Aprendizaje implicito y explícito: ¿dos procesos diferentes o dos niveles de abstracción?

Anuario de Psicologia 1999, vol. 30, no 1, 3-23 O 1999, Facultat de Psicologia Universitat de Barcelona Aprendizaje implicito y explícito: ¿dos procesos diferentes o dos niveles de abstracción? Elisabet Tubau Universitat de Barcelona Joan L. Moliner Universitat Authnoma de Barcelona En 10s estudios centrados en analizar las diferencias entre el aprendizaje implícito y el explícito es frecuente observar de$niciones que relacionan estas dos forns de aprendizaje con dos procesos diferentes: procesanziento consciente y no consciente de la inforrnación. En este artícz4lo abordamos la distinción explícito versus inzplícito desde la perspectiva de distintos niveles de abstracción de reglas. Consideramos que tanto la evidencia experimental como las aportaciones de 10s modelos conexioizistas nos pemiten pensar en la distinción implicito versus explícito relacionada con las diferencias entre representaciones especíjicas basadas en covariaciones o ejemplares y representaciones basadas en reglas más abstractas. Los resultados de algunos experimentos usí como el análisis de sinzulaciones mediante redes neuronales han posibilitado la identifcaciórz de algunas características asociadas a estos niveles de abstracciórz. Palabras clave: procesamiento implicito y explícito, indzdccilin de reglas y redes neuronales, niveles de abstracción. Regarding the dzTerences between implicit and explicit leaming reported in the literature, the definitions frequently relate these two kinds of learning with two different processes: conscious and unconscious information processing. Zn this paper we focus on the distinction bettveen explicit and implicitfrom the point of view of different levels of rule abstraction. We think that evidence from experiments and connectionist models pemits us to relate the explicit-implicit distinction to the differences between specific representations based on covariations or exemplars and those based on more abstract rules. Both experimental results and connectionist simulations have made itpossible to identzfi certain features associated with these levels of abstraction. Key words: Zmplicit and explicit processing, Rule induction and neural networks, Levels of abstraction. Correspondencia: Departament de Psicologia Bisica, Facultat de Psicologia. Pg. de la Vd d'Hebron, 171. 08035 Barcelona. e-mail: [email protected]; [email protected] 4 E. Tzibau y J. L. Moliner Es frecuente establecer una distinción entre dos procesos de aprendizaje y pensamiento. En algunos de 10s aprendizajes que realizamos aparentemente somos conscientes del cuso de pensamiento que nos lleva a tomar ciertas decisiones; podemos describirlo mediante algun tip0 de estructura lógica y, en consecuencia, las decisiones van acompaiiadas de un conocimiento fácilmente verbalizable. Por el contrario, en otras situaciones nuestras decisiones parecen basarse en la intuición o en el azar; si la decisión es la correcta pensamos, a menudo, que debe tratarse de una casualidad. No obstante, como muestran numerosas investigaciones también en este caso puede haber existido un tipo de aprendizaje aunque, a diferencia del anterior, no se ajusta aparentemente a ninguna lógica. No podemos explicar las razones que nos han llevado a tomar una deteminada decisión y, por 10 tanto, el conocimiento fruto de este tipo de aprendizaje es considerado implícito y no verbalizable. Froufe (1996) realiza una ilustrativa síntesis del pensamiento de numerosos investigadores centrados en analizar las diferencias entre el aprendizaje implícit~ y explicito. Sin embargo, como este mismo autor señala, al igual que otros artículos recientes (p.e. Shanks y St John, 1994), el principal problema de esta distinción reside en el papel atribuido a la conciencia, entendida como experiencia subjetiva, como frontera entre 10 explícito y 10 implícito. Una de las cuestiones que emergen de estos trabajos es ipuede existir aprendizaje sin conciencia de nuevas relaciones capaces de producir cambios en las decisiones tomadas a nivel consciente? Al hablar de aprendizaje sin conciencia se excluyen 10s cambios que podemos observar (y medir) del comportamiento como consecuencia de la prictica. Mediante el entrenamiento de una habilidad, las acciones (motoras o mentales) se realizan con mayor precisión y velocidad sin que exista conciencia del verdadero efecto producido por la repetición. En este sentido, nos centraremos en analizar especialmente 10s procesos de adquisición de nuevas estructuras de conocimiento mb que la mejora procedimental de una habilidad. Una de las cuestiones principales que sigue debatiéndose en la literatura sobre este tema es la que se refiere al continuum específico-abstracto del conocimiento adquirids en condiciones implícitas de aprendizaje (p.e. Neal y Hesketh, 1997) y si es posible diferenciar tal modo de aprendizaje del procesarniento más explicito (Shanks y St. John, 1994). Podemos observar que esta distinción ha estado presente, de forma más o menos explícita, en numerosos tratados del conocimiento humano; desde Sócrates (Dreyfus y Dreyfus, 1986) a investigadores mis recientes como Luria (1961), Skinner (1969) o Smolensky (1988). Por ejemplo, Skinner (197411977) fue uno de 10s primeros autores en proponer una clara distinción entre dos tipos de comportamiento y, al mismo tiempo, dos tipos de aprendizaje: comportamiento moldeado por las contingencias y comportamiento gobernado por reglas (o aprendizaje de contingencias versus aprendizaje de reglas verbales). Veámoslo en un ejemplo: <<La persona que está aprendiendo a conducir un autom6vil responde al comportamiento verbal de la persona que está sentada a su lado; arranca, frena, hace 10s cam- Aprendizaje implícita y explicito: ¿dos