La ley universal de generalización es una teoría de la cognición que establece que la probabilidad de que una respuesta a un estímulo se generalice a otro es una función de la "distancia" entre los dos estímulos en un espacio psicológico. Fue introducido en 1987 por Roger N. Shepard, [1] [2] quien comenzó a investigar los mecanismos de generalización cuando aún era un estudiante de posgrado en Yale:
"Ahora estaba convencido de que el problema de la generalización era el problema más fundamental al que se enfrenta la teoría del aprendizaje. Debido a que nunca encontramos exactamente la misma situación total dos veces, ninguna teoría del aprendizaje puede estar completa sin una ley que gobierne cómo lo que se aprende en una situación se generaliza a otro " [3]
El artículo de Shepard de 1987 da un ejemplo de "generalización" de un pájaro que se ha comido una lombriz de tierra y se le presenta una lombriz de tierra de aspecto ligeramente diferente. [2] Explicando el concepto de "espacio psicológico" en el resumen de su artículo de 1987, Shepard escribió:
"Se establece un espacio psicológico para cualquier conjunto de estímulos determinando distancias métricas entre los estímulos de modo que la probabilidad de que una respuesta aprendida a cualquier estímulo se generalice a cualquier otro es una [función monótona] invariante de la distancia entre ellos" [2]
Usando evidencia experimental de sujetos humanos y no humanos, Shepard planteó la hipótesis , más específicamente, que la probabilidad de generalización caerá exponencialmente con la distancia medida por una de dos métricas particulares. Su análisis continúa defendiendo la universalidad de esta regla para todos los organismos sensibles , debido a la internalización evolutiva .
Investigación y comentarios adicionales
En 1988, Shepard recibió una respuesta a su investigación de Daniel M. Ennis del Centro de Investigación Philip Morris. [4] Ennis cuestionó si la teoría de Shepard era relevante, ya que se hacía eco de la investigación ya realizada por Nosofsky, cuya investigación presentó "varias excepciones" [4] a la teoría de Shepard. Shepard le respondió afirmando que los experimentos de Nosofsky se centraban en “las ubicaciones precisas de los estímulos individuales en el 'espacio psicológico'” [4], mientras que sus experimentos se centraban en la “ubicación, tamaño y forma de la región del espacio psicológico correspondiente al conjunto de estímulos que tienen la misma consecuencia importante que un estímulo de entrenamiento dado ”. [4]
Otros investigadores han seguido la investigación de Shepard con sus propias investigaciones sobre la ley de generalización. En 2000, Ken Cheng de la Universidad Macquarie [5] experimentó con la generalización especial de las abejas, comparando sus hallazgos con investigaciones anteriores sobre humanos y palomas. Cheng explicó su comprensión de la ley de generalización de Shepard en este estudio como tal:
“Suponga que un animal encuentra comida en un recipiente en un lugar (S +). Cuando el animal regresa, el contenedor se encuentra en una ubicación notablemente diferente. ¿El animal seguirá 'apostando' por encontrar comida en el contenedor? Detrás de esta pregunta está la suposición de que el animal puede discriminar las dos ubicaciones. La ley de Shepard no se aplica cuando el animal tiene problemas para discriminar entre los estímulos. La pregunta es si los dos lugares tienen la misma consecuencia de preocupación; en este caso, si el contenedor contiene alimentos ... ” [5]
Cheng midió la respuesta de la abeja a las copias de un recipiente en diferentes lugares, el original permanecía en un área y contenía agua azucarada. Los contenedores de copias tendrían entonces agua corriente o agua azucarada. Las medidas de los gradientes de generalización se separaron tanto por la distancia como por la dirección de acuerdo con la ley de Shepard. Cheng descubrió que "los gradientes de generalización en ambas series estaban ajustados por funciones exponenciales, apoyando la ley de Shepard". [5] La investigación de Cheng sugirió que la ley de Shepard tenía el potencial de generalizarse a más que solo mamíferos y aves, sino también a invertebrados. En 2001, Chater y Vitányi [6] intentaron proporcionar una “forma matemáticamente más atractiva de la Ley Universal”. [6] Explican la necesidad de una perspectiva matemática diferente a la presentada en el artículo de Shepard ilustrando el ejemplo de una fotografía y su negativo:
