TEMA 4

LA INDUCCION CATEGORICA

INTRODUCCION
La induccin categrica es el proceso x el cual los sujetos dividen el entorno en clases, agrupando en un conjunto varios ejemplares particulares, y dando con ello lugar a las categoras. Este proceso de clasificacin y agrupacin tiene 2 grandes ventajas: El ahorro cognitivo q supone la agrupacin de las experiencias particulares en clases, extrayendo lo q es comn a un conjunto de objetos o situaciones. Ej.: diversas experiencias con varios tipos de manzanas (rojas, amarillas, grandes, pequeas) son agrupadas todas bajo la categora manzanas. En este sentido se considera q la categorizacin constituye una de las formas paradigmticas de la inferencia inductiva, agrupando las experiencias particulares en una clase general. La posibilidad de inferir mas info q la sola presentada, es decir, de generar una serie de expectativas sobre ese objeto o situacin, sin q sea necesario comprobarlas, por el solo hecho de pertenecer el objeto clasificado a una clase con la q tendr cosas comunes. X ej.: si nos encontramos con un nuevo tipo de manzana q no conocamos antes, podemos esperar q sea comestible y q crezca en un rbol.

Hay q sealar q en este tema se va a considerar q los trminos concepto y categora son sinnimos, pese a q podra distinguirse, por razones que dudo mucho que caigan en el examen.

LA ESTRUCTURACION CONCEPTUAL
En base a q se realiza la categorizacin? Una de las opiniones mas extendidas es la q opina q la categorizacin se realiza en base a las propiedades de las experiencias. Veamos q propiedades son las q se pueden tener en cuenta para esa categorizacin. 1.- EL ENFOQ DE LAS PROPIEDADES DEFINITORIAS Este enfoq (el + clsico), se basa en las propiedades: - Individualmente necesarias una propiedad es necesaria si est presente en cada uno de los ejemplares. - Conjuntamente suficientes un conjunto de propiedades es suficiente si cada ejemplar q presente dicho conjunto, pertenece al concepto en cuestin. X ej., ser soltero presenta 3 propiedades: ser varn, adulto y no estar casado. As, cada una de estas propiedades es x si sola necesaria y no suficiente, pero todas ellas conjuntamente constituyen una definicin del concepto.

Sin embargo, este enfoq presenta varios problemas: No hay una definicin consensuada q agrupe al conjunto de propiedades necesarias y suficientes para los conceptos denominados naturales (aquellos q pueden observarse en la experiencia cotidiana), y no se pueden establecer limites entre conceptos tan claramente como cabe esperar segn esta teora. El uso q hacen los sujetos de los conceptos est en contra de los principios de este enfoq, puesto q hay ejemplares q se consideran ms tpicos o ms representativos de un concepto q otros (x lo q no todos los ejemplares de una categora son iguales, hay algunos mas relevantes q se recuerdan y recuperan mejor)

2.- EL ENFOQ DE LAS PROPIEDADES PROBABILISTICAS Segn este enfoq, los conceptos no estn constituidos x propiedades q los definan, sino q las propiedades ms comunes o tpicas de un concepto, ocurren solo en determinados ejemplares. El conjunto de estas propiedades ms tpicas se denomina prototipo. As, segn este enfoq, la categorizacin est basada en las frecuencias, en la tendencia central o en la dispersin de las propiedades de un concepto. As, la tipicidad de un ejemplar depende de la semejanza de ese ejemplar y su prototipo. Los miembros de una categora no se relacionan x un conjunto de propiedades definitorias, sino x su parecido familiar, el cual comprende: - La semejanza media de un ejemplar respecto a otros miembros de la categora. - La desemejanza media de un ejemplar respecto a los miembros de otras categoras de contraste. X otro lado, este enfoq tb ofrece una explicacin de la estructuracin conceptual en niveles jerrquicos. As, existe: - Un nivel supraordenado con el grado ms alto de generalidad. Ej.: fruta - Un nivel intermedio o bsico donde se ubica el prototipo. Ej.: manzana. Es en este nivel donde los ejemplares comparten el nivel ms alto de propiedades comunes con otros ejemplares de su misma categora y el menor n de propiedades de otras categoras de contraste. - Un nivel subordinado con el grado mas concreto de generalidad. Ej.: golden. Veamos las crticas q se han hecho a este enfoq: - La tipicidad de un concepto depende del criterio de semejanza q se tenga, de las categoras particulares q se han elegido y de los ejemplares q se han puesto a prueba. Ej.: una naranja y una pelota (ejemplares de categoras diferentes) son mas semejantes entre si q una naranja y un pltano (ejemplares de una misma categora).