procesos diferentes o dos niveles de abstracci6n? 5 bios, hace señales, etc., cuando se le dice que 10 haga. Estos estimulos verbales pueden ser inicialmente directrices, pero se convierten en instrucciones si la ayuda verbal s610 se da cuando se necesita. Entonces, naturalmente, las contingencias naturales, no verbales, de la conducción del automóvil se imponen en el comportamiento del conductor. Aprender a conducir únicamente por medio de la exposición a esas contingencias requeriria mucho tiempo. El aprendiz de conductor tendría que descubrir 10 que sucede cuando mueve la palanca de cambios, gira el volante, presiona el acelerador, aplica el embrague, etc., y todo esto con mucho peligro para 61. Cuando sigue instrucciones evita verse expuesto a muchas de estas contingencias y eventualmente se comporta como 10 hace el mismo instructor., (p. 114). De esta manera las instmcciones, leyes o reglas verbales describen contingencias que se dan en el ambiente (o cuando se interacciona con 61). En la mayoría de 10s casos el aprendizaje de reglas es mis rápido que aprender a partir de las contingencias descritas en la regla. Sin embargo, la mejora procedimental de la habilidad requiere complementar las instrucciones verbales con la experiencia directa. El aprendiz deberá adaptar su comportarniento a las contingencias variables del entorno, con el fin de comportarse progresivamente con mayor pericia. En este sentido, el comportamiento del expert0 está moldeado por las contingenias relevantes para la ejecución de la tarea y por las reglas que le han sido transmitidas o que ha <<descubierto>>. Esta distinción implica dos niveles de actuación y, por consiguiente, dos niveles de representación. En un nivel tenemos la representación del estimulo o del ejemplar que tiene un papel activador de la representación o respuesta asociada. Tal como ha señalado recientemente Shanks (1995): <<En una situación de aprendizaje asociativo, el entorno (o el experimentador) organiza una relación de contingencia entre eventos, permitiendo a la persona predecir uno desde la presencia de otros. Los eventos predictivos o las propias acciones del sujeto serán sefiales externas (claves). Las relaciones predictivas pueden ser de dos tipos; causales o estructurales. La forma más obvia de relación es la causal, en la que la ocurrencia de un evento o conjunt0 de eventos es seguida, después de un interval0 de tiempo, por otrols eventols. [...I Por el contrario, podemos decir que una relación es estructural cuando un organismo aprende a predecir un rasgo o atributo de un objeto o evento a partir de la presencia de otros rasgos que regularmente coocurren con 61 [...I La capacidad de clasificar objetos es otro ejemplo de la predicción estructural.>, (pág. 2). El otro nivel de representación, el de las reglas, es mucho menos comprendido. Tan s610 algunos autores apuntan a señalar la existencia de distintos niveles de abstracción. ¿Cu$ es el nivel de abstracción correspondiente a una regla? Según Nisbett (1993) la dificultad de responder a esta cuestión se debe al rechazo generalizado de las reglas, y la abstracción en general, que se observa en la psicologia actual: <<La psicologia del siglo xx ha tenido un fuerte prejuicio contra la abstracción, es decir, contra el punto de vista de que el mundo es comprendido por medio de reglas que trascienden la percepción de estímulos físicos particulares o la comprehensión de un dominio de eventos relacionados.>> (pág. 1). 6 E. T~ibat~ y J. L. Moliner Según este autor uno de 10s errores fundamentales de las últimas teorias sobre el razonamiento y la resolución de problemas es considerar que estas actividades, tradicionalmente vistas como de alto nivel, pueden explicarse a partir de mecanismos analógicos, es decir, a partir de asociaciones basadas en la semejanza entre problemas o situaciones (razonarniento basado en casos). Es cierto. Hasta finales de la década de 10s ochenta ha existido un interés considerable en unificar estos dos niveles de representación: reglas y ejemplares, considerando el nivel representado por las reglas tan s610 como una forma de describir el comportamiento de un sistema capaz de relacionar ejemplares asociados entre ellos por el número de atributos compariidos. Es decir, y en términos de Schanks, conjuntos de ejemplares que mantienen ciertas relaciones estructurales. De esta forma, el mecanisme asociativo seguiria siendo un Único y común nivel explicativo, tanto para explicar la organización de ejemplares en la memoria, como para explicar el funcionamiento aparentemente controlado por reglas. Este punto de vista sigue siendo defendido por algunos de 10s investigadores en el área del conexionismo (Cleeremans y McClelland, 1991; Cleeremans, 1993; Keele y Jennings, 1992). Como señalábamos anteriormente, a finales de 10s aiios 80, y sobre todo en la década de 10s 90, adquiere fuerza una línea de investigación centrada en diferenciar dos tipos de aprendizaje: explícito o selectivo e implícito o no selectivo (Berry y Broadbent, 1988; Reber, 1989). No es casual que algunos autores centrados en esta línea hayan asociado el aprendizaje explícito con la inducción de reglas conceptuales (Mathews et al., 1989), rnientras que el aprendizaje implicito se explicada en térrninos de percepción de covariaciones (Lewicki, 1986) o memoria de ejemplares (Mathews et al., 1989). Sin entrar en el debate existente sobre la realidad de esta distinción (ver p.e. Shanks y St. John, 1994), es evidente que esta línea de investigación ha vuelto a resucitar y poner en consideración la antigua separación, ya señalada, entre reglas o representaciones abstractas y ejemplares o representaciones basadas en asociaciones. El objetivo de este articulo es analizar la distinción entre procesos implicitos y explícitos de aprendizaje desde