibles ,alores de un atributo.
#a idea es tratar de tener un conjunto adecuado &pe$ue/o) de nodos ' de MMcase frames**
gen0ricos.
El error m.s com1n es usar la liga es"un para representar pertenencia a una clase '
propiedades de una clase% e.g.
Existen propiedades $ue no se heredan a los miembros de la clase% e.g.%
6e pueden hacer preguntas como% Ku0 es lo $ue +iol(n tieneH o Kui0n es una a,eH

http3OOQQQ.mor.itesm.m(OZrdecOnode/6.html
Es+uemas de redes sem2nticas
Los responsables de los primeros esquemas de representacin formalizados fueron Quillian
(1968) y Shapiro & Woddmansee (1971). Los esquemas de redes semnticas tienen una
fundamentacin psicolgica muy slida, tal y como apuntbamos en el Captulo 2, por lo que se
han realizado numerosos esfuerzos por llevar a cabo implementaciones importantes basadas
en ellas.
Las redes semnticas han sido muy utilizadas en A para representar el conocimiento y por
tanto ha existido una gran diversificacin de tcnicas. Los elementos bsicos que encontramos
en todos los esquemas de redes son:
1. Estructuras de datos en nodos, que representan conceptos, unidas por arcos que
representan las relaciones entre los conceptos.
2. Un conjunto de procedimientos de inferencia que operan sobre las estructuras de
datos.
Bsicamente, podemos distinguir tres categoras de redes semnticas:
1. 0edes IS8A, en las que los enlaces entre nodos estn etiquetados.
2. %ra,os conceptuales: en los que existen dos tipos de nodos: de conceptos y de
relaciones
3. 0edes de marcos: en los que los puntos de unin de los enlaces son parte de la
etiqueta del nodo.
En general, cuando se habla de "redes semnticas" se suele hacer referencia a uno de
estos esquemas, normalmente a las redes S-A o a los esquemas basados en marcos, que
comparten ciertas caractersticas fundamentales. De entre estas caractersticas compartidas
destacamos la herencia por de,ecto (de'ault inheritance). En una red semntica, los
conceptos (o estructuras, clases, marcos, dependiendo del esquema concreto) estn
organizados en una red en la que existe un nodo superior (top: T) al que se le asigna uno o
varios nodos hijos, que a su vez tienen otros conceptos hijos y as sucesivamente hasta que se
alcanza el final (bottom: ), cuyos nodos ya no son conceptos sino instancias.
A continuacin estudiamos los tres tipos de esquemas de redes semnticas que han tenido
una mayor repercusin. De los tres, el esquema basado en marcos es el que permite una
mayor flexibilidad, y el que ha recibido mayor atencin por parte de los investigadores de
ciencia cognitiva y lingstica.
*.&.2.1 0edes IS8A
Sin duda el tipo de red semntica por excelencia es el de redes S-A. De hecho muchas veces
se menciona este tipo como sinnimo de "red semntica", y los restantes tipos tambin
incorporan este tipo de enlaces o arcos (linBs). Esto ha dado lugar a que existan casi tantos
significados para un enlace S-A como los hay para sistemas de KR (Brachman, 1983).
Una red S-A es una jerarqua taxonmica cuya espina dorsal est constituida por un
sistema de enlaces de herencia entre los objetos o conceptos de representacin, conocidos
como nodos. Estos enlaces o arcos pueden estar etiquetados "S-A", tambin "SUPERC",
"AKO", "SUBSET", etc. Los restantes tipos de redes semnticas son en realidad
especializaciones de redes S-A, por lo que siguen y amplan los conceptos fundamentales que
exponemos en este apartado.
Las redes S-A son el resultado de la observacin de que gran parte del conocimiento
humano se basa en la adscripcin de un subconjunto de elementos como parte de otro ms
general. Las taxonomas clsicas naturales son un buen ejemplo: un perro es un cnido, un
cnido es un mamfero, un mamfero es un animal. Obteniendo un nmero de proposiciones:
, (perro (,)) c1nido (,);
, (c1nido (,)) mamG'ero (,);
, (mamG'ero (,)) animal (,);
La estructuracin jerrquica facilita que la adscripcin de propiedades a una determinada
categora se reduzca a aquellas que son especficas a la misma, heredando aquellas
propiedades de las categoras superiores de la jerarqua, tradicionalmente de una forma
monotnica. El siguiente ejemplo de red S-A (Higura 8.66), tomado de (Brachman 1983:31)
ejemplifica una red semntica tpica con herencia de propiedades.
Fiura *.11 E#emplo de red 3SA%
El concepto de herencia es fundamental para entender el funcionamiento de las redes
semnticas, as como el del modelo de datos orientado al objeto, que toma prestados estos
mecanismos desarrollados en el mbito de la A. Siguiendo a Shastri (1988), definimos la
herencia como el sistema de razonamiento que lleva a un agente a deducir propiedades de un
concepto basndose en las propiedades de conceptos ms altos en la jerarqua.
22

As, en el ejemplo jerrquico de la Higura 866, el agente
23
sera capaz de atribuir las
propiedades "breathes" o "has gills" al concepto "shark" sin que stas se encuentren
especficamente mencionadas. La herencia, por tanto, puede ser definida como el proceso
mediante el cual se determinan unas propiedades de un concepto 0, buscando las propiedades
atribuidas localmente a 0, si esta informacin no se encuentra a nivel local, buscando las
propiedades atribuidas a conceptos que se encuentran en los niveles superiores a 0 en la
jerarqua conceptual.
Como Brachman (1983) recuerda, las nodos de las estructuras S-A se han usado para
representar muchas cosas, pero la divisin ms importante es la interpretacin genCrica o
especG'ica de los nodos, es decir, si stos representan un slo individuo o varios. Los nodos
situados en lo ms bajo de la jerarqua y que denotan individuos son llamados toBens, mientras
que los nodos superiores, que denotan clases de individuos son considerados t(pes. Puesto
que en una misma jerarqua podemos obtener nodos de ambos tipos, se debe hacer explcita
una distincin de los tipos de enlaces. Por un lado existen enlaces que conectan categoras
(genricas) con otras categoras, y por otro, enlaces entre categoras e individuos. Las primeras
pueden expresar las siguientes relaciones:
1. Subconjunto/superconjunto
2. Generalizacin/especificacin
3. AKO, esto es, "a kind of"
4. Contenido conceptual
5. Restriccin de valores
6. Tipo caracterstico del conjunto
Las relaciones genrico/individuales tambin son de varios tipos:
1. Pertenencia al conjunto
2. Predicacin
3. Contenido conceptual
4. Abstraccin
Como recuerda Hodgson (1991), las jerarquas S-A presentan un nmero impresionante
de posibilidades, pero tambin una desventaja: al aumentar el nmero de enlaces, aumenta
progresivamente la complejidad computacional para seguirlos. Este problema bien conocido ha
dado lugar a que se haya propuesto que, en lugar de establecer esta y otras posibles
taxonomas de enlaces S-A, se use el enlace 3SA% de propsito general, que al ser
programable, permite establecer el tipo de enlace adecuado a cada situacin particular, lo que
dota de una gran flexibilidad al esquema de representacin. De este modo se puede
representar una semntica compleja, especficamente mediante el uso de prototipos, en los
que una determinada situacin se representa mediante nodos y arcos especficos. Por ejemplo,
la asercin "The booB rests on the table" se puede representar as:
Fiura *.12 E#emplo de Prototipos
Estos prototipos o esquemas forman la base de los scripts de Schank y Abelson (1977),
que mencionaremos en el siguiente apartado.
Fiura *.1& E#emplo de red sem1ntica para lengua#e natural
En la Higura 8.6= exponemos el tipo de diagrama para representar una oracin de lenguaje
natural con una notacin de redes semnticas, tomando como ejemplo la oracin "John hit a
nail with a hammer"
En esta red los nodos son identificadores de las instancias determinadas (tanto verbos
como sustantivos). "nst" representa una instancia de una clase de entidades (hit, nail,
hammer): "h43" es una instancia de la accin hit, existiendo un paciente, "n53", instancia de la
clase nail, que es el que recibe la accin, mediante un instrumento "ha42", que es una instancia
de la clase hammer (el hecho de que "john" es una instancia de la clase person, no ha sido
representado).
Este tipo de representacin de conocimiento es directo y fcil de seguir, pero el
establecimiento de los primitivos adecuados es muy dificultoso y a veces es imposible
representar un sistema de este modo. Adems, exige una gran cantidad de trabajo de
inferencia: es relativamente fcil determinar si dos frases significan lo mismo pero no es tan
fcil determinar si una frase es la consecuencia lgica de otra.
Otro problema estriba en la diversidad de tipos de arcos establecidos. Esto provoca que de
red semntica a red semntica el significado de los arcos y los nodos vare, provocando
ambigedad en la notacin. Por ejemplo, la red semntica de la Higura 8.68 puede tener tres
significados distintos:
Fiura *.1* %mbigIedad en redes sem1nticas
1. Representa el concepto de un telfono: tal cosa existe.
2. Representa un telfono negro especG'ico.
3. Representa la aseveracin de la relacin entre los telfonos y el negro: algunos o todos
los telfonos son negros.
Para concluir este apartado, resumimos los tres problemas ms reconocidos de los
esquemas de representacin basados en redes semnticas:
1. La eleccin de los nodos y arcos es crucial en la fase de anlisis. Una vez se ha
decidido una estructura determinada, es muy complicado cambiarla.
2. Dificultad para expresar cuantificacin. Por ejemplo en expresiones tales como
"algunos pjaros vuelan" o "todos los pjaros pan".
3. Del mismo modo, las redes semnticas presentan grandes dificultades para
representar la dimensin intensional. Por ejemplo en proposiciones tales como "Pedro
cree que Ana sabe conducir".
Esto llev a idear otros esquemas de representacin con una estructura ms compleja que
simples nodos y arcos, que fuesen capaces de dar cabida a stas y otras situaciones.
Concretamente, John Sowa propuso los grafos conceptuales, aunque el esquema de
representacin basado en marcos ('rames) es el que ha tenido mayor aceptacin.

