Antologia de Inteligencia Artificial

Inteligencia Artificial I

I.S.C. Carlos Daniel Olvera Aguirre I.E. Henry Izquierdo Cruz

I.S.C. Vianey Fuentes Mateos.

III

NDICE OBJETIVO GENERAL JUSTIFICACIN

5

6

UNIDAD 1

UNIDAD 2

FUNDAMENTOS 1.1 El Propsito de la IA y su evolucin histrica.

1.2 Las habilidades cognoscitivas segn la psicologa.

Teoras de la Inteligencia (Conductismo, Gardner,)

1.3 El Proceso de razonamiento segn la lgica (Axiomas,

Teoremas, Demostracin).

1.4 El modelo de adquisicin del conocimiento segn la filosofa.

1.5 El modelo cognoscitivo.

1.6 El modelo del agente inteligente.

1.7 El papel de la heurstica.

REPRESENTACIN DEL CONOCIMIENTO Y RAZONAMIENTO

2.1 Mapas conceptuales.

2.2 Redes semnticas.

2.3 Razonamiento montono.

2.4 La lgica de predicados sintaxis, semntica, validez e

inferencia.

2.5 La demostracin y sus mtodos.

2.6 El mtodo de resolucin de Robinson.

2.7 Conocimiento no montono y otras lgicas.

2.8 Razonamiento probabilstico.

2.9 Teorema de Bayes.

8

9

26

53

61

65

73

77

86

87

92

94

95

98

100

101

105

107

IV

UNIDAD 3

UNIDAD 4

SISTEMAS DE RAZONAMIENTO LGICO 3.1 Reglas de produccin.

3.2 Sintaxis de las Reglas de Produccin (A1 A2An => C -

Representacin Objeto- Atributo- valor).

3.3 Semntica de las reglas de produccin.

3.3.1 Conocimiento causal.

3.3.2 Conocimiento de diagnostico.

3.4 Arquitectura de un Sistema de produccin (SP)( sistemas

basados en reglas, SBR).

3.4.1 Hechos.

3.4.2 Base de conocimientos.

3.4.3 Mecanismo de control.

3.5 Ciclo de Vida de un Sistema de produccin.

BSQUEDA Y SATISFACCIN DE RESTRICIONES 4.1 Problemas y espacios de estados.

4.2 Espacios de estados determinsticos y espacios no

determinsticos.

4.3 Bsqueda sistemtica.

4.3.1 Bsqueda de metas a profundidad.

4.3.2 Bsqueda de metas en anchura.

4.3.3 Bsqueda ptima.

4.4 Satisfaccin de restricciones.

4.5 Resolucin de problemas de juegos.

BIBLIOGRAFIA

110

111

131

132

134

144

148

149

153

154

176

177

179

V

OBJETIVO GENERAL

El estudiante representar problemas basados en conocimiento en

trminos formales y disear la solucin a problemas tpicos de la Inteligencia

Artificial (I.A.).

VI

JUSTIFICACION

El siguente trabajo se presenta para resolvera la problematica de la falta

de material didactico en el Instituto Tecnologico Superior de Acayucan, y

apoyando la creatividad y esfuerzo del docente. Otro punto que tiene este trabajo

es apoyar al proceso de enseanza aprendizaje del alumno, teniendo como

objetivo fundamental recopilar informacion interesante de diferentes autores en el

tema de la inteligencia artificial.

Viendo la falta de libros acerca de estos temas nos dimos a la tarea de

buscar, recopilar, seleccionar y filtrar contenidos de diferentes autores y libros, que

abarcaban temas como agentes inteligentes, redes neurales, mineria de datos,

sistemas basados en conocimiento, etc. Puesto que en la biblioteca local no se

cuenta con ninguna ayuda bibliografica acerca de los temas.

Considerando que los temas de esta antologa abarca el contenido

temtico de la materia y facilita el estudio de la inteligencia artificial partiendo de la

base de conocimiento hasta la forma de genera el conocimiento por medio de.

Esperamos que este trabajo realizado y analizado, sea de utilidad a la comunidad

de estudiantil, docentes y publico en general.

UNIDAD 1

FUNDAMENTOS

Objetivo: El estudiante conocer las

formas de representacin simblicas y

su aplicacin.

UNIDAD I / FUNDAMENTOS

9

1.1 El Propsito de la IA y su evolucin Histrica

La Inteligencia Artificial (IA) es una acepcin acunada en torno a mediados del siglo XX, cuyo desarrollo se ha caracterizado por una sucesin de periodos alternativos de xito y

abandono de la misma. La idea intuitiva de Inteligencia Artificial creo unas expectativas que

no siempre se han visto cubiertas, y desde luego, no en el grado en el que se haba

esperado de forma un tanto ilusoria.

Pero actualmente se puede considerar que el enfoque computacional inteligente no

depende de inmediatos y probados resultados, sino que est elevado por sus logros y su

desarrollo a lo largo de varias dcadas, por lo que se ha consolidado en el mbito de la

computacin como una acepcin totalmente asumida aunque sometida todava a

controversia en algunos sectores cientficos.

La Inteligencia Artificial ha tenido siempre como modelo natural las funcionalidades

inteligentes del hombre, focalizndose en distintos aspectos. Su primera motivacin, que

data de centurias atrs, fue intentar construir maquinas que pudieran pensar como el ser

humano, o al menos, emularle en alguna capacidad que denotara cierta inteligencia.

Es de comn consenso que para que un sistema acte de forma inteligente debe

imitar las funciones de las criaturas vivas en cuanto a algunas de sus facultades mentales. Al

menos, la inteligencia requiere la habilidad de percibir y adaptarse al entorno, tomar

decisiones y realizar acciones de control. Altos niveles de inteligencia pueden incluir el

reconocimiento de objetos y sucesos, la representacin del conocimiento en modelos

lingsticos y el razonamiento y la planificacin. En grados mas avanzados, la inteligencia

proporciona la capacidad de percibir y entender, de elegir razonablemente y de actuar

satisfactoriamente bajo una gran variedad de circunstancias, as como de prosperar,

sobrevivir y reproducirse en un entorno complejo y a menudo hostil. La inteligencia, adems

crece y evoluciona.

De la mano de potentes computadoras, las tcnicas proporcionadas por la

Inteligencia Artificial se han utilizado para intentar conseguir algunos de los objetivos

mencionados.

En los comienzos del siglo XXI, la ciencia y la tecnologa se enfrentan al reto de

encontrar e implementar mejores y ms sofisticadas soluciones en el rea de la


10

computacin, con su amplsimo rango de mbitos de aplicacin, como respuesta a la

siempre creciente demanda de la sociedad, de la industria y de la humanidad en general.

En este tipo de situaciones, la Inteligencia Artificial ofrece perspectivas interesantes

ya que es capaz de suministrar metodologas que permiten realizar de forma automtica

algunas de las tareas realizadas tpicamente por los humanos.

El estudio y desarrollo de sistemas inteligentes requiere significativos esfuerzos de

investigacin multidisciplinarios para integrar conceptos y mtodos de distintas areas tales

como ciencias de la computacin, inteligencia artificial, investigacin operativa, gestin del

conocimiento, tratamiento de la informacin, control, identificacin, estimacin, teora de la

comunicacin, etc.

La Inteligencia Artificial esta ayudando a expandir el horizonte del tratamiento de la

informacin. Parte de esta expansin se debe a la extensin de las fronteras de la

tecnologa. Desde el microprocesador al impacto del procesamiento en paralelo, va redes

neuronales, o los procesadores fuzzy, todo apunta a la expansin de las tcnicas

computacionales.

Definiciones de sistema inteligente

Hay muchas formas de definir un comportamiento inteligente, quizs porque se puede entender que hay distintos tipos de inteligencia. Por ejemplo, el hecho de ser capaz

de recopilar informacin y a partir de ella deducir un diagnostico o proponer un tratamiento

supone inteligencia, as como el hecho de ser capaz de procesar informacin incompleta o

con incertidumbre, o aprender ejemplos, etc.

El diccionario define la inteligencia como la capacidad de adquirir y aplicar

conocimiento. Esta definicin es bastante general y, de acuerdo con ella, incluso un

termostato podra ser considerado un sistema inteligente aunque con un nivel bajo de

inteligencia. Por eso hace hincapi al hablar de inteligente en un alto grado de inteligencia.

Una caracterizacin procedural de la inteligencia es la siguiente:

La inteligencia es una propiedad del sistema que emerge cuando los procedimientos

de focalizar la atencin, bsqueda combinatoria y generalizacin son aplicados a la

informacin de entrada en orden a producir la salida.


11

Un sistema inteligente se caracteriza tambin por su habilidad para la asignacin

dinmica de subobjetivos y acciones de control de forma interna o autnoma. La

organizacin del conocimiento puede ser vista tambin como un importante atributo de la

inteligencia. De ah que los sistemas son autonoma respecto a su organizacin interna (self-

organized systems) se consideran sistemas inteligentes.

El sistema inteligente tiene la habilidad de actuar apropiadamente en un entorno con

incertidumbre, donde una accin adecuada es la que aumenta la probabilidad del xito, y el

xito es la consecucin de los subobjetivos de comportamiento que respaldan el ltimo

objetivo del sistema.

Concretando la definicin para maquinas y sistemas, se considera inteligente aquella

que satisface el test de Turing (hombre y maquina realizan la misma tarea con el mismo

resultado).

Alan Turing fue un cientfico y matemtico ingles, que estableci las bases tericas

de las que serian las computadoras digitales. La Maquina Universal de Turing, un dispositivo

consistente en una cinta con smbolos (programa) y un escner de lectura/escritura (el

ordenador), poda emular el comportamiento de un ser humano trabajando con papel y lpiz,

siguiendo un proceso mecnico o algortmico.

La Maquina Universal de Turing puede simular el comportamiento de cualquier otra

maquina de procesamiento. Define los lmites de la computabilidad usando ordenadores

convencionales. La prueba de Turing, diseada para demostrar si una maquina puede

pensar, consiste a grandes rasgos en:

1. Dos personas y una computadora; una de las personas es un interrogador y la

otra persona y la computadora son los elementos que van a ser identificados.