la perspectiva de distintos formatos de representación del conocimiento. Quizás sea difícil diferenciar ambos modos de aprendizaje en términos del nivel de consciencia que acompaiia a cada uno, pero creemos que podemos encontrar algunas regularidades en relación al nivel de abstracción del conocimiento en situaciones implícitas y explícitas de aprendizaje. Para el10 seguiremos dos caminos complementarios. Por un lado, analizaremos algunos de 10s experimentos mis relevantes en el área del aprendizaje implícito versus explícito con el fin de considerar posibles interpretaciones alternativas. Por otro lado, introduciremos algunas aportaciones del enfoque conexionista que pueden ser relevantes para esta discusión, tanto al considerar el nivel de abstracción r 1VOS. del conocimiento como algunas de las limitaciones de 10s mecanismos asociyt' Tareas de aprendizaje implicito Como tareas de aprendizaje implicito podríamos identificar una numerosa variedad. Algunas de ellas tratan de demostrar la asociación no consciente de de- Aprendizaje implícita y explícita: ¿dos procesos diferentes o dos niveles de abstraccidn? 7 terminados eventos como las que se dan en situaciones de condicionamiento evaluativo, en las que estimulos neutros (p.e. fotografias) acaban adquiriendo la carga afectiva asociada al estimulo apetitivo o aversivo con que han sido emparejados (ver p.e. Baeyens et al., 1992). Más directamente relacionado con el campo del aprendizaje implicito, Lewicki (1986) publicó varios experimentos sobre detección no consciente de covariaciones. En uno de ellos, por ejemplo, presentaba a 10s sujetos fotografias de mujeres las cuales aparentemente s610 variaban de forma sistemática en la longitud del pelo. En algunas condiciones el hecho de tener el pelo largo iba acompañado por descripciones de personalidad que enfatizaban la ccamabilidad>> de la persona, mientras que el tener el pelo corto se asociaba a la <ceficiencia>> de la persona. En otras condiciones la relación se establecia a la inversa y en otras variaban las características de personalidad. Posteriormente, Lewicki observó que 10s sujetos tendim a aceptar descripciones de nuevas fotografias de acuerdo con la covariación observada y sin conocimiento consciente de tal relación. Es decir que, segun estos estudios, parece posible la detección no consciente de simples covariaciones. iQué es lo que demuestran las investigaciones sobre aprendizaje implicito de relaciones rnás complejas? En este apartado analizaremos 10s resultados principales de dos de estas tareas: aprendizaje de gramáticas artificiales y control de sistemas interactivos. Gramáticas artijiciales Las gramáticas artificiales más frecuentemente utilizadas se basan en diagramas que determinan las transiciones válidas entre un conjunto de estados f,- nitos (véase p. ej. el diagrama de la Figura 1). Podemos considerar tal diagranla como el conjunto de reglas que, una vez aprendidas, nos permitirán generar nuevas cadenas y decidir si nuevas secuencias de letras cumplen o no las reglas de la gramática. El procedimiento utilizado en la mayoría de experimentos (p. ej. Reber, 1967; Reber y Allen; 1978) consiste en pedir a 10s sujetos que intenten memorizar una lista de cadenas gramaticales. Tras esta fase de estudio, se explica a 10s sujetos que todas las cadenas habian sido generadas a partir de una misma gramática (conjunto de reglas) y que a continuación observarán nuevas cadenas. En esta segunda fase, la tarea de 10s sujetos consiste en decidir si la nueva secuencia es o no gramatical. Los resultados de estos experimentos muestrm que 10s sujetos son capaces de clasificar las nuevas cadenas significativamente mejor que si las clasificaran al azar. Pero sorprendentemente son incapaces de explicitar 10s criterios (reglas) en 10s que basan sus decisiones. Estos resultados han sido cuestionados más recientemente. Por ejemplo, Permchet y Pacteau (1990) encontraron que el comportarniento de clasificación podia ser explicado a partir del conocimiento de fragmentos de las cadenas observadas. Es decir, 10s sujetos erm igual de hábiles clasificando nuevas cadenas o tan s610 bigramas o trigramas de letras que podian o no formar parte de una cadena gramatical. En este sentido, y tal como E. Tt~bazi y J. L. Moliner K Ejemplares Ejemplares no gramaticales gramaticales TXXVV PWVP PTTVPS TSVX TSXS PSXX PWS TPSXS Ejemplares Ejernplares no gramaticales gramaticales DJJHH FJFW FDDHFK DKHJCFKJJ DKJK DFKJK FHFK Figura 1. Des versiones de una misma gramática de estados finitos. proponen 10s autores, más que de un conocimiento implicito se trataría de un conocimiento incompleto csnstituido por fragmentos que funcionm'an como indicadores de gramaticalidad. TambiCn los experimentos de Mathews et al. (1989) mostraron que 10s sujetos eran capaces de verbalizar mucho mis de 10 que habian supuesto 10s primeros experimentos. Para el10 pidieron a 10s sujetos del experimento que, una vez superada la primera fase de estudio de cadenas gramaticales, dieran instrucciones sobre lo que habian aprendido de 10s ejemplares estudiados a nuevos sujetos que no habian tenido experiencia alguna con las cadenas gramaticales. En una segunda fase, todos 10s sujetos (experimentales y 10s que recibian instrucciones, ccinstn~idos>>) clasificaban nuevas cadenas las cuales podian ser o no gramaticales. Los resultados de este experimento mostraron que 10s sujetos <<iris- &uidos>> pudieron realizar la taren de clasificación a un nivel superior al azar, aunque inferior al de 10s sujetos experimentales. Es decir, 10s sujetos que habian observado ejemplares de la gramática demostraron cierta capacidad de verbalización pero parecian saber más de 10 que podían explicitar. LES este conocimiento residual, que parece imposible de ser verbalizado, la demostración de la existencia de conocimiento implicito? Como veremos en el apartado siguiente, las dificultades de verbalización pueden estar señalando dcterminadas características del conocimiento adquirida, aparte del nivel de Aprendizaje implícit0 y explicito: ¿dos procesos dqerentes o dos niveles de abstracción? 