*.&.2.2 %ra,os conceptuales
Los grafos conceptuales (conceptual graphs), propuestos por Sowa (1984), se diferencian de
las redes S-A en que los arcos no estn etiquetados, y los nodos son de dos tipos:
1. &odos de concepto, que pueden representar tanto una entidad como un estado o
proceso.
2. &odos de relacin, que indican cmo se relacionan los nodos de concepto.
Por tanto, son los nodos de relacin los que hacen el papel de enlaces entre las entidades.
Existen dos notaciones para los grafos conceptuales, la forma lineal (textual) y los
diagramas o displa( 'orm, que presentan tres tipos de elementos notacionales:
1. rectngulos, que marcan los nodos de concepto,
2. crculos, que marcan los nodos de relacin,
3. flechas direccionadas, que marcan los arcos.
La Higura 8.6: muestra estos tipos de notaciones.
[CONCEPT1] (REL.) [CONCEPT2
Fiura *.1- &otaciones de gra'os conceptuales
Como mostraremos en el siguiente captulo, este tipo de modelado conceptual debe mucho
al modelo de Entidad/Relacin de Chen (Chen 1976).
La intencin del uso de los grafos conceptuales para la representacin del lenguaje natural
es mencionada por el propio Sowa, quien dedica un captulo completo de su obra a la
aplicacin de su esquema al anlisis del lenguaje. La representacin semntica de la frase
"man biting dog" que nos muestra en el captulo introductorio es indicativo del uso que se le
puede dar (Higura 8.6?) (Sowa 1984:8). Sowa apunta que sus grafos conceptuales ponen el
nfasis en la representacin semntica (en el sentido lingstico de la palabra).
Fiura *.1. E#emplo de gra'o conceptual para &L
Una gran ventaja del esquema de Sowa es que permite restringir la generacin de
representaciones sin sentido por medio de lo que l denomina gra'os cannicos. Tomando
como base la conocida frase de Chomsky
"Colorless green ideas sleep furiously" (Chomsky 1957),
representada por el grafo [SLEEP] (AGNT) [DEA] (COLOR) [GREEN], establece
la idea de canon, que est basada en la nocin de #erarquGa de tipos, segn la cual existe una
funcin tipo que proyecta conceptos sobre un conjunto 0 cuyos elementos son etiquetas de
tipo. Esta funcin corresponde a los arcos S-A que vimos anteriormente. El canon contiene la
informacin necesaria para derivar otros grafos cannicos y tiene cuatro componentes:
1. Una jerarqua de tipos T
2. Un conjunto de indicadores de individuos 3
3. Una relacin de con'ormidad: que relaciona etiquetas en T con indicadores en 3
4. Un conjunto finito de grafos conceptuales *, llamado base cannica, que contiene
todos las etiquetas de tipos en T y todos los referentes, ya sea en 3 o en el referente
genrico *
Las reglas de formacin que permiten que un grafo cannico se derive de otro son las de
copia, unin, restriccin y simpli'icacin. Adems un grafo puede convertirse en cannico
mediante otros dos procesos:
1. Perception: un grafo es cannico si es construido por el assembler mediante un icono
sensorial.
2. 3nsight; se pueden concebir los grafos conceptuales arbitrarios como cannicos.
La relacin de con'ormidad es tambin relevante, porque se refiere al concepto t(peJtoBen,
que Sowa representa mediante la notacin t;;i, donde el indicador individual i est relacionado
con el tipo t.
La frase de Chomsky sera bloqueada por los cnones:
Fiura *.1/
De este modo se pueden generar grafos bastante complejos para representar conceptos.
Como ejemplo, exponemos el grafo de transaccin (Sowa 1984:110) (Higura 8.6>).
Fiura *.15 Gra'o conceptual para T.%&S%0T3K&
El que inicia la transaccin es un customer, que es el receptor de un acto de give y el
agente de otro give. El objeto de la transaccin es una entity, que es el objeto del primer give.
El instrumento de la transaccin es money, que es tambin el objeto del segundo give. La
fuente de la transaccin es un seller que es el agente de un give y el receptor del otro.
Sowa advierte que las reglas cannicas de formacin no son reglas de inferencia. La
formacin de reglas nicamente asegura las restricciones de seleccin semnticas, que Sowa
basa en las teoras de Katz y Fodor (1963), pero no garantiza la verdad o falsedad de las
aserciones. Para incorporar la lgica a la teora de grafos conceptuales, se usa un operador
que proyecta los grafos conceptuales sobre frmulas de clculo de predicados de primer orden
(Hodgson 1991).
El canon es por tanto un sistema extremadamente flexible para representar el conocimiento
y, especficamente, el conocimiento lingstico. De hecho, el sistema de representacin lxica
que ms xito ha tenido hasta el presente, las estructuras de rasgos
24
, comnmente usadas en
los formalismos gramaticales modernos, pueden ser consideradas como una especializacin de
los grafos cannicos de Sowa especficamente aplicadas a la representacin del lenguaje. Su
implementacin, normalmente en Lisp, tambin guarda muchas similitudes.
No deberamos finalizar la exposicin de este apartado sin mencionar un esquema de
representacin anterior, que si bien no ha tenido la misma repercusin que los grafos
conceptuales, contiene la base que, junto con las ideas de las redes semnticas, us Sowa
para su esquema. Estamos hablando de las redes de dependencia conceptual (0-;
0onceptual -ependenc().
Esta notacin fue desarrollada por Schank (Schank 1975) desde finales de los aos 60. Al
igual que en los grafos conceptuales, la idea central detrs de la CD es crear una
representacin cannica de una frase, en este caso basndose en ciertos primitivos
semnticos. En la teora original tan slo se contemplaban siete primitivos, que incluan cinco
acciones fsicas: move, propel, ingest, expel y grasp y dos cambios de estado: ptrans
(transferencia fsica en el espacio) y mtrans (transferencia mental de informacin). La frase
"John threw a ball to Mary" es representada del modo siguiente (Schank 1975:51):
Fiura *.16 E#emplo de dependencia conceptual
Esta teora est enteramente basada en los primitivos semnticos, que son las entidades
bsicas usadas para describir el mundo. Las dificultades, por tanto, son las mismas que
presentan todas las teoras lingsticas basadas en primitivos: la naturaleza totalmente
arbitraria de los primitivos escogidos y la falta de sistematicidad en su uso y adopcin. Al igual
que en otras teoras lingsticas basadas en primitivos semnticos, el nmero de stos tendi a
crecer, en el caso de Schank hasta 40. Tampoco l se salva de la sospechosa similitud entre
algunos primitivos y lexemas concretos, como por ejemplo want.
La teora original de Schank evolucion para incluir unidades de memoria ms
desarrolladas, llamadas scripts (Schank & Abelson 1977). Un script es una secuencia de
esquemas que "cuenta una historia", el ejemplo tradicional es el del restaurante: entrar, pedir la
comida, pagar al camarero, etc., seran los esquemas que conforman el script. Los scripts, sin
embargo, tienen mucho en comn con la notacin que estudiamos a continuacin, los
esquemas de marcos.
*.&.2.& Es+uemas de marcos
El primer proponente de la nocin de marco
25
('rame) fue el psiclogo cognitivo Marvin Minsky,
en cuyas palabras podemos resumir la esencia de los marcos.
Here is the essence of frame theory: When one encounters a new situation (or makes a substantial change in one's view of a
problem), one selects from memory a structure called a 'rame. This is a remembered framework to be adapted to fit reality by
changing details as necessary.
(Minsky 1975: 211)
La fundamentacin psicolgica de los marcos es parecida a la de los scripts de Schank:
cuando nos enfrentamos con una situacin determinada, intentamos ajustarla a otra parecida
de la que ya tenemos experiencia previa y esperamos que aparezcan un nmero de elementos
comunes y se sucedan algunas situaciones. Por ejemplo, si entramos en una habitacin de
hotel, esperamos encontrar una cama, un armario, un bao, etc. Nuestra mente reconocer las
instancias especficas de la nueva habitacin y los acomodar al estereotipo que ya poseemos.
La base de la teora la conforman, por tanto, las situaciones estereotipadas.
Dejando a un lado esta fundamentacin psicolgica, la representacin basada en marcos
constituye en gran medida la base del modelo orientado al objeto actual, ya que contiene casi
todos los conceptos que ste presenta, aunque estas ideas fueron aplicadas en principio a los
lenguajes de programacin ms que a lenguajes de representacin y consulta. Por esto y por la
enorme importancia que la representacin del conocimiento basada en marcos ha tenido y
sigue teniendo, nos detendremos a exponer las caractersticas y esquemas propuestos ms
relevantes.
Adelantamos ya que, al igual que ocurre en la ontologa que nos ha servido de base para
nuestra implementacin, la de Mikrokosmos, utilizaremos precisamente un esquema basado en
marcos para nuestra ontologa, utilizando para su implementacin un lenguaje basado en
marcos moderno, con prestaciones muy superiores a las que aqu expondremos para las
implementaciones clsicas. Los detalles particulares de este lenguaje, KSL, los mostraremos
en el siguiente captulo.
In,ormalmente, un marco es una estructura de datos compleja que representa una
situacin estereotipada, por ejemplo hacer una visita a un enfermo o acudir a una fiesta de
cumpleaos. Cada marco posee un nmero de casillas (slots) donde se almacena la
informacin respecto a su uso y a lo que se espera que ocurra a continuacin. Al igual que las
redes semnticas, podemos concebir un marco como una red de nodos y relaciones entre
nodos (arcos). Una base de conocimiento basada en marcos es una coleccin de marcos
organizados jerrquicamente, segn un nmero de criterios estrictos y otros principios ms o
menos imprecisos tales como el de similitud entre marcos. A nivel prctico, podemos
considerar los marcos como una red semntica con un nmero de posibilidades mucho mayor,
entre las que destacan especialmente, la capacidad de activacin de procesos (triggering) y de
herencia noAmonotnica mediante sobrecontrol (overriding).
Formalmente, un marco L es una lista de atributos (slots) y valores (S, 2). El valor 2 de un
slot S puede ser:
un valor simple, cuyo tipo se halla determinado por el slot mismo, por una funcin que
devuelve un valor de ese tipo, o por un puntero al valor de otro slot de la jerarqua
una lista de atributos:valores, donde los atributos son funciones booleanas y los valores
pueden ser funciones que devuelven valores del tipo del valor del slot, o constantes del
tipo del valor del slot.
Como es evidente, la representacin de conocimiento basada en marcos debe mucho a las
redes semnticas. Sin embargo, los esquemas de representacin basados en marcos insisten
en una organizacin jerrquica de stos, mientras que las redes semnticas no requieren tal
organizacin. La estructura de nodos de los marcos es tambin mucho ms rica que la de las
redes semnticas, conteniendo sistemas de triggering de procedimientos. Esto ocurre cuando
en lugar de llenar un slot con un valor determinado, se indica un procedimiento que ser el
encargado de devolver un determinado valor. En el entorno de los marcos, a este tipo de
procedimientos se les denomina attached procedures, servants, demons o methods,
utilizndose a veces el trmino disparador en el discurso en lengua espaola. Estos
procedimientos son especialmente tiles cuando el clculo de un valor determinado requiere un
tiempo alto de computacin, cuando el valor es susceptible de cambiar con el tiempo o cuando
el valor tiene un bajo nivel de acceso: en lugar de computar el valor siempre que el sistema
est en funcionamiento, se computa slo cuando es requerido. El trmino mCtodo, se ha
tomado del entorno de los marcos para usarlo en el modelo orientado al objeto para designar
las funciones componentes de una clase, aunque en algunos de los lenguajes de programacin
orientados al objeto ms importantes, como C++, los mtodos son llamados 'unciones
miembro.
La organizacin jerrquica de los marcos es una de sus caractersticas ms destacables.
Los marcos se organizan en jerarquas que presentan los mismos sistemas de herencia que
encontrbamos en las redes S-A. De hecho, una estructura de marcos no es ms que una
ampliacin de una estructura de redes S-A bsica (de redes semnticas tradicionales), donde
los nodos han sido reemplazados por grupos estructurados de informacin (los marcos).
Una jerarqua de marcos es un rbol en el que cada uno de los nodos es un marco. Para
cada nodo hijo, el enlace con el nodo padre es un enlace de herencia. El nodo hijo hereda
todos los slots de su padre a menos que se especifique lo contrario (sobrecontrol). Esta es una
gran diferencia con las redes S-A, donde la herencia es siempre monotnica, es decir no hay
posibilidad de negar la herencia de propiedades en un contexto o situacin determinada (que
puede ser especificada por el resultado de una operacin de triggering). Los nodos pueden ser
de dos tipos: nodos de clase y nodos de instancia. Todos los nodos internos (no terminales)
han de ser nodos de clase.
La caracterstica que la herencia trae consigo es el concepto de valores por defecto
(de'aults). En un marco se puede especificar un valor determinado o bien un valor por omisin
(tambin llamados valores locales y valores heredados), en cuyo caso heredar sin ms el
valor de su antecesor. Por ejemplo, la clase (nodo de clase) ave, tendr el valor por omisin
vuela como "cierto", aunque algunos nodos de instancia hijos, por ejemplo avestruz, no posean
esta propiedad. Esta instancia concreta puede ser obligada a no heredar esta propiedad
asignndole el valor "falso", mientras que otras propiedades, como tiene_alas, s seran
heredadas por defecto (aunque en otras instancias, como en el caso de kiwi, sta habra de ser
negada).
Esta misma disposicin es la que presentan los sistemas orientados al objeto actuales,
aunque en stos, los nodos de instancia no son considerados nodos, sino ob#etos. El trmino
orientacin al ob#eto se comenz a utilizar con un significado muy parecido al que de l
tenemos hoy por los proponentes de esquemas de representacin basados en marcos a finales
de los aos 70. Por ejemplo, Bobrow y Winograd (1979) hablan de "object-oriented data
structures".
Podemos resumir las principales caractersticas de los marcos en las siguientes (Minsky
1975; Winograd 1975):
Precisin (E,plicitness): se precisan los objetos, las relaciones entre objetos y sus
propiedades; en ausencia de evidencia contraria se usan valores por omisin
%ctivacin din1mica de procesos !Triggering): se pueden adjuntar procedimientos a un
marco o alguno de sus componentes y ser llamados y ejecutados automticamente tras
la comprobacin de cambio de alguna propiedad o valor (p. ej. if-needed, if-added)
Merencia por de'ecto noAmonotnica: los marcos estn conceptualmente relacionados,
permitiendo que atributos de objetos sean heredados de otros objetos predecesores en
la jerarqua
Lodularidad: la base de conocimiento est organizada en componentes claramente
diferenciados
De forma apriorstica, su aplicacin a la representacin de la informacin lxica parece
garantizada, ya que los marcos permiten una gran flexibilidad de representacin. Su soporte
para representar la herencia de propiedades de una forma no monotnica resulta
especialmente atractivo. De hecho, hoy en da, esta propiedad, la herencia por defecto no
monotnica, se considera indispensable para el procesamiento de lenguaje natural (p. ej.
Gazdar & Pullum 1987; Ritchie et al. 1987; Flickinger 1987; Carpenter 1992; Zajac 1992;
Bouma 1992).
El ra'onamiento en un esquema basado en marcos se lleva a cabo mediante dos
mecanismos bsicos: el reconocimiento (recognition o patternAmatching) y la herencia. En el
entorno de los marcos el proceso de reconocimiento de patrones se centra en encontrar el
lugar ms apropiado para un nuevo marco dentro de la jerarqua de marcos. Esto requiere que
el mecanismo de reconocimiento sea capaz de recibir informacin sobre la situacin existente
(en forma de marco) y lleve a cabo una bsqueda del marco ms adecuado de entre todos los
contenidos en la base de conocimiento. Shastri (1988:16) define este concepto as: "Given a
description consisting of a set of properties, find a concept that best matches this description."
Teniendo en cuenta las caractersticas de herencia anteriormente descritas, el conjunto de
propiedades no tiene por qu encontrarse a nivel local, sino que pueden estar atribuidas a
conceptos (marcos) en posiciones superiores en la jerarqua. Podemos decir que estos dos
mecanismos complementarios de razonamiento conforman el ncleo de lo que entendemos por
comportamiento inteligente, y actan como precursores de procesos de razonamiento ms
especializados.
El modo en que estos dos mecanismos bsicos de razonamiento interactan se muestra en
la Higura 8.9N (Shastri 1988:16). En la memoria semntica del agente se encuentran un nmero
de conceptos (0n) que poseen un nmero de propiedades (pn). El punto de entrada
corresponde a consultas de reconocimiento, que se inicia cuando un determinado proceso
posee una descripcin parcial sobre una entidad " y desea corroborar su identidad o la clase a
la que pertenece. El punto de entrada corresponde a consultas sobre herencia. En este caso el
agente conoce la identidad de ", pero quiere conocer el valor de una o varias de sus
propiedades. Los dos mecanismos interactan cuando se trata de llevar a cabo procesos
cognitivos ms complejos, que implican un nmero de consultas sucesivas de uno y otro tipo
para llegar a una determinada conclusin.
Los problemas en el proceso de reconocimiento surgen cuando los valores por omisin no
son cumplidos. Por ejemplo, un gato tiene normalmente cuatro patas y una cola, pero a un gato
determinado le puede faltar la cola y una de sus patas; en este caso el algoritmo reconocedor
(matcher) debe ser lo suficientemente inteligente para ser capaz de averiguar que el mejor
marco de los posibles (best 'it) es el del gato, aunque dos de sus principales caractersticas no
se cumplan.
Fiura *.2M Merencia ( reconocimiento de patrones en marcos
sta es la situacin conflictiva tpica en la que algn proceso interno posee una descripcin
parcial de una entidad desconocida y adems necesita determinar el valor de una o varias
propiedades de esta entidad. Primero llevara a cabo el reconocimiento parcial hasta
determinar al menos la clase a la que la entidad pertenece, a continuacin atribuira las
propiedades de sus clases predecesoras en la jerarqua y volvera a intentar el reconocimiento
individual hasta llegar a su ubicacin y determinacin de propiedades heredadas y locales
completa.
En nuestra exposicin del sistema de KBMT Mikrokosmos (ver apartado 3.3.6), vimos cmo
exista un algoritmo que calculaba la "distancia" entre dos conceptos o instancias y devolva un
ndice. Este tipo de operaciones abstractas es otra de las caractersticas que dan a los
esquemas basados en marcos su gran potencia y expresividad.
Como apunta Shastri (1988:17), en un proceso cognitivo complejo, como la comprensin
del lenguaje natural (NLU: &atural Language Onderstanding), los mecanismos de herencia y de
reconocimiento de patrones son absolutamente imprescindibles. Por ejemplo, para la
adjudicacin de restricciones de seleccin a un determinado actante con el objeto de reconocer
un patrn sintctico-semntico determinado de un verbo polismico y eliminar la posible
ambigedad semntica. Una organizacin del lxico en campos semnticos con dimensiones y
subdimensiones jerarquizadas con herencia de propiedades lxicas puede ser representada
como una red semntica de conceptos a modo de marcos. Esta representacin es vlida
independientemente del modo de implementacin que usemos, siempre y cuando ste se
acomode a los requisitos de jerarquizacin de entidades. En el captulo siguiente mostraremos
cul es la utilidad que le hemos dado a nuestra representacin basada en marcos de forma
detallada.
Minsky propuso originalmente un esquema de representacin para los marcos que
combinaba ideas de las redes semnticas, esquemas procedimentales y la lingstica. Los
lenguajes de representacin basados en marcos son hoy da considerados como la forma ms
adecuada de representar conocimiento complejo, y en especial para representar el lenguaje
natural.
La similitud entre las teoras lingsticas de casos y los esquemas de representacin
basados en marcos no ha pasado inadvertida. El propio Fillmore (1977) afirmaba que los slots y
los casos verbales eran una y la misma cosa. En el mismo sentido se manifiestan Winston
(1977) y Charniak (1981).
Para finalizar este apartado mostraremos algunas implementaciones de sistemas de
marcos consideradas hoy en da clsicas: KRL, OWL y KL-ONE.
El desarrollo de S0L (Knowledge Representation Language) (Bobrow & Winograd 1977)
estuvo inicialmente motivado por el procesamiento del lenguaje natural. Las unidades bsicas
que componen una base de datos KRL son los marcos. La informacin contenida en los slots
contiene detalles sobre cmo instanciar un marco.
En su implementacin hacen uso intensivo de los conceptos de prototipo y primitivos, que
utilizan de un modo un tanto libre en esta primera exposicin, pero definen mejor en otras
posteriores (Bobrow & Winograd 1977).
Como su nombre indica, KRL, es a la vez un sistema de KR y un lenguaje de
programacin. El lenguaje permite la invocacin de procedimientos que se encuentran adjuntos
a las estructuras de datos orientadas a objetos, conteniendo el germen de lo que hoy en da se
conoce por encapsulacin, una de las caractersticas que hacen de la orientacin al objeto tal
vez el modelo computacional ms potente y verstil hasta la fecha.
Por su parte, CVL basa sus caractersticas en la sintaxis y semntica del ingls, tomando
como principio la Hiptesis Whorfiana de que el idioma de un hablante juega un papel
determinante en su modelo del mundo, y por tanto en la estructuracin de su mente.
Una base de conocimiento de OWL puede ser vista como una red semntica cuyos nodos
son expresiones que representan el significado de oraciones en lenguaje natural. Cada nodo,
denominado "concepto", queda definido por un par (genus, speciali+er), donde el "genus"
especifica el tipo o "superconcepto" y el "specializer" distingue este concepto de todos los
dems que comparten el mismo "genus".
Sin embargo, de entre todos los lenguajes de representacin clsicos basados en marcos,
es sin duda SL8C@E (Brachman & Schmolze 1982, 1985) el ms relevante en cuanto que a
partir de l han surgido numerosos sistemas de KR que se estn desarrollando o usando hoy
en da. De hecho, se suele hacer referencia a los lenguajes de programacin/representacin
basados en marcos mediante el calificativo "al estilo de KL-ONE". KL-ONE es el producto de
muchos aos de investigacin de algunos de los que se pueden considerar como padres de la
representacin del conocimiento, entre los que destacan Ronald Brachman, Rusty Bobrow,
Hector Levesque, Jim Schmolze o William Woods.
Como viene siendo habitual, una taxonoma de KL-ONE comprende conceptos, con un
nmero de propiedades atribuidas y una serie de relaciones entre conceptos. Ms
concretamente, un nodo (concepto) de KL-ONE consiste en un conjunto de roles
(generalizaciones de las nociones de atributo, parte, constituyente, rasgo, etc.) y un conjunto de
condiciones estructurales que expresan relaciones entre esos roles. Los conceptos estn
enlazados a conceptos ms generales en una relacin especial llamada SUPERC. El concepto
ms general en la taxonoma es denominado superconcepto, y subsume (es ms general que)
todos los dems.
26

