REVISIÓN

Simulación conexionista en neuropsicología

J. Aróztegui a, J.M. Prados b

SIMULACIÓN CONEXIONISTA EN NEUROPSICOLOGÍA

Resumen. Introducción. La expresión ‘neuropsicología conexionista’ viene aplicándose desde comienzos de la década de los
noventa a un marco de investigación emergente que intenta simular, mediante redes neuronales artificiales, algunas de las al-
teraciones cognitivas que se producen tras haber presentado diferentes formas de lesión cerebral. Aunque los modelos gene-
rados por este tipo de simulación ofrecen numerosas ventajas frente a los modelos clásicos del procesamiento de la informa-
ción, aún no parece que sea éste un enfoque del todo conocido por los investigadores y profesionales españoles. Objetivo. Dar
a conocer esta importante herramienta de investigación, y revisar las ventajas y limitaciones que presenta al hilo de modelos
concretos. Desarrollo. Tras una introducción de los principios básicos de la simulación conexionista, se exponen algunos de
los modelos más influyentes en torno a las afasias, las dislexias, las agnosias y las apraxias. Conclusiones. Pese a sus limita-
ciones, los modelos que propone la neuropsicología conexionista parecen mucho más precisos y específicos que los clásicos,
son fáciles de manipular y posibilitan un mejor acercamiento a la realidad compleja de los trastornos. Además, este tipo de
investigación permite modelar diferentes tipos de lesión cerebral y explorar funciones del cerebro hasta ahora desconocidas
por razones éticas o prácticas, por lo que representa una fuente de inspiración tanto para el diseño de investigaciones experi-
mentales como para el desarrollo de nuevos procedimientos de rehabilitación. [REV NEUROL 2009; 48: 317-21]
Palabras clave. Conexionismo. Modelos computacionales. Neurocomputación. Neuropsicología conexionista. Procesamiento
distribuido en paralelo. Redes neuronales artificiales.

INTRODUCCIÓN
La quizá no muy afortunada expresión ‘neuropsicología cone-
xionista’ fue acuñada a principios de la década de los noventa
por investigadores de la Universidad Carnegie Mellon, en la ciu-
dad estadounidense de Pittsburgh [1,2]. Dicha expresión, adop-
tada hoy día por numerosos autores [3], se utiliza para denomi-
nar a un marco de investigación emergente cuyo objetivo es si-
mular ciertos trastornos neuropsicológicos mediante una apro-
ximación conexionista.
En estos pocos años ya se han desarrollado diferentes mode-
los en el ámbito de las afasias, las dislexias adquiridas, las agno-
sias o las apraxias, entre otros trastornos [4,5], y para algunos
reputados neuropsicólogos, como Elkhonon Goldberg, la simu-
lación conexionista representa en este momento uno de los en-
foques de investigación más importantes en neurociencias [6].
Sin embargo, y pese a sus numerosas ventajas frente a los
modelos tradicionales, el enfoque conexionista aplicado a la
neuropsicología no parece ser del todo conocido por los investi-
gadores y profesionales españoles.
OBJETIVO
El objetivo de este trabajo consiste en dar a conocer esta poten-
te herramienta de investigación, revisando las ventajas y limita-
ciones que presenta al hilo de modelos concretos. Así, tras una
breve introducción de los principios básicos de la simulación
conexionista, se expondrán algunos de los modelos más influ-
Aceptado tras revisión externa: 14.10.08.
a
Sección Departamental de Lógica. b Departamento de Psicología Básica II
(Procesos Cognitivos). Facultad de Psicología. Universidad Complutense
de Madrid. Pozuelo, Madrid, España.
Correspondencia: Dr. José M. Prados. Departamento de Psicología Básica II
(Procesos Cognitivos). Facultad de Psicología. Universidad Complutense
de Madrid. Buzón n.º 110. E-28223 Pozuelo (Madrid). E-mail: jmpatienza@
psi.ucm.es
© 2009, REVISTA DE NEUROLOGÍA
yentes en torno a las afasias, las dislexias adquiridas, las agno-
sias y las apraxias.
PRINCIPIOS DEL MODELO CONEXIONISTA
La simulación conexionista surgió hace 60 años de la confluen-
cia entre la neurofisiología, la psicología y las matemáticas, con
el objetivo de intentar superar formalmente la brecha cada vez
mayor entre la biología y la psicología de aquellos años. En po-
co tiempo, consiguió un gran impacto y desarrollo.