2. Cada uno de los elementos del experimento est en un cuarto distinto.

3. La comunicacin entre los elementos es escrita y no se pueden ver.

4. Despus de un cierto nmero de preguntas y respuestas a ambos, si el

interrogador no puede identificar cul es la computadora y quin es la persona,

entonces podemos decir que la computadora piensa igual que el ser humano

en esa tarea.


12

La mquina sera entonces igual de inteligente que el hombre en ese dominio de

conocimiento restringido.

Es una definicin ms formal:

Mquina inteligente es la que realiza el proceso de analizar, organizar y convertir los

datos en conocimiento, donde el conocimiento del sistema es informacin estructurada

adquirida y aplicada para reducir la ignorancia o la incertidumbre sobre una tarea especfica

a realizar por la mquina inteligente.

Por ltimo, como se ha dicho, hay diferentes grados de inteligencia en los sistemas.

Algunas de las caractersticas fundamentales para hablar de sistemas inteligentes se

deducen de la siguiente definicin operativa de sistema con un nivel de inteligencia:

Un sistema inteligente debe ser altamente adaptable a cambios significativos

impredecibles, por lo que el aprendizaje es esencial. Debe exhibir un alto grado de

autonoma para tratar con los cambios. Debe ser capaz de tratar con complejidad

significativa, y esto conduce a ciertos tipos de arquitecturas funcionales como las

jerrquicas.

En definitiva, sistema inteligente es un procedimiento computacionalmente eficiente

de dirigir un sistema complejo a un objetivo, con una representacin incompleta o

inadecuada y/o bajo unas especificaciones imprecisas de cmo hacerlo; es decir, que acta

apropiadamente en un entorno con incertidumbre.

El trmino inteligencia artificial

El concepto de Inteligencia Artificial es relativamente nuevo, pero la idea de una inteligencia artificial existe desde hace millones de aos.

La Inteligencia Artificial, IA, se puede definir como el estudio de las facultades

mentales a travs del uso de modelos computacionales. Este trmino data de los aos 50

del siglo XX y se debe a un grupo de cientficos que estudiaron el cerebro humano como

modelo natural, integrando la ciberntica y las computadoras (McCarthy, Minsky, Newell,

Simon).


13

En palabras de uno de ellos, Marvin minsky, la Inteligencia Artificial es el estudio de

cmo programar computadoras que posean la facultad de hacer aquello que la mente

humana puede realizar, o en sentido amplio: la Inteligencia Artificial es una ciencia orientada

al diseo y construccin de maquinas que implementen tareas propias de humanos dotados

de inteligencia.

Caracterizar los sistemas inteligentes incluye las tareas de:

a) Reconocerlos y distinguirlos de los sistemas convencionales.

b) Clarificar el papel de la inteligencia en estos sistemas.

c) Identificar los problemas para los cuales la Inteligencia Artificial es la nica o la

mejor solucin.

Una mquina inteligente debe hacer las cosas que nosotros queremos que haga,

que nosotros haramos, pero quizs no como nosotros las hacemos. Una aproximacin

practica y realista a la IA es conseguir que estas tcnicas realicen de forma eficiente una

serie de tareas que nos faciliten nuestro trabajo, quizs en menos tiempo, con menos datos,

aunque no pasaran el test de Turing. En cualquier caso, se trata de que las soluciones que

aporta la IA sean mejores que otras para esas tareas determinadas.

Segn el filsofo Searle, una computadora puede simular algo que en el hombre se

da de otra manera. Un hombre capta la esencia de una cosa, mientras que en una

computadora se pueden simular procesos epistemolgicos en base a la forma accidental.

En lugar de confiar en las habilidades del programador, un verdadero programa

inteligente aprender de su experiencia por generalizacin y abstraccin, emulando la mente

humana, especialmente en su habilidad para razonar y aprender en un ambiente de

incertidumbre, imprecisin, con informacin incompleta o errnea, etc., caractersticas

propias del mundo real, tanto de los sistemas como del lenguaje natural. De esta forma, es

capaz de modelar y controlar una amplia variedad de sistemas complejos, construyndose

en una herramienta efectiva para tratar con problemas hasta ahora no abordados por su

complejidad o por la naturaleza de su informacin. As se utiliza en general para la toma de

decisiones en ambientes con incertidumbre, para el razonamiento aproximado, la

clasificacin y comprensin de seales, el reconocimiento de patrones entre oras utilidades.

Sus aplicaciones estn relacionadas, entre otros mbitos, con el comercio, las finanzas, la

medicina, la robtica o la automatizacin.


14

Estrategias de la IA

En el horizonte de los descubrimientos relacionados con la informtica surgen no solo ideas nuevas para mejorar las tcnicas existentes, sino tambin paradigmas

radicalmente diferentes de las actuales estrategias. Uno de ellos, actualmente muy

extendido en el mbito de la investigacin computacional, es la Computacin Suave o Soft

Computing, en su idioma nativo. Su objetivo es implementar la inteligencia Artificial en las

mquinas.

Los avances en el campo de la computacin, la electrnica, sensores,

procesamiento de seales, representacin de la informacin, etc., proporcionan nuevas

herramientas para el desarrollo de sistemas inteligentes. Al ser la IA un rea multidisciplinar,

dinmica y amplia, se sirve de distintas tcnicas para conseguir sus objetivos.

En particular, la Inteligencia Artificial puede hacer efectivo del uso de:

nuevas tcnicas y entornos avanzados de programacin;

tcnicas para tratar la heurstica;

nuevos sistemas hardware.

Las metodologas de la Inteligencia Artificial incluyen, por ejemplo, la lgica borrosa,

sistemas expertos, aprendizaje, sistemas de planificacin, algoritmos de bsqueda sistemas

hbridos, diagnostico de fallos y reconfiguracin, autmatas, redes de Petri, redes

neuronales, computacin evolutiva, etc.

No obstante, conviene aclarar que las tcnicas asociadas a la IA tienen un desarrollo

y una fundamentacin independiente. Cada una de ellas contribuya con una metodologa

distintiva para tratar problemas en su dominio de aplicacin. Sin embargo, de una forma

complementaria y sinrgica en lugar de competitiva-, se combinan algunas de ellas

componiendo los denominados sistemas inteligentes hbridos, que combinan dos o mas de

estas tcnicas para su aplicacin a sistemas especficos que por su complejidad requieren

un acercamiento desde distintos enfoques. As se habla de los sistemas neuro- genticos,

donde una estrategia de la computacin evolutiva, los Algoritmos Genticos, se aplican en la

combinacin con la lgica biolgica borrosa, o los neuro-borrosos-genticos, etc.

Particular importancia tienen dentro de esta sinergia entre diversas metodologas de

computacin la unin de tcnicas denominadas clsicas o convencionales con las que


15

provienen de la IA. Adems de complementarse de forma evidente y extender las

potencialidades de los mtodos hasta ahora aplicados con profusin durante dcadas en

entornos como la robtica, el control industrial, etc., su incursin en el mercado y la industria

se ve favorecida porque en muchos casos su apariencia y su utilizacin mantienen las

principales caractersticas de los sistemas con los que hasta ahora los operadores de

distintos mbitos estas acostumbrados a trabajar.

Cada una de estas metodologas se centra en un aspecto o una funcionalidad

inteligente de los seres vivos. As, las redes Neuronales actan como una metfora del

cerebro, con una estructura similar a las conexiones que se establecen entre las sinapsis de

ste, y que tienen como propiedades inherentes el aprendizaje y la adaptacin; la lgica

Fuzzy permite tratar con la imprecisin propia del lenguaje, e implementa el razonamiento

aproximada la computacin con palabras; los sistemas basados en reglas, que suponen en

muchos mbitos una gran ayuda a la toma de decisin y al diagnostico; la computacin

Gentica como mtodo eficiente de optimizacin y bsqueda aleatoria sistematizada; el

Razonamiento Probabilstico, para el anlisis de decisiones y el manejo de la informacin

estocstica, etc. Algunas de ellas se resumen en la siguiente tabla.

Hoy da, la mayora de estos mtodos de la IA estn bien delimitados y gran parte de

ellos han sido aplicados con xito en diversos mbitos.

Redes de Petri

En 1962 Carl Adam Petri public su tesis doctoral en la que por primera

vez se formulaba una teora general para sistemas discretos paralelos.

Las redes de Petri son una generalizacin de la teora de autmatas, y

eventos. Un modelo de red de Petri formula las propiedades de un

sistema en el lenguaje de la lgica aunque tambin utiliza la

representacin algebraica.

Sistemas

Expertos

Campo pionero de la IA. Un sistema experto (SE) es bsicamente un

conjunto de programas informticos que aplica el proceso del

razonamiento humano al conocimiento de un experto en la solucin de

tipos especficos de problemas. Son sistemas basados en reglas de

produccin u otros procesos de razonamiento. Algunas de sus

caractersticas son: la heurstica, el tratamiento simblico, la toma de

decisiones, la memoria, la prediccin y la inferencia.


16

Lgica Fuzzy

La lgica Fuzzy o borrosa, una forma matemtica de representar la

imprecisin inherente al lenguaje natural, introducida por Lofti A. Zadeh

en 1965. Es una generalizacin de la lgica clsica: las variables toman

valores lingsticos de verdad. La pertenencia a los conjuntos borrosos

es gradual. Implementa la forma de razonar propia del sentido comn.

Redes

Neuronales

En la dcada de los 80 se empez a considerar este paradigma

computacional conexionista cuya estructura emula el proceso biolgico

del aprendizaje humano. Son sistemas compuestos por muchos

elementos de procesamiento (neuronas) que operan en paralelo, cuya

funcin es determinada por la estructura de la red, las conexiones y el

procesamiento local realizado por los elementos computacionales o

nodos. Las redes neuronales pueden aprender de datos de

entrenamiento, y en realidad son aproximaciones de funciones

matemticas.