Los conceptos y roles de KL-ONE tienen una estructura parecida a las clsicas nociones de
registro y campo para las bases de datos, o de marco y slot en el mbito en la terminologa de
la A.
La adecuacin expresiva fue un objetivo primordial en el desarrollo de KL-ONE, enfatizando
la semntica de la representacin y su adecuacin para poder hacer distinciones sutiles al
conceptualizar ideas complejas. Tanto es as que Woods (1983) afirma que el proyecto KL-
ONE se llev a cabo ms con el espritu de una investigacin de filosofa aplicada que con el
de investigacin en representacin del conocimiento y estructuras de datos.
En cualquier caso, la herencia de KL-ONE se ha dejado sentir en todas las
implementaciones posteriores de lenguajes basados en marcos, intentando seguir fiel en
espritu a esta clsica implementacin, al mismo tiempo que se han mejorado los aspectos
tcnicos respecto a velocidad de ejecucin, optimizacin de cdigo (hasta muy recientemente
no ha existido ninguna implementacin de un lenguaje de marcos que produjese cdigo
compilado) o interfaz a otros lenguajes procedimentales.
Una de estas implementaciones, FLEX, ser la que usaremos en nuestra implementacin
de la ontologa de conceptos. Describiremos este sistema junto con el lenguaje de
programacin que le da soporte en el siguiente captulo.
Como ya hemos visto, los marcos, en su forma ms pura han sido utilizados en algunas de
las implementaciones de TA que ya hemos mostrado (Mikrokosmos). Su atractivo como
soporte computacional para diversos sistemas de procesamiento del lenguaje natural en
general ha quedado reflejado en obras tan relevantes como Metzing (1980), Evens (1988) o
Lehrer & Kittay (1992). A continuacin mostraremos una serie de esfuerzos destinados a la
consecucin de un entorno de representacin puramente lxica. Como ya hemos adelantado,
stos presentan muchos puntos en comn con los sistemas de redes semnticas que
acabamos de describir, incorporando adems un fuerte componente lgico.
http3OOelies.rediris.esOelies6O*8&82.htm
2.12 0a'onamiento montono.
Ber archivo3 ra'onamientoPmono.pd,
2.1& La lica de predicados3 sinta(is$ sem2ntica$
valide' e in,erencia.
*;<!.0 5E ='E5!.051(
El :.lculo +roposicional% resulta 1til para muchas aplicaciones
computacionales% entre las $ue podemos citar% an.lisis de circuitos% an.lisis '
confiabilidad de sistemas mediante .rboles lgicos% di,ersas aplicaciones de
satisfactibilidad a problemas de planeacin% etc. 6in embargo% existe una gran
cantidad de aplicaciones donde el :.lculo +roposicional no se considera
suficiente% debido a $ue cuenta con una deductibilidad limitada ' en donde es
preferible un tipo especial de lgica conocido como #gica de +redicados &
:.lculo de +redicados). +ara explicar esta situacin% consideremos el
argumento conformado con las siguientes sentencias del :.lculo
+roposicional:
+ N 7odos los mam(feros son mortales
KN #assie es un mam(fero
NNO
5N #asssie es mortal
#as expresiones +% K% 5% son proposiciones% puesto $ue todas ellas son
enunciados $ue pueden ser e,aluados como P &,erdaderos) o I &falsos). Ba'
$ue hacer notar% sin embargo% $ue mediante la aplicacin de reglas de
inferencia del :.lculo +roposicional% no es posible deducir 5 a partir de las
premisas + ' K anteriores% 'a $ue el :.lculo +roposicional no tiene acceso a
los elementos comunes $ue conforman estas proposiciones% como son
mamifero% mortal ' #assie% e indispensables para llegar a la conclusin 5
resultante. 6in embargo% esta misma expresin en :.culo de +redicados% se
podr(a escribir distinguiendo los elementos constituti,os de cada proposicin.
Es decir% el :.lculo de +redicados se aplica para las mismas proposiciones
$ue pueden ser enunciadas en :.lculo +roposicional% con la diferencia $ue en
el primero se tiene acceso a los elementos constituti,os de cada proposicin.
<na de las aplicaciones m.s importantes del :.lculo de +redicados es la
especificacin formal% la cual permite describir lo $ue el usuario desea $ue un
programa realice. Qsta es una aplicacin $ue ha empe4ado a ser empleada para
el desarrollo de al menos las partes cr(ticas de un sistema. -e esta manera
pie4as de cdigo especificadas formalmente% pueden ser ,erificadas% en
principio% matem.ticamente% incrementando la confiabilidad del sistema
completo. Existen ,arios lenguajes de especificacin formal basados en
lgica% como R o P-2% de los cuales se hablar. m.s adelante en este curso.
En el caso de la especificacin ' ,erificacin formal de programas% las pie4as
de cdigo son acompa/adas por pre ' post condiciones% las cuales se escriben
como frmulas del :.lculo de +redicados. #as pre ' postcondiciones deben
ser ,.lidas% antes ' despu0s de $ue la pie4a de cdigo correspondiente se
ejecute. Es decir% si la pie4a de cdigo satisface su especificacin% entonces se
dice $ue el programa es correcto.
+or otra parte% dada una pie4a de cdigo ' sus pre ' postcondiciones% se dice
$ue un algorimo tiene la propiedad de correcti,idad si se es capa4 de decir si
dicha pie4a de cdigo es o no correcta. El an.lisis de la correcti,idad de
algoritmos es una parte fundamental en :iencias compuationales.
Iormalmente% es necesario asegurar una definicin precisa de las pre ' post
condiciones% de manera $ue se interprete de ellas un solo significado= 0sto es
logrado escribiendo las pre ' post condiciones como frmulas del :.lculo de
+redicados. Qste es particularmente 1til para describir la sem.ntica de los
lenguajes de programacin% as( como para describir el comportamiento
funcional de un programa o una parte de 0l.
En el :.lculo de +redicados ha' otras diferencias b.sicas respecto al :.lculo
+roposicional% entre las $ue podemos citar:
; 6e indican postulados sobre objetos indi,iduales:
Ejemplo:
9uan es alto
se puede escribir:
E6"A#7?&9<A3)
-onde E6"A#7? es un s(mbolo de predicado ' 9<A3 es una constante.
3tese $ue el predicado anterior puede ser e,aluado como P &,erdadero)
o I &falso).
; 6e indican postulados relacionando ,arios objetos. +or ejemplo es posible
expresar:
9uan es t(o de 2ar(a
en la forma:
E6"7I?&2A5IA%9<A3)
-onde E6"7I? es un 6(mbolo de +redicado $ue tiene como argumentos
a las constantes
2A5SA 8 9<A3.
?bs0r,ese $ue el predicado anterior podr. ser e,aluado como I &falso) o
P &,erdadero).
; 6e utili4an cuantificadores uni,ersales ' existenciales.
Ejemplo:
El argumento anterior sobre #assie se puede
escribir:
for"all &x) 2A2SIE5?&x) NNO 2?57A# &x)
2A2SIE5?&#A66IE)
NNNO
2?57A# &#A66IE)
<na posible interpretacin de este modelo se presenta a continuacin:
i)) En este argumento tenemos las siguientes premisas:
#a primera proposicin se/ala $ue todos los elementos x son
mamiferos implican $ue x
es mortal.
#a segunda expresin indica $ue es conocido $ue #assie es un
mam(fero.
ii)) #a conclusin de este argumento es:
#assie es mortal
iii) El 1nico conector lgico de esta expresin es el s(mbolo NNO el
cual es como en el caso del
:.culo +roposicional% el de implicacin. 3o obstante en :.lculo de
+redicados se
pueden utili4ar todos los conectores lgicos del :.lculo
+roposicional.
+odr(amos interpretar este argumento indicando $ue si las dos
premisas son ,erdaderas%
entonces se puede deducir $ue #assie es mortal
En el :.lculo de +redicados se usan ,arios tipos de s(mbolos:
; 6S2>?#?6 -E I<3:IT3
Ejemplos:
mas&x%')
padre&x)
; 6S2>?#?6 -E +5E-I:A-?6
Ejemplos: 2A8?5&m.s&x%1)%x)
; :?367A37E6.
Ejemplos: :A6A% 2A5SA
; 6S2>?#?6 -E PA5IA>#E6.
Ejemplos: x%'
En :.lculo de +redicados% nos referimos a t0rminos cuando hablamos de
constantes% ,ariables o s(mbolos de funcin% cu'os elementos sabemos de
antemano $ue son t0rminos. As(% por ejemplo% la ,ariable x ' la constante 1
son t0rminos. -ado el s(mbolo de funcin m.s de dos argumentos% las
siguientes expresiones tambi0n son t0rminos:
m.s &x%1)
m.s &m.s&x%1)%1)
El primero de ellos se refiere a la suma x U1% mientras $ue el segundo a la
suma de los t0rminos correspondientes a xU1 con el t0rmino 1.
:omo para el caso del :.lculo de +roposiciones% se usan tambi0n
.tomos en el :.lculo de +redicados% los cuales son enunciados simples
&es decir predicados)% $ue est.n conformados con s(mbolos de predicados% con
,arios t0rminos como argumentos ' $ue pueden ser e,aluados como P
&,erdaderos) o I &falsos)% de manera $ue no pueden ser descompuestos en
proposiciones m.s simples. -e esta manera las siguientes expresiones son
.tomos:
2A2SIE5?&x)
2?57A# &#A66IE)
E6"7I?&9<A3% 9?6E)
E6"3IE7?&+A3:B?"PI##A%
+E-5?":A6I675A3I3I)
Es decir% se puede definir t0rmino de la siguiente manera:
-EII3I:IT3:
6i + es un s(mbolo de predicado de n argumentos ' t1%t2% ...% tn son
t0minos%
entonces
+&t1%t2%...tn) es un t0rmino.
3inguna otra expresin puede ser un t0mino.
http://w.mor.itesm.mx/Vlogica/logCWXW/log"pred.html
*ogica de predicados de primer orden
En lgica proposicional los .tomos son los constitu'entes de las frmulas ' son: true o
false
#imitacin: no puede expresar propiedades generales de casos similares
6(mbolos:
6(mbolos de predicados &ma'1sculas) asociados con su aridad &3) o n1mero de
argumentos &6i aridad N X proposiciones &.tomos))
Pariables: min1sculas &x%'%4)
6(mbolos funcionales: min1sculas asociados con su n1mero de argumentos
&funciones con aridad N X constantes)
:onectores lgicos
:uantificadores: uni,ersal &para toda ) ' existencial &existe una )
6(mbolos auxiliares *&*% *)*% *%*.
<n t#rmino es: una constante% ,ariable o una funcin de t0rminos
<na frmula atmica o tomo es un predicado de 3 t0rminos
<na frmula bien formada &$ff) en lgica de predicados es:
un .tomo
si % es $ff entonces tambi0n lo es
6i % ' & son $ff% son $ff
6i % es $ff ' es una ,ariable libre de %% entonces ' son $ff &la
,ariable se dice MMbound**)
ning1na otra formula es $ff
variables libres: sin cuantificadores
%rmula cerrada &MMclosed**) u oracin &MMsentence**): sin ,ariabes libres
El alcance &MMscope**) de los cuantificadores
(emntica
En lgica de primer orden se asocia una estructura representando la MMrealidad**
&basicamente el dominio)
#a estructura ' tiene:
un conjunto no ,ac(o de elementos (% llamados el dominio de '
un conjunto de funciones de aridad n definidas en
un conjunto no ,aci de mapeos% predicados% de (
m
a
3o se puede saber el ,alor de ,erdad de una frmula hasta $ue no se especifi$ue con
$ue elementos de la estructura se deben de asociar los elementos de la frmula
<na asignacin v al conjunto de formulas % dada una estructura ' con dominio ( es un
mapeo del conjunto de ,ariables en % a (
% donde d es una constante
)&) N v&)% donde es una ,ariable
% como antes
es true si existe una asignacin para la cual % sea ,erdadera
es true si para toda una asignacin % es ,erdadera
2as e$ui,alencias:
<na frmula cerrada con un modelo se dice satisfacible
.lusulas
Iorma utili4ada en prueba de teoremas ' programacin lgica
<na literal: un .tomo o su negacin
<na cl.sula: es una frmula cerrada de la forma:
E$ui,alencias:
6e escribe normalmente como:
Interpretacin procedural: las A*s son las conclusiones ' las B*s las condiciones
+asos para pasar una $ff a un conjunto de cl.usulas:
1.
eliminar implicacin
2.
juntar negacin
.
renombrar ,ariables
!.
eliminar cuantificadores existenciales:
6i una ,ariable existencial &y) no est. dentro del alcance &scope) de un
cuantificador uni,ersal% cambiar la ,ariable por un nue,o s(mbolo 6i est. dentro
del alcance de cuantificadores uni,ersales con ,ariables cambiar
la ,ariable por una funcin $ue refleje la posible
dependencia &funciones 6Golem)
F.
cambiar a una forma prenex normal &poniendo todos los cuantificadores
uni,ersales al frente)
L.
pasar a su forma normal conjunti,a &i.e.% una conjuncin de frmulas% cada una
siendo una disjuncin)
Y.
eliminar cuantificadores uni,ersales
W.
pasar a un conjunto de cl.usulas
Ejemplo
<na cl.usula de Born: a lo m.s una literal positi,a
A


'azonamiento en lgica: reglas de in,erencia
*odus +onens
AAAAAAAAAAAAAAAAAAAAA
'
Estas reglas solo hacen manipulacin sint.ctica &son formas procedurales)
#o interesante es ,er las formas procedurales sem.nticas est.n relacionadas con las
sint.cticas
<na frmula es robusta,vlida &sound) si entonces
?sea una coleccin de reglas de inferencia es ,.lida si preser,a la nocin de ,erdad
bajo las operaciones de deri,acin
<na frmula es completa &complete) si entonces
#o importante es: existe un procedimiento de prueba mec.nica% usando una coleccin de
reglas de inferencia $ue son ,.lidas ' completas% $ue sea capa4 de determinar si una
frmula % puede o no deri,arse de un conjunto de frmulas 'H
En 1CL% :hurch ' 7uring mostraron independientemente $ue ese procedimiento no
existe para lgica de primer orden: indecibilidad
6olo se puede mostrar $ue si % es consecuencia lgica de '
#gica proposicional si es decidibleZ
'esolucin
Es sound ' complete
5esolucin solo sir,e para frmulas en forma de cl.usulas
Idea: prueba por refutacin
+ara probar: % hacer ' probar $ue - es insatisfacible
Ejemplo sencillo
6ean .
1
' .
2
dos cl.usulas con literales /
1
' /
2
&donde /
1
' /
2
son complementarias). #a
resolucin de .
1
' .
2
produce: donde: '
&eliminando literales redundantes)
Ejemplo de derivacin
+ara lgica de primer orden: substitucin ' unificacin
<na substitucin es un conjunto finito de la forma: % donde las

i
s son ,ariables diferentes ' las t
i
s son t0rminos diferentes a las
i
s.
<na epresin es un t0rmino% una literal una conjuncin o una disjuncin de literales
<na substitucin & ) se puede aplicar a una expresin &0)% denotado como: %
generando una nue,a expresin &una instancia de 0)
6ea ' . #a composicin de
estas substituciones% denotado por: se obtiene $uitando del conjunto:
todos los elementos: para los
cuales: ' todos los elementos s
1
/y
1
donde
<na substitucin es un unificador de un conjunto de expresiones si
<n unificador % es el unificador ms general &mgu) de un conjunto de expresiones 0%
si para cada unificador de 0% existe una substitucin tal $ue
+ara hacer resolucin en lgica de primer orden tenemos $ue comparar si dos literales
complementarias unifican. El algoritmo de unificacin constru'e un mgu de un conjunto
de expresiones.
6e tienen $ue renombrar ,ariables $ue tengan el mismo nombre en las cl.usulas a
resol,er
6ean .
1
' .
2
dos cl.usulas con literales /
1
' /
2
respecti,amente. 6i /
1
' tienen un
mgu % el resolvente de .
1
' .
2
es la cl.usula:
+uede existir m.s de un resolvente
6i una o m.s literales en cl.sula . tienen un mgu % la cl.usula se dice ser un
factor de .
En su forma general% resolucin permite cancelar m.s de una literal de las cl.usulas
padres% al computar el factor de estas
<n resolvente de cl.usulas .
1
' .
2
es:
1.
resol,ente de .
1
' .
2

2.
resol,ente de .
1
' un factor de .
2

.
resol,ente de un factor de .
1
' .
2

!.
resol,ente de un factor de .
1
' un factor de .
2
El algoritmo de unificacin no es determin(stico &se pueden seleccionar las cl.usulas de
,arias formas)
Existen diferentes estrategias de resolucin% e.g.% sem.ntica% lineal% 6#-
http://www.mor.itesm.mx/Vrdec/node!W.html
2.1* La demostracin y sus m4todos.
2.1- El m4todo de 0esolucin de 0obinson
).
2. 3TE/E4E3TES5 4E HE%B%34 %6B03S63
El encontrar un procedimiento general de decisin para verificar la
validez (inconsistencia) de una formula ha sido considerada por mucho
tiempo. El primer intento fue hecho por Leibniz (1646 -1716) seguido por
Peano a finales del siglo XX y por la escuela de Hilbert en los aos
veinte. Sin embargo, no fue hasta 1936 que Church y Turing probaron
de manera independiente que esto era imposible, es decir, que no existe
un procedimiento general de decisin para constatar la validez de las
formulas de primer orden en lgica. Sin embargo, hay procedimientos de
prueba que pueden verificar que una formula es vlida si en realidad lo
es. Para formulas invalidas, estos procedimientos en general nunca
terminarn (en base a los resultados de Turing y Church, esto es lo
mejor que se puede esperar de un procedimiento de prueba). Un
enfoque verdaderamente importante para la prueba mecnica de
teoremas fue dado por Herbran en 1930. Por definicin, una formula
vlida es una frmula que es verdadera bajo todas las interpretaciones.
Herbrand desarroll un algoritmo para encontrar una interpretacin que
pueda falsear una frmula dada. Sin embargo, si la formula dada es
realmente valida, tal interpretacin no existir y su algoritmo va a parar
despus de un nmero finito de pruebas. El mtodo de Herbrand es la
base de los procedimientos automticos de prueba ms modernos
[Chin1987].
En 1960 Gilmor fue una de las primeras personas en implementar los
procedimientos de Herbrand en una computadora. Ya que una frmula
es vlida si y solo si su negacin es inconsistente, su programa fue
diseado para detectar la inconsistencia de la negacin de una frmula
dada. Durante la ejecucin del programa, se generan frmulas
proposicionales que peridicamente son generadas y probadas para
determinar su inconsistencia. Si la negacin de la formula dada es
inconsistente, el programa detectar el hecho eventualmente. El
programa de Gilmor funciono para unas pocas frmulas, pero encontr
dificultades con otras formulas de primer orden. Pruebas cuidadosas del
programa demostraron su ineficiencia. El mtodo de Gilmor fue
mejorado por Davis y Putman en 1960 despus de unos meses de su
publicacin. Sin embargo, esta mejora fue insuficiente ya que muchas
formulas de primer orden no pudieron ser probadas por una
computadora en un tiempo razonable.
Un avance mayor fue realizado por Robinson en 1965 , al introducir el
=rincipio de 0esolucin, Este procedimiento fue mucho mejor que
cualquiera de los anteriores. Desde la aparicin de este principio
muchos refinamientos han sido propuestos con el fin de aumentar su
eficiencia.
Los procedimientos de prueba de Herbrand y resolucin son
procedimientos de refutacin. Esto es, en lugar de que de probar la
validez de una formula, se prueba que la negacin de una formula es
inconsistente. Esto es por conveniencia, no hay perdida de generalidad
en el uso de mtodos de refutacin. Ms aun estos procedimientos de
refutacin son aplicados a una U,orma est2ndar" de una frmula. La
forma estndar fue introducida por Davis y Putman en 1960. Esta forma
normal consiste en obtener un conjunto de clusulas que cumplen: estar
en forma estndar de Skolem, {conjunto de clusulas} en SSF al ser
eliminados los cuantificadores existenciales y universales; estar
previamente preprocesadas en la forma normal prenexa, PNF = [ s
s][Matriz(CNF)], en donde se han separado los cuantificadores de la
matriz que se encuentra en forma normal conjuntiva (CNF).
La Lgica de Primer Orden es, en la actualidad, es una de las
herramientas ms importantes para la solucin de problemas. Y su
enfoque corresponde a lo que se ha denominado como la Demostracin
Automtica de Teoremas. En trminos generales, la podemos describir
como: ``Los mtodos para demostrar que un conjunto de clusulas es
insatisfactible, basados en los trabajos de Derbrand". Una manera de
describir la mecnica de los mtodos mencionados es la siguiente: ``A
partir de un conjunto de clusulas originales S, se generan conjuntos de
clusulas base instanciadas (ground instances, tambin aterrizadas).
Los mtodos deben controlar la ``generacin combinatorialmente
explosiva" de nuevas clusulas y obtener un conjunto de clusulas que
resulte ser insatisfactible.

De Herbrand Gilmor Divis y Putman A Robinson
A partir de un conjunto de
clusulas originales S, se
generan conjuntos de
clusulas base instanciadas
Los procedimientos deben
controlar la explosin
combinatori de nuevas
clusulas y obtener un
conjunto de clusulas que
resulte ser insatisfactible.
El mtodo de Herbrad, es la
base de muchos
procedimientos automticos
de prueba que se usan en la
actualidad. Gilmore, en 1960,
fu el primero en presentar
una implementacin en una
computadora, del
procedimiento de Herbrand.
Davis y Putnam,
mejoraron el mtodo,
unos meses despus de
publicado el trabajo de
Gilmore en 1960. Aunque
estos trabajos , resultaron
ser un avance importante,
no son suficientes, pues
muchas frmulas validas
de la lgica de Primer
Orden, no pudieron ser
probadas por una
computadora en un
tiempo razonable.
A partir de los trabajos de los
precursores, han surgido dos
tendencias para mejorar la
eficiencia de los mtodos
mecnicos: Los mtodos basados
en las ideas de Prawitz, 1960; y
los mtodos basados en el
Principio de Resolucin de
Robinson, 1965.
Dado un conjunto S de
clusulas, el algoritmo de
Herbrand genera una
secuencia de conjuntos de
instancias base de S, y
prueba sucesivamente la
insatisfactibilidad de los
conjuntos enerados. El
mtodo se considera terico
(No es un procedimiento
efectivo).
Considerada la estrategia
exhaustiva, fu la primera
implementacin conocida del
mtodo de Herbrand,
generando los conjuntos En
donde es la conjuncin de
todas las instancias base
obtenidas de reemplazar
``todas" las variables en S,
por las constantes del i-simo
nivel del Universo de
Herbrand. Probar la
inconsistencia ahora, es
asunto de la lgica de
proposiciones, y Gilmore uso
para ello el mtodo
multiplicativo (un mtodo
para el clculo de
proposiciones).
Dado un conjunto de
clusulas base S, este
mtodo esencialmente
elimina clusulas
aplicando cuatro reglas
de simplificacin. Obtiene
un conjunto S', y
aplicando el teorema de
Herbrand, se sabe que S'
es insatisfactibles si y
solo si, S es
insatisfactible.
El mtodo de resolucin de
Robinson esta considerado como
el precursor de toda una familia
de mtodos, que hacen uso de
los conceptos centrales, pero
que, de alguna manera proponen
algn refinamiento. Consiste
esencialmente en una extensin
de la regla de la literal simple de
Davis y Putnam. Se aplica
directamente a cualquier conjunto
de clusulas (no necesariamente
clusulas base o aterrizadas),
para probar la insatisfactibilidad
de S. El aspecto central del
mtodo cosiste en probar que si S
contiene la clusula vaca,
entonces es incosistente. En caso
de que S no contenga la clusula
vaca, se intentar derivarla a
partir de las clusulas existentes
en S. Si la clusula vaca es
derivada de las clusulas
existentes, S es inconsistente.

Aunque el problema de encontrar un procedimiento nico para probar la
validez de todas las frmulas del Clculo de Primer Orden, es
irresoluble, existen procedimientos de prueba que pueden verificar si
una frmula es valida (cuando efectivamente lo es), aunque no se pueda
conocer efectivamente cuando una frmula es invalida. En virtud de los
resultados de Church y Turing, el planteamiento anterior es lo mejor que
podemos esperar obtener de un procedimiento de ``Demostracin
Automtica de Teoremas". Los procedimientos de demostracin de
Herbrand y los basados en resolucin, son procedimientos por
refutacin; es decir, en lugar de probar que una frmula es vlida, se
probar que la negacin de la frmula es inconsistente.