Una de las primeras aportaciones fue la que realizaron el
neurofisiólogo Warren McCulloch y el especialista en lógica
Walter Pitts, quienes ‘formalizaron’ a la neurona como una uni-
dad de procesamiento lógico [7]. Esto permitía entender el cere-
bro como una máquina computacional y salir del paralizante
dualismo mente-cuerpo en el que gran parte de la fisiología de
la época se encontraba.
A esta primera formalización de la actividad neuronal si-
guieron otras, cada vez más plausibles biológicamente y a las
que se unió el concepto neuronal de aprendizaje [8-10]. Aunque
en un primer momento las críticas al enfoque neuronal de la
computación hicieron que éste se estancase durante demasiado
tiempo, lo cierto es que desde comienzos de la década de los
ochenta no ha dejado de perfeccionarse técnicamente [11,12].
En la actualidad, la simulación conexionista se entiende co-
mo una herramienta de investigación más dentro de las neuro-
ciencias y ha aportado numerosos modelos de interés para el
avance del conocimiento. Lo que la hace particularmente intere-
sante es que se inspira en el propio funcionamiento cerebral pa-
ra producir sus resultados. Así, utiliza numerosas unidades de
procesamiento que se organizan en forma de red; dichas unida-
des reciben información, la integran y la envían; funcionan en
paralelo y se suelen organizar en capas. Debido a la experiencia
y a ciertas reglas, la red puede ‘aprender’, esto es, modificar los
pesos de las conexiones entre las unidades que la integran. Una
implicación teórica importante reside en el hecho de que lo que
posibilita la emergencia de procesos cognitivos es la activación

REV NEUROL 2009; 48 (6): 317-321 317

J. ARÓZTEGUI, ET AL
conjunta de numerosas unidades, el patrón de activación total que
alcance dicha red [13].
Hasta el momento, se han desarrollado diversas arquitectu-
ras de tipo conexionista, es decir, redes con diferentes estruc-
turas y modos de operación de sus unidades. En concreto, la red
puede ser monocapa, bicapa o multicapa, la dirección en la que
se propague la activación puede ser hacia delante o en ambos
sentidos, y pueden tener conexiones laterales o no tenerlas. Una
estructura de las más populares es la de tres capas: la de entrada,
la de salida y una intermedia, denominada oculta; a la primera
le llegan entradas desde el exterior, la última proporciona la sa-
lida de red en forma de patrón de salida y la capa oculta recibe
información de la capa de entrada y la envía a la de salida, por
lo que actúa de conexión entre ambas [14].
CONEXIONISMO Y NEUROPSICOLOGÍA
Ya desde el resurgimiento del enfoque conexionista a finales de
la década de los setenta (también denominado ‘enfoque neuro-
nal de la computación’), algunos autores se preguntaron si era
posible simular una lesión cerebral real ‘lesionando’ una red
neuronal artificial [15,16]; en caso afirmativo, también sería po-
sible extender las posibilidades de investigación conexionista al
ámbito neuropsicológico. Así fue. En concreto, la simulación
conexionista de una lesión puede realizarse principalmente de
dos formas: destruyendo algunas unidades de la red o alterando
los valores de los pesos de las conexiones entre ellas. Y, además
de simular los resultados de una lesión, se podrían poner a prue-
ba distintos procedimientos de rehabilitación a partir de diferen-
tes tipos de lesión, lo que permitiría algo que no era viable a
partir de los modelos neuropsicológicos tradicionales [17].
De forma más concreta, el procedimiento habitual de inves-
tigación en neuropsicología conexionista consta de las siguien-
tes etapas:
– Especificar un síntoma que se pretenda explicar.
– Desarrollar una red conexionista que funcione de forma ade-
cuada.
– Eliminar algunas unidades o modificar algunos pesos de co-
nexión entre ellas, con el objetivo de simular el síntoma. De
esta forma, se obtendría un modelo, una explicación del
proceso subyacente al síntoma. Y si la red consigue predecir
aspectos adicionales a éste, podrían diseñarse experimentos
que pusieran a prueba el modelo.