9 conciencia atribuido al aprendizaje. Es decir, algunas representaciones serían fácilmente accesibles y traducibles al código lingüistico mientras que otras representaciones no tendrían esta propiedad. Control de sistemas interactivos Los experimentos que analizan cómo se aprende a controlar un sistema interactivo han enfatizado especialmente el papel de la complejidad de la relación en la distinción explicito versus implicito. La tarea utilizada consiste en la simulación simplificada de algun sistema. Por ejemplo el nivel de producción en una azucarera en función del número de trabajadores (Berry y Broadbent, 1984); el comportamiento de una persona <ccomputerizada>> a partir de las entradas obtenidas (Berry y Broadbent, 1988); o el comportarniento de una nave espacial controlada por un extraño robot (Tubau y Herrera, 1994). El sistema simulado siempre se comporta de acuerdo a una ecuación (regla) que relaciona la entrada del sujeto con la salida del sistema. En la mayoria de tareas utilizadas, esta relación puede ser de dos tipos: directa o <<simple>> cuando la salida depende de la entrada actual, o indirecta o <<compleja>> cuando la salida es función de la entrada anterior. Sistema simple: S, = E, - 2 +A (-1,0, + 1) Sistema complejo: S, = E,, - 2+ A (-1,0, + 1) S = Salida del sistema. E = Entrada del sujeto. t = tiempo de la interacción. A = número aleatori0 que puede ser -1, O o + 1. Los primeros estudios (p. ej. Berry y Broadbent, 1984; Hayes y Broadbent, 1988) llegaron a la conclusión de que la interacción con el sistema sencillo producia un aprendizaje explicito; el nivel de ejecución correlacionaba con el nivel de verbalización. Por el contrario, la interacción con el sistema complejo producia un aprendizaje implicito, observándose una disociación entre el nivel de actuación y el nivel de verbalización. Según Hayes y Broadbent (1988) el aprendizaje explicito o selectivo se basaria en estrategias analíticas tipicas de las tareas de generación y comprobación de hipótesis, produciendo como resultado una regla (o la contingencia más relevante). En cambio, el aprendizaje implicito o no selectivo se basm'a en estrategias no analiticas capaces de almacenar todas las contingencias del entorno (sin ninguna selección aparente). Más específicamente, Lee (1995) concluye aparece que cuando la estructura del estimulo es compleja y el formato de codificación conduce a una discriminación perceptual, el aprendizaje se convierte en un proceso más pasivo y automático, y es difícil para los sujetos hacer que el proceso de aprendizaje sea explícito. Por otro lado, 10s sujetos son conscientes de su proceso de aprendizaje cuando las relaciones entre variables son simples y el aprendizaje incluye una manipulación simbÓlica>>. Lee s610 observa aprendizaje implicito en una tarea perceptual; 10s sujetos tenim que descubrir qué valores numéricos generaban de- 10 E. Tubau y .i. L. Moliner terrninadas longitudes de dos líneas que aparecían en la pantalla y cuya relación la controlaban dos ecuaciones <ccomplejas>>. No obstante, el criteri0 de complejidad, aparentemente crucial para la distinción explicito versus implícito, sigue apareciendo de forma poc0 clara. En 10s últimos aiios, varios experimentos han puesto en duda esta distinción, al menos en 10 referente al control de sistemas (Green y Shanks, 1993; Tubau y Herrera, 1994; Buchner, Funke y Beny, 1995). Según Green y Shanks (1993) la mayor complejidad de la regla explicaria la mayor dificultad de verbalización. Es decir, según estos autores, las dos tareas s610 se diferenciarian en el nivel de dificultad y no en procesos de aprendizaje aparentemente distintos. En todo caso la diferencia estaria en que en una situación (reglas simples) el aprendizaje seria mis rápido que en la otra (reglas complejas). Tubau y Herrera (1994) concluyen que la supuesta disociación entre el nivel de actuación y el nivel de verbalización característica del aprendizaje implicito sencillamente puede estar reflejando un conjunt0 de interacciones más amplio y variado y, seguramente, menos accesible. Cuando se interactúa con el sistema simple (relación directa) la entrada s610 puede llevar asociada tres posibles salidas. Pero cuando se trata de una relación compleja (indirecta), en cada interacción la entrada puede estar asociada a cualquier salida, ya que esta Última depende de la interacción anterior. Como consecuencia, 10s dos sistemas producen bases de crejemplares~ muy diferentes. En el caso del sistema simple existiria una variabilidad limitada y, probablemente, 10s sujetos habrian experimentado la mayoria de situaciones. En cambio, al interactuar con el sistema complejo probablemente s610 se observm'an algunas de las situaciones del conjunto total de combinaciones entrada-salida. En la misma linea, Buchner et al. (1995) muestran que las caracteristicas de las representaciones codificadas en la memoria del sujeto pueden explicar las diferencias al responder a las preguntas de 10s cuestionarios de predicción tipicos en estas investigaciones. Los sujetos que han experimentado la mayoria de interacciones (condición mis probable cuando se aprende el sistema simple) responden correctarnente mayor número de preguntas que 10s que s610 pueden recordar algunas situaciones y que no han inducido la regla (más probable euando el entomo coincide con el sistema complejo). Es decir, las disociaciones señaladas en la mayoria de experimentos podrían estar reflejando las caracteristicas de la base de ejemplares. Más que procesos de aprendizaje diferenciados se trataria de distintos con.juntos de experiencias. Obviamente, la inducción de la(s) regla(~) de forma explicita conduciría a un nivel de ejecución (tanto en la tarea de control como en las pruebas de predicción) perfecta (o casi). Pero esto raramente ocurre incluso cuando el sistema se rige por ecuaciones <<simples>>. ;Qué se aprende de forma implícita? De momento, s610 tenemos una clara evidencia de aprendizaje implícito de covariaciones aparentemente ccsin sentido,, o <cirrelevantes>> para 10s sujetos Aprendizaje implicito y explicito: ¿dos procesos diferentes o dos niveles de abstraccidn? 