7. #%03/0#06 4E %ES6L8/093
El principio de resolucin es debido a J. A. Robinson en 1965. Este principio
puede ser aplicado directamente a cualquier conjunto S de clusulas, no
necesariamente clusulas aterrizadas, para probar la insatisfactibilidad de S.
La idea esencial del principio de resolucin es constatar si S contiene la
clusula vaca , si S contiene a , entonces S es insatisfactible. Si S no
contiene a , lo siguiente a constatar es si puede ser derivada de S. El
constatar la presencia de es equivalente a contar el nmero de nodos de un
rbol semntico cerrado de S. S es insatisfactible si y solo si hay un rbol
semntico cerrado T para S. As, S contiene a si y solo si T consiste en un
solo nodo - el nodo raz. Si S no contiene a , T debe contener ms de un
nodo. Sin embargo, si se puede reducir el nmero de nodos en T a uno,
eventualmente la clusula vaca puede ser forzada a aparecer. Esto es lo que
el principio de resolucin hace. Por tanto se puede ver el principio de resolucin
como una regla de inferencia que puede ser usada para generar nuevas
clusulas de S. Si se ponen estas clusulas en S, algunos nodos del T original
pueden ser forzados a ser nodos faltantes. As, el nmero de nodos en T puede
ser reducido y la clusula vaca ser eventualmente derivada.

RESOLUCON Autores, ao.
Semntica Slagle 1967; Robinson, 1965; Kowalky y Hayes,
1969.
Unitaria Wos et al, 1964; Chang, 1970.
Estrategia de Conjunto de
Soporte
Wos et al, 1965.
Hiperresolucion Robinson 1965
Lock Boyes, 1971.
Lineal Loveland, 1971; Luckham, 1971; Anderson y
Bledsoe, 1971, Yates et al, 1971; Reiter, 1971;
Kowalsky y Kuherner, 1971.

:.) %ES6L8/093 L03EL
La resolucin lineal fue propuesta independientemente por Loveland (1970) y
Luckman (1970). Posteriormente fue reforzada por Anderson y Bledsoe (1970),
Reiter (1971), Kowalski y Kuehner (1971) y Loveland (1972).
Las versiones propuestas por Kowalski y Kuehner (1971) y Loveland
(1972),son las que pueden ser implantadas en una computadora de mejor
manera.
Dado un conjunto S de clusulas, y una clusula Cn en S, una Deduccin
Lineal de Cn de S con la clusula inicial.
Donde:
1.Para i= 0, 1, n-1, Ci+1 es un resolvente de Ci (llamada Clusula Central) y Bi
(Clusula Lateral)
2.Cada Bi esta en S, o es una Cj para algn j, j < i
3.P Q
:.2 %ES6L8/093 4E E3T%4 ; %ES6L8/093 830T%0
Al considerar un refinamiento de resolucin, es deseable que ste sea
completo; esto es, garantizar que la clusula vaca pueda ser siempre derivada
de un conjunto de clusulas insatisfactible.
La resolucin de entrada es un subcaso de la resolucin lineal. Es ms
simple de implementar y aunque no es completa, es ms eficiente que la
resolucin lineal. Podemos mostrar que la resolucin de entrada es equivalente
a la resolucin unitaria. Dado un conjunto de clusulas S, ya que S es el
conjunto original de entrada, podemos denominar a cada miembro de S una
clusula de entrada.
1) Una resolucin de entrada en una resolucin en la cual una de las dos
clusulas padres es una clusula de entrada. Una deduccin de entrada (para
enfatizar el conjunto S de entrada, se le denomina tambin deduccin de
entrada ) es una deduccin en la cual toda resolucin es una resolucin de
entrada. Una refutacin de entrada es una deduccin de entrada de la clusula
vaca desde S.
Una deduccin de entrada es realmente una Deduccin Lineal en la cual toda
clusula de lado es una clusula de entrada y por lo tanto es un subcaso de la
Deduccin Lineal.
Ejemplo.Consideremos el siguiente conjunto de clausulas:
P(x,y,u) P(y,z,v)P(x,v,w)P(u,z,w)
P(g(x,y),x,y)
P(x,h(x,y),y)
P(k(x),x,k(x))
2) La resolucin unitaria es una resolucin en la cual un resolvente es obtenido
por el uso de al menos una clusula padre, o un factor unitario de una clusula
padre. Una deduccin unitaria es una deduccin en la cual cada resolucin es
una resolucin unitaria. Una refutacin unitaria es una deduccin unitaria de la
clusula vaca .
La resolucin unitaria es esencialmente una extensin de la regla de la literal
simple de Davis y Putnam para la Lgica de Primer Orden.
Esta regla es especficamente importante, ya que para deducir de un conjunto
dado de clusulas, se debern obtener, sucesivamente, clusulas menores y la
resolucin unitaria proporciona los medios para progresar rpidamente hacia
las clusulas menores.
Se puede demostrar que la resolucin unitaria y la resolucin de entrada son
equivalentes.
:.7 %ES6L8/093 L03EL 8S346 /L<8S8LS 6%4E34S 4E
03'6%*/093 4E L0TE%LES %ES8ELTS.
Podemos reforzar la resolucin lineal si introducimos el concepto de clusulas
ordenadas (de resolucin semntica), y se usa la informacin de las literales
resueltas anteriormente.
En resolucin, cuando un resolvente es obtenido, las literales resueltas primero
son borradas. Sin embargo, como lo descubrieron Loveland (1968,1969,1972)
y Kowalski y Kuehner (1971) la informacin proporcionada por las literales es
muy til y puede ser usada para mejorar la resolucin lineal.
El algoritmo que emplea los conceptos de clusulas ordenadas y la informacin
de literales resueltas se denomina Deduccin OL (Deduccin Ordenada Lineal).
La Deduccin OL es escencialmente la misma que Loveland (1968,1969 y
1972) ha denominado el mtodo del modelo de eliminacin. La Deduccin de
OL es tambin, esencialmente una Deduccin SL especial de Kowalski y
Kuehner (1971).
:.( %ES6L8/093 L6/=
La resolucin LOCK (Esclusa), es un refinamiento del mtodo de resolucin
que usa un concepto similar al de las clusulas ordenadas.
Dando un conjunto S de clusulas, esencialmente, la idea de la resolucin lock
consiste en usar ndices para ordenar las literales en las clusulas de S. Es
decir, agrega un indexamiento arbitrario a cada ocurrencia de un literal en S, y
asocia a cada una de ellas un entero.
Ocurrencias diferentes de la misma literal, pueden ser indexadas de manera
diferente. La resolucin se permite solamente en literales conteniendo los
ndices menores en cada una de las clusulas. Las literales en los resolventes
heredan los ndices de sus clusulas padre. Si una literal en un resolvente tiene
ms de un ndice heredado posible, el menor de los ndices es el que se le
asigna a la mencionada literal.

:.: %ES6L8/093 SE*<3T0/
Al aplicar el principio de resolucin, se puede generar muchas clusulas
irrelevantes y redundantes.
Con el fin de evitar la generacin de las clusulas innecesarias, supngase que
se puede dividir un conjunto de clusulas en dos grupos: S1 y S2. Y aada la
restriccin de que no se pueden resolver entre s clusulas del mismo grupo.
En resolucin semntica, se usa una interpretacin para dividir las clusulas.
Es por sta razn que a este tipo de resolucin se le llama resolucin
semntica.
Para bloquear ms resoluciones, se usa un esquema llamado ordenamiento de
los smbolos de predicados.
:.> H0#E%%ES6L8/093 ; L EST%T?.0 4EL /63J83T6 S6#6%TE
Estos dos procedimientos son casos especiales de la resolucin semntica.
Diperresolucin
Consideremos una interpretacin en la que toda literal es la negacin de un
tomo. Si se usa esa interpretacin, todo electrn y todo P-resolvente deben
contener nicamente tomos. Similarmente, si toda literal de es un tomo,
entonces todo electrn y todo P-resolvente deben contener nicamente
negaciones de tomos. La hiperresolucion se basa en stas consideraciones:
a. Una clusula es positiva si no contiene ningn signo de negacin. Una
clusula es negativa, si toda literal de ella contiene el signo de negacin.
Una clusula es mezclada si no es positiva ni negativa.
b. Una hiperresolucin positiva es un caso especial de una P-resolucin
en la que toda literal de la interpretacin contiene el signo de negacin.
Se le llama hiperresolucin positiva por que todos los electrones y todos
los P-resolventes en este caso son positivos.

c. Una hiperresolucin negativa es un caso especial de la P-resolucin en
que la interpretacin no contiene ningn signo de negacin. Se le llama
hiperresolucin negativa porque todos los electrones y los P-resolventes
en este caso son negativos.
A menudo, los axiomas de un teorema son representados por clusulas
positivas y mezcladas, y la negacin de la conclusin se representa por una
clusula negativa. En este caso, la hiperresolucin positiva corresponde a
"pensar hacia adelante" (forward), mientras que la hiperresolucin negativa
corresponde a "pensar hacia atrs " (backward).

La estrat4ia del ;on<unto Soporte
Un teorema consiste de un conjunto de axiomas Ai y una conclusin B. Para
probar el teorema, se prueba que A
i
B es insatisfactible. Ya que
A
i
,usualmente es satisfactible, es recomendable resolver clusulas en A
i
.
Esto es precisamente lo que trata de realizar la resolucin del conjunto de
soporte.
Un subconjunto T de un conjunto S de clusulas es llamado conjunto de
soporte de S si, S - T es satisfactible. Una resolucin del conjunto de soporte
es una resolucin de dos clusulas que no provienen de S - T. Una deduccin
del conjunto de soporte es una deduccin en la que toda resolucin es una
resolucin del conjunto de soporte.
:.@ %ES6L8/093 SE*<3T0/ 8S346 /L<8S8LS 6%4E34S
Para la lgica proposicional, el ordenamiento de los smbolos de predicados,
usados en conjuncin con resolucin semntica, es bastante efectivo. Dado un
electrn E, no tenemos, dificultad en aislar una literal de E para ser resuelta.
Sin embargo, para la lgica de primer orden, donde se involucran variables, en
un electrn E puede haber ms de una literal que contiene el mismo smbolo
mayor de E. Cualquiera de estas literales es un candidato para ser resuelta.
Sea una interpretacin en la que todas las literales son negativas, y P
cualquier ordenamiento de los smbolos de predicados. Claramente, E, N, es
un P-choque. Como todas las literales de E contienen el mismo smbolo Q,
todas pueden ser resueltas con N. Por tanto, a partir del P-choque E, N,
podemos obtener cuatro P-resolventes:
Para remediar esta situacin, consideramos las clusulas ordenadas. La idea
de las clusulas ordenadas es la de considerar una clusula como una
secuencia de literales. Al hacerlo, damos el orden de todas las literales de una
clusula.
a) Una clusula ordenada es una secuencia de literales distintas.
b) Una literal se dice que es mayor que una literal en una clusula ordenada (o
es menor que ), si y slo si, sigue a en la secuencia especificada por la
clusula ordenada.
De esta forma, la ltima literal de una clusula ordenada siempre ser
considerada la mayor de la clusula. Por ejemplo, si consideramos como una
clusula ordenada, entonces es la literal mayor.

:.A %ES6L8/093-8%
Es la Regla de nferencia que aplica a un conjunto de clusulas, una de las
cuales debe ser una clusula no unitaria, el resto deben ser clusulas unitarias.
Adems la clusula no unitaria debe contener exactamente una literal ms que
el nmero de (no necesariamente distinto) las clusulas unitarias en el conjunto
del cual la Resolucin UR es aplicable.

:.B #%*648L/093
Es la Regla de nferencia que aplica a un par de clusulas y requiere que al
menos una de las dos contenga una literal de igualdad positiva. produce una
clusula en la cual la sustitucin de igualdad correspondiente a la literal de
igualdad que ha ocurrido.

:.)C %ES6L8/093ES SL4 ; SL43' E3 #%6.%*/093 L6.0/
La programacin lgica es un primer acierto al trabajo de la prueba de
teoremas lgicos. En efecto, la resolucin de la prueba de teoremas forma la
base de la mayora de los sistemas de programacin lgica actuales. La idea
principal que acompaa a la programacin lgica es el uso de la lgica
matemtica como un lenguaje de programacin. ntroducida por Kowalski a
principios de los setentas, fue llevado a la prctica por Colmerauer a travs de
la implementacin de PROLOG, el primer lenguaje de programacin lgica.
En el procedimiento de interpretacin de la programacin lgica cada sentencia
Horn con una conclusin positiva es considerada como una declaracin de
procedimiento para la conclusin y un conjunto de tales declaraciones forma un
programa. La computacin comienza desde una declaracin inicial del objetivo
la cual es una sentencia Horn con una conclusin nula. Las clusulas de
programa son clasificadas de acuerdo a su estructuras sintcticas.
La equivalencia entre semntica declarativa y semntica procedimental. para
programas definidos es bsicamente la validez y la completitud de resolucin
SLD.
SLDNF-resolucin esta pensada como la contraparte de un procedimiento de la
semntica declarativa dada en trminos de programas completados. Este
esquema de resolucin es, para una extensin larga, la base actual de la
programacin lgica. El esquema de resolucin es esencialmente una
resolucin SLD aumentada por la regla de inferencia NAF (Negation as
Failure). La definicin de SLDNF-resolucin es una versin inductiva formal
como opuesta a la versin recursiva. Estas facilidades establecen sus
resultados de validez con respecto a los programas completados.
:.)) %ES6L8/063 40%E//063L
Es una variacin del mtodo original de Davis-Putman y analiza el
comportamiento del peor caso como una funcin de la estructura topolgica de
las teoras proposicionales. R. Dechter and . Rish, 1994.

). L.836S S0STE*S ED#E%0*E3TLES #% L #%8EB 4E
TE6%E*S
El sistema OTTER (Organized Techniques for Theorem- proving and
Effective Reseach) es programa de razonamiento computadorizado
basado en la lgica de predicados que posee una gran gama de
aplicacin en diferentes problemas tal como la validacin y diseo de
circuitos, resolver rompecabezas, correccin de programas, construccin
de objetos, y cualquier problema que necesite colectar informacin que
fluye lgicamente de un conjunto de hiptesis.
OTTER utiliza la misma sintaxis del clculo o lgica de predicados y
realiza sus pruebas mayormente por contradiccin. Puede aplicar
diferentes tipos de reglas de inferencia como resolucin binaria,
hiperresolucin, demodulacin, paramodulacin, y otras variantes de
stas.
Tambin, es capaz de ejecutar en el proceso de prueba, los algoritmos
para transformar las frmulas en clusulas, y el de unificacin, es decir,
OTTER slo necesita el conjunto de axiomas y el teorema o argumento
que queremos demostrar.
Existen varios programas de aplicacion experimental, entre los que
destacan MACE, FNDER, MGTP ,LDPP,SATO, y SEM.

2. #L0//063ES
La Lgica de Predicados, como parte de la Lgica simblica, es una
herramienta sumamente til para representar hechos que ocurren en el mundo
real. Su alto grado de expresividad y flexibilidad para el manejo de smbolos
permite resolver problemas que requieren representarse de manera objetiva y
sin ambigedades. Por esta razn las aplicaciones de la lgica de predicados
se han extendido a diferentes campos de estudio e incluso en problemas de la
vida diaria.
La aplicacin de los mtodos de resolucin es directa en razonamiento
mecanizado, pero ste tiene un sin fin de aplicaciones prcticas. A travs de
programas computacionales se pueden resolver problemas y responder a
preguntas sobre razonamiento. Sus aplicaciones estn en sistemas de bases
de datos y lenguajes de programacin. Esto significa que no slo sirven para
demostrar teoremas o argumentos de Matemtica o Filosofa, sino que tambin
se pueden aplicar las reas de ngeniera, Control industrial y Computacin.
Por ejemplo, se puede revisan el diseo de un circuito lgico o electrnico, al
verificar o probar si se satisfacen los requisitos del diseo. Tambin, pueden
probar la validez de un circuito, o sea, probar que las especificaciones del
circuito son correctas. En sistemas de control industriales, se verifica que la
combinacin de los componentes de produccin sea correcta, gracias a lo cual
pueden evitarse errores que provoquen prdidas o daos fsicos o monetarios
a la industria. En el rea de investigacin matemtica, se ha podido extender
teoras matemticas, pues permite determinar la validez de nuevos teoremas
en la teora, como en la teora de conjuntos y en lgebra booleana.
http3OOQ&.mor.itesm.m(OZloicaOlo66M5OE+uipo18Eic66Otarea/.htm
2.1. ;onocimiento no8montono y Ctras licas.
anto los humanos como los autmatas deben extraer conclusiones &ue son verdad
en los mejores modelos de los hechos &ue se han tenido en cuenta/ 9ay diversos
conceptos de lo &ue es mejor en sistemas di,erentes/ "uchos implican la
minimizacin de algo/ 0 medida &ue se agregan nuevos hechos, algunas de las
anteriores conclusiones no sobreviven/ =or este motivo, el razonamiento &ue
permiti arribar a esas conclusiones &ue han decado, se denomina no-montono/
http:44club/telepolis/com4ohcop4mcnonmon/html
2.1/ 0a'onamiento probabil"stico.
5e,inicin
El razonamiento probabilstico es un caso dentro del razonamiento no
montono/ .uando la probabilidad &ue la verdad de una oracin haya
cambiado con respecto a su valor inicial #por e>emplo ?$, otras
oraciones &ue anteriormente tenan alta probabilidad pueden decaer
hasta tener probabilidad pe&uea o nula/ .uando se con,iguran los
modelos probabilsticos, esto es, cuando se de,ine el espacio para una
muestra de @eventos@ susceptibles de recibir di,erentes valores de
probabilidad, se est apelando a un razonamiento no-montono ms
general, pero la convencin es &ue esto no lo hace la computadora sino
una persona &ue razona in,ormalmente/
'esulta aparente &ue en una situacin in,ormtica abierta de sentido
com:n, no existe espacio general alguno para una muestra de eventos/
0penas se le ponen lmites a dicho espacio general de eventos
considerados y se le aplica alguna distribucin, se est procediendo a
generar teoras probabilsticas/ *as t%cnicas de razonamiento no-
montono consisten en t%cnicas desarrolladas para limitar los
,enmenos tenidos en cuenta/ (i &ueremos limitar los ,enmenos
considerados, debemos recurrir a t%cnicas no-montonas/ #Estoy
con,esando &ue no s% cuales seran esas t%cnicas$/ 0l ,ormar
distribuciones, habra &ue introducir una regla por de,ecto por la cual
dos eventos e? y e8 se deben considerar independientes entre s salvo
&ue haya alguna razn para el otro caso/ No es posible &ue e? y e8 sean
eventos cuales&uiera: tienen &ue ser dos eventos bsicos por lo menos
en algun sentido/
http:44club/telepolis/com4ohcop4mcrazpro/html
2.15 Teorema de 7ayes.
7eorema de 3a%es
1i los sucesos 'i son una particin y I un suceso tal que p)I+ H
<emostracin
Aplicaciones
<iagnstico m(dico )en general clasificaciones no biunvocas+= El diagnstico
consiste en establecer la enfermedad de un paciente, a partir de una serie de
sntomas. Pero los sntomas y las enfermedades no estn ligados de un modo
biunvoco.
Llamemos Ei al con%unto de enfermedades
E7= tuberculosis pulmonarS EO =cncer de pulmnS EF= bronquitis obstructivaS etc.
y 1i a los sntomas y sndromes asociados con las mismas.
17= tosS 1O= estado febrilS 1F= hemotisisS etc.
La informacin accesible en los libros de patologa, o en un archivo de historias
clnicas es del tipo.
Para E7= algunos )digamos el OHX+ tienen hemotisisS muchos )RHX+ tienen tosS
etc.
y lo mismo para las dems enfermedades.
En t(rminos de probabilidad condicionada, esta informacin es
p)1FYE7+ D H,OS p)17YE7+ D H,R etc.
para diagnosticar la tuberculosis se ha de evaluar, para los sntomas que presenta
el paciente p)E7Y1i+ para lo que se puede usar el teorema de Iayes si las
enfermedades forman una particin )son mutuamente e*cluyentes y se consideran
todas las enfermedades compatibles con el sntoma+ y se conocen sus
prevalencias.
Ntese que un mismo con%unto de sntomas podra dar lugar a un diagnstico
diferente en poblaciones en las que las prevalencias fueran diferentes.
Pruebas diagnsticas= 1upngase una prueba diagnstica, por e%emplo nivel de
glucosa en sangre, en ayunas, para diagnosticar la diabetes. 1e considera que la
prueba es positiva si se encuentra un nivel por encima de un cierto valor, digamos
7OH mg?l.
Para evaluar la prueba, )habr que hacerlo para distintos valores de corte+ se
somete a la misma a una serie de individuos diab(ticos diagnosticados por otro
procedimiento )el patrn de oro o ;gold standar;+ y a una serie de individuos no
diab(ticos. Los resultados se pueden representar en una tabla de doble entrada