– Investigar con la red sistemas de rehabilitación alternativos.
En ese sentido, las características de la rehabilitación con el
modelo representan no sólo una oportunidad de estudiar
posibles tratamientos sino también de poner a prueba dicho
modelo.
Entre las diversas aplicaciones del conexionismo a la investiga-
ción y a la rehabilitación neuropsicológica cabe destacar la ge-
nerada en torno a las afasias. Para algunos, como Roger Gil, las
afasias deben entenderse como trastornos del lenguaje ‘en sí
mismo’ por la desorganización lingüística que conllevan, tanto
en la faceta expresiva como en la receptiva [18]. Como las afa-
sias se producen a consecuencia de la lesión de determinadas
áreas cerebrales, no es extraño que, por lo general, los distintos
subtipos se hayan clasificado según la localización de la lesión,
aunque es creciente la opinión de hacerlo según las capacidades
lingüísticas concretas que se hayan visto alteradas. En ese senti-
do, los avances que permitan conocer más detalladamente los
318
procesos implicados en la actividad lingüística también contri-
buirán a redefinir estos trastornos y a proporcionar nuevas estra-
tegias y procedimientos de rehabilitación.
En un estudio conexionista de las parafasias [19] se ‘lesio-
nó’ el famoso modelo de activación interactiva (MAI) [20,21],
que se diseñó originalmente para intentar explicar el hecho de
que las letras se reconocen de manera más rápida cuando for-
man parte de una palabra que cuando se presentan aisladamen-
te –por tanto, se diseñó con una arquitectura de tres capas, con
retroalimentación (feedback) entre sí, en la que se representa-
ban los rasgos visuales, las letras y las palabras enteras, res-
pectivamente, siendo las conexiones entre niveles principal-
mente excitatorias, y las intranivel, inhibitorias–. Asimismo, el
MAI también se ha aplicado con éxito a la producción de pala-
bras, en el supuesto, en este caso, de que cada unidad léxica se
activa gracias a una red de rasgos semánticos previos, lo que
ocasiona la activación de determinadas formas fonológicas. Y
manipulando este formato, tras la ‘lesión’ de la red se observó
que, al menos, algunas sustituciones de palabras en la afasia
pueden ser el resultado tanto de la lesión en las conexiones en-
tre el nivel semántico y el nivel léxico como de la presencia de
‘ruido’ entre ellas.
En un estudio afín [22], se simuló el caso de N.C., quien tras
sufrir un aneurisma hemisférico izquierdo, presentaba una tasa
elevada de parafasias formales (errores de sustitución léxica re-
lacionados con el sonido), además de numerosos errores semán-
ticos en la repetición de palabras aisladas y una incapacidad pa-
ra repetir grupos de letras sin sentido (no palabras). Aplicando
el conocido modelo computacional de producción lingüística de
Dell [23], se propuso que las parafasias formales y los errores
semánticos pueden ser el resultado de una desactivación acelera-
da de las unidades léxicas [24].
En esa misma línea de investigación, otro estudio señaló
que la desactivación acelerada parece aumentar el número de
sustituciones léxicas (semánticas y fonológicas), aunque tam-
bién lo hace, en pequeña medida, la reducción del peso de las
conexiones. Por su parte, dicha reducción también conlleva un
incremento de los neologismos [25,26].
Por otro lado, y a pesar de que los mecanismos reales de re-
cuperación son complejos [27], la neuropsicología conexionis-
ta ha intentado simular tanto la recuperación espontánea de la
afasia, como los efectos producidos por determinadas estrate-
gias de rehabilitación [28]. En concreto, para simular la recu-
peración espontánea se ha utilizado el anteriormente citado
MAI, y para modelar los efectos de la rehabilitación se han em-
pleado redes multicapa con propagación hacia atrás (RMP) –el
denominado ‘algoritmo de aprendizaje de propagación hacia
atrás’ funciona comparando repetidamente el resultado actual
de la red con el resultado deseado–. Un dato de interés obser-
vado es que, según una simulación [29], el entrenamiento en
palabras atípicas ofrece una mayor generalización que el entre-
namiento en palabras típicas, lo que implica que en el proceso
de rehabilitación sería más conveniente emplear las primeras.
Por sí solo, éste es un magnífico ejemplo de la utilidad del en-
foque de investigación conexionista aplicado a la neuropsico-
logía clínica.
