Aprendizaje de relaciones de contingencia y causalidadhacia un análisis integral del aprendizaje causal desde una perspectiva computacional

Resumen

En las dos ultimas décadas el estudio del Aprendizaje Causal ha experimentado un gran avance en lo que se refiere a la formulación de modelos que tratan de explicar cómo las personas somos capaces de inferir relaciones e causalidad a partir de !a observación de la relación estadística entre acontecimientos del medio. Muchos modelos reducen la explicación a un algoritmo de cómputo simple. Frente a esa idea mecanicista, en este trabajo adoptamos una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisición de conocimiento causal. En otras palabras, pretendemos responder a dos preguntas fundamentales: a) qué información es relevante en el aprendizaje de relaciones de causalidad?, y b) ¿ por lué dacha información es rele-vante? Desde este punto de vista, lo mas importante no es describir la formulación matemática de los procesos implicados en el procesamiento, sino analizar el sentido funcional de dichos procesos. A continuación, díscutire-mos sobre cómo este marco computacional puede guiar la construcción teórica en el futuro a nivel algorítmico y ayudar a integrar los distintos modelos actuales. Palabras clave: Aprendizaje de causalidad, razonamiento inductivo, contingencia, correlación.