Andrés Catena Martínez

Aprendizaje de relaciones de contingencia y causalidad: hacia un análisis integral del aprendizaje causal desde una perspectiva computacional

En las dos ultimas decadas el estudio del Aprendizaje Causal ha experimentado un gran avance en lo que se refiere a la formulacion de modelos que tratan de explicar como las personas somos capaces de inferir relaciones e causalidad a partir de !a observacion de la relacion estadistica entre acontecimientos del medio. Muchos modelos reducen la explicacion a un algoritmo de computo simple. Frente a esa idea mecanicista, en este trabajo adoptamos una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisicion de conocimiento causal. En otras palabras, pretendemos responder a dos preguntas fundamentales: a) que informacion es relevante en el aprendizaje de relaciones de causalidad?, y b) ? por lue dacha informacion es rele-vante? Desde este punto de vista, lo mas importante no es describir la formulacion matematica de los procesos implicados en el procesamiento, sino analizar el sentido funcional de dichos procesos. A continuacion, discutire-mos sobre como este marco computacional puede guiar la construccion teorica en el futuro a nivel algoritmico y ayudar a integrar los distintos modelos actuales. Palabras clave: Aprendizaje de causalidad, razonamiento inductivo, contingencia, correlacion.

Spanish validation of the Domain-Specific Risk-Taking (DOSPERT-30) Scale

BACKGROUND The aim of the present study was to develop and validate a Spanish version of the short Domain-Specific Risk-Taking (DOSPERT-30) scale, measuring risk-taking behavior, risk perception, and expected beneficial consequences (from taking risks) in five life domains: ethics, finance, health/security, recreational, and social decisions. METHOD The scale was back-translated, and administered online to 826 participants. Validity evidence was tested using correlations with construct-related instruments (UPPS-P and SSS-V), as well as using factor analysis. Internal consistency reliability was calculated with the ordinal Alpha coefficient, and gender differences were considered. RESULTS Internal consistency was good, and factor analysis confirmed the five factors proposed by the authors. With respect to the external validity, high correlations with the positive urgency and the sensation seeking subscales of the UPPS-P, as well as with the thrill and adventure seeking and disinhibition subscales of the SSS-V were found. Finally, gender differences were found in all subscales and domains, with men tending to take more risks, perceive less risk and expect more beneficial consequences, except for the social domain where an inverse pattern was found. CONCLUSIONS As these findings are in line with the original version, they indicate the scale was successfully adapted.

Tesis, antítesis y síntesis del aprendizaje causal o defensa de un modelo integrador

espanolEn nuestro trabajo hemos recopilarlo la evidencia experimental mas relevante existente en el campo del aprendizaje causal, con el objetivo de responder a las preguntas basicas que subyacen a un analisis computacional de la competencia causal humana. Desde las respuestas a dichas preguntas, planteamos un modelo que restringe el rango de estructuras algoritmicas viables. Las criticas al articulo en el que presentamos dicho modelo se han debido, fundamentalmente, a una asimilacion de los niveles de analisis y los niveles de representacion en la explicacion de los fenomenos psicologicos. Parte de la solucion a la controversia planteada pasa por resolver las posibles imprecisiones terminologicas y conceptuales cometidas. Por tanto, en esta replica hemos realizado, en primer lugar, un esfuerzo adicional por establecer una terminologia que facilite una verdadera comunicacion entre los especialistas del area. Y, en segundo lugar, pretendemos reforzar la conexion logica entre la evidencia presentada y el modelo propuesto. Dicho modelo, entendido como un modelo no excluyente de otras posturas teoricas, surge como una necesidad impuesta por los datos, y con el pretendemos, ya no defender una vision teorica opuesta a la de los autores situados en el paradigma tradicional de aprendizaje, sino integrar dicho paradigma en un marco explicativo mas amplio. Palabras clave: Causalidad, niveles de analisis, induccion, teorias generales. EnglishIn our previous work, we have compiled the most relevant experimental evidence from the different fields related to causal learning and causal induction, in order to answer the basic questions that underlie a computational analysis of human causal competence. Taking into account such answers, we postulate a model that constraints the range of viable algorithmic structures. Most criticisms to this integrative model have been due to an erroneous identification of analysis levels and representational levels in the explanation of behavior. From our point of view, this terminological and conceptual puzzlement is a general feature of the theoretical debate in the field. Hence, we will try to show how the main controversies can be partially solved by establishing a common terminology that allows a better communication among theorists. And secondly, we will try to strengthen the logical connection between the different sources of available data and the model we propose here. A meaningful integration of those data imposes several restrictions upon the algorithmic structure that computes causal relations. Therefore, with our account, we do not intend to exclude any approach, but to integrate the traditional learning paradigms into a broader explanatory framework