Patrn de oro



NE E
Prueba
" a b r
Z c d s

t u
1i la prueba fuera perfecta bDcDH, desgraciadamente nunca ocurre. 1e denomina
coeficiente falso-positivo )$,P+ al cociente c?t, y es una estimacin de la
probabilidad condicionada p)ZYNE+, se denomina coeficiente falso-negativo )$,N+ al
cociente b?u, y es una estimacin de la probabilidad condicionada p)"YE+. Estos dos
coeficientes cuantifican los dos errores que la prueba puede cometer y caracterian
a la misma. 1im(tricamente, los coeficientes que cuantifican los aciertos son la
sensibilidad, p)ZYE+, y la especificidad p)"YNE+.
$uando la prueba se usa con fines diagnsticos )o de ;screening;+ interesa calcular
p)EYZ+ y?o p)NEY"+.
$omo E y NE son una particin, usando el Jeorema de Iayes
y
Ntese que ambas dependen de la prevalencia de la enfermedad= una prueba
diagnstica que funciona muy bien en la clnica 0ayo, puede ser in&til en el 2ospital
3amn y $a%al.
8emplo C=
una prueba diagnstica para la diabetes tiene un $,P de >X y un $,N del :X. 1i la
prevalencia de la diabetes en la poblacin donde se usa es del GX Mcul es la
probabilidad de que sea diab(tico un individuo en el que la prueba d( positivaA y
Mde que no lo sea uno en el que d( negativoA
p)ZYNE+ D H,H> p)"YNE+ D H,89
p)"YE+ D H,H: p)ZYE+ D H,8:
p)E+ D H,HG p)NE+ D H,8F
y
Pruebas en serie= $uando se aplican pruebas en serie, para cada prueba p)E+ y
p)NE+, sern la p)EYZ+ y p)NEYZ+ de la prueba anterior )si dio positiva+ o p)EY"+ y
p)NEY"+ si dio negativa.
http://www.hrc.es/bioest/Probabilidad_18.html
eorema de -ayes/
En el a/o 1YL% dos a/os despu0s de la muerte de 2homas Bayes &1YX2A1YL1)% se
public una memoria en la $ue aparece% por ,e4 primera% la determinacin de la
probabilidad de las causas a partir de los efectos $ue han podido ser obser,ados. El
c.lculo de dichas probabilidades recibe el nombre de teorema de >a'es.
eorema de -ayes
6ea A
3
, A
4
, 555,A
n
un sistema completo de sucesos% tales $ue la probabilidad de cada uno de
ellos es distinta de cero% ' sea B un suceso cual$uier del $ue se conocen las probabilidades
condicionales +(B,A
i
). entonces la probabilidad +(A
i
,B) ,iene dada por la expresin:
En los problemas relacionados con la probabilidad% ' en particular con la probabilidad
condicionada% as( como con la probabilidad total ' el teorema de >a'es% es aconsejable
$ue% con la informacin del problema% constru'as una tabla de contingencia o un
diagrama de .rbol.
http://thales.cica.es/rd/Recursos/rd98/Matematicas/28/8.html
Ejercicio 8-1
7res m.$uinas% A, B ' .% producen el !F[% X[ ' 2F[% respecti,amente% del total de
las pie4as producidas en una f.brica. #os porcentajes de produccin defectuosa de estas
m.$uinas son del [% ![ ' F[.
a. 6eleccionamos una pie4a al a4ar= calcula la probabilidad de $ue sea defectuosa.
b. 7omamos% al a4ar% una pie4a ' resulta ser defectuosa= calcula la probabilidad de
haber sido producida por la m.$uina B.
c. \Ku0 m.$uina tiene la ma'or probabilidad de haber producido la citada pie4a
defectuosaH
!olucin
6ea (N Dla pie4a es defectuosaD ' 6N Dla pie4a no es defectuosaD. #a informacin del
problema puede expresarse en el diagrama de .rbol adjunto.
a. +ara calcular la probabilidad de $ue la pie4a elegida sea defectuosa% +(()% por la
propiedad de la probabilidad total%
+(() 7 +(A) 8 +((,A) 9 +(B) 8 +((,B) 9 +(.) 8 +((,.) 7
N X.!F ] X.X U X.X ] X.X! U X.2F ] X.XF N X.XW
b. -ebemos calcular +(B,(). +or el teorema de >a'es%
c. :alculamos +(A,() ' +(.,()% compar.ndolas con el ,alor de +(B,() 'a
calculado. Aplicando el teorema de >a'es% obtenemos:
#a m.$uina con ma'or probabilidad de haber producido la pie4a defectuosa es A
Ejercicio 8-"
7enemos tres urnas: A con bolas rojas ' F negras% B con 2 bolas rojas ' 1 negra ' .
con 2 bolas rojas ' negras. Escogemos una urna al a4ar ' extraemos una bola. 6i la
bola ha sido roja% \cu.l es la probabilidad de haber sido extra(da de la urna AH
!olucin
#lamamos RN Dsacar bola rojaD ' 6N Dsacar bola negraD. En el diagrama de .rbol
adjunto pueden ,erse las distintas probabilidades de ocurrencia de los sucesos R o 6
para cada una de las tres urnas.
#a probabilidad pedida es +(A,R). <tili4ando el teorema de >a'es% tenemos:
Unidad 2. 6istemas de ra0onamiento
l$gico.
&.. 0elas de produccin.
7endencia en IA &YX*s): &i) aplicaciones reales &ii) incorporar grandes cantidades de
conocimiento ,s. sistemas gen0ricos &e.g.% ^+6)
28:I3: diagnstica ' recomienda terapia de infecciones bactereolgicas de la sangre
5e$uerimientos:
<til &un .rea de necesidad reconocida)
:apacidad de considerar una gran cantidad de conocimiento t0cnico cambiante
&reglas)
-i.logo interacti,o &simblico)
?tros puntos:
,elocidad
accesibilidad ' facilidad de uso
con 0nfasis como herramienta de soporte
En el dominio se tienen $ue tomar desiciones con informacin incompleta
Alrededor de 2XX reglas% 2! funciones ' WX atributos
:ada regla es un peda4o de conocimiento modular ' dice expl(citamente en sus
condiciones el contexto necesario
:aracter(sticas +rincipales:
6e usan slo conjunciones en las condiciones de las reglas
:ada regla puede tener m.s de una conclusin &accin)
6u mecanismo de inferencia es encadenamiento hacia atr.s% con b1s$ueda
depth"first en un .rbol A3-/?5
6e consideran todas las reglas $ue pueden aplicarse
2aneja factores de certe4a &o certidumbre). 6u regla de combinacin es: m(nimo
en las condiciones A3- ' m.ximo entre opciones &reglas) ?5
Iactores en rango se deshechan
^uiado por metas generali4adas: trata de encontrar toda la informacin
relacionada con la meta
6i no puede deducir la informacin le pregunta al usuario
6e eti$uetan algunas condiciones como preguntables &#A>-A7A) para e,itar
tratar de inferirlas cuando es mu' probable $ue el usuario las cono4ca.
Intenta primero aplicar reglas con ,alores conocidos &unity path)
2antiene lo $ue ,a e,aluando para e,itar tratar de reAe,aluar
6e hace una preAe,aluacin en las condiciones de las reglas para eliminar las $ue
sean inmediatamente falsas &previe$).
#a preAe,aluacin in,olucra MMplantillas** templates
7iene ciertas reglas de MMsentido com1n** para e,itar un proceso largo usando un
encadenamiento hacia adelante.
<sa metaAreglas para ordenar/guiar el proceso deducti,o
<so de contextos: paciente% infeccin% culti,o ' organismo% ' propiedades
MMb.sicas** &a e,aluar/preguntar) para guiar el mecanismo de ra4onamiento
6uposiciones:
6e tiene un formato preAestablecido por lo $ue es dif(cil expresar todo el
conocimiento en el.
6e asume $ue el conocimiento puede describirse en forma de reglas% las reglas '
cmo se usan son suficientes para dar explicaciones% los expertos pueden
reconocer su experiencia en las reglas% las reglas son suficientemente sencillas%
expresi,as e intuiti,as
6lo un n1mero reducido de condiciones &L) se consideran por cada regla ' cada
condicin es independiente de las otras
3o se re$uieren muchas reglas de encadenamiento hacia adelante
El mecanismo de explicacin es adecuado
#os expertos pueden expresar su conocimiento en forma de reglas
El mecanismo de re4onamiento modus ponens es adecuado
El ,ocabulario empleado es adecuado
Evaluacin de 'eglas como 'epresenatacin de .onocimiento
-esempe/o: depende de la cantidad ' profundidad de su conocimiento
#a modularidad de las reglas es fundamental para un buen desempe/o &entre
otros para a/adir nue,as reglas% detectar inconsistencias% reglas subsumidas por
otras% etc)
#a modularidad implica $ue toda la informacin contextual debe de estar
inclu(da en la regla ' ninguna regla llama directamente a otra. Esto puede
pro,ocar reglas demasiado grandes.
En encadenamiento hacia atr.s no es f.cil mapear un conjunto de pruebas a las
metas &pensar MMal re,es**)
El formalismo slo permite pruebas de predicados &i.e.% no puede tener: para
todo organismo ... esto lo tienen MMparchado** en algunas metaAreglas pero les
complica el sistema de explicacin)
Explicacin: debe de ser MMnatural** ' transparente para los expertos &ra4ones de
usar proceso simblico ' reglas).
:apacidades: &i) mostrar en cual$uier momento la regla considerada &ii)
almacenar las reglas utili4adas para propsitos de explicacin &iii) encontrar
reglas espec(ficas para contestar alg1n tipo de pregunta
Extensiones: &i) preguntar por$u0 no tomo ciertas acciones &ii) combinar la
explicacin con MMmedidas de informacin** para dar explicaciones a diferente
detalle
Ase,eracin: el ni,el de detalle de conocimiento es adecuado por$ue lo dieron
los expertos
Ad$uisicin: es f.cil de formali4ar en forma de reglas el dominio m0dico
#as explicaciones permiten encontrar fallas en la base de conocimiento '
facilitan su modificacin
#a ad$uisicin se puede hacer en lenguaje natural por$ue el lenguaje
considerado es suficientemente restringido
#a ad$uisicin debe de estar libre de contradicciones% redundancias '
subsumciones. +roblemas con contradicciones indirectas% efectos secundarios
&i.e.% actuali4acin de informacin relacionada)
Algunas limitaciones:
algunos conceptos no son f.ciles de expresar en forma de reglas
el ra4onamiento hacia atr.s no parece ser adecuado para estructurar grandes
cantidades de conocimiento
#a sintaxis de las reglas asume slo conjunciones de pruebas proposicionales
#a informacin se introduce slo al responder preguntas
#as suposiciones sobre las cuales se basa el manejo de los factores de certe4a
son mu' restricti,as
http://www.mor.itesm.mx/Vrdec/nodeYF.html
?a% muchas formas de representar el conocimiento en
un sistema eBperto. 8l m)todo m&s utili0ado son las
reglas de producci$n.
-na regla de produccin toma la siguiente forma general=
6I Dson ciertos determinados hechosE
897F9+86 Dse consideran ciertos otros hechosE
Estas reglas residen en la base de conocimientos, en una especie de fichero de
te*to. El programa de inferencia, verdadero motor del sistema e*perto se encarga
de combinar estas reglas, interactuando con el usuario a trav(s del interfa del
usuario.
http://ciberconta.uni4ar.es/#E::I?3/IA/2X.B72
I. Reglas de produccin
A menudo, es convenente representar a naturaeza dnmca
de una apcacn de a IA por un con|unto de regas hechas de
condcones y accones. Las regas de produccn son un tpo de
rega "S...entonces...", basada en condcones y accones. Una
de as regas que hace que as accones de a rega a e|ecutar
den ugar a nuestras descrpcones producen ms accones (de
aqu e nombre de "regas de produccn"), as hasta que e
sstema encuentre a soucn o se detenga.
Un sstema consstente en un con|unto de regas de produccn,
son os operadores en e sstema, es decr, as que se usan para
manpuar as bases de datos. Los engua|es de estos sstemas
de produccn, taes como OPS5, factan a representacn de
conocmento en regas de produccn. Cada una de estas
regas est embebtada en una peza de conocmento que
puede ser aadda o qutada de sstema segn as necesdades.
La parte "SI..." y a parte "entonces..." pueden estar
compuestas de ms de una frase por e|empo, "S es dcembre
y ests en e norte de crcuo antrtco, entonces necestas un
buen abrgo... y ...una nterna da y noche".
E formato "S... Entonces..." de as regas de produccn hace
reatvamente fc codfcar os sstemas expertos de
conocmento, pero frecuentemente pensamos sobre a
experenca de una manera: "S... Entonces...".
Las regas de produccn en sstemas expertos escrtas en e
OPS5 no necestan acogerse a un orden partcuar por que e
contro de fu|o en un programa no est determnado por e
orden en e que e programador ha codfcado as regas. En
ugar de eso as regas son canddatas a actuar cuando os
eementos "S..." son satsfactoros por e estado actua de
sstema, que contnuamente camba a r actuando as regas.
Expctamente as estructuras de contro en agunos programas
pueden tambn mtar a apcabdad de aguna rega en
agn momento. La capacdad para aadr o qutar regas de
produccn en agn punto de sstema sn consderaras por
orden ayuda a desarroar e traba|o ms fcmente.
http!!""".uap.edu.pe!#ac!$%!tra&a'os!$%%$(!isi
)%$**!go+!ia.html
&./ Sinta(is de las relas de produccin.
8 A
1
A
2
... A
n
9: ;
8 representacin ob<eto8atributo8valor
5epresentacin: objetoAatributoA,alor
&literalize :b1eto Atributo3 Atributo4 Atributo6)
#os atributos solo pueden tener un ,alor a menos $ue se declaren como ,ectores
Instanciaciones de objetos &asignar ,alores con constantes o con nil)
#as instanciaciones se a/aden a la memoria de trabajo ' se les asigna un n1mero entero
positi,o o eti$ueta de tiempo &timeAtag)
+ara ,er los elementos de la memoria de trabajo: &$m) e.g.%
3;<&paciente ^nombre =uan ^edad 4;
^s>ntoma fiebre)
6intaxis:
&p _ nombre O_ lhs O --> _ rhs O)
e.g.%
(p ejemplo
(paciente ^sintoma = fiebre)
(datos-lab ^celulas-T < !!)
--"
(ma#e paciente ^dia$nostico sida))
AtributoApredicadoA,alor
+redicado: _% _N% ON% O% _O% N
6i no se pone ning1n predicado se asume $ue es: N
El interprete aparea condiciones de las reglas con elementos de la memoria de trabajo:
e.g.% &paciente ^edad _ ?;)
2emoria de trabajo:
3< &paciente ^nombre 1uan ^edad @;)
4< &paciente ^nombre mar>a ^edad ?@)
Extenciones:
&paciente ^edad `O 2X _ FXa) &con1uncin)
&paciente ^$ueja __ fiebre dolorAdeAcabe4a OO)
&dis1uncin)
Acciones:
maAe: crea un elemento en la memoria de trabajo
remove: elimina un elemento de la memoria de trabajo
modify: cambia un elemento de la memoria de trabajo
#os atributos no mencionados en maAe se les asigna nil e.g.%
&literalize persona nombre edad)
&maAe persona ^nombre 1uan)
3< &persona ^nombre 1uan ^edad nil)
5emo,e: e.g.%
&remove 3;)
&remove B)
2odif': hace un remo,e seguido de un maGe. e.g.%
&literalize persona nombre)
(p chafa
(persona ^nombre anonimo)
--"
(modif% ^nombre juan))
3< &persona ^nombre annimo)
C< &persona ^nombre 1uan)
?tras instrucciones: openfile% closefile% accept% write
Pariables: se ponen entre MM_ O**: _ x O% _ 3 O%
_ cual$uierAcosa O% e.g.%
&persona ^nombre 7 _n O ^edad 7 4;)
<na ,ariable puede instanciarse a un elemento de la memoria de trabajo: `&persona
^nombre 1uan) _persOa% e.g.%
(p ejemplo
&(persona ^nombre juan) <pers "'
--"
(remove <pers "))
(p arteria-pe(uenias
(arteria ^nombre = <n " ^diametro < ))
(bra*o ^conducto-san$uineo = <n ")
--"
(ma#e arteria-pe(uenia ^nombre <n "))
Interprete: ?+6F usa encadenamiento hacia adelante
:riterios:
#Eb &lexical): preferencia por datos m.s recientes% las reglas m.s espec(ficas '
arbitrario
2EA &2eansAEnds Anal'sis): da preferencia a la primera condicin &contextos)
Ejemplo &ancestros):
nombre madre padre
^aia A :aos
:ronos ^aia <rano
5hea ^aia <rano
Reua 5hea :ronos
Bephaestus Bera Reus
#eto Iebe :oeus
Bera 5hea :ronos
Apolo #eto Reus
&literalize persona nombre madre padre)
En ?+6F no ha' recursin% por lo $ue necesitamos un objeto intermedio para guardar
los ancestros intermedios
&literalize mientras nombre)
3ecesitamos otro objeto para empe4ar todo &es com1n)
&literalize empieza)
5egla iniciali4adora:
(p pre$unta
&(empie*a) <inicia "'
--"
(remove <inicia ")
(+rite (crlf) ,ame el nombre- )
(ma#e mientras ^nombre (accept)))

(p ancestro
&(mientras ^nombre &<ancestro " <" nil ') <emt "'
(persona ^nombre <ancestro " ^madre <nombre-m "
^padre <nombre-p ")
--"
(remove <emt ")
(+rite (crlf) <nombre-m " % <nombre-p " son
ancestros de <ancestro ")
(ma#e mientras ^nombre <nombre-m ")
(ma#e mientras ^nombre <nombre-p "))
7ambi0n hace falta declarar la tabla de ancestros:
&maAe persona ^nombre &aia ^padre .aos)
&maAe persona ^nombre .ronos ^madre &aia
^padre Drano)
http://www.mor.itesm.mx/Vrdec/nodeYX.html
'epresentacin del conocimiento
".#.1.1 Representaciones $asadas en la lgica de proposiciones extendida
#os tradicionales sistemas de aprendi4aje han utili4ado con gran asiduidad% para
representar el conocimiento% una extensin de la lgica de proposiciones% denominada
lgica DXUD o representacin objetoAatributoA,alor. -entro de la misma% pueden
englobarse m0todos de representacin e$ui,alentes como los .rboles de decisin% las
reglas de produccin ' las listas de decisin:

%r$oles de decisin
#os .rboles de decisin son una forma de representacin sencilla% mu' usada entre los
sistemas de aprendi4aje super,isado% para clasificar ejemplos en un n1mero finito de
clases. 6e basan en la particin del conjunto de ejemplos seg1n ciertas condiciones $ue
se aplican a los ,alores de los atributos. 6u potencia descripti,a ,iene limitada por las
condiciones o reglas con las $ue se di,ide el conjunto de entrenamiento= por ejemplo%
estas reglas pueden ser simplemente relaciones de igualdad entre un atributo ' un ,alor%
o relaciones de comparacin &Dma'or $ueD% etc.)% etc.
#os sistemas basados en .rboles de decisin forman una familia llamada 7-I-7 &7opA
-own Induction of -ecision 7rees)% cu'o representante m.s conocido es I-
& cKuinlan% WLd ).
I- &Interacti,e -ichotomi4er) se basa en la reduccin de la entrop(a media para
seleccionar el atributo $ue genera cada particin &cada nodo del .rbol)% seleccionando
a$u0l con el $ue la reduccin es m.xima. #os nodos del .rbol est.n eti$uetados con
nombres de atributos% las ramas con los posibles ,alores del atributo% ' las hojas con las
diferentes clases. Existen ,ersiones secuenciales de I-% como I-F5 & c<tgoff% WCd ).
:!.F & cKuinlan% Cd % cKuinlan% CLd ) es una ,ariante de I-% $ue permite clasificar
ejemplos con atributos $ue toman ,alores continuos.