“Por lo tanto, mientras que el positivo y el negativo de la misma imagen están muy lejos entre sí en términos de distancia euclidiana, están a una distancia casi nula en términos de distancia universal porque el intercambio de píxeles en blanco y negro transforma una imagen en la otra” [ 6]
Chater y Vitányi admiten que su forma de abordar la ley de la generalización puede ser demasiado abstracta para ajustarse a una ecuación psicológica, pero argumentan que una explicación abstracta simple sería tan adecuada como cualquier otra explicación elemental en un sentido práctico cuando se enfrentan a situaciones que están interconectadas. con complejas explicaciones matemáticas. [6]
Chris R. Sims [7] ha intentado ofrecer otra mirada a la ley de generalización a través del alcance del principio de codificación eficiente. Sims defiende la teoría de la distorsión de la tasa a través de experimentos de identificación perceptiva. [7]
Steven A. Frank de la Universidad de California, Irvine [8] propuso otra perspectiva sobre el enfoque de la ley de generalización. Sostiene que la forma exponencial de la ley universal surge simplemente porque es la única transformación matemática de una escala perceptiva continua a una probabilidad de respuesta que es invariante para cambiar y estirarse.
Referencias
- ^ "Lo que la cámara de tu celular te dice sobre tu cerebro" . ScienceDaily.com . 19 de septiembre de 2018 . Consultado el 5 de febrero de 2019 .
Una ley canónica de la ciencia cognitiva, la Ley Universal de Generalización, introducida en un artículo de 1987 también publicado en Science, nos dice que su cerebro toma decisiones perceptuales basadas en cuán similar es el nuevo estímulo a la experiencia anterior. Específicamente, la ley establece que la probabilidad de que extienda una experiencia pasada a un nuevo estímulo depende de la similitud entre las dos experiencias, con una disminución exponencial en la probabilidad a medida que disminuye la similitud. Este patrón empírico ha demostrado ser correcto en cientos de experimentos en diferentes especies, incluidos humanos, palomas e incluso abejas.
- ^ a b c Shepard, R. (11 de septiembre de 1987). "Hacia una ley universal de generalización para la ciencia psicológica" . Ciencia . 237 (4820): 1317-1323. doi : 10.1126 / science.3629243 . ISSN 0036-8075 . PMID 3629243 .
- ^ Shepard, Roger N. (febrero de 2004). "Cómo un psicólogo cognitivo llegó a buscar leyes universales" . Boletín y revisión psiconómica . 11 (1): 1–23. doi : 10.3758 / bf03206455 . ISSN 1069-9384 . PMID 15116981 .
- ^ a b c d Ennis, D. (11 de noviembre de 1988). "Hacia una ley universal de generalización" . Ciencia . 242 (4880): 944. doi : 10.1126 / science.3187534 . ISSN 0036-8075 . PMID 3187534 .
- ^ a b c Cheng, Ken (septiembre de 2000). "Ley universal de Shepard apoyada por abejas en generalización espacial" . Ciencia psicológica . 11 (5): 403–408. doi : 10.1111 / 1467-9280.00278 . ISSN 0956-7976 . PMID 11228912 .
- ^ a b c d Chater, Nick; Vitányi, Paul MB (junio de 2003). "La ley universal generalizada de generalización" . Revista de Psicología Matemática . 47 (3): 346–369. doi : 10.1016 / S0022-2496 (03) 00013-0 .
- ^ a b Sims, Chris R. (10 de mayo de 2018). "La codificación eficiente explica la ley universal de generalización en la percepción humana" . Ciencia . 360 (6389): 652–656. doi : 10.1126 / science.aaq1118 . ISSN 0036-8075 . PMID 29748284 .
- ^ Frank, Steven A. (9 de junio de 2018). "La invariancia de medición explica la ley universal de generalización para la percepción psicológica" . Actas de la Academia Nacional de Ciencias de los Estados Unidos de América . 115 (39): 9803–9806. doi : 10.1101 / 341305 . PMC 6166795 . PMID 30201714 . Consultado el 22 de julio de 2020 .