11 como las que se dan en las situaciones de condicionamiento evaluativo descritas anteriormente. En relación al aprendizaje de regularidades mis complejas como las representadas en las gramáticas artificiales o en las tareas de control de sistemas no existe suficiente evidencia que demuestre su existencia. Podríamos encontrar una excepción en 10s experimentos de aprendizaje secuencial (Nissen y Bullemer, 1987; Lewiccki, Czyzewska y Hoffman; 1987) en 10s que 10s sujetos deben llevar a cabo una tarea serial de tiempo de reacción ante estímulos que siguen una secuencia estructurada encubierta. Repetidamente 10s autores defienden la existencia de aprendizaje implícito en este tip0 de situación; el tiempo de reacción disminuye sin conciencia alguna de regularidad. No obstante, tampoc0 queda claro qué han aprendido 10s sujetos en una tarea de aprendizaje secuencial. ~Aprendizaje implícito de las complejas regularidades (Jiménez, 1996; Reed y Johnson, 1994) o adquisición de conocimiento procedimental como consecuencia de la práctica (Perruchet, Gallego y Savy, 1990; Shanks, Green y Colodny, 1994)? Si dentro del aprendizaje implícito se excluye aquel aprendizaje fruto de la repetición de unas mismas acciones, entonces el aprendizaje secuencial no seria un buen ejemplo de aprendizaje sin conciencia e implicito. Dejando por el momento de lado la adquisición no consciente de simples asociaciones y la mejora procedimental fruto de la práctica, nos quedan dos alternativa~ sobre cuál podria ser el producto del aprendizaje implícito, en el caso de que así sea caracterizado: aprendizaje de un conjunt0 de episodios, experiencias concretas o c<ejemplares>> y aprendizaje implícito de regularidades o <<reglas no conscientes>>. Memoria de ejemplares En diversos experimentos, Brooks y colaboradores han aportado datos que permiten profundizar en la distinción entre aprendizaje de reglas versus aprendizaje de ejemplares. Por ejemplo, en uno de 10s experimentos de Brooks (1978) 10s sujetos observaban animales imaginarios como 10s de la Figura 2. Estos animales diferían en 5 dimensiones binarias: longitud del cuello, longitud de las patas, número de patas, forma del cuerpo y presencia o no de manchas. Cada animal se presentaba en un entorno distinto (véase Figura 2) el cua1 también variaba en algunas dimensiones como el clima (cálido o frio) y la humedad (presencia o no de agua) y podian aparecer en distintos colores: verde, azul o mmón. Los animales se presentaban en parejas y en distinta posición, con el fin de facilitar la eliminación de algunos atributos como relevantes. Algunos de 10s animales utilizados habían sido clasificados dentro de una categoría ficticia: Lepton. Ser Lepton estaba determinado por la conjunción de dos atributos (p.e. forma del cuerpo y presencia de manchas) 10s cuales fueron variando a través de 10s sujetos. La dimensión clima estaba relacionada con dos de 10s atributos mediante una regla conjuntiva (p.e. longitud del cuello y número de patas) y la dimensión humedad estaba relacionada con un atributo del animal (p. ej. longitud de las patas). 18 E. Tubnu y J. L. Moliner tonalidad de gris de la textura. Este juicio implica 10 que se conoce como una alineación de estructura (structural alignment) (Markman y Gentner, 1990). Hay una transferencia de relación entre valores de un atributo a otro atributo diferente. Difícilmente la red puede generalizar de manera sistemática la misma relación del atributo tamaño al atributo textura si durante el aprendizaje este Último atributo no varia de valor. Esta restricción no se da en la emisión de juicios de similitud basados en relaciones en humanos. Aunque existen modelos conexionistas que intentan implementar la alineación de estructura (p. ej, Handler y Cooper,1993), no hay una verdadera transferencia de relaciones a nuevos atributos. Por 1s tanto, parece ser que la red s610 podrá responder adecuadamente ante un nuevo estimulo susceptible de ser representado en el espacio de entrada utilizando 10s mismos atributos. Aunque la generalización se puede basar en covariaciones de atributos muy complejas, estas covariaciones siempre tienen lugar entre 10s misimo atributos, es decir, en el mismo espacio. Existen reglas, que por su nivel de abstracción, no están sujetas a unas dimensiones previas, Figura 3. Estímulos utilizados en una tarea de alineacidn de estructura (vdanse explicaciones en el texto). Cuando ernitimos juicios de similitud entre dos ejemplares, las dimensiones o atributos de evaluación pueden variar de un par de ejemplares a otro par de ejemplares. En una red neuronal existen limitaciones representacionales en este aspecto. No es 10 mismo emitir un juicio de similitud en base a unas dimensiones preestablecidas (por ejemplo, decir si dos objetos tienen 10s rnismos valores de forma, textura, etc.) que poder generalizar la misma relación a cualquier dimensión. Si en una red neuronal representamos dos objetos, cuaiquier juicio podrá ser emitido solamente en base a las diferenciaslsemejanzas entre las distintas dimensiones que se utilizan para representar 10s objetos en la red. Pero no se puede generalizar una respuesta más all5 del espacio representacional fijo que implican las unidades de entrada de la red. Conclusiones Uno de 10s principales objetivos que nos planteábamos era analizar la distinción entre reglas, o representaciones abstractas, y ejemplares, o representa- Aprendizaje irnplícito y explicito: ¿dos procesos diferentes o dos niveles de abstracción? 