Reglas de produccin
<na des,entaja de los .rboles de decisin es $ue tienden a ser demasiado grandes en
aplicaciones reales '% por tanto% se hacen dif(ciles de interpretar desde el punto de ,ista
humano. +or ello% se han reali4ado di,ersos intentos para con,ertir los .rboles de
decisin en otras formas de representacin% como las reglas de produccin. A$u(
consideramos reglas de produccin del tipo siAentonces% basadas en lgica de
proposiciones. El consecuente es una clase% ' el antecedente es una expresin
proposicional% $ue puede estar en forma normal conjunti,a &:3I) o ser simplemente un
t0rmino.
En cKuinlan% WYd se propone una t0cnica para construir reglas de decisin% basadas en
lgica de proposiciones% a partir de .rboles de decisin. El problema es $ue incluso las
reglas de produccin as( obtenidas pueden resultar demasiado complejas para un
experto humano.
Algunos sistemas como +5I62% descrito en c:endrowsGa% WWd % generan directamente
reglas algo m.s sencillas% sin tener $ue construir el .rbol pre,iamente% mediante un
algoritmo parecido a I- ' con una precisin similar.
#a familia AK & c2ichalsGi% WYd ) la forman sistemas &AK11% AK1F% etc.) $ue generan
descripciones estructurales% por diferenciarlas de las descripciones de atributos de los
sistemas anteriormente mencionados. Estas descripciones son tambi0n reglas de
produccin% aun$ue con ma'or capacidad descripti,a% pues su antecedente es una
frmula lgica. #a notacin utili4ada en estas reglas se denomina P#1 &PariableA,alued
#ogic s'stem 1% ,0ase c-ietterich ' 2ichalsGi% W!d )% ' permite utili4ar selectores
&igualdad entre un atributo ' un ,alor o conjunto de ,alores)% complejos &conjunciones
de selectores) ' dis'unciones de complejos para construir las reglas de produccin.

&istas de decisin
#as listas de decisin son otra forma de representacin basada en lgica de
proposiciones. Es una generali4acin de los .rboles de decisin ' de representaciones
conjunti,as &:3I) ' dis'unti,as &-3I). <na lista de decisin es una lista de pares de la
forma
'd1, (1), 'd", ("),..., 'dn, (n)
donde cada di es una descripcin elemental% cada :i es una clase% ' la 1ltima
descripcin :n es el ,alor ,erdadero. #a clase de un objeto ser. :j cuando dj sea la
primera descripcin $ue lo satisface. +or tanto% se puede pensar en una lista de decisin
como en una regla de la forma Dsi d1 entonces :1% sino si d2...% sino si dn entonces :nD.
6e usan por ejemplo en el sistema :32 & c:larG ' 3iblett% WCd ) $ue es una modificacin
del sistema AK% $ue pretende mejorar el aprendi4aje a partir de ejemplos con ruido &al
e,itar la dependencia de ejemplos espec(ficos e incorporar una poda del espacio de
b1s$ueda). #as descripciones elementales de los pares $ue forman la lista de decisin
tienen la misma forma $ue los complejos de AK.
".#.1." Representaciones $asadas en la lgica de predicados de primer orden
Aun$ue las representaciones basadas en lgica de proposiciones han sido usadas con
0xito en muchos sistemas de aprendi4aje en ordenadores% tienen algunas importantes
limitaciones & c2uggleton% C2d )% superadas por la lgica de predicados de primer orden%
$ue restringen su campo de aplicacin:
+otencia expresi,a: #as representaciones basadas en lgica de proposiciones
limitan la forma de los patrones $ue pueden ser representados% 'a $ue% en
general% no pueden expresar relaciones. As(% por ejemplo% no se pueden
representar &al menos de un modo sencillo) patrones en los $ue se cumpla una
relacin de igualdad entre dos atributos &slo se permitir(a expresar la igualdad
entre un atributo ' un ,alor constante).
:onocimiento de base : Es dif(cil incorporar conocimiento de base en el
proceso de aprendi4aje. <na forma sencilla de conocimiento de base la
constitu'en restricciones impuestas a las descripciones generadas por el sistema%
aun$ue 0sto puede resultar demasiado restricti,o.
5estricciones en el ,ocabulario: #as descripciones de los sistemas actuales
,ienen limitadas por un ,ocabulario fijo de atributos proposicionales. +odr(a ser
mu' 1til tener la posibilidad de mejorar la representacin mediante la in,encin
de nue,os predicados.
7odas estas limitaciones pueden superarse con una representacin del conocimiento m.s
potente: la lgica de predicados de primer orden. :ada ,e4 ha' m.s sistemas de
aprendi4aje en ordenadores $ue utili4an de alg1n modo la lgica de primer orden%
surgiendo as( un nue,o .rea de inter0s llamado programacin lgica inducti,a &en ingl0s
Inducti,e #ogic +rogramming o I#+). El objeti,o de la programacin lgica inducti,a
es construir un programa lgico &en lgica de predicados de primer orden) $ue% junto al
conocimiento $ue se tenga del dominio% tenga como consecuencia lgica el conjunto de
entrenamiento del sistema.
#a presente tesis se enmarca dentro del paradigma de la programacin lgica inducti,a%
por ello% en el apartado 2.! % desarrollaremos este punto en ma'or detalle% fij.ndonos en
algunos de sus sistemas m.s representati,os.
".#.1.# Representaciones estructuradas
#as representaciones estructuradas de conocimiento tienen una gran potencia expresi,a
&aun$ue% en teor(a% no ma'or $ue la de la lgica de predicados de primer orden) '
permiten una f.cil interpretacin del mismo. Entre las representaciones estructuradas se
pueden incluir las redes sem.nticas ' los marcos. En cual$uier caso% el conocimiento
expresado mediante una de estas representaciones estructuradas puede ser traducido
f.cilmente a lgica de predicados de primer orden.

Redes semnticas
El t0rmino de red sem.ntica surge a partir del modelo de memoria sem.ntica de Kuillian
&1CLW)% con el $ue pretend(a representar el significado de los ,ocablos del idioma ingl0s.
En una red sem.ntica la representacin consta de un conjunto de nodos &conceptos)%
unidos entre s( por diferentes clases de enlaces asociati,os &relaciones). A su ,e4% las
relaciones entre un concepto ' su clase% denominadas relaciones de subtipo &ej.
instancia"de% es"un)% a ,eces se representan en una red separada.
#a principal ,entaja de las redes sem.nticas es $ue toda la informacin relati,a a un
objeto concreto se obtiene f.cilmente a partir del mismo% siguiendo los arcos $ue parten
de 0l.
+ara aplicar la miner(a de datos con redes sem.nticas% se representa cada ejemplo como
una red sem.ntica% ' las operaciones $ue se reali4an consisten en manipular los grafos%
para encontrar los patrones &subgrafos) $ue cumplen todos los ejemplos de la misma
clase.
Es pr.ctica com1n el denominar red sem.ntica a todo formalismo con forma de red
usado para representar conocimiento. 6in embargo% es m.s preciso considerar como
tales slo las $ue se dedican a la representacin del lenguaje natural% ' denominar% en
general% redes asociati,as a todas ellas & c2ira et al.% CFd ).
<na red asociati,a es una red &conjunto de nodos unidos entre s( por enlaces) en la $ue
los nodos representan conceptos ' los enlaces representan relaciones &de pertenencia%
inclusin% causalidad% etc.) entre los conceptos. -entro de las redes asociati,as se
inclu'en: las redes sem.nticas &destinadas a representar o comprender el lenguaje
natural)% las redes de clasificacin &representan conceptos mediante una jerar$u(a de
clases ' propiedades) ' las redes causales &representan relaciones de influencia%
generalmente de causalidad% entre ,ariables).
#as redes de clasificacin pueden considerarse redes sem.nticas slo cuando
representan conocimiento taxonmico de conceptos% pero no cuando se utili4an dentro
de un sistema experto basado en marcos para definir clases e instancias.
#as redes causales representan un modelo en el $ue los nodos corresponden a ,ariables
' los enlaces a relaciones de influencia% generalmente de causalidad. #os modelos
causales se orientan% sobre todo% a problemas de diagnstico. #as redes ba'esianas
pueden considerarse como redes causales a las $ue se ha a/adido una distribucin de
probabilidad sobre sus ,ariables.

*arcos
El concepto de marco fue introducido por 2insG' &1CYF) como m0todo de
representacin del conocimiento ' de ra4onamiento% intentando superar las limitaciones
de la lgica a la hora de abordar problemas como la ,isin artificial% la comprensin del
lenguaje o el ra4onamiento de sentido com1n & c2ira et al.% CFd ).
<n marco es una estructura de datos% formada por un nombre ' un conjunto de campos
&o ranuras% del ingl0s slots)% $ue se rellenan con ,alores para cada ejemplo concreto. #as
ranuras pueden llenarse con ,alores de atributos o con referencias a otros marcos para
expresar las relaciones de subtipo% como la relacin es"un% en cu'o caso se heredan los
atributos del marco de ni,el superior.
>as.ndose en el concepto de marco% se desarroll el lenguaje de programacin @5#
&@nowledge 5epresentation #anguage)% para representar el conocimiento de forma
estructurada. #a ingenier(a del software tambi0n hered de la inteligencia artificial el
concepto de marco para construir la orientacin a objetos &puede obser,arse el gran
parecido entre los objetos de la programacin orientada a objetos ' los marcos).
Entre los sistemas de aprendi4aje $ue utili4an marcos para representar el conocimiento
ad$uirido% podemos mencionar el sistema E<5I6@? & c#enat.% W!d ).
El conocimiento expresado mediante marcos puede traducirse f.cilmente a lgica de
predicados de primer orden% aun$ue perdiendo la ,entaja de ser estructurado.
".#.1.+ Representaciones $asadas en ejemplos
#os sistemas de aprendi4aje basado en ejemplos &InstanceA>ased #earning algorithms)
representan el conocimiento mediante ejemplos representati,os% bas.ndose en
DsimilitudesD entre los datos & cAha et al.% C1d ). El aprendi4aje consiste en la seleccin
de los ejemplos $ue mejor representan a los conceptos existentes en la base de datos &se
trata de aprendi4aje super,isado)= estos ejemplos representati,os ser.n los 1nicos $ue se
almacenen% reduciendo as( considerablemente el espacio necesario. El principal
problema de estos sistemas es $ue se necesita una funcin de DsimilitudD% a ,eces dif(cil
de definir% para clasificar los nue,os ejemplos seg1n sea su parecido con los ejemplos
prototipo.
#os algoritmos de aprendi4aje basado en ejemplos surgieron a partir de los
clasificadores por ,ecindad &nearestAneighbor classifier)% ' han ad$uirido importancia
m.s recientemente con los sistemas de ra4onamiento basado en casos &caseAbased
reasoning)% para diagnstico ' resolucin de problemas. Adem.s% pueden utili4arse
como paso pre,io a otros sistemas de aprendi4aje a partir de ejemplos% para entrenarlos
con conjuntos de ejemplos m.s pe$ue/os ' representati,os.
".#.1., Redes neuronales
#as redes neuronales & c#ippmann% WYd % cIreeman ' 6Gapura% Cd % cBert4 et al.% C1d )%
incluidas dentro de los modelos conexionistas% son sistemas formados por un conjunto
de sencillos elementos de computacin llamados neuronas artificiales. Estas neuronas
est.n interconectadas a tra,0s de unas conexiones con unos pesos asociados% $ue
representan el conocimiento en la red. :ada neurona calcula la suma de sus entradas%
ponderadas por los pesos de las conexiones% le resta un ,alor umbral ' le aplica una
funcin no lineal &por ej. una sigmoide)= el resultado sir,e de entrada a las neuronas de
la capa siguiente &en redes como el perceptrn multicapa).
<no de los algoritmos m.s usado para entrenar redes neuronales es el bacGApropagation%
$ue utili4a un m0todo iterati,o para propagar los t0rminos de error &diferencia entre
,alores obtenidos ' ,alores deseados)% necesarios para modificar los pesos de las
conexiones interneuronales. El bacGApropagation puede considerarse como un m0todo
de regresin no lineal & cIa''ad et al.% CLbd )% en el $ue aplica un descenso de gradiente
en el espacio de par.metros &pesos)% para encontrar m(nimos locales en la funcin de
error.
#as redes neuronales han sido utili4adas con 0xito en diferentes tipos de problemas:
AutoAasociacin: la red genera una representacin interna de los ejemplos
aportados% ' responde con el m.s aproximado a su DmemoriaD. Ejemplo:
m.$uina de >olt4man.
:lasificacin de patrones: la red es capa4 de clasificar cada entrada en un
conjunto predefinido de clases. Ej.: bacGApropagation.
-eteccin de regularidades: la red se adapta a los ejemplos de entrada% tomando
de ellos ,arias caracter(sticas para clasificarlos= en este caso% el conjunto de
clases no est. definido de antemano% por lo $ue el aprendi4aje es no super,isado.
Ej.: red 2Ab3E7% A571% mapas de @ohonen% red de ?ja% etc.

#as tasas de error de las redes neuronales son e$ui,alentes a las de las reglas generadas
por los m0todos de aprendi4aje simblicos% aun$ue son algo m.s robustas cuando los
datos son ruidosos. #as principales des,entajas para usar redes neuronales en la miner(a
de datos son:
el aprendi4aje es bastante m.s lento $ue en un sistema de aprendi4aje simblico
& c6ha,liG et al.% CXd )=
el conocimiento obtenido por las mismas no es representable en forma de reglas
inteligibles% sino $ue lo forma el conjunto de pesos de las conexiones
interneuronales=
adem.s% es dif(cil incorporar conocimiento de base o interaccin del usuario en
el proceso de aprendi4aje de una red neuronal.
http://www.gsi.dit.upm.es/Vanto/tesis/html/stateart.html
#os sistemas de produccin proporcionan una representacin adecuada para
las funciones de seleccin de acciones. <n sistema de produccin est.
formado por un conjunto de reglas% denominadas reglas de produccin. :ada
regla se escribe de la siguiente manera:

.i -----A 0i
-onde :i es la condicin ' Ai es la accin.
#a condicin de una regla puede ser cual$uier funcin booleana%
definida sobre el ,ector de caracter(sticas. #a seleccin de la accin se reali4a
de la siguiente manera: se comien4a con la primera regla% se busca% siguiendo
el orden establecido en el conjunto de reglas% una de ellas en la $ue la
e,aluacin de su condicin proporcione el ,alor 1 &,erdadero)% ' se selecciona
su parte de accin. #a parte de accin puede ser una accin primiti,a% una
llamada a otro sistema de produccin o un conjunto de acciones $ue tienen
$ue ser ejecutadas simult.neamente. En la ma'or parte de los casos% la 1ltima
opcin de la regla% tiene como condicin el ,alor 1% ' por tanto% si ninguna de
las condiciones de las reglas anteriores toma el ,alor 1% se ejecuta por defecto
la accin asociada a esta 1ltima regla.
2ediante t0cnicas de b1s$ueda ' procesos de unificacin% los sistemas
basados en reglas automati4an sus m0todos de ra4onamiento ' proporcionan
una progresin lgica desde los datos iniciales% hasta las conclusiones
deseadas. Esta progresin hace $ue se ,a'an conociendo nue,os hechos o
descubriendo nue,as afirmaciones% a medida $ue ,a guiando hacia la solucin
del problema.