En el ámbito de las dislexias adquiridas tras una lesión cere-
bral también se han propuesto algunos modelos conexionistas.
Como se sabe, se distingue entre distintos tipos de dislexia ad-
quirida: uno de ellos es la dislexia fonológica, cuyo caso más
puro se cree que es el de W.B., paciente que pese a leer palabras
REV NEUROL 2009; 48 (6): 317-321

con corrección era incapaz de leer grupos de letras sin sentido
(no palabras) y sonidos de letras concretas [30]. Otro tipo es la
dislexia superficial, ejemplificada de forma clara por K.T., pa-
ciente con sobrerregulaciones (errores de regularización) a la
hora de leer palabras de pronunciación excepcional [31]. Tras
los primeros modelos que aprendían a pronunciar palabras [32]
y los primeros modelos psicológicos de la lectura [33,34], en
poco tiempo aparecieron simulaciones de ambos tipos de altera-
ciones neuropsicológicas. Por ejemplo, para simular la dislexia
fonológica se ‘lesionó’ el nivel fonológico añadiendo ‘ruido’
[35]. Para simular la dislexia superficial se ralentizó la activa-
ción de la fonología léxica [36,37]. A este respecto, se ha utili-
zado tanto el denominado modelo del proceso dual, como el
modelo de la doble ruta en cascada; en este último, la ruta léxi-
ca y la no léxica se implementan de forma independiente, con
principios computacionales diferentes: la primera, paralela y
automática, y la segunda, serial y controlada.
Otro ámbito en el que se han utilizado modelos conexionis-
tas es en el de la neuropsicología de la atención visual selecti-
va. Partiendo de la idea, en la mayoría de los casos, de que la
conducta ‘atencional’ es una propiedad emergente de la inter-
acción competitiva entre las unidades de la red y no un ‘módu-
lo’ especial de procesamiento, temprano o no, se ha intentado
simular la agnosia visual. Como se sabe, en este trastorno se
produce una alteración del reconocimiento visual de objetos
comunes debido a una lesión occipitotemporal [38]. En un es-
tudio concreto, se ‘lesionó’ la red SERR (Search via Recursive
Rejection), con arquitectura de máquina de Boltzmann (que
emplea procedimientos estocásticos de computación), añadien-
do ruido a las funciones de activación y haciendo ineficiente la
búsqueda visual [39]. De forma parecida, reduciendo el peso
de las conexiones en la red SAIM (Selective Attention for Iden-
tification Model) [40], se ha intentado reproducir la desaten-
ción unilateral (neglect visual), que como se sabe se asocia con
una lesión temporal y frontoparietal [41,42]. Según dicha si-
mulación, este trastorno puede entenderse mejor como una al-
teración tanto atencional como de la representación espacial. Y
se cuestiona, por tanto, que se deba necesariamente a un meca-
nismo de ‘desenganche atencional’, como se venía postulando
[43,44]. Ésta es otra de las importantes implicaciones que con-
lleva la simulación conexionista: que permite investigar la rea-
lidad de determinados procesos psicológicos que se creen ya
identificados.
Por último, un ámbito de investigación que está empezando
a explorar la neuropsicología conexionista es el de la conducta
rutinaria. Basándose en el conocido modelo de Norman y Sha-
llice [45], y en las primeras simulaciones conexionistas de de-
terminadas conductas automáticas [46], se ha propuesto un
MAI que es capaz de integrar las diferentes constricciones del
control de la acción: las endógenas (como la intención), las exó-
genas o ambientales, y las relativas a la tarea [47,48]. Lo espe-
cialmente interesante para el tema que nos ocupa es que dicho
modelo podría dar cuenta de los distintos errores observados en
la realización de rutinas tras sufrir una lesión cerebral, por
ejemplo, los errores cometidos al desayunar o lavarse los dien-
tes por H.H., un paciente con lesión prefrontal y síndrome de
desorganización conductual [49]. También explicar lo que se ha
llamado ‘apraxia ideacional’, que según algunos autores inclu-
ye una combinación de dificultades, entre ellas la utilización in-
adecuada de objetos (p. ej., usar un colador como cuchara) y nu-
merosos errores secuenciales, sobre todo de omisión [50].