19 ciones mis especificas. En concreto, nos preguntábamos hasta qué punto el nivel de representación basado en reglas podia funcionar de forma independiente del nivel más especifico de 10s ejemplares. jCuáles son las respuestas que podemos ofrecer ahora? Analicemos, en primer lugar, las dos dimensiones que necesariamente tienen que mezclarse en esta discusión. Tal como distinguen Shanks y St. John (1994) por un lado est6 la dimensión consciente-no consciente. Podemos llegar a identificar claramente la inducción de reglas abstractas, pero jen qué punto de la dimensión podemos hallarlas? Lo mismo seria aplicable al hablar de ejemplares o covariaciones. Con el fin de intentar disminuir la posible confusión generada por esta dimensión, tomaremos como diferencia fundamental entre 10s dos polos la posibilidad de traducir el conocimiento al código lingüistico. En otras palabras, el conocimiento no consciente seria aquel que s610 nos permite actuar (p. ej. tomar decisiones sin saber <<por qué>>), mientras que el conocimiento consciente seria aquel que, además de permitirnos realizar ciertas tareas, podemos comunicar10 a través del lenguaje u otros sistemas representacionales (p. ej. dibujos). Por otro lado nos encontramos con la dimensión específico-abstracto, principal para este articulo. Aunque 10s autores antes mencionados consideran que ambas dimensiones son independientes, nosotros consideramos que no son fácilmente separables. Como hemos visto a 10 largo de 10s distintos apartados analizados, y tal como resaltaremos a continuación, la naturaleza de algunas de las representaciones formadas debe perrnitir más fácilmente el ser traducidas o codificadas mediante un sistema simbólico como 10 es por excelencia el lenguaje humano. Parece ser que, en general, 10s sujetos pueden verbalizar más fácilmente representaciones en forma de reglas, mientras que existiria una mayor dificultad cuando las representaciones están basadas en ejemplares. Tanto 10s estudios centrados en la adquisición de gramáticas artificiales como 10s que han investigado las estrategias de control de sistemas interactivos han mostrado una fuerte limitación al intentar demostrar la existencia de inducción no consciente de reglas abstractas. Quizás uno de 10s problemas subyacentes sea precisamente la falta de definición operativa sobre qué es una regla abstracta. En cualquier caso todos 10s estudios muestran una importante influencia de 10s episodios o ejemplares experimentados. En el supuesto caso de que 10s sujetos hubieran inducido reglas, tal como defiende Reber (1989), éstas no serian capaces de evitar la influencia producida por las estructuras de semejanza que relacionan 10s nuevos ejemplares con 10s alrnacenados en la memoria. ¿En qué situaciones podemos observar una clara separación entre decisiones basadas en la similitud entre estirnulos y decisiones basadas en reglas? Los estudios sobre clasificación (o adquisición de conceptos) que hemos visto al hablar sobre <<memoria de ejemplares>> ofrecen una ilustrativa ejemplificación. El uso de estrategias analiticas o estrategias de generación y comprobación de hipótesis suele conducir a la identificación de la regla definitoria de la categoria la cua1 puede, en algunas circunstancias, actuar de forma independiente a las contingencias estructurales. Sin embargo, estas reglas, aunque fácilmente traducibles al código lingüistico, siguen siendo poc0 abstractas. Es decir, en todos 10s estudios sobre clasificación analizados la regla definitoria coincide con algdn o 20 E. Tubau y J. L. Moliner algunos de 10s atributos compartidos por todos 10s ejemplares de la categoria. Formarían parte, pues, del primer nivel de abstracción antes mencionado. Este tipo de reglas, es decir, las que corresponden al primer nivel de abstracción, se han mostrado susceptibles de ser fácilmente inducidas por modelos conexionistas. El hecho de que 10s modelos conexionistas tengan éxito a partir de un conocimiento fragmentado radica en la habilidad de combinar estos fragmentos de conocimiento sobre covariaciones en representaciones más abstractas. Este hecho ha permitido a las redes inducir reglas basadas en correlaciones entre atributos e ir más allá de simples reglas definidas a partir de un atributo definitori~. No obstante, quedan por responder muchas preguntas y no es tarea nada fácil abordar este tema y 10 demuestra el hecho de que no existen trabajos que realizen un estudio detallado sobre este aspecto. La observación de que cierto conocimiento abstracto pueda emerger de mecanismos asociativos contradice la concepción extendida de que este tips de conocimiento se debe adquirir necesariamente a través de operaciones que produeen representaciones explícitas basadas en reglas. Pero aunque podamos llegar a hablar de emergencia de conocimiento que, por su simplicidad, es fácilmente expresable en un código simbólico mediante procedimientos de análisis, dqué podemos decir sobre la inducción de regularidades mis abstractas como por ejemplo el concepto de igualdad, o reglas sobre relaciones cuantitativas como las que se dan en 10s sistemas dinárnicos? Los pesos; aprendidos por una red neuronal posibilitan el acceso a una representación a partir de la especificación de un ejemplar en la entrada. Esta representación emerge gracia~ a la propagación de activación a través de 10s pesos desde el espacio que representa a 10s ejemplares y no desde ningún otro. Ademis, esta representación puede ser sensible a interacciones complejas