Computacin

Evolutiva

Inspirada en el mundo biolgico, desarrolla programas usando analogas

con procesos biolgicos tales como la evolucin y la seleccin natural.

Se aplica satisfactoriamente, sobre todo, a problemas de optimizacin,

programacin automtica y aprendizaje de mquinas. Dentro de ella se

encuentran los Algoritmos Genticos y el sistema computacional

inmunizado, basado en la operacin de un sistema biolgico inmune.

Algoritmos

Genticos

Un algoritmo Gentico (AG) es esencialmente un procedimiento de

bsqueda y optimizacin modelado segn los mecanismos genticos de

seleccin natural de los seres vivos. Surgieron del estudio de los

autmatas celulares llevado a cabo por Holland en 1975. Su

funcionamiento bsico es evolucionar a partir de una poblacin que

representa las soluciones candidatas (individuos) para un determinado

problema, intentando producir nuevas generaciones de soluciones

mejores que las anteriores, evaluadas por una funcin de ajuste. Se

utilizan en problemas complejos de optimizacin por su paralelismo

implcito y su habilidad para mantener mltiples soluciones

concurrentemente.

Aplica los principios evolutivos de los AG para hacer evolucionar


17

Programacin

Gentica

programas informticos. La programacin gentica conduce al

predominio de los programas ms aptos para la solucin de un problema

dado. Ahora en la Poblacin los individuos son programas. Cada

nueva generacin se obtiene por la reproduccin de los programas que

funcionan mejor, con un pequeo factor de mutaciones aleatorias.

Teoras del Caos

Es un conjunto de tcnicas utilizadas para examinar y determinar

relaciones altamente complejas entre datos que han sido inicialmente

clasificados al azar. Una caracterstica de este tipo de datos es que una

pequea variacin en las condiciones iniciales puede dar lugar a

cambios drsticos en los resultados muy rpidamente. El supuesto

fundamental de la teora del caos es que la unidad individual no importa;

lo que importa son las simetras recursivas entre los diferentes niveles

del sistema.

La IA sigue siendo un campo abierto a la investigacin, y junto con continuas

mejoras y modificaciones que esta experimentando, todava estn por desarrollarse nuevas

implementaciones computacionales de facetas de la inteligencia humana.

Breve visin histrica de la IA

El desarrolla y la evolucin de la Inteligencia artificial como disciplina moderna viene de la mano del avance tecnolgico (aparicin de los microprocesadores, desarrollos

hardware y software, etc.), y de la aparicin de nuevos paradigmas que han permitido

experimentar con mtodos de procesar informacin y gestionar el conocimiento, hasta ese

momento no explicitado. Sin embargo, su origen se remonta a la antigedad ya que est

unida a nodos de conocimiento y razonamiento tan lejanos en el tiempo como las

civilizaciones clsicas. De hecho las ciencias que de una forma u otra han influido en la

Inteligencia Artificial son:

Filosofa

Matemticas

Psicologa


18

Lingstica

Ciencias de la computacin

Las principales contribuciones de esta ciencia al desarrollo de la IA son las

siguientes.

La filosofa cuenta con ms de 2000 aos de tradicin, a lo largo de los cuales han

surgido diversas teoras sobre el razonamiento (lgica) y el aprendizaje (la didctica). Junto

con el mundo de las ideas de Platn, el mundo del cerebro se reduca en muchos casos a un

simple sistema fsico que los trepanadores (ya en el antiguo Egipto) acostumbraban a

estudiar buscando la fuente del pensamiento. Los filsofos (desde el ao 400 a.C.) intuyeron

la inteligencia artificial al concebir la mente como una maquina que funcionaba a partir de un

conocimiento codificado en un lenguaje interno, y al considerar que el pensamiento serva

para determinar cual era la accin correcta que haba que emprender.

Simultneamente, durante ms de 400 aos se cultivaron las matemticas unidas a

la lgica, de donde surgieron teoras formales relacionadas con el habla, la probabilidad, la

teora de decisiones e incluso la computacin. Las matemticas proveyeron de las

herramientas necesarias para manipular tanto las aseveraciones de certeza lgica como la

incertidumbre de tipo probabilstica. Asimismo prepararon el terreno para la implementacin

del razonamiento mediante algoritmos.

La psicologa ofrece herramientas que permiten la investigacin de la mente humana

as como un lenguaje cientfico para expresar las teoras que se van proponiendo. Los

psiclogos reforzaron la idea de que los humanos y otros animales podan ser considerados

como mquinas para el procesamiento de informacin.

La lingstica ofrece teoras sobre la estructura (sintaxis) y significado (semntica)

del lenguaje. Los lingistas demostraron que el uso de un lenguaje es necesario dentro de la

implementacin de la IA para representar y manejar el conocimiento.

Por ultimo, la ciencia de la computacin es la que ha permitido que la Inteligencia

Artificial sea una realidad. Aporto las herramientas de clculo necesarias para que la idea de

IA fuera una metodologa aplicada. Adems, los programas de inteligencia artificial por lo

general son extensos y su ejecucin no seria factible sin los grandes avances de tiempo de

procesamiento, capacidad de memoria, potencia de clculo, etc., que facilitan las

computadoras actuales. El concepto de la IA, aunque parte de una concepcin abstracta, es


19

realmente una realizacin fsica de hardware y software que tiene un comportamiento

inteligente, dentro del rea de la ciencia de la computacin.

Hitos de la evolucin de la IA

La idea de desarrollar mquinas autnomas no es nueva. En el siglo XVII, el filosofo John Locke ya se preguntaba si las mquinas podan saber. En la literatura cientfica

encontramos tres desarrollos que han servido de base a la formalizacin de la Inteligencia

Artificial:

En el siglo XVII, el tambin filosofo Gottfriend Leibniz propuso construir una mquina capaz de llevar a cabo cualquier proceso de razonamiento por el que

se le preguntara.

En el siglo XIX, Charles Babbage, cuyo ingenio analtico era capaz de realizar operaciones algebraicas, pens que se poda implementar un sistema formal en

el cual toda la pluralidad de los fenmenos fsicos pudiera ser adecuadamente

descrita.

Ya en siglo XX, en 1936, Alan Turing diseo una mquina que pensara y realizara tareas en un dominio especfico de forma equiparable a los hombres.

Aunque entonces nadie supusiera viable el objetivo comn de estos tres proyectos, su

relacin es hoy da evidente, y se han visto hechos realidad en los sistemas expertos y las

calculadoras automticas.

Junto con ellos, a Boole le debemos el inicio del lenguaje simblico a mediados del

siglo XIX.

Pero no es hasta los aos 50 y a principios de los 60 del siglo XX cuando se logra

realizar un sistema inteligente que tuvo cierto xito, el Perceptrn de Rossenblatt (1962).

Era un nivel visual de reconocimiento de patrones en el cual se aunaron refuerzos para que

se pudieran resolver una gama amplia de problemas. Auque estas estrategias se diluyeron

enseguida, sin embargo, ha quedado como una aportacin relevante, fundamento de las

redes neuronales. Sus antecedentes haban sido los trabajos de McCulloch y Pitts (1943),

que propusieron modelos basados en la analoga neuronal del cerebro.


20

Poco despus, Alan Newell y Herbert Simon (1963), trabajando sobre la demostracin

de teoremas y aplicacin de la lgica para el problema del ajedrez por ordenador, logran

crear un programa llamado GPS (General Problem Solver; solucionador general de

problemas). El GPS era un sistema en el que el usuario defina en torno a funcin de una

serie de objetos y los operadores que se podan aplicar sobre ellos. Este programa era

capaz de trabajar con las torres de Hanoi, as como con criptoaritmtica y otros problemas

similares, operando, clara est, con microcosmos formalizados que representaban los

parmetros dentro de los cuales se podan resolver problemas. Lo que no poda hacer el

GPS era resolver problemas ni del mundo real, ni mdicos, ni tomar decisiones importantes.

El GPS manejaba reglas heursticas (aprender a partir de sus propios descubrimientos) que

le conducan hasta el objetivo final mediante el mtodo del ensayo error.

En torno a los aos 70, un equipo de investigadores dirigido por Edward Feigenbaum

comenz a elaborar un proyecto para resolver problemas de la vida cotidiana o que se

centrara, al menos, en problemas dentro de dominios ms concretos. As nacieron los

sistemas expertos El primer sistema experto (SE), Mycin, capaz de diagnosticar trastornos

en la sangre y recetar la correspondiente medicacin. Todo un logro en aquella poca.

En la siguiente dcada, los 80, se desarrollaron lenguajes ms apropiados para

desarrollar las metodologas de la Inteligencia Artificial, tales como el LISP o el PROLOG. Es

en esta poca cuando se desarrollan sistemas expertos ms refinados, como por ejemplo, el

EURISKO: este programa perfecciona su propia base de reglas heursticas, es decir, su

conocimiento, de forma automtica, por induccin.

El origen inmediato del concepto y de los criterios de desarrollo de la IA, como ya se ha

comentado, se remota a la intuicin del genio matemtico ingls Alan Turing y el apelativo

Inteligencia Artificial se debe a McCarthy, uno de los integrantes del grupo del Grupo de

Darmouth, que en el verano de 1956 se reuni en el Darmouth Collage, en los Estados

Unidos, para discutir la posibilidad de construir mquinas inteligentes. Los principales

integrantes del grupo eran:

John McCarthy: quien bautiz a esta nueva rea de conocimiento y estudiaba sistemas capaces de efectuar razonamientos de sentido comn.

Marvin Minsky: fundador del laboratorio de la IA del MIT. Trabajaba sobre razonamientos analgicos de geometra.

Claude Shannon: de los laboratorios Bell de EE.UU.


21

Nathaniel Rochester: de IBM.

Allen Newell: primer presidente de la AAAI (Asociacin Americana de Inteligencia Artificial).

Herbert Simon: Premio Novel de Carnegie-Mellon University.