REV NEUROL 2009; 48 (6): 317-321
NEUROPSICOLOGÍA CONEXIONISTA
CONCLUSIONES
Según esta sucinta revisión, la simulación conexionista aplicada
a la neuropsicología parece un marco de investigación promete-
dor. Al permitir la realización de modelos complejos, este tipo
de simulación posibilita la descripción de algunos síntomas de
pacientes reales con lesiones neurológicas, al tiempo que em-
plea modelos mucho más precisos y explícitos que los tradicio-
nales, los denominados ‘de cajas y flechas’; de hecho, la simu-
lación conexionista necesita de un elevado grado de precisión
para su implementación. Este alto nivel de rigor contribuye, por
un lado, a minimizar el uso de conceptos vagos o generales y,
por otro, a dilatar el conocimiento neuropsicológico del que se
dispone en este momento.
En segundo lugar, los modelos de tipo conexionista pueden
manipularse con facilidad. En ese sentido, además de poder pre-
decir un tipo de comportamiento particular tras diferentes gra-
dos y variedades de lesión, pueden ensayarse diversos procedi-
mientos de rehabilitación. Esto supone una aplicación práctica
importante y de la que se está beneficiando actualmente la neu-
ropsicología clínica.
Por último, debe mencionarse que este enfoque de investi-
gación está desafiando algunas ideas que parecían bien estable-
cidas en neuropsicología, pero que no tienen que ser necesaria-
mente ciertas. Por ejemplo, según la tradición se venía asumien-
do que el fenómeno de la doble disociación implica forzosa-
mente modularidad, pero algunas simulaciones conexionistas
señalan que esa inferencia no es inevitable [51]; por el contra-
rio, la generación de modelos cerebrales mediante redes neuro-
nales artificiales, junto con los nuevos métodos de neuroimagen
funcional, indican que el neocórtex encaja más con una descrip-
ción interactiva que con una modular, esta última más aplicable
a estructuras más arcaicas, como el tálamo [52]. A este respec-
to, una de las implicaciones interesantes del enfoque conexio-
nista es que obliga a ser cautos a la hora de etiquetar y calificar
determinados procesos cognitivos.
Pese a todas estas ventajas, también hay que mencionar que
este enfoque nunca ha estado exento de críticas. En la década de
1940, cuando apareció, fue criticado por su simplicidad [53].
Posteriormente, lo fue por su falta de potencia para simular
cualquier tipo de aprendizaje [54]. Y una vez que se fue perfec-
cionando, tampoco faltaron autores que lo desaprobaron, esta
vez por su incapacidad para explicar la naturaleza de los proce-
sos cognitivos, sobre todo de su carácter composicional y siste-
mático [55,56]. No obstante, visto en perspectiva, parece inne-
gable que los intentos por ir superando estas diferentes críticas
han conseguido perfeccionar este enfoque, lo que se seguirá ha-
ciendo, pues no es un marco de investigación completamente
acabado, ni mucho menos; incluso, se está avanzando en las
cuestiones de la ‘composicionalidad’ y la ‘sistematicidad’ ante-
riormente apuntada [57].
Otra crítica habitual es que algunos de los algoritmos de
aprendizaje empleados por los modelos conexionistas no siem-
pre son plausibles biológicamente [58]. En este punto se suele
olvidar que los modelos conexionistas siguen siendo modelos
‘psicológicos’ pese al interesante parecido que puedan tener con
el funcionamiento cerebral real. La complejidad del cerebro no
permite más. Las células nerviosas son complejas, variadas y
numerosísimas, como compleja es la transmisión nerviosa, con
varios tipos de neurotransmisores y canales químicos de recep-
ción especializados en las dendritas. En caso de lesión cerebral,
el número de neuronas y de conexiones alteradas será muy su-
319
J. ARÓZTEGUI, ET AL
perior al que habitualmente se emplea en los modelos conexio-
nistas. No obstante, no dejan de buscarse algoritmos de aprendi-
zaje cada vez más plausibles biológicamente. Es más, existe
una tendencia creciente a simular matemática y computacional-
mente el procesamiento neuronal real [59-61].