- El prototipo puede ser diferente en funcin del contexto en el q estemos. As, x ej. si nos dicen el pjaro vol sobre el mar, el prototipo de ave q podemos imaginarnos es una gaviota, pero si nos dicen el cazador dispar contra ese pjaro, el prototipo de ave podra ser una perdiz. Debido a estas crticas surgen modelos mixtos q intentan conciliar las diferencias entre el enfoq probabilstico y el de las propiedades definitorias, proponiendo q los sujetos utilizan ambos tipos de propiedades (definitorias y probabilsticas): - Las prototpicas, al ser mas accesibles, se utilizan generalmente para la categorizacin. - Se recurre a las diagnosticas solo en casos especiales, como cuando se tiene q arbitrar una categorizacin dudosa. Debido a esto, y segn el modelo mixto, podramos decir q el prototipo puede considerarse como un heurstico x medio del cual se utilizan las propiedades no necesarias, recurriendo a las propiedades diagnosticas solo en casos muy determinados, como x ej. cuando se ha de categorizar una ballena como un mamfero. 3.- EL ENFOQ DE LOS EJEMPLARES Segn este enfoq, un concepto est constituido x el conjunto de todos los ejemplares de una categora q el sujeto tenga en su memoria (sin q se produzca una abstraccin de las propiedades comunes de los mismos). Segn este enfoq, el nivel de abstraccin necesario para generar una categora tendra lugar en el momento mismo de la recuperacin de la info almacenada. La tipicidad de un ejemplar se determina x su semejanza con el resto de ejemplares de esa categora, y la categorizacin consiste en evaluar si un objeto o situacin presenta algn nivel crtico de semejanza con los mejores ejemplares (los ejemplares ms representativos de la categora para cada persona). As, vemos q no es necesario asumir un nico prototipo con el q se comparan los ejemplares. Este enfoq presenta la ventaja de q no asume una representacin abstracta del concepto, sino unas representaciones concretas de los ejemplares, lo cual hace q se tenga una gran flexibilidad, pudiendo explicar los resultados experimentales sobre la sensibilidad a: - Al contexto - A las correlaciones entre propiedades - Al rango de la propiedad - A la propia tipicidad Las crticas q se han hecho a este enfoq se centran en: 1. Q no contempla las generalizaciones q se producen durante el aprendizaje 2. Q no especifica cual es el criterio de coherencia interna x el cual se realiza la categorizacin en unos casos y en otros no.

Para finalizar con este apartado, diremos q los resultados de las investigaciones realizadas nos muestran q la induccin categrica es un proceso muy flexible en el q se tiene q explicar tanto la estabilidad como la inestabilidad de las categoras. Veamos un ej. de esta inestabilidad: podemos encontrarnos categoras q se formen solo temporalmente, como objetos q te pueden salvar de un incendio, q son objetos q en otros contextos perteneceran a otras categoras.