entre 10s atributos que definen un ejemplar. En caso de un gran número de atributos, difícilmente podemos hacer explícitas las interacciones o regularidades que ha observado la red. I,a capacidad de generalización se debe a estas regularidades inducidas y que son comunes a todos 10s ejemplares de entrenamiento. Sin embargo, el nivel de abstracción adquirido por la red no permite la generalización a nuevos ejemplares que no sean susceptibles de ser definidos mediante las mismas dimensiones. En otras palabras, las reglas inducidas no pueden desligarse del espacio utilizado para representar 10s ejemplares de aprendizaje y su aplicación tendrá sentido ante nuevos ejemplares siempre que éstos sean nuevos puntos en el mismo espacio representacional. Estas argumentaciones toman mayor sentido al considerar la evidencia experimental existente de la inducción implícita de reglas sencillas y el hecho de que no se ha demostrado el mismo tipo de inducción de reglas mis complejas que implican un desmarque de 10s ejemplares que se han utilizado en el aprendizaje. En páginas anteriores hemos esbozado algunas limitaciones las cuales hacian referencia a la generalización de relaciones conocidas a nuevos atributos. Actualmente, 10s modelos conexionistas que intentan modelizar procesos cognitivos de más alto nivel como el razonamiento, no suelen disponer de sistemas sensoriales anclados en el mundo real. Es decir, difícilmente una red neuronal puede desarrollar representaciones a partir de 10s datos sensoriales directos del Aprendizaje implícita y explicito: ¿dos procesos diferentes o dos niveles de abstraccidn? 21 mundo real. El10 supone que cualquier objeto debe ser representado o codificado en la entrada de la red a partir de un código preestablecido, por ejemplo mediante un conjunt0 de atributos a modo de primitivos semánticos. Cualquier generalización se debe basar necesariamente en relaciones entre 10s atributos codificados. Sin duda, un reto muy importante para 10s modelos basados en redes neuronales en 10s próximos aiios ser6 la conexión directa con información del mundo fisico, de forma que pueda ser posible el desarrollo de representaciones internas a partir de la experiencia directa con objetos reales. Además queda por solucionar de qué forma se deben combinar las representaciones obtenidas a partir de este contacto con informacion del mundo real (Miikkulainen, 1993). Aunque no hay respuestas definitivas sobre 10s limites de 10s mecanismos asociativos, 10s resultados analizados tanto de 10s experimentos sobre aprendizaje implícito como del tip0 de conocimiento que puede ser representado mediante una red neuronal muestran una importante dificultad en relación a la inducción de reglas del nivel más alto de abstracción. Probablemente esta limitación sea una manifestación de la relación, frecuentemente señalada, entre la capacidad de abstracción y la existencia de un código representacional (no?- malmente el lenguaje) que permita acceder a relaciones más amplias que las similitudes perceptuales. El aprendizaje explicito, a diferencia del implícito, parece basarse en este código representacional como herramienta principal para la adquisición de conocimiento. Ailen, S. W. & Brooks, L. R. (1991). Specializing the operation of an explicit mle. Joumal of Experimental Psychology: General, I, 3-19. Baeyens, F., Eelen, P., Crombez, G. & Berg, 0. (1992). Human evaluative conditioning: Adquisition trials, presentation schedule, evaluative style and contingency awareness. Behaviour Research and Therapy, 30, 133-142. Beny, D. C. & Broadbent, D. E. (1984). On the relationship between task performance and associated verbalizable knowledge. The Quarterly Joumal of Experimental Psychology, 36A, 209-231. Beny, D. C. & Broadbent, D. E. (1988). Interactive tasks and the implicit-explicit distinction. British Joumd of Psychology, 79,25 1-272. Brooks, L. R. (1978). Non-analytic concept formation and memory for instances. En E. Rosch y B. Lloyd (Eds.), Cognition and concepts @p. 169-21 1). Hillsdale, NJ: Erlbaum. Brooks, L. R. & Vokey, J. R. (1991). Abstracts analogies and abstracts grammars. Joumal of Experimental Psychology: General, 120,316-323 Brooks, L. R., Norman, G. R. & Aiien, S. W. (1991). Role of specific similarity in a medical diagnostic Qsk. Joumal of Experimental Psychology : General, 3,178-287. Bmner, J. S., Goodnow, J. & Austin, G.A. (1956). A study of thinking. New York: Wiley. Buchner, A., Funke, J. & Beny, D.C. (1995). Negative correlations between control performance and verbalizable knowledge: indicators for implicit learning in process control tasks? The Quarterly Joumal of Experimental Psychology, 1, 166-187. Cleermans, A. (1993). Mechanisms of implicit learning: Connectionist models of sequence processing. Cambridge, MA: MIT Press. Cleermans, A. & McClelland, J. L. (1991). Learning the structure of sequence events. Joumal of Experimental Psychology: General, 120,235-253. Dreyfus, H. L. & Dreyfus, S. E. (1986). Why skills cannot be represented by des. En N. E. Sharkey (Ed.), Advances in Cognitive Science @p. 315-335). Chichester, England: Ellis Horwood. Elman, J, (1991). Distributed representations, simple recurrent networks, and grammatical structure. Machine Leaming. 