Por otra parte, entre los numerosos retos que este enfoque
tiene planteados para el futuro cabe citar el desarrollo de arqui-
tecturas flexibles, puesto que las arquitecturas fijas limitan, co-
mo es sabido, las posibilidades de compensación, reorganiza-
ción o cambio de control entre sistemas. Esto será de especial in-
terés para el modelo de la recuperación espontánea de algunas
funciones, como la lingüística, y de la que aún sabemos muy po-
co. Además, el desarrollo de modelos debe enmarcarse en pro-
gramas sistemáticos de investigación, que comiencen por desa-
rrollar modelos de los distintos síntomas, para ir ampliándolos
hacia el desarrollo de modelos que diesen cuenta tanto de las ca-
BIBLIOGRAFÍA
1. Plaut DC, Shallice T. Deep dyslexia: a case study of connectionist neu-
ropsychology. Cogn Neuropsychol 1993; 10: 377-500.
2. Plaut DC. Double dissociation without modularity: evidence from con-
nectionist neuropsychology. J Clin Exp Neuropsychol 1995; 17: 291-321.
3. Bullinaria JA. Connectionist neuropsychology. In Houghton G, ed.
Connectionist models in cognitive psychology. New York: Psychology
Press; 2005. p. 83-111.
4. Martin N, Saffran EM, Dell GS, Schwartz MF. Origins of paraphasias
in deep dysphasia: testing the consequences of a decay impairment to
an interactive spreading activation model of lexical retrieval. Brain Lang
1994; 47: 609-60.
5. Heinke D, Humphreys GW. Computational models of visual selective
attention: a review. In Houghton G, ed. Connectionist models in cogni-
tive psychology. New York: Psychology Press; 2005. p. 273-312.
6. Goldberg E. The executive brain: frontal lobes and the civilized mind.
New York: Oxford University Press; 2001.
7. McCulloch WS, Pitts WH. A logical calculus of the ideas immanent in
nervous activity. Bull Math Biophys 1943; 5: 115-33.
8. Rosenblatt F. The perceptron: a probabilistic model for information
storage and organization in the brain. Psychol Rev 1958; 65: 386-408.
9. Arbib MA. Brains, machines and mathematics. New York: McGraw-
Hill; 1964.
10. Grossberg S. How does a brain build a cognitive code? Psychol Rev
1980; 87: 1-51.
11. Rumelhart DE, McClelland JL, eds. Parallel distributed processing: ex-
plorations in the microstructure of cognition. 2 vols. Cambridge: Brad-
ford Book/MIT Press; 1986.
12. Jacobs RA. Computational studies of the development of functionally
specialized neural modules. Trends Cogn Sci 1999; 3: 31-8.
13. Cobos PL. Conexionismo y cognición. Madrid: Pirámide; 2005.
14. Houghton G. Introduction to connectionist models in cognitive psy-
chology: basic structures, processes, and algorithms. In Houghton G,
ed. Connectionist models in cognitive psychology. New York: Psycho-
logy Press; 2005. p. 1-41.
15. Wood CC. Variations on a theme of Lashley: lesion experiments on the
neural model of Anderson, Silverstein, Ritz & Jones. Psychol Rev 1978;
85: 582-91.
16. Hinton GE, Shallice T. Lesioning an attractor network: investigations
of acquired dyslexia. Psychol Rev 1991; 98: 74-95.
17. Plaut DC. Relearning after damage in connectionist networks: toward a
theory of rehabilitation. Brain Lang 1996; 52: 25-82.
18. Gil R. Neuropsicología. Barcelona: Masson; 2005.
19. Harley TA. Connectionist approaches to language disorders. Aphasio-
logy 1993; 7: 221-49.
20. McClelland JL, Rumelhart DE. An interactive activation model of con-
text effects in letter perception: part 1. An account of basic findings.
Psychol Rev 1981; 88: 375-407.
21. Rumelhart DE, McClelland JL. An interactive activation model of context
effects in letter perception: part 2. The contextual enhancement effect
and some tests and extesions of the model. Psychol Rev 1982; 89: 60-94.
22. Martin N, Saffran EM. A computational account of deep dysphasia:
evidence from a single case study. Brain Lang 1992; 43: 240-74.
23. Dell GS. A spreading-activation theory of retrieval in sentence produc-
tion. Psychol Rev 1986; 93: 283-321.