LA COMBINACION DE CONCEPTOS
Hasta ahora habamos centrado el proceso de categorizacin en conceptos individuales. Sin embargo, en la prctica podemos ver como la info conceptual muchas veces se combina para producir otros conceptos, como: - Sustantivo + sustantivo. Ej.: sof-cama - Sustantivo + adjetivo. Ej.: sangre azul - Sustantivo + adverbio + adjetivo. Ej.: mujer muy alta Veamos los distintos modelos q intentan explicar esta combinacin de conceptos. 1.- EL MODELO DE MODIFICACION SELECTIVA Este modelo intenta explicar la tipicidad de los conceptos compuestos en comparacin con la de los simples. Antes de este modelo, y siguiendo las predicciones de la teora de los conjuntos difusos, se supona q la tipicidad de un concepto compuesto no poda ser mayor q la tipicidad de los conceptos simples q lo forman. Sin embargo, vaya, se equivocaron, ya q experimentalmente se encontr q los conceptos compuestos obtenan una puntuacin mas alta q los simples. Veamos los resultados q se encontraron: a) La tipicidad de un concepto compuesto (ej.: sangre roja) es mas alta q la del concepto simple (sangre). Lo q resulta raro teniendo en cuenta que "sangre roja" no debera ser mas tpico que sangre, porque "sangre" ya incluye (por as decir) a "rojo" (porque la sangre es roja). b) La tipicidad de un concepto compuesto incompatible (ej.: sangre azul) es mas alta q la alta q la del concepto simple (sangre) y q la del compuesto compatible (sangre roja). A estos resultados se los conoce como el efecto de la conjuncin, y para explicarlos surge la teora de modificacin selectiva. Segn esta teora, y siguiendo la regla de contraste de Tversky, a la hora de establecer la tipicidad de un ejemplar, hemos de contrastar las propiedades comunes y las no compartidas de ese ejemplar con las del prototipo. A mas propiedades comunes, y menos no comunes, mayor tipicidad. X ello, tener la sangre roja es mas tpico del concepto sangre roja q del concepto sangre.

Pero, adems, algunas propiedades aportan mayor valor diagnostico q otras, entre otras cosas, x la prominencia del valor q adopten. As, sangre azul es evaluado como mas tpica q sangre roja, xq la diagnosticidad del atributo color ha aumentado considerablemente, por el valor azul. X otro lado, segn esta teora, cada constituyente del concepto desempea un papel distinto y asimtrico, y no se explica x la simple interseccin de las propiedades de sus conceptos constituyentes. As, x ej, la unin entre los conceptos sof y cama, no es igual en sof-cama q en cama-sof. El proceso de modificacin selectiva diferencia entre el concepto q desempea la funcin de sustantivo (del q se parte) y el q lo hace de adjetivo (q modifica al primero). Y las propiedades q compartan ambos conceptos adquieren mayor relevancia y valor diagnostico. 2.- EL MODELO DE ESPECIALIZACION CONCEPTUAL En este modelo (al igual que en el anterior), uno de los conceptos se encuentra modificado por el otro, y este ltimo modifica o especifica variables del primero. As, los constituyentes del concepto generado tienen un papel asimtrico, q no se explica x la interseccin de sus propiedades. La diferencia entre ambos modelos est en q en el modelo de especializacin conceptual, el proceso se realiza en base en el conocimiento del mundo que tiene el sujeto. En el ejemplo de sangre azul, el valor azul para el atributo color no solo pondera en prominencia y diagnosticidad, sino q se pone en relacin con nuestro conocimiento que tenemos sobre el lenguaje figurado, hacindonos ver q se refiere al linaje noble.

3.- EL MODELO HIBRIDO DE EJEMPLARES Y TEORAS PREVIAS

EL PROCESO DE CATEGORIZACION
Cmo se produce la agrupacin de las propiedades de los ejemplares en una categora? Hay 2 grandes corrientes: 1. Las q defienden que la categorizacin se hace en base a la semejanza de un ejemplar y el resto de ejemplares (enfoq probabilstico y de los ejemplares). X ello, podramos decir q la semejanza parece ser aquello q hace q una categora pueda aglutinar un conjunto de ejemplares.