Tambin se puede descartar la importante intervencin de Arthur Samuel, que haba

escrito un programa de juego de damas capaz de aprender de su propia experiencia; y a

Selfridge, que estudiaba el reconocimiento visual por computadora.

A partir de este grupo inicial se formaron dos grandes escuelas de Inteligencia

Artificial (IA): por un lado, Newell y Simon lideraron el equipo de la universidad de Carnegie-

Mellon, proponindose desarrollar modelos de comportamiento humano con aparatos cuya

estructura se pareciese lo ms posible a la del cerebro. Esta teora deriv posteriormente en

el llamado paradigma conexionista y consecuentemente en los trabajos sobre redes

neuronales artificiales.

McCarthy y Minsky formaron otro equipo en el Instituto Tecnolgico de Massachusett

(MIT), centrndose en que los productos del procesamiento tuvieran el carcter de

inteligente, sin preocuparse de que el funcionamiento o la estructura de los componentes

fueran parecidas a los del ser humano.

Ambos enfoques se adecuan a los mismos objetivos prioritarios de la IA: por un lado

entender la inteligencia natural humana, y por otro usar mquinas inteligentes para adquirir

conocimientos y resolver problemas considerados como intelectualmente difciles.

La historia de IA ha sido testigo de ciclos de xito, de justificado e injustificado

optimismo con la consecuente desaparicin de entusiasmo y apoyos financieros. Tambin

ha habido periodos caracterizados por la introduccin de nuevos y creativos enfoques y de

un sistemtico perfeccionamiento de las mejores estrategias que han contribuido

significativamente al desarrollo de la ciencia.

Desarrollos histricos de la IA

Terminamos este apartado de revisin histrica con dos de las propuestas ms extendidas, desarrolladas por estudios del tema: Jackson (1989) y la perspectiva de Russell


22

y Norving, tomada de su libro cuyo original data de 1995. Las referencias especficas se

encuentran en esos dos textos.

Desarrollo Histrico segn Jackson

1950-1965 PERIODO CLSICO

Gestacin [McCulloch y Pitts, Shannon, Turing]

Inicio Darmouth Collage, 1956 [Minsky, McCarthy]

Redes neuronales, robtica (Shakey)

Bsqueda en un espacio de estados, heurstica, LISP

Resolvedor general de problemas (GPS) [Newell, Simon]

Juegos, prueba de teoremas

Limitaciones como consecuencia de la dedicacin a la bsqueda pura, explosin combinatoria

1965-1975 PERIODO ROMNTICO

Representacin general del conocimiento

Redes semnticas [Quilian]

Prototipos (frames) [Minsky]

Perceptrn [Minsky y Papert]

Lgica [Kowalski]

Mundo de bloques (SHDRLU) [Winograd]

Compresin de lenguaje, visin, robtica

Dificultades de representacin general, problemas juguete


23

1975-HOY PERIODO MODERNO

Inteligencia especfica vs. general

Representacin explicita del conocimiento especfico del dominio

Sistemas expertos o basados en conocimientos

Regreso de redes neuronales [Hopfield, Rumelhart, Hinton], algoritmos genticos [Holand, Goldberg], reconocimiento de voz

(HMM), incertidumbre (RB, Lgica difusa), planificacin,

aprendizaje. Aplicaciones reales (medicina, finanzas, ingeniera,

exploracin, etc.)

Limitaciones: conocimiento superficial

Desarrollo Histrico segn Russell y Norving

1943-1956 GESTACIN

McCulloch y Pitts (43), Hebb (49), Shannon (50)

Turing (53), Minsky y Edmonds (51). Darmouth Collage (56), McCarthy, Newell y Simon The Logic Theorist

1952-1969 GRANDES EXPECTATIVAS

Samuel Checkers (52), McCarthy (58);

Planificacin Temporal, Programas con sentido comn. Minsky y McCarthy en MIT moldearon mucho del rea. (63) McCarthy se fue

a Standford SRI, Shakey, etc. Minsky, Evans, Student, Waltz,

Winston, Winograd. Trabajo en RN: Hebb, Widrow, Rosenblatt

1966-1976 DOSIS DE REALIDAD

Simon predeca que en 10 aos se tendra una mquina inteligente.


24

Predicciones similares en traduccin automtica y ajedrez. Teora

de NP-completitud. Experimentos en machine evolucin (ahora

algoritmos genticos) (Friedberg, 58). Minsky y Papert:

Perceptrones (69); el mismo ao se descubri el backpropagatin

(Bryson y Ho)

1969-1979 SISTEMAS BASADOS EN CONOCIMIENTO

Dendral, Mycin, HPP, Prospector, Winograd SHDRLU, Shank (no hay sintaxis), frames, Prolog, Planner

IA como industria (1980-1988):R1/XCOM, proyecto de la quinta generacin, shells y mquinas de Lisp

1986-HOY VUELTA A LAS REDES NEURONALES

Hopfield, Rumelhart y Hinton y descenso de los Sistemas Expertos

1987-HOY LOGROS RECIENTES

Cambio gradual hacia reas aplicadas (cierto grado de madurez y estabilidad); reconocimiento de voz (HMM), incertidumbre (Bayes),

planificacin (Tweak), robtica, aprendizaje, etc.

Futuro de la IA

La ciencia de la Inteligencia Artificial tiene su formalizacin en 1958, en la Conferencia de Dartmouth. Durante estos aos ha habido dcadas de un avance decidido

hacia la implementacin de inteligencia prctica en las mquinas. Los campos de

reconocimiento de voz, lenguaje natural, reconocimiento de caracteres, etc., han sido

campos en los que se especializ la IA y de su mano vio un gran avance.

Sin embargo, algunos de estos xitos no tuvieron la continuidad esperada, y se

sucedieron temporadas en las que las expectativas creadas en torno a las mquinas

inteligentes dejaron paso a una desilusin que hicieron ms lento el desarrollo de las

contribuciones prcticas de esta ciencia. Efectivamente, hay una serie de tareas fciles para


25

los seres humanos que son an impensables para un mquina inteligente, pero esto no es

bice para admitir que se han realizado interesantes progresos en la lnea de incorporar

conocimiento, razonamiento y aprendizaje a los sistemas computacionales.

Las faces de Desarrollo de IA se han ido sucediendo al paso de la evolucin de las

computadoras. En los primeros aos la mayora los problemas abordados por la IA eran

problemas estructurados y con sus lmites muy bien definidos, por ejemplo, juegos (ajedrez),

pruebas de teoremas, etc. En esta fase el nfasis se centr sobre todo en crear mquinas

que pudieran pensar, capaces de resolver una amplia clase de problemas, que incluan

fundamentalmente razonamientos sofisticados y muchas veces artificiosos, y tcnicas de

bsqueda.

Una segunda fase comenz de la mano del xito de la IA para aplicaciones de

reconocimiento, que exigan un dominio muy restringido y delimitado. Generalmente les

acompaaba una gran cantidad de conocimiento respecto al problema a resolver. Esta

aproximacin de aadir conocimiento de un dominio especfico a un mtodo en cierto modo

general de resolucin condujo al desarrollo de los sistemas basados en reglas, una de las

tcnicas pioneras de la IA que alcanz gran resonancia por sus xitos en mbitos muy

diversos: diagnstico mdico, anlisis qumico, configuracin de computadoras, etc. A su

difusin contribuy la comercializacin de muchos de ellos.

A la vez las potentes estaciones de trabajo permitan trabajar con lenguajes y

aplicaciones como Lisp, Prolog, etc., que facilitaban la realizacin procedural de estas

tcnicas de la IA.

Desde finales de los aos 80, la comunidad de la IA se ha planteado retos de mayor

envergadura: razonamiento de sentido comn, traduccin e interpretacin del lenguaje

natural, visin por computador, automatizacin y control de procesos complejos, etc.

Desde entonces, distintas ramas de la IA han ido alternando en popularidad: la

aproximacin conexionista, representada por las redes neuronales; la computacin biolgica,

con algoritmos evolutivos como tcnicas de bsqueda; la lgica borrosa, en un intento de

dotar de sentido comn a las mquinas, etc. Recientemente, el crecimiento de Internet y de

la computacin distribuida en general ha abierto nuevos campos de aplicacin a la IA.


26

1.2 Las Habilidades cognoscitivas segn la psicologa. Teoras de la Inteligencia (Conductismo, Gardner,)

Introduccin

Hablar de actividades cognitivas, aunque sea brevemente, nos permite al mbito de las aptitudes e implica, en primer lugar, introducirnos en el estudio del pensamiento, como

proceso o sistemas de procesos complejos que abarcan desde la captacin de estmulos,

hasta su almacenaje en memoria y su posterior utilizacin, en su evolucin y su relacin con

el lenguaje; abordar el estudio de la inteligencia y su evolucin, como herramienta bsica del

pensamiento; y profundizar en el estudio del aprendizaje, como cambio relativamente estable

del comportamiento producido por la experiencia. Para, en segundo lugar, con mayor

profusin y especificidad, pasar al estudio del binomio cognicin-metacognicin y su relacin

con aquellas variables que ms le afectan, como es el caso de las afectivas, tales como: la

motivacin, el autoconcepto, la autoestima, la autoeficacia, la ansiedad, etc. De manera que

los trminos aprender a pensar, aprender a aprender y pensar para aprender, cada vez

nos sean menos ajenos.

As pues, aqu nos podemos hacer una revisin de los principales conceptos y

teoras, formas de evaluacin e intervencin ofrecidos en este mbito; aunque, como es

obvio, de forma sucinta.

Conceptos y teoras

Actualmente estamos sumergidos en la era de la revolucin tecnolgica y, por ello, el

nmero de conocimientos culturales y tcnicos, de teoras y habilidades, de modelos y

estrategias, etc., aumentan de modo exponencial; siendo por lo que la educacin se enfrenta

al gran reto de transmitirlos relacionando a la vez lo terico con la vida real, problema cada

vez ms difcil de solucionar. Adems, curiosa y paradjicamente, hallndonos de pleno en

la era de la comunicacin social, nos encontramos con los niveles ms altos, histricamente,

hablando, de incomunicacin personal; lo que agrava sobremanera esta problemtica.