320
pacidades afectadas como de las no afectadas, ya que en los ca-
sos reales las lesiones suelen afectar a determinadas capacidades
pero no a otras. En una última fase, se debe añadir la exigencia
de que estos modelos se implementen en redes que satisfagan
exigencias de similitud con aspectos anatómicos y fisiológicos
del funcionamiento cerebral en el caso de distintos trastornos.
De cualquier modo, en los próximos años cabe asistir a un
imparable desarrollo de esta joven disciplina; si, por un lado, la
simulación conexionista está contribuyendo al conocimiento
neurocientífico, por otro, los datos neuropsicológicos están em-
pezando a considerarse imprescindibles para la evaluación de
cualquier modelo conexionista (antes simplemente bastaban
unas cuantas condiciones de prueba). Y quizá no esté tan lejos
la respuesta a la pregunta (decisiva, como la han calificado John
Anderson y otros científicos cognitivos) de cómo aparece la
mente a partir del universo físico [62].
24. Martin N, Saffran EM, Dell GS, Schwartz MF. Origins of paraphasias
in deep dysphasia: testing the consequences of a decay impairment to
an interactive spreading activation model of lexical retrieval. Brain
Lang 1994; 47: 609-60.
25. Dell GS, Schwartz MF, Martin N, Saffran EM, Gagnon DA. Lexical
access in aphasic and nonaphasic speakers. Psychol Rev 1997; 104:
801-38.
26. Dell GS. Language production, lexical access, and aphasia. In Hough-
ton G, ed. Connectionist models in cognitive psychology. New York:
Psychology Press; 2005. p. 373-401.
27. Holland AL. Recovery in aphasia. In Bollen F, Grafman J, eds. Handbook
of neuropsychology. Vol. 2. New York: Oxford Press; 1990. p. 83-90.
28. Harley TA. Connectionist modelling of the recovery of language func-
tions following brain damage. Brain Lang 1996; 52: 7-24.
29. Plaut DC. Relearning after damage in connectionist networks: toward a
theory of rehabilitation. Brain Lang 1996; 52: 25-82.
30. Funnell E. Phonological processing in reading: new evidence from ac-
quired dyslexia. Br J Psychol 1983; 74: 159-180.
31. McCarthy R, Warrington EK. Phonological reading: phenomena and
paradoxes. Cortex 1986; 22: 359-80.
32. Sejnowski TJ, Rosenberg CR. Parallel networks that learn to pronoun-
ce English text. Complex Systems 1987; 1: 145-68.
33. Seidenberg MS, McClelland JL. A distributed, developmental model
of word recognition and naming. Psychol Rev 1989; 96: 523-68.
34. Plaut DC, McClelland JL, Seidenberg MS, Patterson KE. Understanding
normal and impaired word reading: computational principles in quasi-
regular domain. Psychol Rev 1996; 103: 56-115.
35. Harm M, Seidenberg MS. Are there orthographic impairments in phono-
logical dyslexia? Cogn Neuropsychol 2001; 18: 71-92.
36. Coltheart M, Rastle K, Perry C, Langdon R, Ziegler JC. DRC: a dual-
route cascaded model of visual word recognition and reading aloud.
Psychol Rev 2001; 108: 204-56.
37. Zorzi M. Computation models of reading. In Houghton G, ed. Connec-
tionist models in cognitive psychology. New York: Psychology Press;
2005. p. 403-44.
38. Farah MJ. Visual agnosia: disorders of object recognition and what
they tell us about normal vision. Cambridge, MA: MIT Press; 1990.
39. Humphreys GW, Freeman TAC, Müller HM. Lesioning a connectionist
model of visual search: selective effects on distractor grouping. Can J
Psychol 1992; 46: 417-60.
40. Heinke D, Humphreys GW. Attention, spatial representation and visu-
al neglect: simulating emergent attention and spatial memory in the se-
lective attention for identification model (SAIM). Psychol Rev 2003;
110: 29-87.
41. Robertson I, Marshall JC. Unilateral neglect: clinical and experimental
studies. Hove, UK: Psychology Press; 1993.
42. Husain M, Kennard C. Visual neglect associated with frontal lobe in-
farction. J Neurol 1996; 243: 652-57.
43. Posner MI, Walker JA, Friedrich FJ, Rafal RD. Effects of parietal in-
jury on convert orienting of attention. J Neurosci 1984; 4: 1863-74.