Tversky opina q la semejanza est en funcin de las propiedades comunes y distintivas de un conjunto de ejemplares, xo q dentro de todas esas propiedades, unas tienen ms importancia q otras, es decir, q estas propiedades estn ponderadas x su relevancia o saliencia. Esto nos permite agrupar a ballena dentro de mamferos, a pesar del n de propiedades en comn q tiene con los peces. Amstrong seala q se recurre a las propiedades diagnosticas para arbitrar esta categorizacin. Las crticas q se pueden hacer a esta corriente es q: - Con la semejanza y la categorizacin podramos caer en un crculo vicioso, xq muchas veces se dice q dos ejemplares son semejantes, x el hecho de estar en la misma categora. - La importancia o ponderacin de una propiedad cambia en funcin del contexto en el q se aplique y en funcin de las propiedades del objeto o situacin q estime el sujeto como relevantes. 2. Las q defienden q la categorizacin se hace en base al conocimiento previo y a las teoras ingenuas q el sujeto tiene sobre el mundo. Este conocimiento previo y estas teoras ingenuas restringe la construccin y organizacin categrica, puesto q determina cuales son las propiedades q el sujeto va a considerar relevantes para una categora. Esta categorizacin no se reduce a una lista de propiedades, sino q se encuentra inmersa en un cuerpo de conocimientos, con estructura y coherencia, x lo q permite articular relaciones inter e intra categoras. Dentro de esta categorizacin podemos incluir a aquellas teoras q asumen una representacin de la info en estructuras de conocimiento, tales como esquemas, guiones o marcos mentales. Recordemos q: - Un esquema no necesita especificar los valores de sus propiedades, sino q estas propiedades son genricas y adoptan valores en funcin del contexto. - En funcin del tipo de estructura (guion, esquema) en la q se represente el conocimiento, el proceso de induccin categrica ser distinto en la aplicacin de reglas, el emparejamiento de patrones Podramos decir q las investigaciones resaltan cada vez mas q la interaccin entre el contexto y un entramado complejo de relaciones es responsable de la induccin categrica, y q hace falta conjugar tanto la semejanza como el conocimiento estructurado si queremos explicar el proceso de categorizacin. Ahora vamos a ver 2 teoras (pertenecientes al marco de los modelos computacionales) q intentan explicar cmo se produce la categorizacin: 1.- SISTEMA DE REGLAS DISTRIBUIDAS Esta teora se encuentra dentro del paradigma simblico clsico, y cercano a la perspectiva q defiende el principio de estructuracin del conocimiento para explicar la categorizacin, aunq tb hace uso de la semejanza y del contexto. Vemoslo.

El sistema de reglas distribuidas parte de una premisa la categorizacin puede q sea una funcin de otra funcin ms fundamental: la generacin de inferencias relevantes para una meta. As, cuando se realiza la categorizacin, no hay un simple emparejamiento de propiedades, sino q ese emparejamiento se realiza en funcin de la situacin causal en la q ocurre, es decir, en funcin del contexto. X ello, en funcin tb del contexto se determinarn las propiedades q son relevantes y el peso de las mismas. Veamos un ejemplo de un sistema de reglas distribuidas: Los esquemas de razonamiento pragmtico (Holland, Holyoak y cols) Segn esta teora, las personas razonan utilizando ciertas estructuras abstractas de conocimiento (esquemas), obtenidas a partir de la experiencia cotidiana Estos esquemas estn formados por reglas sensibles a una situacin determinada en la que los sujetos tienen cierta prctica. Los supuestos de este modelo son los ss: - El sistema al razonar aplica reglas. - Las agrupaciones de las reglas consolidadas se denominan esquemas. - El procesamiento se realiza en paralelo (gracias a lo cual, se produce una actividad competitiva en la q se revisa continuamente la representacin del problema) - Se pueden aplicar varias reglas a la vez, de tal manera q su actuacin conjunta puede resultar complementaria o inhibitoria. - Las restricciones en el procesamiento estn determinadas x el propio sistema y x el contexto. El resultado es q el sistema: - Realizar unas inducciones en funcin del contexto en el q se encuentre y del conocimiento previo q tenga - Generar unas reglas q sern tiles para esa situacin y, posiblemente, para situaciones futuras semejantes. El sistema producir unas reglas de condicin-accin: - Diacrnicas (en griego: a travs del tiempo) indican q si se satisfacen unas condiciones, entonces se darn unos cambios en el entorno. - Sincrnicas (en griego: al mismo tiempo) informan de relaciones jerrquicas entre categoras o de relaciones de co-ocurrencia (vemos q ambas son descripciones atemporales). La actividad del sistema se produce en 3 pasos: Encontrar reglas q satisfagan las condiciones, emparejando hechos y reglas. Seleccionar un subconjunto de esas reglas Ejecutar esas reglas para q se lleven a cabo las acciones especificadas. Esta teora de los esquemas de razonamiento pragmtico combina 2 aspectos claves: - La flexibilidad las reglas q muestren ser efectivas sern ponderadas, las q no lo sean se eliminarn o modificarn. - La organizacin las reglas estn organizadas de 2 maneras:

 Implcitamente: la aplicacin de una regla provoca q se cumpla la condicin de otra regla, que se ejecutar Explcitamente: aqu las reglas estn interrelacionadas y se activan conjuntamente. Descripcin del proceso de induccin categrica segn este modelo Desde este modelo se concibe q la categorizacin no ocurre de forma aislada, sino q se realiza inmersa en las teoras q tienen los sujetos sobre el mundo y su funcionamiento. As, para caracterizar un concepto, se habrn de incluir las relaciones q este tenga con otros q dependan de l mismo. Segn los esquemas de razonamiento pragmtico, la asignacin a una categora de un ejemplar (es decir, la induccin categrica), se produce por la probabilidad de pertenencia (q se le asigna a ese ejemplar) a una categora, en base a las propiedades de ese ejemplar. Segn este modelo, las categoras estn formadas por la agrupacin de conjuntos de reglas, tales como: - Si un aparato electrnico nos da indicaciones en carretera sobre como llegar a nuestro destino puede ser un mvil, un gps, un porttil, un tablet pc - Si un aparato electrnico tiene teclado fsico puede ser un mvil, una maquina de escribir, un porttil, un tablet pc que no conozcamos - Si el aparato electrnico mide menos de 20 cm de ancho puede ser un gps, una grabadora, una radio, un mvil, un tablet pc que desconozcamos - Si el aparato electrnico sirve para conectarse a internet y navegar por paginas web puede ser un mvil, una porttil, un ordenador de sobremesa, una tablet pc Como vemos, estas reglas: - No son definitorias, ya que no definen la categora - Algunas reglas tienen mas importancia que otras, por lo que decimos que tienen mas valor de apoyo. Ej.: la categora de porttil se encuentra mas apoyada en el anterior ejemplo por la regla de que el aparato sirve para conectarse a internet, que por la regla de que el aparato tiene teclado fsico. - Dependen del contexto. Ej.: no seria lo mismo (para categorizarlo) encontrarnos con ese cacharro electrnico en una oficina, que en mitad del campo. El proceso de categorizacin se realiza de esta manera: Se activaran simultneamente varias reglas (tantas como propiedades conozcamos del ejemplar). Ej.: nos indica la ruta, tiene pantalla, tienen teclado Puede que alguna propiedad del ejemplar no nos d valor para categorizarlo, puesto que la desconocemos o porque es posible en todas las categoras. X ej.: el hecho de que el aparato electrnico sea negro no activara ninguna regla. En este caso no se activa nada.

Esta activacin de las reglas dar lugar a que se estimen como posibles determinadas categoras (que se denominan nodos intermedios). As, surgirn todas las categoras que cumplan al menos alguna de las reglas antes activadas. Ej: pda, porttil, maquina de escribir, cajero, gps, mvil, tablet pc Se seleccionar una de las categoras como la mas probable, en base a: El numero de reglas que la apoyen (esto se conoce como ponderacin previa). La importancia de esas categoras que la apoyan, ya que como hemos visto puede ser diferente. Esto se conoce como valor de apoyo. A esta seleccin se le conoce como accin . Ej.: se seleccionara ya q es la mas reglas la apoyan o mas importante. Vemos que es una seleccin basada en probabilidad. Es decir, categorizar seria como decir: en base a estas propiedades y a su importancia, lo mas probable es que este ejemplar sea Para que finalmente el sujeto estime que ese ejemplar pertenece a esa categora, y no haya muchas categorizaciones incorrectas, la eleccin tiene que superar un umbral de confianza. Es decir, el valor de apoyo mas la ponderacin previa tienen que alcanzar un nivel tal, que si no se alcanza se desecha categorizar al ejemplar.