La verdad es que, en general, nuestros alumnos dedican muy poco tiempo al trabajo

autnomo, especialmente a las consultas, y su actividad se reduce casi exclusivamente, en


27

la mayor parte de los casos, a escuchar (no or siquiera)m al profesor, empleando como

nica habilidad cognitiva, tomar notas y memorizar los apuntes para los exmenes; lo cual

denota inters por las clases de tipo explosivo, una alta orientacin en sus actividades de

trabajo y un procesamiento pasivo de la informacin.

Por otra parte, no slo se trata de una cuestin de ndole prctica, sino que es una

imposicin de la perspectiva cognitiva frente a la conductista, interesada por el

procesamiento de la informacin y su almacenamiento en memoria, destacando cmo los

resultados del aprendizaje no dependen exclusivamente del modo en que el profesor

presenta la informacin; sino, adems, del modo en que el alumno lo procesa, la interioriza y

la guarda (Weinstein y Mayer, 1986).

En la investigacin especializada sobre habilidades y estrategias pueden recogerse

multitud de definiciones al respecto; no obstante, es factible detectar un nico ncleo de

significado, aunque con algunas diferencias en los niveles denotativos de los trminos

empleados; en otras palabras, el nivel de generalidad concedido al concepto de habilidad o

estrategia vara segn el tipo de definicin formulada. Por ello, se recogen aqu dos grupos

claramente diferenciados y delimitados de definiciones: sintticas y analticas.

a) Sintticas

En este caso, las habilidades o estrategias se presentan en un sentido general,

aunque asignndoles un papel concreto, siendo fcil detectar tanto macrohabilidades o

macroestrategias, habilidades ejecutivas, etc., como microhabilidades o microestrategias,

habilidades no ejecutivas, etc.

Las habilidades cognitivas son entendidas como operaciones y procedimientos que

puede usar el estudiante para adquirir, retener y recuperar diferentes tipos de conocimientos

y ejecucin suponen del estudiante capacidades de representacin (lectura, imgenes,

habla, escritura y dibujo),capacidades de seleccin (atencin e intencin) y capacidades de

autodireccin (autoprogramacin y autocontrol)(Rigney, 1978:165).

ONeil y Spielberger (1979), a diferencia de Rigney, prefieren utilizar el trmino

estrategias de aprendizaje, pues en l incluyen las estrategias de tipo afectivo y motor, as

como las estrategias propiamente cognitivas; aunque de hecho reconocen tres

caractersticas bsicas de este dominio: la gran diversidad terminolgica, el limitado acuerdo

existente respecto a sus conceptos fundamentales y el estado de arte en el que se

encuentra.


28

Sin embargo, ello no impide que puedan establecerse algunas distinciones; por

ejemplo, respecto a un tema muy prximo conceptualmente, tal como el de los estilos

cognitivos. Perkins (1985), comentando el problema de la generalidad o especificidad de las

habilidades cognitivas, seala una posible distincin entre estilos cognitivos y estrategias; los

primeros estn ms ntimamente ligados a la conducta general de la persona, a su modo de

pensar, de percibir, etc. (dependencia/independencia de campo; reflexividad/impulsividad,

etc.), mientras las segundas son conductas ms especficas aplicadas en un momento

determinado de un proceso (como, repasar un texto que se acaba de leer).

Derry y Murphy formularon en 1986 un planteamiento de diseo de sistemas de

instruccin para mejorar la habilidad e aprender, utilizando como gua la teora de Gagn, la

de Sternberg y la teora metacognitiva. El anlisis de estas teoras les llev a la conclusin

de que la mejora de la habilidad para aprender necesita el desarrollo no slo de habilidades

de aprendizaje especficas, sino tambin de un mecanismo de control ejecutivo que acceda

a las habilidades de aprendizaje especficas, sino tambin de un mecanismo de control

ejecutivo que acceda a las habilidades de aprendizaje y las combine cuando sean

necesarias; planteando diversas posibilidades en cuanto al diseo curricular para estas

estrategias: independiente (detached)(Weinstein, McCombs, Dansereau), incluido en el

curriculum normal (embedded)(Johns), o una solucin de compromiso entre ambas

(incidental learning model)(Derry). Auque, advierten que cualesquiera de las posibilidades

debe considerar que esas habilidades, sobre todo las de control ejecutivo, son difciles de

entrenar, sesarrollndose y automatizndose lentamente. Por ello, sus investigaciones

representan una integracin de las diversas taxonomas existentes, incorporando estrategias

de: memoria, lectura y estudio, solucin de problemas y afectivas.

McCormick et al. (1989) abordan la cuestin de las habilidades cognitivas en el

marco del aprendizaje en una lnea actual de transicin de los contextos de laboratorio a las

situaciones acadmicas de la vida real. En este mbito han tenido lugar dos avances

importantes:

1. El desarrollo de modelos complejos de pensamiento calificable como competente;

lo cual ha permitido identificar con mayor precisin las habilidades y estrategias ms

importantes.

2. La elaboracin de diseos de instrumentacin que promueven una actuacin

competente, evaluando el valor y efectividad de la instruccin en contextos naturales.


29

En relacin al primer apartado los autores sealan tres modelos representativos del

enfoque de procesamiento de la informacin: el modelo de resolucin de problemas de

Baron, el modelo de componentes de Sternberg y el del buen utilizador de estrategias de

Pressley et al. Y, en relacin al segundo apartado, destacan: el modelo de Pressley, que

manifiesta la necesidad de sealar todos los componentes del uso correcto de estrategias

(estrategias, metacognicin, motivacin y conocimiento), el modelo de la universidad de

Kansas, focalizado en la educacin especial, pero con aplicaciones ms generales

(estrategias de memoria y compresin, incluyendo el parafrasear, formularse preguntas,

mnemotcnicos, imaginacin visual, control de errores, etc.), y el modelo de entrenamiento

en habilidades de solucin de problemas aritmticos de Derry et al., que incluye una

enseanza de la planificacin en la resolucin de problemas. De la autocomprobacin y del

autocontrol.

b) Analticas.

En este caso, las habilidades no son simples conglomerados de reglas o hbitos,

sino que se trata de habilidades de alto orden que controlan y regulan las habilidades ms

especficamente referidas a las tareas o ms prcticas (Nisbet y Shucksmith, 1987:21).

Resnick y Beck (1976) distinguen entre actividades de tipo amplio, utilizadas para

razonar y pensar (habilidades generales), y habilidades especficas, dedicadas a realizar una

tarea una tarea concreta (habilidades mediacionales). En un sentido ms preciso, Sternberg

(1983) diferencia entre habilidades ejecutivas (tiles para planificar, controlar y revisar las

estrategias empleadas en la ejecucin de una tarea, como identificar un problema) y

habilidades no ejecutivas (utilizadas en la realizacin concreta de una tarea, como

comparar).

En nuestro caso, preferimos hablar de estrategias cognitivas y metacognitivas, que

podramos resumir de la siguiente forma:

I. Habilidades cognitivas.

Son las facilitadoras del conocimiento, aquellas que operan directamente sobre la

informacin: recogiendo, analizando, comprendiendo, procesando y guardando informacin

en la memoria, para, posteriormente, poder recuperarla y utilizarla dnde, cundo y cmo

convenga. En general, son las siguientes:

1. Atencin: Exploracin, fragmentacin, seleccin y contradistractoras.


30

2. Comprensin (tcnicas o habilidades de trabajo intelectual): Captacin de ideas,

subrayado, traduccin a lenguaje propio y resumen, grficos, redes, esquemas y

mapas conceptuales. A travs del manejo del lenguaje oral y escrito (velocidad,

exactitud, comprensin).

3. Elaboracin: Preguntas, metforas, analogas, organizadores, apuntes y

mnemotecnias.

4. Memorizacin/Recuperacin (tcnicas o habilidades de estudio): Codificacin y

generacin de respuestas. Como ejemplo clsico y bsico, el mtodo 3R: Leer,

recitar y revisar (read, recite, review).

II. Habilidades metacognitivas.

Son las facilitadoras de la cantidad y calidad de conocimiento que se tiene

(productos), su control, su direccin y su aplicacin a la resolucin de problemas, tareas, etc.

(procesos).

1. Conocimiento del conocimiento: de la persona, de la tarea y de la estrategia.

2. Control de los procesos cognitivos:

2.1. Planificacin: Diseo de los pasos a dar.

2.2. Autorregulacin: Seguir cada paso planificado.

2.3. Evaluacin: Valorar cada paso individualmente y en conjunto.

2.4. Reorganizacin (feedhack): Modificar pasos errneos hasta lograr los objetivos.

2.5. Anticipacin (forward): Avanzar o adelantarse a nuevos aprendizajes.

Las habilidades cognitivas aluden directamente a las distintas capacidades

intelectuales que resultan de la disposicin o capacidad que demuestran los individuos al

hacer algo. Estas habilidades son, como indican Hartman y Sternberg (1993), los obreros

(workers) del conocimiento. Pueden ser numerosas, variadas y de gran utilidad, a la hora de

trabajar en las distintas reas de conocimientos y cuya actividad especfica se ve afectada

por multitud de factores que dependen de la materia, de la tarea, de las actitudes y de las

variables del contexto donde tienen lugar. Precisamente, la actuacin estratgica se refiere a


31

la seleccin, organizacin y disposicin de las habilidades que caracterizan el sistema

cognitivo del individuo.

Por ejemplo, Weinstein y Mayer (1986) las estructuran en tres apartados: 1)

Estrategias de repeticin, ensayo o recitacin, cuyo objetivo es influir en la atencin y en el

proceso de codificacin en la memoria de trabajo (a corto plazo), facilitando un nivel de

comprensin superficial. 2) Estrategias de elaboracin, que pretenden una comprensin

ms profunda de los contenidos de los aprendizajes, posibilitando la conexin entre la nueva

informacin y la previa, ayudando a su almacenamiento en la memoria a largo plazo, para

conseguir aprendizajes significativos. 3) Estrategias de organizacin, que permiten

seleccionar la informacin adecuada y la construccin de conexiones entre los elementos de

la informacin que va a ser aprendida, lo que fomenta el anlisis, la sntesis, la inferencia y la

anticipacin ante las nuevas informaciones por adquirir.