22 E. Tubau y J. L. Moliner Estes, W. K. (1986). Memory storage and retrievai processes in category learning. Jolirtzal of fiperiinetttcil Psychology: Getteml, 115, 155-174. Froufe, M. (1996). El iinconscietzte cognitivo. Datos, teonhs y aplicaciones. Ediciones de la Universidad t\utBnoma de Madrid. Green, R. E. A. & Shanks, D. R. (1993). On the existence of independent explicit and implicit leaming systems: An examination of some evidence. Memory and Cognition, 21,304-317. Handler, J. B. & Cooper, P. R. (1993). Analogical Similarity: Performing Structure Alignment in a Connectionist Network. En Proceedings of the 15th. Annual Conference of the Cognitive Science Society, pp. 522527. Boulder, Co., Erlbaum. Hayes, N. A. & Broadbent, D. E. (1988). Two modes of learning for interactive tasks. Cogttition, 28,249-276. Hinton, G. E. (1986). Leaming distributed representations of concepts. En Proceedings of the 8th. Attnlcal COAference of the Cognitive Science Society. Boulder, Co., Erlbaum. Hinton, G. E., McClelland, J. L. & Rumelhart, D. E. (1986). Distributed Representations, En D. E. Rumelhart & J. L. McClelland (Eds.), Pamllel Distributed Processing. Cambridge, Ma.: MIT Press. JimBnez, L. (1996). Aprendizaje secuencial: modelos de reglas versus modelos conexionistas. Cognitiva, 2,235255. Keele, S. W. & Jennings, P. J. (1992). Attention in the representation of sequence. Experiment and theory. Human Movements Studies, 11, 125-138. Kruschke, J. K. (1992). ALCOVE: an exemplar-based connectionist model of citegory learning. Psychological Review, 99,22-44. Lee, Y. S. (1995). Effects of learning contexts on implicit and explicit learning. Metnory & Cognition, 23,723734. Lewicki, P. (1986). Nonconsciolcs social informationprocessing. New York: Academic Press. Lewicki, P., Czyzewska, M. & Hoffman, H. (1987). Unconscious acquisition of complex procedurai knowledge. Journal of Experimenml Psychology: Leartting, Memory and Cognition, 13, 523-530. Lewicki, P., Hiil, T. & Bizot, E. (1988). Acquisition of procedurai lcnowledge about a pattem of stimuli that cannot be articulated. Cognitive Psychology, 20,24-37. Luria, A. R. (1961). The role of speech itt the regulation of nortr~al and abnonnal behavior. New York: Liveright. Markman, A. B. & Gentner, D. (1990). Analogicai mapping during similarity judgments. En Proceeditigrs c$the 12th. Atzra~cal Cotlference of the Cognitive Science Society, pp. 38-44. Hillsdale, NJ. Erlbaurn. Mathews, R. C., Buss, R. R., Stanley, W. B., Blanchard-Fields, F., Cho, J. R. & Druhan, B. (1989). Role of explicit and implicit processes in learning from examples: A synergistic effect. Jozcrtzal of Experitneiltal Psychology: Leantittg, Metnory and Cognition, 15, 1083-1 100. Medin, D. L. & Schaffer, M. M. (1978). Context theory of classification learning. Psychologicul Review, 85, 207-238. Miikkulainen, R. (1993). Sl~bsyinbolic Natural Lattgglcage Processitig. Cambridge, Ma: MIT Press. Moliner, J. L. (1993). Induccib de regles mitjancant una xarxa neuronal seqüencial. Tesis de Licenciatura no publicada, Universitat de Barcelona. Neai, A. & Hesketh, B. (1997). Episodic knowledge and implicit learning. Psychononzic Btrlletitz & Review, 4 (1). 24-37. ,-,. - - Nisbett, R. E. (Ed., 1993). Rlcles for reasonzrtg. Hillsdale, NJ: LEA. Nissen, M.J . & Bullemer, P. (1987). Attenhonai requirements of learning: Evidence from performance measures. Cognitive Psychology, 19, 1-32. Nosofsky, R. M. (1986). Attention, similarity and the identificabon-categorizatibn relationship. Jolirtzul ofExperitnental Psychology: General, 115, 39-57. Permchet, P. & Pacteau, C. (1990). Synthetic grammar learning: implicit rule abstraction or explicit fragrnentary knowledge? Journa1 of Experimental Psychology: General, 3,264,275. Permchet, P., Gailego, J. & Savy, I. (1990). A critical reappraisal of the evidence for unconscious abstraction of deterministic rules in complex experimental situations. Cognitive Psychology, 22,493-5 16 Reber, A. S. (1967). Implicit learning of artificial grammars. Jolimal of Verbal Learning and Verbal Behavior, 77,317-327. Reber, A. (1989). Implicit learning and tacit knowledge. Journa1 of Experimental Psychology: General. 118, 219-235. Reber, A. (1993). Iinplicit learrting and tacit knowledge. Oxford: Oxford University Press. Reber, A. S. & Allen, R. (1978). Analogic and abstraction strategies in synthetic grammar leaming: A hnctionalist interpretation. Cognition, 6, 189-221. Reed, J. & Johnson, P. (1994). Assessing implicit learning with indirect tests: Determining what is leamed about sequence structure. Jounzal of Experimental Psychology: Htiinatt Learning and Memory, 20,585-594. Aprendizaje ~mplícito y explicito: ¿dos procesos diferentes o dos niveles de abstraccida? 23 Rosenberg, C. R. (1987). Revealing the sacture of NETtalk's internal representations. En Proceedings of the 9th. Annual Conference of the Cognitive Science Society, pp. 537-554. Wsdale, NJ: Erlbaum. Seinowskv. T. J. & ~os'enberg, C. R. (1987). Parallel networks that leam to pronounce English text. Complex -. . . .fyitems, 1, 145-168. - Servan-Schreiber. E. & Anderson. J. R. (1990). Learning artificial mammars with competitive chunks. Journa1 of Experimental Psychology: Lamini, ~emo6 and cogn;tion, 16,592-608. Shanks, D. R. (1995). Thepsychology of associative learning. New York: Cambridge University Press. Shanks, D. R. & St. .To&, M. F. (1994). Characteristics of dissociable human leaming systems. Behavioral and Brain Sciences, 17,367-447. Shanks, D. R., Green, R. E. & Colodny, J. (1994). A critical exarnination of the evidence for unconscious (implicit) leaming. En C. Ulmiti y M. Moscovitch (Eds.), Attention and peflornance XV: Conscious and non consciolis information processing. Cambridge, MA: Bradford. Skinner, B. F. (1969). Contingencies of reinforcement. Englewood CWs, NJ: Prentice-Hall. Skinner, B. F. (197411937). Sobre el conductismo. Barcelona: Fontanella. Smolensky, P. (1988). On the proper treatnient of connectionism. Behavioral and Brain Sciences, 11, 1-74. Tubau, E. y Herrera, P. (1994). Aprendizaje implícit0 y representación del conocimiento en tareas de control de sistemas interactivos. Cognitiva, 6,47-65. Vokey, J. R. & Brooks, L. R. (1992). Salience of item knowledge in learning artií?cial grammars. Journal of Experimental Psychology: Learning, Memory and Cognition, 18,328-344.