44. Posner MI, Petersen SE. The attention system of the human brain. Ann
Rev Neurosci 1990; 13: 25-42.
45. Norman DA, Shallice T. Attention to action: willed and automatic con-
trol of behavior. In Davidson R, Schwartz G, Shapiro D, eds. Conscious-
REV NEUROL 2009; 48 (6): 317-321
 NEUROPSICOLOGÍA CONEXIONISTA

ness and self regulation: advances in research and theory. Vol. 4. New
York: Plenum; 1986. p. 1-18.
46. Rumelhart DE Norman DA. Simulating a skilled typist: a study of skilled
cognitive-motor performance. Cogn Sci 1982; 6: 1-36.
47. Cooper RP, Shallice T. Contention scheduling and the control of rou-
tine activities. Cogn Neuropsychol 2000; 17: 297-338.
48. Cooper RP. The control of routine action: modelling normal and im-
paired functioning. In Houghton G, ed. Connectionist models in cogni-
tive psychology. New York: Psychology Press; 2005. p. 313-44.
49. Schwartz MF, Reed ES, Montgomery MW, Palmer C, Mayer NH. The
quantitative description of action disorganisation after brain damage:
a case study. Cogn Neuropsychol 1991; 8: 381-414.
50. De Renzi E, Lucchelli F. Ideational apraxia. Brain 1988; 111: 1173-88.
51. Plaut DC. Double dissociation without modularity: evidence from con-
nectionist neuropsychology. J Clin Exp Neuropsychol 1995; 17: 291-321.
52. Goldberg E. The executive brain: frontal lobes and the civilized mind.
New York: Oxford University Press; 2001.
53. Bishop GH. Nerve and synaptic conduction. Ann Rev Physiol 1946; 8:
355-74.
54. Minsky M, Papert S. Perceptrons. Cambridge, MA: MIT Press; 1969.
55. Fodor J, Pylyshyn Z. Connectionism and cognitive architecture: a cri-
tical analysis. Cognition 1988; 28: 3-71.
56. Fodor J, McLaughlin B. Connectionism and the problem of systemati-
city. Cognition 1990; 35: 183-204.
57. Boden M, Niklasson L. Semantic systematicity and context in connec-
tionist networks. Connection Sci 2000; 12: 111-42.
58. Crick F. The recent excitement about neural networks. Nature 1989; 337:
129-132.
59. Dayan P, Abbot LF. Theoretical neuroscience. Cambridge, MA: MIT
Press; 2001.
60. Gazzaniga MS, ed. The cognitive neurosciences III. Cambridge, MA:
MIT Press; 2004.
61. Rolls ET. An attractor network in the hippocampus: theory and neuro-
physiology. Learn Mem 2007; 14: 714-31.
62. Anderson JR. How can the human mind occur in the physical uni-
verse? New York: Oxford University Press; 2007.

CONNECTIONIST SIMULATION IN NEUROPSYCHOLOGY

Summary. Introduction. The expression ‘connectionist neuropsychology’ has been applied since the early 1990s to designate
an emerging area of research that uses artificial neural networks in an attempt to simulate some of the cognitive disorders that
result from different kinds of brain injury. Although some of the models generated by this type of simulation offer a number of
advantages over the classic models of information processing, this approach is still not very well known among Spanish
researchers and health professionals. Aims. To make this important research tool more widely known and to review the
advantages and shortcomings of a series of particular models. Development. After a brief introduction to the fundamental
principles of connectionist simulation, some of the most important models involving aphasias, dyslexias, agnosias and
apraxias are outlined. Conclusions. Despite their limitations, the models proposed by connectionist neuropsychology seem to
be far more accurate and specific than the classic ones. Furthermore, they are easy to handle and make it possible to get much
closer to the complex reality of these disorders. This type of research allows different kinds of brain injury to be modelled
while also enabling researchers to explore brain functions that have remained unknown up till now, either for ethical or
practical reasons. It therefore represents a source of inspiration both for designing experimental research studies and for
developing new rehabilitation procedures. [REV NEUROL 2009; 48: 317-21]
Key words. Artificial neural networks. Computational models. Connectionism. Connectionist neuropsychology. Neuro-
computation. Parallel distributed processing.

REV NEUROL 2009; 48 (6): 317-321 321