Las estrategias metacognitivas hacen referencia, por una parte, a la consciencia y

conocimiento del estudiante de sus propios procesos cognitivos, conocimiento del

conocimiento, y, por otra, a la capacidad de control de estos procesos, organizndolos,

dirigendolos y modificndolos, para lograr las metas del aprendizaje (Flavell, 1976, 1977;

Flavell y Wellman, 1977). En general, supondran aprender a reflexionar, estando integradas

por variables de la persona, la tarea y las estrategias.

Las variables de la persona estaran formadas por nuestros conocimientos y

creencias acerca de cmo somos y cmo son los dems, como procesadores cognitivos,

estando directamente relacionadas con los componentes cognitivos de la motivacin

(percepcin de autoeficacia, creencias de control, expectativas de rendimiento, etc.).

Markman (1973, 1975), por ejemplo, observ que los nios pequeos no son capaces de

predecir su comportamiento en la mayora de las tareas cognitivas y que tienen dificultades

para identificar contradicciones e incoherencias presentes en una historia. Asimismo,

Pramling (1983) confirm que los nios del segundo ciclo de Educacin Infantil relacionaban

el aprendizaje con hacer cosas o crecer, pero nunca con algo que tuviera relacin con el

conocimiento o que el aprendizaje proviniera de la experiencia.

Las variables de la tarea incluyen la consciencia acerca de sus demandas: magnitud,

grado de dificultad, estructura, si es conocida o no, esfuerzo que requiere, etc.;

adquirindose tambin de forma progresiva la comprensin de su influencia. Hay estudios

experimentales que confirman el grado de dificultad que entraa reconocer ciertos aspectos

asociados a las demandas de las tareas, de manera que los aspectos que implican mayor


32

dificultad o complejidad se aprenden despus que los ms fciles o simples (Moynahan,

1973; Kreutzer, 1975).

En este mismo sentido, Miller (1985) analiz los factores que, segn los nios,

influyen en la atencin que prestan a las tareas escolares cuando las hacen en casa yen la

escuela, llegando a la conclusin de que, para los de 5 a 8, los factores ms importantes

eran estar callados (no hacer ruido) y centrados en lo que explica el maestro (inters por la

tarea), no moverse de su sitio y observar lo que hace el profesor (aspectos extrnsecos a la

tarea de aprender). Sin embargo, los nios mayores, atribuyen la falta de atencin a factores

que suelen tener un carcter ms psicolgico, la falta de motivacin, la dificultad de la tarea

o el hecho de desviar el inters hacia otras cosas ajenas a la escuela (aspectos intrnsecos

de la tarea de aprender).

Mazzoni y Cornoldi (1993) demostraron que el conocimiento previo sobre la facilidad

o dificultad percibida o ida de una tarea, afecta a la distribucin del tiempo de estudio, de

manera que a las tareas fciles se les dedica menos tiempo que a las lateas difciles. De

igual forma, Dufresne y Kobassigawa (1989), en otro estudio experimental, manipularon el

grado de relacin entre los componentes de una lista de pares asociados, observando que el

tiempo de recuerdo de los temes menos relacionados entre si, los ms difciles, superaba el

tiempo dedicado al recuerdo de los ms relacionados.

Todas estas apreciaciones ponen de manifiesto que el grado de percepcin de las

variables concernientes a las tareas afectan al modo de realizacin de las mismas, de forma

que, a medida que el sujeto va teniendo una mayor conciencia de la tarea, se incrementa su

eficacia de realizacin.

Las variables de las estrategias van referidas al conocimiento estratgico cognitivo,

metacognitivo y de los medios que pueden propiciar y facilitar el xito, tales como: repetir

elementos de una lista, ordenarlos por categoras, comprender un determinado contenido,

relacionarlos son otros, recordar una determinada cuestin, resolver tal o cual problema, etc.

El conocimiento de las variables de estrategia se refiere al conocimiento

procedimental, extrado de la experiencia, resultante de la ejecucin de tareas anteriores. A

partir del conocimiento de las caractersticas requisitos tareas, las caractersticas personales

y las estrategias que hay que emplear, es cuando se puede empezar a planificar, regular,

evaluar y reorganizar el proceso cognitivo coherente. As, pues, la metacognicin supone el


33

conocimiento y control de los propios estados y procesos cognitivos (Brown, Bransford,

Ferrara, Capione, 1983).

Las actividades de planificacin estn integradas por el establecimiento de metas de

aprendizaje, subdivisin de la tarea en pasos, generacin de interrogantes ante el nuevo

material, identificacin y anlisis del problema, planteamiento de hiptesis de trabajo,

determinacin de la dosificacin del tiempo y el esfuerzo necesarios, etc.

Las actividades de direccin (monitoring) y autorregulacin incluyen la autodireccin

y autocontrol cognitivo durante todo el proceso de realizacin de una actividad cognitiva,

siendo capaz de seguir el plan trazado.

Y, las estrategias de evaluacin permiten comprobar la eficacia del proceso

cognitivo, mientras que las de reorganizacin facilitan su modificacin en su defecto.

El desarrollo de las actividades de control cognitivo, de autoconciencia acerca de

cmo se conoce y de automanejo de la propia actividad cognitiva, permite a los alumnos

asumir la responsabilidad de su propio aprendizaje, que, paran Nisbet y Shuckmith (1986),

es la clase del aprender a aprender. Precisamente, estos autores, describen, la

metacognicin como el sptimo sentido que lleva a aprender a aprender; es decir, la

capacidad de reconocer y controlar la situacin de aprendizaje. Lo que no debe confundirse

con el aprendizaje de habilidades especficas para el estudio es ser capaz de organizar,

dirigir controlar los procesos mentales y ajustarlos a las exigencias o contexto de la tarea. En

este sentido, Nickerson et al. (1987) indican que la actuacin de los expertos, respecto a los

novatos, es de mayor en la planificacin y la aplicacin de estrategias, una mejor distribucin

del tiempo y los recursos, y un control y valuacin cuidadosa del progreso.

Los hallazgos de diferentes investigaciones confirman que los nios muy pequeos

poseen un grado considerable de conocimiento metacognitivo que se va desarrollando

gradualmente durante su proceso de maduracin, de ah la conveniencia de que los

estudiantes, desde muy corta edad, dentro del currculo y no como apndice del mismo, se

inicien en la prctica del autoexamen y el control de su autoeficacia, distribuyendo

cuidadosamente el tiempo y los recursos de que disponen.

Las habilidades y estrategias metacognitivas deben ensearse simultneamente a la

enseanza de los contenidos de las diferentes materias escolares (Hartman y Sternberg,

1993), integradas en alguno de los mtodos de interaccin didctica. Una parte de ellas se

centran en el maestro y otras les corresponde desarrollarlas a los propios estudiantes,


34

dependiendo de quin tenga la responsabilidad y el control de la actividad de aprender en

cada momento de la situacin de aprendizaje-enseanza.

Las tcnicas centradas en el maestro incluyen: preguntar, decir en voz alta lo que se

hace al tiempo que se realiza, anticipar los pasos que se van a seguir, preguntarse por el

valor y el inters de cada uno de ellos, justificar las decisiones que se toman, proporcionar

diferentes ejemplos, analogas, grficos, esquemas y justificar su valor procedimental para

adquirir el conocimiento. En suma, modelar y justificar previamente el aprendizaje que

queremos que realice el alumno despus de forma individal.

Las habilidades y estrategias centradas en el alumno incluyen marcarse objetivos y

planificar las tareas, hablarse a s mismo a lo largo del aprendizaje para autopreguntarse y

cuestionarse cada paso de la actividad de aprender, pensar en voz alta, detenerse a

reflexionar y revisar lo realizado previamente, anticipar y prever etapas y resultados, evaluar

resultados parciales y finales, preguntarse por qu las tareas se hacen bien o mal, a qu se

puede deber, si est en manos del alumno proponer soluciones y cules.

Por ltimo, destacas la importancia del estudio conjunto de los factores cognitivos-

metacognitivos y motivacionales, que, como consecuencia, ha dado como resultado la

aparicin del nuevo constructo conocido como aprendizaje autorregulado (SRL: Self-

Regulated Learning).

Puede considerarse autorreguladores a los alumnos en la medida en que son,

cognitiva-metacognitiva, motivacional y conductualmente, promotores activos de sus propios

procesos de aprendizaje (Zimmerman, 1990b; y McCombs y Marzano, 1990).

Cognitiva-metacognitiva, cuando son capaces de tornar decisiones que regulan la

seleccin y uso de las diferentes formas de conocimiento: planificando, organizando,

instruyendo, controlando y evaluando (Corno, 1986.1989).

Motivacionalmente, cuando son capaces de tener gran autoeficacia, autoatribuciones

y gran inters intrnseco en la tarea, destacando un extraordinario esfuerzo y persistencia

durante el aprendizaje (Borkowski et al., 1990; Schunk, 1986).

Conductualmente, cuando son capaces de seleccionar, estructurar y crear entornos

para optimizar el aprendizaje, buscando consejos, informacin y lugares donde puedan ver

favorecido su aprendizaje (Wang y Peverly, 1986; Zimmerman y Martinez-Pons, 1986),

autoinstruyndose y autorreforzndose (Rohrkemper, 1989).


35

En suma, un aprendiz efectivo es aquel que llega a ser consciente de las relaciones

funcionales entre sus patrones de pensamiento y de accin (estrategias) y los resultados

socio-ambientales (Corno y Mandinach, 1983; Corno y Rohrkemper, 1985); es decir, cuando

se siente agente de su comportamiento, estando automotivado, usando estrategias de

aprendizaje para lograr resaltados acadmicos deseados, autodirigiendo la efectividad de su

aprendizaje, evalundolo y retroalimentndolo.