En consecuencia% el proceso de solucin de un problema en los
sistemas basados en reglas ,a reali4ando una serie de inferencias $ue crean un
sendero entre la definicin del problema ' su solucin. #as inferencias est.n
concatenadas ' se las reali4a en forma progresi,a% por lo $ue se dice $ue el
proceso de solucin origina una cadena de inferencias. Este proceso se puede
reali4ar de dos formas:
e 6e puede partir considerando todos los datos conocidos ' luego ir
progresi,amente a,an4ando hacia la solucin. Este proceso se lo denomina
guiado por los datos o de encadenamiento progresi,o &forward chainning).
e 6e puede seleccionar una posible solucin ' tratar de probar su ,alide4
buscando e,idencia $ue la apo'e. Este proceso se denomina guiado por el
objeti,o o de encadenamiento regresi,o &bacGward chainning).
http://www.uc,Ac,.cl/campus/periodico/6itio"2#2/5eglas+roduccion.html
&.5 Sem2ntica de las relas de produccin
&.5.1;onocimiento causal.
$o.ocimie.to causal: Es e conocmento de por/u0. Se refere a a
comprensn de os motvos por os que ago ocurre: por e|empo,
comprender os factores que nfuyen en a cadad de un producto o en a
satsfaccn de cente. Puede representarse medante a descrpcn de os
vncuos causaes entre una sere de factores (Schank 1975, Weck y
Bougnon 1986), pero normamente se representa de un modo menos
formazado a travs de vvencas organzaconaes (Schank 1990).
Compartr vvencas es un buen medo para desarroar e consenso sobre
qu accones partcuares deberan emprenderse o cmo acanzar un
determnado ob|etvo de a me|or manera posbe (Bo|e 1991).
http://www.esterkaufman.com.ar/varos/m%20web/Cuadernos%20de%20traba|o
%2034.pdf
&.5.2;onocimiento de dianstico.
&.6 Ar+uitectura de un sistema de =roduccin #S=) #
Sistemas basados en relas$ S70).
&.6.1Dechos.
&.6.27ase de conocimientos.
7ases de conocimiento
La representacin del conocimiento, entendido en los trminos que presentamos anteriormente,
es un problema central en el ms vasto campo de la nteligencia Artificial, en cuanto que esta
disciplina tiene como principal objetivo el desarrollo de sistemas "inteligentes" que sean
capaces de reproducir lo ms fehacientemente posible los mecanismos intelectuales comunes
en los humanos, de forma destacada, la comprensin del lenguaje natural, el aprendizaje
(acumulacin de experiencia), el razonamiento lgico, la resolucin de problemas y el
reconocimiento de patrones (p. ej. en visin robtica). Una definicin representativa de lo que
comnmente se entiende por "nteligencia Artificial" es la de Barr y Feigenbaum (1981:4):
Artificial ntelligence (A) is the part of computer science concerned with designing intelligent computer systems, that is, systems
that exhibit the characteristics we associate with intelligence in human behavior - understanding language, learning, reasoning,
solving problems, and so on.
Las tcnicas comunes en A consisten por tanto en el estudio minucioso de la actividad o
comportamiento que se desea emular, en primer lugar y despus, y sobre todo, su
implementacin en algn tipo de autmata.
El paradigma actual de "inteligencia", en contraste con el anterior, basado principalmente
en tcnicas heursticas de bsqueda (Goldstein & Papert 1977), acenta la necesidad de
conocimiento experto para la realizacin de tareas inteligentes (Mylopoulos & Levesque 1984).
La idea es que lo central para nuestra actividad mental normal es un gran repositorio de
conocimiento experto sobre muy diferentes materias especficas y sobre el mundo en general.
Por tanto, es evidente que si nuestro objetivo es replicar esquemas mentales humanos en un
autmata, ste deber poseer un repositorio parecido de informacin del que pueda hacer uso,
mediante diversos dispositivos, para el manejo inteligente de esa informacin. En suma, la
posesin de conocimiento es absolutamente indispensable para la realizacin de una tarea
"inteligente".
Sin embargo, como venimos diciendo, esto no fue siempre as. De hecho, podemos
distinguir cuatro fases o "categoras histricas" (Barr & Feigenbaum 1981) en el estudio del
lenguaje natural por parte de los investigadores de A:
1. Los primeros programas que se realizaron posean un conocimiento del lenguaje
prcticamente nulo, y estaban limitados a un dominio muy concreto. Simplemente
analizaban el input en busca de palabras clave o de patrones relacionados con alguno
de los temas que "conocan" . El output era formado a travs de reglas de dominio
especfico llamadas heuristics, de forma que hacan creer que entendan lo que se les
estaba diciendo. El mejor representante de estos programas, es sin duda el Eli+a de
Weizenbaum (Weizenbaum 1976), que intentaba simular un consultorio psicolgico. El
usuario introduce su problema o preocupacin y Eliza responde o intenta extraer ms
informacin (que guarda para usarla cuando la conversacin llega a un punto muerto);
tambin hace uso de un buen nmero de frases comodn y regala al "paciente" con sus
consejos. Otros programas de estas caractersticas son BASEBALL (Green et al. 1963)
o STUDENT (Bobrow 1968).
2. Otros programas parecidos fueron los basados en te,to. stos, de los cuales
destacamos PROTO-SYNTHEX- (Simmons et al. 1966) almacenaban el texto mismo
en su base de datos, por lo que no estaban ceidos a un dominio particular. Sin
embargo, al igual que los anteriores, no posean capacidades deductivas de ningn
tipo, ni podan analizar el contenido semntico del input; se encontraban restringidos a
responder con el material textual que previamente se les haba introducido.
3. En tercer lugar encontramos los sistemas de lgica limitada. Estos sistemas ofrecan
(limitadas) capacidades deductivas, ya que eran capaces de producir informacin no
almacenada explcitamente en la base de datos. Adems, llevaban a cabo una cierta
interpretacin semntica, al traducir frases de insumo en lenguaje natural a la notacin
lgica interna de la base de conocimiento. Usando el clculo de predicados, eran
capaces de hacer inferencias del tipo:
. /01s un avestru* un ave23
avestru*(x)4
(x)5avestruz(x) ave(x)64
ave(x)7
. /89:3
4. El ltimo tipo son los sistemas de que venimos hablando, los basados en el
conocimiento, cuyo desarrollo est ntimamente ligado a la investigacin de A sobre
representacin del conocimiento. Estos sistemas intentan almacenar una gran cantidad
de informacin para usarla de modos diferentes con el objeto de "entender" el lenguaje
natural, generarlo, deducir, etc. Se basan en la idea bsica, ya mencionada de que
para la resolucin de un problema complejo dentro de un determinado mbito, es
preciso un conocimiento experto sobre ese mbito.
Como esta evolucin implica, los sistemas de lenguaje natural de A hoy da estn casi
exclusivamente basados en el conocimiento. ste, por otra parte, necesita ser estructurado y
debidamente modelado para poder almacenarlo bajo una notacin apropiada como repositorio
de informacin. De hecho, podemos afirmar que la representacin de conocimiento es el hilo
conductor de los diferentes campos que abarca la A (McCalla & Cercone 1983).
A este repositorio de informacin estructurada que se usa para resolver tareas que
requieren conocimiento experto se le conoce como base de conocimiento. Este concepto,
necesita de una definicin ms formal . Por ejemplo, dicho as - "repositorio de informacin
estructurada" - cabra pensar que una enciclopedia impresa, estructurada en artculos, es una
base de conocimiento; sin embargo una KB tiene que poseer otras facultades.
Sin embargo, en lo que respecta a las bases de conocimiento, no existen estndares ni
definiciones. En general se supone que un KBMS, a diferencia de un DBMS, debe ofrecer estas
dos posibilidades fundamentales (Mylopoulos 1986):
Mecanismos de razonamiento: el KBMS debe ser capaz de extraer conclusiones
lgicas a partir de la informacin y reglas que contiene.
Mecanismos de explicacin que permitan al usuario del KBMS averiguar el estado del
mecanismo de razonamiento, obtener consejo, y justificacin de una determinada
conclusin obtenida por el mecanismo de razonamiento
A partir de estos requerimientos deberamos establecer alguna tipologa de KBMSs
atendiendo no a su arquitectura (no existen arquitecturas genricas estndar), sino a su
funcionalidad. Lo que caracteriza a los sistemas de representacin de conocimiento es que se
han desarrollado en diversos mbitos con propsitos especficos. Mientras que un mismo
sistema de bases de datos se puede utilizar para mltiple propsitos, los KBMS no son por lo
general de propsito general. (Jarke et al. 1989) presentan la siguiente tipologa de
aplicaciones de A en las que las bases de conocimiento son utilizadas:
Sistemas expertos
Sistemas de procesamiento de lenguaje natural
Sistemas de visin robtica
Entornos de desarrollo
Son los segundos los que nos interesan, aunque en realidad la mayora de los sistemas de
A toman la forma de sistemas expertos. Las relaciones entre el procesamiento del lenguaje
natural y los KBMS han estado siempre motivadas por los intereses de los investigadores en
A, no por los de lingistas o lexicgrafos. La aplicacin de sistemas basados en el
conocimiento a la TA es muy novedosa, y, segn pensamos, los clsicos sistemas de KBMS no
se adaptan a las necesidades de este tipo de aplicaciones, al no conceder la importancia
necesaria a la informacin detallada en general ni a los aspectos procedimentales. El inters de
los investigadores de A por el lenguaje natural est centrado casi exclusivamente en la
comunicacin hombre-mquina, por tanto su objetivo es la construccin de interfaces en
lenguaje natural que faciliten esta interaccin. stos son los denominados interfaces de
lenguaje natural (&L3; &atural Language 3nter'aces).
De hecho, el inters por los sistemas de NLP basados en el conocimiento surgi a raz de
la necesidad de construir interfaces en lenguaje natural para sistemas expertos. Estos sistemas
son alimentados con toda la informacin disponible sobre un determinado tema muy especfico,
por ejemplo diagnsticos mdicos, sistemas de ingeniera. Despus, mediante un interfaz
apropiado que acepta un conjunto de estructuras sintcticas y elementos lxicos especfico,
son capaces de responder adecuadamente a consultas complejas relacionando la informacin
que poseen.
Las tareas para las que estos sistemas se desarrollan son, casi por definicin, complejas
(Walker et al. 1987). Por tanto, un sistema experto es un sistema computacional capaz de
representar y razonar sobre un dominio determinado que precisa de gran cantidad de
conocimiento, tal como la aeronutica o la medicina. Se puede distinguir de otros tipos de
aplicaciones de A en que (Jackson 1986):
trabaja con temas complejos que normalmente requieren una considerable cantidad de
experiencia humana;
debe ser una herramienta prctica y til; para ello debe ofrecer un alto rendimiento en
cuanto a velocidad de ejecucin y fiabilidad;
debe ser capaz de explicar y justificar sus soluciones y consejos para convencer al
usuario de lo correcto de su razonamiento.
Los sistemas expertos son el tipo de aplicacin de A que mejores resultados ha
conseguido. Estos sistemas son usados hoy en da en un amplio abanico de dominios y han
probado ser altamente fiables. Por ello sera deseable la disponibilidad de interfaces en
lenguaje natural que facilitasen la comunicacin con el sistema por parte de usuarios no
expertos en computacin (mdicos, bilogos, ingenieros). Existen tres modos de ver la relacin
entre un NL y el KBMS. La primera es la construccin de un NL para manejar un KBMS. La
segunda construir un KBMS para implementar un NL. La tercera construir un NL (soportado
por el KBMS) para sistemas basados en el conocimiento. Estas relaciones quedan expuestas
en la Higura 8.6.
Fiura *.1 .elaciones &L3 J )*LS
Para que un programa pueda ser calificado de NL debe cumplir las dos condiciones
siguientes:
1. Un subconjunto del input o el output del sistema se realiza en lenguaje natural
2. El procesamiento del input (generacin del output) se basa en conocimiento de tipo
sintctico, semntico y/o pragmtico.
Los tres modos anteriormente citados de usar el lenguaje natural en A reflejan a nuestro
parecer tres estadios de investigacin, superando una primera fase en que se pretenda un
anlisis extremadamente simplista del lenguaje. Tras observar la enorme complejidad que ste
conlleva, se hizo obvia la necesidad de tratar el lenguaje humano como un objeto de estudio en
s mismo, para poder siquiera pensar en usarlo como medio de interaccin hombre-mquina.
En esta etapa se empezaron a plantear cuestiones que los lingistas han estado estudiando
desde mucho tiempo atrs. Un KBMS para NL habr de integrar los siguientes tipos de
conocimiento (Jarke et al. 1989):
Conocimiento lingstico.
Conocimiento conceptual.
Conocimiento inferencial.
Conocimiento del usuario.
La Higura 8.9 resume las fuentes de conocimiento lingstico necesario para el desarrollo
de NLs segn la A. Este cuadro revela cmo los investigadores de A contemplan el estudio
del lenguaje natural.
Fiura *.2 0onocimiento requerido por un &L3
Finalmente, en A se sealan algunas caractersticas necesarias en una KB para el
procesamiento de lenguaje natural:
.epresentacin de conocimiento: el sistema de representacin
10
debera ser un
esquema hbrido que contuviese subesquemas basados en marcos ('rames), hechos
de base de datos y reglas de deduccin. Las distintas unidades de conocimiento
codificadas en uno de estos esquemas tendrn que ser agregadas a los esquemas
hbridos de una fuente de conocimiento (lingstico, conceptual, etc.), que a su vez
tendr que ser agregada a la base de conocimiento global.
Krgani+acin del conocimiento: el KBMS deber organizar al menos dos bases de
conocimiento en el caso de un sistema basado en NL: la KB del lenguaje natural (NL
KB) y la KB a la que el NL proporciona acceso mediante lenguaje natural. A su vez, la
NLKB habr de estar organizada distinguiendo: conocimiento de entorno, conocimiento
especfico de trabajo y conocimiento especfico de dilogo (ver Higura 8.6)
Entorno de integracin: el KBMS deber proporcionar un entorno que permita la
entrada de datos para las distintas KBs. Este aspecto de adquisicin de conocimiento
se puede realizar mediante el NL una vez se haya construido parcialmente. Lo ideal
para crear la base de conocimiento de lenguaje natural es el trabajo conjunto de
expertos en los dos campos: la lingstica y la A.
Como observamos, las diferencias de descripcin detallada de bases de datos y bases de
conocimiento son abismales. Las bases de datos son sistemas muy bien establecidos en donde
todo lo que puede o no puede llevar a cabo el sistema y cmo llevarlo a cabo est
perfectamente establecido. El trabajo en bases de conocimiento se encuentra an en una fase
germinal, y por lo general se trata de sistemas especficos para necesidades especficas. La
literatura en torno a las bases de conocimiento es an altamente programtica, intentando
sentar las bases de lo que se supone que estos sistemas sern capaces de hacer. No es
extrao encontrar aserciones contradictorias en distintos autores con distintos fines. ncluso as,
en el siguiente apartado intentaremos mostrar cules son las definiciones formales y
arquitecturas que se han propuesto hasta ahora. Ni que decir tiene que el entorno de bases de
datos se encuentra totalmente establecido. Comenzamos pues por exponer la arquitectura
general de bases de datos.
http://elies.rediris.es/elies9/4-1-2.htm
&.6.&1ecanismo de control.
&.1M ;iclo de vida de un sistema de =roduccin.
;I;LC EE BIEA EE LCS SISTE1AS
El Ciclo de Vida del Desarrollo de Sistemas es un proceso por el cual los analistas de sistemas,
los ingenieros de software, los programadores y los usuarios finales elaboran sistemas de
informacin y aplicaciones informticas.
T[;@I;AS y 1ETCECLC%JAS
TCcnica; Es un mCtodo que aplica herramientas ( reglas especG'icas para completar
una o m1s 'ases del ciclo de vida del desarrollo de Sistemas. Ellas se aplican a una parte del
ciclo de vida total.
LetodologGa es una versin amplia ( detallada de un ciclo de vida 0KLPLETK de
desarrollo de sistemas que inclu(e;
o .eglas, procedimientos, mCtodos, herramientas
o Hunciones individuales ( en grupo por cada tarea
o Productos resultantes
o &ormas de 0alidad
(Whitten, Bentley, Barlow)
Definiciones
Herramientas : son los ambientes de apoyo necesario para automatizar las prcticas de
ngeniera de Software
Mtodos: son las maneras que se efectan las tareas de ngeniera de Software o las
actividades del ciclo de vida.
Procedimientos : son los mecanismos de gestin que soportan a los mtodos: El
control de los proyectos, el control de la calidad
Objetivos del CCLO DE VDA de un Proyecto:
Definir las actividades a ser ejecutadas en un proyecto de Procesamiento Electrnico
de Datos (PED)
ntroducir coherencia en muchos proyectos de PED de la misma organizacin
Establecer punto de control para control de gerencia y puntos de control para tomar la
decisin de "continuar o no".


;I;LC EE BIEA EST0U;TU0AEC =A0A EL EESA00CLLC EE LCS SISTE1AS

;A0A;TE0ISTI;AS EE LCS =0CGE;TCS EST0U;TU0AECS
Las tEcnicas estructuradas utili!adas en el desarrollo de los #royectos de Sistemas-
Fuscaron superar el fracaso en muchos desarrollos con&encionales.
Los proyectos estructurados se caracteri!an por me"ores herramientas para e+presar los
re,uisitos del usuario- Enfasis en el proyecto de calidad - sistemas de desarrollo top-
doGn.
TE;@I;AS EST0U;TU0AEAS
Anlisis estructurado
Diseo estructurado
Programacin estructurada
Desarrollo TOP-DOWN
Equipos de programacin
Revisiones estructuradas
3L0S0S EST%8/T8%46
El Anlisis se refiere al "extremo inicial" de un proyecto de desarrollo de sistemas,
durante el tiempo en que los requisitos del usuario son definidos y documentados.
El Anlisis estructurado introduce el uso de las herramientas de documentacin
grficas para producir un tipo diferente de especificacin funcional: "la especi,icacin
estructurada".
Herramientas de documentaciHn del nIlisis
Estructurado
Diagramas de flujo de datos (DFDs)
Diccionario de Datos (DD)
Diagramas de Entidad-Relacin (ER)
Diagramas de Transicin de Estado (DTEs)
Especificaciones de procesos


40SEJ6 EST%8/T8%46
Durante el desarrollo se determinan "qu mdulos, interconectados de qu forma,
solucionarn mejor un problema definido
Como se reconoce un buen diseo?
Existe una sola manera de realizar un buen diseo?
Elementos del 4iseKo Estructurado5
Tcnicas de documentacin
Criterios de evaluacin del Diseo
Heursticas del diseo
Estrategias del Diseo
TEcnicas de 4ocumentaciHn5
ncluyen herramientas grficas y de texto
Herramientas
o Flujos de datos
o Diagramas Hipo
o Diagrama de estructura
o Especificaciones de mdulo y D.D.
/riterios de e&aluaciHn de diseKo5
Tiene como objetivo evaluar los defectos del diseo conforme a la documentacin del
diagrama Hipo y el diagrama estructural Criterios
o Acoplamiento
o Cohesin
Heursticas del diseKo5
Siguen reglas prcticas que generalmente son tiles aunque no funcionan en todos los
casos. Se refieren al tamao del mdulo y al control del mdulo.
Son
o Tamao del mdulo
o Fan in Fan out (abanico)
o Alcance efecto y alcance de control
Estrate$ias de diseKo5
Las estrategias requieren un buen nivel de experiencia, sentido comn y decisin
Existe una basada en el flujo de datos y otra basada en la estructura de datos
o Anlisis transformacional
o Anlisis transaccional
=roramacin estructurada


4ES%%6LL6 T6#-46W3
Es una estrategia de proyecto que divide sucesivamente los problemas grandes y
complejos en problemas menores y menos complejos, hasta que el problema original pueda ser
expresado como una combinacin de problemas pequeos y fcilmente solucionables.
%EL0S063ES EST%8/T8%4S
Se trata de un procedimiento organizado para que un grupo de examinadores
(Analistas de Sistemas, programadores) revisen el producto tcnico para fines de correccin y
garanta de calidad.
La revisin estructurada (walktrough), es conducida por los miembros de un equipo que
trabajan juntos en una base diaria, y su realizacin puede ser fijada en cualquier momento.


EM80#6S 4E #%6.%*/063
;omponentes :
Superprogramador o Programador jefe
Copiloto
Administrador
Abogado de lenguaje de programacin
nstrumentador o experto en utilitarios
Bibliotecario
* ra'ones por la +ue no es posible implementar
Costo del superprogramador
Conseguir que trabaje para uno un superprogramador
qu hacer con el personal que se tiene?
Si codifica con rapidez o no documenta o no se comunica con el usuario
l$unas herramientas5
Herramientas CASE (Computer -Aided Software Engineering:ngeniera de Software
auxiliada por computadora)
Generadores automticos de Cdigo.
Control de documentos, versiones y grupos de trabajo
Control y administracin de proyecto.
;I;LC EE BIEA EST0U;TU0AEC

EST8406
La etapa de Estudio de viabilidad o estudio inicial.
Su principal objetivo es el estudio e identificacin de
las deficiencias actuales en el ambiente del usuario (a travs de relevamientos, en cuentas),
establecer nuevos objetivos, y proponer "escenarios" viables
3L0S0S
Conforme a las alternativas generadas por el estudio, en esta etapa se "Modelan" las
necesidades del usuario a travs de DAGRAMAS especiales (DFD, ER),dando como resultado
las Especificaciones estructuradas.