Segn el razonamiento pragmtico, las reglas no son una definicin de la categora, sino un conjunto de expectativas q se consideran verdaderas siempre q no contradigan la info presentada al sistema. Las expectativas q por defecto se activan proporcionan el mejor esquema para la situacin actual. Esas reglas se ordenan jerrquicamente, de tal manera q los ejemplares ms tpicos se emparejan con reglas supraordenadas (las ms generales) y los ejemplares ms atpicos se emparejan con reglas excepcionales. A travs de estas jerarquas x defecto, se representa la incertidumbre del sistema, es decir, q se representa tanto la uniformidad como la variabilidad. El n de ejemplares necesarios para alcanzar una generalizacin va a depender de esa variabilidad (a mayor variabilidad ms ejemplares se necesitaran para generalizar). Todo esto implica q no hay q asumir un prototipo explicito (un ejemplar ideal que constituye la media de los ejemplares presentados), 2.- SISTEMA DE ACTIVACION DISTRIBUIDA Aqu vamos a ver un modelo conexionista. Recordemos q estos modelos decan q el sistema se encuentra constituido x redes de activacin q comprenden un conjunto amplio de unidades de procesamiento, unidas x conexiones con pesos diferenciados. Las unidades de procesamiento son entidades q asumen unos valores de activacin basados en lo q entra en el sistema y en el valor de las otras unidades del sistema.

As, segn estos modelos, la info no se transmite x unidades particulares de procesamiento, sino q se transmite x patrones de activacin en un conjunto de unidades de procesamiento. A estos modelos tb se los conoce como de procesamiento distribuido y paralelo. El conocimiento esta en las conexiones, no en las unidades, emerge del funcionamiento de la red. Cuando esto sucede, ese conocimiento puede quedar representado en los patrones de activacin y hay una probabilidad estadstica mayor de que pueda ser activado posteriormente frente a estmulos o configuraciones estimulares parecidas (esto supondra una restriccin del patrn de activacin) Este modelo permite sostener la premisa de que, a travs propiedades simples, los modelos pueden comportarse de forma compleja, y ello ocurre porque la conducta conexionista no depende de la actividad aislada de sus componentes, sino de la accin conjunta de las distintas partes Aqu no se aplican reglas, no hay un emparejamiento, no hay jerarquas por defecto, no hay esquemas. Lo q hay es una red q satisface restricciones impuestas x el contexto. Veamos un ejemplo de este sistema de activacin distribuida: El modelo de satisfaccin de restricciones El modelo q propone el libro es un modelo q satisface simultneamente un n considerable de restricciones, y en el q no hay una solucin nica q pueda satisfacer todas las restricciones. Ya vimos q x restriccin entendemos los patrones que ya fueron activados en la red neuronal, x lo q tienen mayor probabilidad de surgir de nuevo ante la presentacin de estmulos. As, las restricciones q ya estn implcitas en el patrn de activacin van a determinar el conjunto de posibles estados del sistema, interactuando con la entrada de info. La mayor o menor importancia de esas restricciones se encuentra reflejada en la fuerza de conexin de las unidades que activen cada una. El ajuste del sistema depende del ajuste de valores de activacin de las unidades, de la fuerza de los pesos de las conexiones, y del grado en q las unidades satisfacen las restricciones de la entrada de info. Descripcin del proceso de induccin categrica segn este modelo Para realizar la induccin categrica segn este modelo, habra q tener en cuenta q: Cada categora (oficina, casa, bao) se corresponde con un patrn de activacin determinado.

La activacin o desactivacin de las propiedades habr q ver si est presente la propiedad a categorizar en la categora presentada o no. El peso (o importancia) de las distintas propiedades a categorizar depende de la relacin q tenga con el resto de las categoras presentes (a mayor pertenencia de la propiedad a distintas categoras, menor peso relativo). Ej.: si el hecho de tener techo es muy comn en las distintas categoras q tengamos, ese hecho tendr poco peso o importancia, puesto que aporta poca info. En funcin de ese peso y de las distintas activaciones de las unidades, el sistema alcanzar un patrn de activacin determinado, q ira modificando x:

La info q va entrando en el sistema segn este modelo, cada vez q entra info en el sistema, este se mueve hacia un estado en el q se alcanza la bondad de ajuste mxima (hasta la ss vez q entre info). As, podramos decir q el sistema es completamente reactivo cuando entra info en el sistema, todas las unidades ajustan su activacin con el fin de satisfacer el mayor n posible de restricciones.