Evaluacin

Sin duda alguna, las habilidades cognitivas y metacognitivas suponen, quizs, los

constructos ms investigados en la psicologa de la instruccin contempornea; no obstante,

tanto su delimitacin conceptual como su evaluacin y entrenamiento requieren un

tratamiento metodolgico emprico vlido y fiable, que d solidez a sus planteamientos.

Hay autores que restringen la cognicin-metacognicin a los procesos de los que las

personas son o pueden ser conscientes y que se manifiestan a travs de indicadores

internos, introspectivos (Flavell, 1976, 1977; Flavell y Wellman, 1977); y otros, sin embargo,

lo hacen a travs de indicadores externos, indirectos, susceptibles de medida y

cuantificacin (Paris y Jacobs, 1984; Jacobs y Paris, 1987; Cross y Paris, 1988). En este

sentido, unos u otros, intentan analizar la cognicin-metacognicin mediante la observacin

y la medida de los dos grandes aspectos que la definen: autoconocimiento y proceso de

control.

As pues, en general, el procedimiento metodolgico ms utilizado en la evaluacin

de la cognicin- metacognicin es el informe verbal, como forma de inferir los estados de

conciencia de los individuos; aunque, es una herramienta que cuenta con numerossimas

crticas (Nisbet y Wilson, 1977) y que supone costosos esfuerzos para mejorar los

procedimientos que permitan validar y fiabilizar los hallazgos obtenidos (Ericsson y Simon,

1980).

No obstante, podramos distinguir dos grupos de tcnicas diferenciadas al respecto:

las primeras, serian aquellas donde los sujetos abordan de forma consciente sus propios

estados mentales haciendo alusin a la descripcin de los procesos que verbalizan -think

aloud (Cavanaugh y Permlmutter, 1982), entrevistas (Brown, 1987) y cuestionarios (Pintrich

y De Groot, 1990, Cuestionario de Estrategias Motivadas -MSLQ-)-, y, las segundas,


36

considerando las respuestas verbales corno resultado o producto de un proceso mental

dado, actuando como indicadores de que determinados procesos se activan por parte del

sujeto -peer tutoring (Garner, 1987), pictorial techniques (Diaz y Rodrigo,1989), graphing

subjective (Hall, Dansereau, ODonnell, 1990), cuestionario metacognitivo MQ (Swanson,

1990), judgments of knowing y feeling of knowing (Nelson y Leonesio, 1990), etc.-.

Queda claro, pues, que la mayor parte de las tcnicas, salvo las que utilizan dibujos

o grficos, se fundamentan en el informe verbal, como procedimiento para acceder a los

estados y los procesos de control del conocimiento de los que los individuos son conscientes

y que podemos inferir a partir de autovaloraciones personales (Pelegrina, Justicia y Cano,

1991).

No obstante, las verbalizaciones, como herramienta metodolgica, han sido objeto

de numerosos anlisis (fiabilidad, influencia del experimentador, relaciones entre lo que el

sujeto sabe y lo que en realidad hace, consideraciones sobre el estado evolutivo de los

sujetos, etc.), poniendo de manifiesto algunas precauciones, como recomienda Garner

(1987):

1. Evitar preguntar sobre procesos automticos, inaccesibles a la reflexin.

2. Reducir el intervalo entre procesamiento e informe

3. Evitar el efecto de sesgo del experimentador utilizando preguntas indirectas.

4. Utilizar diferentes mtodos que no compartan las mismas fuentes de error para

valorar el conocimiento y la utilizacin de las estrategias.

5. Utilizar tcnicas que reduzcan las demandas de verbalizacin, especialmente en

los sujetos ms jvenes.

6. Evitar escenarios hipotticos y cuestiones muy generales.

7. Valorar la consistencia de las respuestas de la entrevista a lo largo del tiempo

para un grupo de sujetos.

8. Valorar la validez de las preguntas para reducir las respuestas verbales a temas

de inters.

As, pues, la tcnica del cuestionario, junto con la entrevista, tal vez sean, entre los

procedimientos analizados, los ms utilizados para medir la cognicin-metacognicin


37

(Belmont y Borkoswski, 1988; Clements y Natassi, 1990; Clements y Natassi, 1988;

Clements y Natassi, 1990; Meichenbaum, Burland, Gruson y Cameron, 1985; Pintrich y De

Groot, 1990; Tobias, Hartman, Everson y Gourgey, 1991; Swanson, 1990). De ellos, aqu

nos interesan particularmente el Metacognitive Questionnaire, MQ, de Swanson y el

Motivated Strategies for Learning Questionnaire, MSLQ, de Pintrich y De Groot.

Programas de intervencin

En general, podramos distinguir dos lneas de intervencin: 1) La que alude

exclusivamente al trmino cognicin-metacognicin, y 2) La referida a la conjuncin

cognicin-metacognicin Y motivacin.

Respecto a la primera orientacin, programas de intervencin exclusivos en

cognicin-metacognicin, decir que son numerosos los trabajos que han demostrado el

efecto favorable del entrenamiento en habilidades y estrategias cognitivas y metacognitivas

en diferentes reas del currculo: en lectura (Brown, Armbruster y Baker, 1985; Brown y

Palincsar, 1987; Campione y Brown, 1990; Chipman, Segal y Glaser, 1985; Jacob y Paris,

1987; Snchez, 1993); en escritura (Bereiter y Scardamalia, 1987; Castell, 1995; Hayes y

Flower, 1980; Higgins, Flower y Petraglia, 1992; Saunders, 1989); en el uso de grficos y

mapas (Moore, 1993; Schofield y Kirby, 1994); en fsica (Pirolli y Bielaczyc, 1989; PirolIi y

Recker, 1994); en la solucin de problemas (Borkowski, 1992; Chi et al., 1989; Bielaczyc,

Pirolli y Brown, 1995; Klahr, 1985; Swanson, 1990), y, recientemente, la de Herrera y

Ramrez Salguero (2001) sobre cognicin-metacognicin en contextos pluriculturales.

Estos trabajos, al mismo tiempo, han desarrollado diversos mtodos de enseanza

para llevar a cabo el entrenamiento en cognicin-metacognicin. Dichos mtodos tienen

distinta fundamentacin terica y se basan en la observacin, la comparacin y la reflexin

sobre el modo de ejecutar tareas hechas por otros (profesores o grupo de iguales) o sobre la

propia ejecucin de los estudiantes, concerniente a tareas relacionadas con el aprendizaje

escolar.

Entre estos mtodos, podemos citar: el role-playing; la discusin; el debate; el

mtodo de explicacin o enseanza directa (Duffy et al., 1986); el modelado y el mtodo de

andamia-je, derivado de lo supuestos que inspiran el trabajo de Vygotsky (1978) (Collins,

Brown y Newman, 1989); el mtodo de entrenamiento cognitivo, basado en el dilogo, la


38

explicacin directa, el modelado (un ejemplo de este mtodo lo tenemos en el programa ISL

Informed Strategies for,Learnig- propuesto por Paris y colaboradores, 1984); el mtodo de

aprendizaje cooperativo, entendido como una ayuda al aprendizaje cuando los alumnos

realizan tareas en comn (Slavin, 1991); o, el mtodo de enseanza recproca, basado en la

interaccin del trabajo en situacin de pareja (dada), en la que uno de los integrantes del

par adopta el rol de lder (Palincsar y Brown, 1984).

Las propuestas, en general, se han dirigido al aumento de las estrategias de

memoria, incidiendo en el problema de la generalizacin y mantenimiento de estrategias

previamente entrenadas, o a fomentar la lectura comprensiva, utilizando tcnicas de

enseanza informativa, metforas, grupos de dilogo, prcticas dirigidas y aplicaciones,

como el ISL de Paris et al. (1984).

Respecto a la segunda orientacin, programas de intervencin en metacognicin y

motivacin conjuntamente (SRL), decir que tambin son numerosos los trabajos que han

demostrado el efecto ms favorable del entrenamiento en estrategias cognitivas y

metacognitivas cuando se llevan a cabo conjuntamente con programas de desarrollo

motivacional (Paris, Olson y Stevenson, 1983; Corno y Mandinach, 1983; Corno y

Rohrkemper, 1985; Zimmerman y Martnez Pons, 1986; Dweck, 1986; Alonso, Garca y

Montero, 1986; Castro, 1986; Pintrich y De Groot, 1990; Pokay y Blumenfeld, 1990;

Wellman, 1990, 1995; Zimmerman, 1989, 1990; Valle y Nez, 1989; McCombs y Marzano,

1990; Weiner (1990); Gonzlez-Pienda, Nez y Valle, 1991; Borkowski y Muthukrishma,

1992; Jussim y Eccles, 1992; Nez, 1992; Navas et al., 1991, 1992; McCombs, 1993;

Castejn, Navas y Sampascual, 1993; Pardo y Alonso, 1993; Cabanach, Nez y Garca-

Fuentes, 1994; Nez y Gonzlez-Pienda, 1994; Sampascua, Navas y Castejn, 1994;

Rivire Sarri, Nez y Rodrigo, 1994; Butler y Winne, 1995; Alonso, l995.etc.).

De ellos es preciso destacar que, en general, han sido diseados basndose en la

modificabilidad de las atribuciones causales y de la cognicin-metacognicin, siendo sus

mximos exponentes Schunk et al.(1992), recomendando dirigir la atribucin del sujeto, en

caso de fracaso, no a la falta de esfuerzo; sino, al uso inadecuado de las estrategias de

resolucin o al planteamiento incorrecto del problema, por las siguientes razones:

1. Si el sujeto se esfuerza constantemente para obtener un resultado positivo y

nunca lo consigue, no slo acabar cansndose de intentarlo, sino que reducir su

autoconfianza, creyndose incapaz de alcanzar el xito, por ms que lo intente.