40SEJ6
En esta etapa se "disea" el sistema, determinando los mdulos componentes del
Sistema, de acuerdo a una jerarqua apropiada, a los procesadores (hardware) y a la funcin
0*#L3T/063 N4ES%%6LL6O
Esta actividad incluye la codificacin e integracin de los mdulos con tcnicas de
programacin estructurada
.E3E%/093 4EL TEST 4E /E#T/093
Consiste en preparar un conjunto de casos para efectuar las pruebas del sistema
.%3T0 4E /L044
En esta etapa se efecta el TEST final de aceptacin del Sistema
4ES/%0#/063 4E #%6/E40*0E3T6
Consiste en la elaboracin de la "descripcin formal" del nuevo sistema: Manuales del
Usuario, Manuales del Sistema, Manuales de procedimiento
/63LE%S093 4E L BSE 4E 4T6S
Esta actividad slo se realiza cuando existen sistemas funcionando
03STL/063
Es la actividad FNAL.
Existen varias estrategias de NSTALACON: Gradual, distribuida, completa
Un aspecto importante de esta actividad es la CAPACTACON
3mplementacin
.adical 2S. 0onservadora


niciar una actividad despus de concluir la otra?
Cundo utilizar una u otra? Depende:
De la presin por dar resultados
Exactitud en la estimacin de recursos
Conocimiento del : software a utilizar,
de la aplicacin,
del hardware
nconstancia del usuario
Ciclo de vida por prototipos
Ejemplo : %nalogGa lan+amiento del nuevo modelo de auto
Se realiza un sistema provisorio con el conjunto inicial de necesidades e implantarlas
rpidamente con la intencin de ir expandindolas y refinndolas iterativamente al ir
comprendiendo el sistema el usuario y quien lo desarrolla
Es radical, pero se asume que posteriormente existir un juego completo de
documentacin.
Herramientas requeridas :
D.D. ntegrado y medios poderosos de administracin de B.D.
Generadores de:
o pantallas,
o reportes no guiado por procedimientos (un mandato una funcin)
o consultas y recuperacin no guiado por procedimientos
o generadores de aplicaciones
Lenguaje de 4ta. Generacin (lo que debe ms que cmo)
Finalidad
El usuario dice que le gusta y que no mientras testea el sistema.
El usuario verifica la factibilidad del diseo de un sistema
o Mtodo de interaccin (menes, teclas especiales)
o Formatos de presentacin
Caractersticas
Es una aplicacin que funciona
dentifica y aclara los requerimientos evitando suposiciones del analistas y los usuarios
con respecto a los requisitos del sistema.
Se crea rpidamente.
Evoluciona a travs de un sistema iterativo.
Costo de desarrollo bajo?
Se puede usar el mismo sistema cmo prototipo
Se debe documentar los requisitos y no dejar funcionando el prototipo sin
documentacin.
Razones por las cuales se utilizan los prototipos
Aumento de productividad?
Entusiasmo de usuarios con prototipos (recordar analoga)
Son candidatos las aplicaciones que :
El usuario no quiere examinar DFD.
Se determinan los requerimientos por tanteo
El sistema ser interactivo
No existe cantidad de detalles de algoritmo
Existe un alto costo y un alto riesgo de fracaso
La tecnologa es nueva.
Recomendacin
El ciclo de vida del prototipo involucra el desarrollo de un modelo funcional. Debe
realizarse la documentacin de los requerimientos del usuario
Escenarios para la construccin de prototipos
Evaluar la peticin del software y determinar si es o no un buen candidato a prototipo
Dado un proyecto candidato aceptable, el analista desarrolla una representacin
abreviada de los requerimientos
Despus de revisar la r`presentacin de requerimientos se crea unas especificaciones
de diseo abreviadas
El software del prototipo se crea prueba y refina
Una vez que el prototipo ha sido probado, se presenta al cliente, el cul conduce la
prueba de la aplicacin y sugiere modificaciones
Los pasos 4 y 5 se repiten iterativamente hasta que todos los requerimientos estn
formalizados o hasta que el prototipo haya sido reemplazado por un sistema de produccin

4esarrollo de cti&idades
en espiral



4ES%%6LL6 4E S0STE*S 4ES4E EL E3'6M8E 4E L
03.E30E%0 4E 03'6%*/063
03.E30E%0 4E 03'6%*/063
ngeniera es una Ciencia aplicada, o sea un rea de conocimiento humano que utiliza
principios matemticos y fsicos para resolver problemas ligados a la construccin de
NGENOS. Un ngenio es todo aquello que produce la capacidad creativa del hombre para
atender a un fin determinado
La ngeniera de la nformacin se puede definir como una disciplina, o sea un
"conjunto de conocimientos" ligados al tratamiento de la nformacin y la construccin de
mecanismos formales para la construccin de los "Sistemas de nformacin".
/%/TE%0ST0/S 4E L 03.E30E%0 4E L 03'6%*/093
Centrada en los negocios
Participacin intensa de los usuarios
mplementacin de Tcnicas de Modelaje eficaces
Se orienta a la AUTOMATZACON en los desarrollos de los Sistemas
Propone a la Tecnologa como "soporte" de los negocios
LA =I0A1IEE EE LA I@%E@IE0JA EE LA I@FC01A;IC@
Etapas del Ciclo de Vida del Desarrollo de Ss


Planeamiento Estratgico de nformaciones (PE)
Anlisis del Area de Negocios (AAN)
Proyecto de Sistemas de nformacin (PS)
Construccin del Sistema de nformacin (CS)

#laneamiento EstratE$ico de 0nformaciones N#E0O
Es la primera etapa . Consiste en el estudio y definicin de las necesidades de
nformacin que requiere la Organizacin para alcanzar sus objetivos.
PRODUCTOS: El Modelo Empresarial, los Factores Claves del Exito y los problemas
para alcanzarlos, el Modelo de Datos Corporativo y el Modelo Funcional Corporativo
nIlisis del rea de 3e$ocio N3O
En esta etapa se realizan los estudios de las "Areas de Negocio" que debe soportar el
S (tratando de obviar aspectos tecnolgicos)
Se vale de tcnicas de relevamiento y modelaje de las necesidades de la Organizacin
PRODUCTOS:"Modelo de Datos", "Diagrama de Descomposicin Funcional", DFD.


#royecto de Sistemas de 0nformaciHn N#S0O
En esta etapa se definen las caractersticas tcnicas requeridas para soportar las
necesidades del Proyecto (Diseo del Sistema, requerimientos de hardware)
PRODUCTOS: Propuesta del Ambiente Computacional, Diagramas de estructuras de
mdulos, Proyecto de la Base de Datos
/onstrucciHn del Sistema
Consiste en la conversin de los Modelos de datos en estructuras fsicas (software y
hardware).
Aqu se realizan las tareas de programacin (o generacin automtica de cdigo).
PRODUCTOS: El sistema desarrollado, Bases de Datos generadas, Manuales, etc.
LA =I0A1IEE EE LA I@%E@IE0JA EE LA I@FC01A;IC@
El Desarrollo de Ss se base en los 3 pilares fundamentales:
http://www.monografias.com/trabajos4/cicdevida/cicdevida.shtml
Unidad =. 3:s(ueda % satisfacci$n de
restricciones.
*.. =roblemas y Espacios de estados.
, Ar&oles de -.s/ueda en las Representaciones Espacio0
Estado
Un estado es un con|unto de condcones o vaores que
descrben un sstema en una punta especfco durante e
proceso. Una representacn Espaco-Estado es aquea en a
que os operadores usan un nuevo estado, y soo uno, en a
base de datos, cada vez que se empean. Las representacones
Espaco-Estado, que utzan varos mtodos de bsqueda a
travs de a base de datos para acanzar soucones, han sdo
usadas por |uegos de a|edrez, sstemas para encontrar rutas y
probemas que ncuyan muchos operadores y muchos posbes
estados.
La bsqueda de un camno de soucn a travs de Espaco-
Estado se puede ustrar grfcamente medante nodos y
enaces de conexn. Cada nodo representa un estado de
sstema y os enaces representan a accn de un operador
para cambar e sstema de un estado a otro. Los nodos pueden
tener punteros que seaen a nodo orgen de forma que
cuando se acance a soucn podamos conocer su camno. En
agunos mtodos de bsqueda os punteros tambn se usan
para marcar os camnos "fasos2.
Los grfcos son dbu|os generamente como arboes o redes.
Un rbo es un grfco que empeza por a cma con un nodo
raz, de manera que os nodos de un nve tenen un soo orgen
(un soo padre). Esta estructura presenta soamente un camno
desde e nodo raz a otro nodo cuaquera. Los enaces o
conexones entre nodos de un rbo se aman ramas
(ramfcacones). Los nodos en a parte nferor de rbo se
denomnan nodos termnaes (ho|as). Los nodos en os grfcos
de rbo se denomnan agunas veces padres e h|os
(descendentes).
Hay potencamente un rbo de un espaco-estado que
representa cada posbe estado de sstema y otro rbo mas
mtado de camno que puede ser construdo s e programa
busca a respuesta efcentemente. Puede ser mportante
encontrar un modo efcente de bsqueda porque e espaco
potenca de bsqueda puede ser nfnto o, a menos, tan
grande que haga e proceso no vabe.
http!!""".uap.edu.pe!#ac!$%!tra&a'os!$%%$(!isi
)%$**!go+!ia.html
7WS?UEEAS E@ ES=A;ICS EE ESTAECS G E@ ES=A;ICS EE
;A0A;TE0JSTI;AS
En este desarrollo se han implementado dos t0cnicas de Inteligencia Artificial para
simular el comportamiento calificable de inteligente.
#a hiptesis de trabajo nos dice $ue una pgina &ue re:na unas condiciones lo ms
parecidas posibles a las solicitadas por el usuario nos llevar a otra con muchas
posibilidades de ser de caractersticas deseables por el usuario. Esta hiptesis se
basa en el hecho de $ue las p.ginas en Internet est.n desarrolladas tem.ticamente% ' una
p.gina de un tema en concreto normalmente enla4a con otra del mismo campo o tema.
+ara ello nos hemos basado en una ,uncin heurstica &basada en el conocimiento)% '
gracias a la representacin del conocimiento $ue da el usuario &o se asigna por defecto)
en sus ,aloraciones de las distintas capacidades de la b1s$ueda% nos a'uda a e,aluar la
bondad de una p.gina% mediante la asociacin de un n1mero a cada p.gina. -icho
n1mero ser. obtenido de la multiplicacin de una serie de factores $ue son
determinados por el usuario antes de comen4ar la b1s$ueda.
+or un lado la b:s&ueda en espacio de estados% $ue mediante unos algoritmos de
b1s$uedas en grafos% ' modeli4ando las p.ginas como ,0rtices de grafo% ' los enlaces
como aristas% aplican la funcin heur(stica a las p.ginas recuperadas% determinando
mediante los algoritmos D>1s$ueda primero el mejorD ' D>eam 6earchD &igual $ue el
anterior% pero limitando la frontera de exploracin a un determinado n1mero de estados)
cu.les deber.n ser las prximas p.ginas a recuperar.
!magen @"odelizacin de un espacio de estados mediante un gra,o@
+or el otro lado se encuentra la b:s&ueda en espacio de caractersticas% $ue aun$ue
con muchas similitudes difiere de la b1s$ueda en espacio de estados. En este caso la
e,aluacin no ,a a ser lineal% sino $ue se ,a a reali4ar en distintas caracter(sticas
determinables por el usuario. As( la b1s$ueda deja de ser en un sistema lineal ' se
traslada a un espacio ,ectorial de dimensin 3 donde 3 es el n1mero de caracter(sticas
en las $ue el usuario est. interesado% as( en funcin de los ,alores obtenidos para las
caracter(sticas medidas de la p.gina% esta aparecer. en el espacio de caracter(sticas
como un punto. #as distancias entre puntos de este espacio se calcular.n como
distancias eucl(deas
#a b1s$ueda basada en las caracter(sticas es una de las aplicaciones m.s simples del
m0todo de inteligencia Artificial de descripcin y pareamiento.
+ara identificar los objetos de un espacio de caracter(sticas se utili4a un extractor de
caractersticas ' un evaluador de caractersticas. El extractor mide caracter(sticas
simples como el .rea de un objeto. #os ,alores obtenidos por el extractor se con,ierten
en las coordenadas de un punto de caracterstica en un espacio de caracter(sticas.
+ara identificar un objeto desconocido% se comparan las distancias entre su punto de
caracter(stica ' los puntos de caracter(stica de diferentes objetos ideali4ados. #a
identidad ms probable del objeto desconocido est. determinada por la distancia ms
corta. En la figura se muestran los puntos correspondientes a un objeto desconocido '
una familia de placas de caja el0ctrica ideali4adas en un espacio de caracter(sticas de
placas.
!magen @"odelizacin de un espacio de caractersticas@
En este pro'ecto hemos utili4ado un extractor de caractersticas% en forma de
anali4ador B72#% pero lo $ue finalmente se hace no es medir la distancia entre dos
p.ginas% sino $ue se aplica una compleja funcin de e,aluacin% $ue calcula un
resultado num0rico representati,o de la bondad de la p.gina respecto de las
caracter(sticas $ue pre,iamente han debido ser especificadas por el usuario.
En cual$uier caso% aun$ue no se hace una medida de la distancia de los puntos de
caracter(stica de las p.ginas recuperadas al punto de caracter(stica de la p.gina ideal%
&no ser(a 1til en este caso). Al aplicar la funcin a los ,alores de las caracter(sticas e
interpretar su ,alor &ma'or ,alor% p.gina m.s cercana) es una forma de conseguir el
mismo efecto.
Aun$ue la forma de actuar no se puede considerar exactamente% como Db1s$ueda en
espacio de caracter(sticasD% s( $ue se puede decir $ue este tipo de b1s$uedas ha
inspirado la ,orma de proceder.
En cual$uier caso% seg1n los estudios reali4ados por la <ni,ersidad de Ari4ona
&http://ai.bpa.ari4ona.edu/Vmramse'/papers/its'/spider.html)% ambos tipos de
b:s&ueda dan unos resultados similares% con una pe$ue/a mejor(a en la calidad de las
p.ginas obtenidas &aun$ue tambi0n obtiene p.ginas DaleatoriasD% $ue no tienen nada $ue
,er con lo solicitado) en el caso de los espacios de caracter(sticas% pero tambi0n con
unos ma'ores consumos de recursos &:+<).
http3OOpisuera.in,.ubu.esOlsiOEocenciaOTF;OITI%Oicru'adnO1emoriaO26.htm
-.1 Espacios de estados determin"sticos y espacios no
determin"sticos.
-.2 7!s+ueda sistem2tica.
( 12todos de -.s/ueda
)*squeda +acia en #ondo, En esta bsqueda e orden de
expansn de os nodos es desde e nodo nca descendendo
en un camno dado hasta que se encuentre a respuesta, o
hasta que a bsqueda egue a un determnado mte de
profunddad. S a bsqueda excede de mte o de fn de ese
camno e sstema retrocede y a bsqueda contnua en e nodo
ms cercano. La bsqueda "haca e fondo" es partcuarmente
efcaz cuando hay muchos camnos argos que conducen a una
soucn.
-.s/ueda a lo ancho, En esta bsqueda todos os nodos en
un msmo nve son expanddos antes de ba|ar a cuaquera de
os que estn en un nve nferor. S en esta bsqueda debemos
ba|ar haca un nve nferor e proceso comenza desde un ado
y movndose horzontamente. La besuqueada haca o ancho
se adapta perfectamente a sstemas que tene unos pocos
camnos de soucn evtando ma gastar tempo.
-.s/ueda trepando a la cima, $ste mtodo empie-a de a
msma forma que e de "Bsqueda haca e fondo", pero a
eeccn de que nodos descendentes sern acanzados se hace
estmando cua es e ms cercano a a meta. Esto es sufcente
cuando hay aguna manera de medr dstancas a a meta; sn
embargo hay condcones engaosas en as que a dstanca rea
no esta cara. E mtodo de " Bsqueda trepando a a cma"
proporcona un sstema con medos para superar taes
condcones, ta como retornar y ensayar un camno que fue
abandonado antes o apcar mas de una rega antes de evauar
e resutado en orden a satar a una parte dferente de espaco
de bsqueda.
http://www.uap.edu.pe/Fac/02/traba|os/02206/s%2033/go1/a.htm
..1.1 7!s+ueda de metas a pro,undidad.
..1.2 7!s+ueda de metas en anchura
..1.& 7!s+ueda ptima.
..2 Satis,accin de restricciones.
..& 0esolucin de problemas de <ueos.
3uegos
La teora de |uegos se ha estudado durante muchos aos como una
parte de as matemtcas. So recentemente han poddo utzarse
os ordenadores como herramentas para resover os probemas de
|uegos que surgen en a vda cotdana. Un e|empo de esto es a
aparcn de computadores que |uegan a a|edrez, que cuestan
reatvamente poco dnero y que pueden vencer a |ugadores de
dversos nvees. La potenca de ccuo mpcada en este tpo de
|uegos es enorme. Por otra parte, ocurre que, una vez que un
probema ha sdo resueto (aunque sea parcamente), no necesta ser
resuto de nuevo, pudendo ser transferdo de una mquna a otra
medante una modfcacn mecnca aparecendo en as mqunas
ms sencas y baratas.
La resoucn de probemas de |uegos tene grandes apcacones en
a cenca y en os negocos. Medante esta tcnca pueden resoverse
probemas de dversos campos taes como a gentca o e
estabecmento de panes en os procesos de produccn compe|os.
Hay muchas cases de |uegos y muchos mtodos para resover os
probemas que pantean. Por e|empo, en un sotaro, e |ugador
ntenta acanzar determnado ob|etvo a partr de un estado nca,
medante una sere de movmentos, sn que exsta nnguna
competcn. En otros |uegos como e a|edrez o os barcos, cada
|ugador ntenta ganar hacendo a vda o ms dfc posbe para su
adversaro. En taes casos cada movmento ntenta maxmzar as
oportundades de xto a a vez que mnmzar as de contraro. Esto
puede resoverse medante mtodos de tpo "mnmax". Muchos
|uegos pueden representarse medante "rboes", en os que cada
rama representa un posbe movmento que eva e |uego de un
estado a otro.
La teora de |uegos es muy matemtca, evando a reas taes como
e ccuo de predcados y a gca matemtca. Nos apartaremos de
a teora, mtndonos a acarar agunas de as deas bscas,
consderando una estratega senca basada en "heurstcos".
http://www.uap.edu.pe/Fac/02/trabajos/02206/isi%2033/go1/ia.html
http://www.monografias.com/trabajos12/inteartf/inteartf.shtml
http://www.monografias.com/trabajos/inteliemo/inteliemo.shtml
www.unirioja.es/dptos/dchs/archivos/nteligencia.doc
www.infonegocio.com/downcan/todo/interes/psicologia.doc
www.unav.es/fyl/programas04-05/ humanidades/procesospsicologicos.pdf
http://www.universidadabierta.edu.mx/SerEst/Apuntes/BahenaMaria_PsCientifi
ca.htm
http://www.cerebrito.com/depresion.htm
varios de los subtemas se encuentran
el los archivos (ue estan dentro de la
carpeta de inteligencia artificial