39

2. De persistir en la atribucin del xito al esfuerzo, el sujeto antes que esforzarse y

darse cuenta de que no es capaz, preferir disimular, mostrar un falso inters o esforzarse

poco (confirmado por Covington, 1992).

3. Por mucho que le digamos que no se esfuerza, si no se le muestra dnde ha

fallado y cmo resolver el problema, nunca lo har correctamente.

En caso de xito, la atribucin tampoco sera debida al esfuerzo, sino a la habilidad;

dado que, segn el grado de comprensin que tiene el nio de los conceptos esfuerzo y

habilidad, indicarle que ha aprobado porque se ha esforzado, es como sugerirle que tiene

poca capacidad, ya que ha tenido que esforzarse para conseguirlo y, adems, porque

conduce a un crecimiento menor de sus expectativas futuras. En este sentido, sera

conveniente seguir lo que Pardo Alonso (1993:338) denominan los criterios rectores de

intervencin: Antes de la tarea, durate la tarea y despus de la tarea.

Finalmente, es conveniente tener en cuenta tambin los conceptos y teoras, los

sistemas de evaluacin y programas de intervencin ms relevantes sobre aprender a

pensar y pensar para aprender, destacando las, siguientes ideas:

1. Respecto al concepto, recogiendo las opiniones de De Bono (1973), Feuerstein

(1979), Gardner (1983) y Sternberg (1985), podramos entenderlo como conjunto de

habilidades intelectuales relacionadas entre s, que cambian o evolucionan con la edad, cuya

operatividad debe partir del conocimiento de su potencialidad y capitalizacin, y de las

propias debilidades, para compensar habilidades y debilidades.

2. En cuanto a las teoras, entre otras, destacar especialmente las aportaciones de

De Bono (1973), sobre la aplicacin del pensamiento crtico, analtico y creativo, junto con el

conocimiento, a la solucin de problemas (operatividad: capacidad de hacer CoRT); de

Feuerstein (1979), sobre la mejora de la inteligencia, la reestructuracin general de los

procesos cognitivos y la mejora del potencial de aprendizaje a travs de un correcto

aprendizaje mediado (Teora de la Modificabilidad Estructural Cognitiva TMEC); de

Gardner (1983), sobre las inteligencias mltiples, proponiendo siete reas, en principio, y

despus una ms, relativamente autnomas de cognicin humana o inteligencias: lingstica,

lgico-matemtica, musical, espacial, corporal-cinestsica, interpersonal y naturalista. De

manera que, solamente a travs de la combinacin de estas inteligencias, podremos explicar

una serie relativamente completa de capacidades y estados extremos que figuran en todas

las culturas humanas (Teora de las Inteligencias Mltiples); y de Sternberg (1985), sobre la


40

inteligencia como capacidad de autogobierno cognitivo que procura la adaptacin al medio,

inhibiendo la primera respuesta instintiva, redefinindola y eligiendo la mejor respuesta.

Destacando en ella tres aspectos esenciales: analtico, sinttico o creativo y prctico, que

estn representados en tres subsistemas: componencial, experiencial y contextual (Teora

Trirquica de la Inteligencia).

3. Sobre los instrumentos de evaluacin, decir que prcticamente todos van

asociados a sus correspondientes teoras y programas de intervencin. De entre ellos,

destacar los propuestos por Feuerstein (1983), el Learning Potential Assessment Device

LPAD (Evaluacin Dinmica del Potencial de Aprendizaje), conjunto de estrategias de

anlisis de la inteligencia, cuya finalidad consiste en provocar una serie de interacciones

entre examinador y examinado para valorar su potencial oculto o su capacidad para

beneficiarse del aprendizaje, orientado al anlisis de los procesos mediante los cuales los

alumnos van razonando sus respuestas; por Gardner, cuya propuesta va unida al del

Proyecto Cero de Harvard (1988), que comenz con la puesta en marcha de un programa y

tcnicas de valuacin de la inteligencia, utilizando contextos ms prximos a la vida real,

tanto en educacin preescolar como en primaria y secundaria SPECTRUM y PROPEL;

por Sternberg (1993) con su Sternberg Triarchic Abilities Test STAT, cuyo objetivo es

medir de cuatro formas (a travs de material verbal, cuantitativo, figurativo y de ensayos) los

tres tipos de habilidades intelectuales (analtica, creativa y prctica); y la propuesta comn

de Sternberg y Gardner (1993), el Practical Intelligence for Schools PIFS, programa para

la evaluacin y el desarrollo de la inteligencia prctica en las escuelas, cuya intencin es

utilizar el contenido de las materias escolares como trampoln para adquirir habilidades de

aprendizaje, a travs de la reflexin y el control de las propias tcnicas de pensamiento,

mientras trabajan en una materia curricular especfica, armonizando y conjugando as sus

respectivas posturas Teora de las Inteligencia Mltiples y Teora Trirquica de la

Inteligencia.

4. Referente a los programas de intervencin, destacar dos tipos de programas: los

que se llevan a cabo a parte de currculo escolar, como una asignatura ms, este es el caso

de la propuesta de Feuerstein; y, los que se insertan en el curriculum, como los de Sternberg

y Gardner.

La aportacin de Feuerstein (1985), el Instrumental Enrichment Program PEI,

pretende desarrollar la capacidad humana modificndola a travs de la exposicin directa a


41

los estmulos y a la experiencia proporcionada por el contacto directo con la vida, a travs

del aprendizaje formal e informal, destacando el papel especial del mediador.

La aportacin de Gardner y Sternberg (1993 ),el Practical Intelligence for Schools

PIFS, organizado en trminos del manejo intelectual de tres elementos: s mismo

(conocernos), las tareas (conocer y organizar nuestras tareas) y los otros (conocer y

relacionarnos con los dems), supone una magnfica contribucin para el autogobierno

eficaz de las habilidades intelectuales.

Todo lo cual, a la hora de evaluar e intervenir en el aprender a pensar y pensar para

aprender, nos lleva a decantarnos por las aportaciones de Feuerstein (l985) y de Gardner y

Sternberg (1993).

Las teoras de la inteligencia desde una perspectiva holstica

A principios del siglo XX dos acontecimientos contribuyeron a unir la teora de la inteligencia estable con un mtodo de evaluacin (Howell y otros, 1997). El primero tiene que

ver con el mtodo objetivo desarrollado en 1905 por Binet y Simon para diferenciar a los

alumnos con dificultades de aprendizaje de los dems. El segundo est relacionado con la

traduccin al ingls de las escalas de desarrollo de la medida de la inteligencia, adaptadas

por Terman, de la Universidad de Stanford, a la poblacin americana. El instrumento se

public en 1916 con el nombre de Escala de Inteligencia de Stanford-Binet. Esta escala ha

sido revisada en repetidas ocasiones a lo largo del siglo XX, la ltima en 1986 por Thorndike,

y se convirti, segn Howell y otros (1997, p. 449), en el baremo para comparar todas las

dems escalas de inteligencia.

El resultado de todo ello dio lugar a la aparicin de una medida nica, denominada

cociente de inteligencia o CI, que representa la capacidad intelectual general de las

personas. De ah que los tests de CI se reconocieran como los instrumentos principales para

determinar las diferencias intelectuales que existen entre los seres humanos. En lo sucesivo

las tcnicas psicomtricas abrieron un ancho cauce a las investigaciones diferenciales de la

inteligencia (Secadas, 1999).

Tras realizar diversos trabajos de anlisis sobre procesos mentales Guilford (1956),

mostr que las concepciones tradicionales sobre la medida de la inteligencia (CI) son slo

una pequea muestra de las capacidades mentales, y desde este momento apareci un


42

nuevo concepto de capacidades superiores que se ha desarrollado en diferentes direcciones

y que comprende diversas formas de actividad intelectual. A partir de tales consideraciones

surgieron dos posturas diferenciadas: la de quienes consideran la inteligencia como un

fenmeno unitario o general, y la de quienes admiten la existencia de una gran variedad de

fenmenos que interactan entre s y determinan la inteligencia, y, en consecuencia,

distinguen capacidades diferentes, aunque relacionadas entre s.

Relacin de la inteligencia con el fenmeno de la superdotacin y el talento

Los fenmenos de la superdotacin y del talento muestran una doble vertiente en la relacin con las teoras y modelos de inteligencia, ya que se trata de situaciones externas en

la distribucin de las capacidades y funciones cognitivas implicadas (Castell, 1992). En este

sentido superdotacin y talento representan tanto la unin mxima de componentes, como la

mayor efectividad e intensidad en su funcionamiento. Por consiguiente se puede decir con

Castell (1988, p. 18) que constituyen situacin paradigmtica para el desarrollo y

verificacin de modelos.

Para Castell (1992), y desde una perspectiva terica, las relaciones entre

superdotacin/talento y los modelos de inteligencia estn principalmente orientadas a la

validacin y perfeccionamiento de modelos. En consecuencia, la inteligencia en situaciones

extremas, como la superdotacin y la infradotacin, muestra un elevado potencial heurstico,

pues permite poner a prueba los componentes, relaciones y predicciones de los distintos

modelos generales de inteligencia, contribuyendo a su depuracin, perfeccionamiento o, en

su caso, eliminacin.

Sin embargo desde una perspectiva aplicada las relaciones anteriormente citadas,

se manifiestan de manera contraria, ya que en este caso los modelos actan como marcos

referenciales, aportando los conceptos fundamentales y permitiendo generar a partir de un

diagnstico las predicciones que toda intervencin precisa; pero tambin delimitan el objeto

de estudio, sus propiedades y los procesos subyacentes que dan sentido a la intervencin

(Castell, 1992). Por otro lado, la mera descripcin de las caractersticas comportamentales

de la superdotacin es insuficiente para basar una intervencin eficaz, puesto que no es

explicativa. La explicacin de tales caractersticas conductuales ha de pasar por procesos

subyacentes, y la nica explicacin para ellos la proporciona los modelos de inteligencia.


43

Principales modelos de inteligencia

La literatura especializada muestra cmo a lo largo de los aos el concepto de superdotacin y talento ha ido evolucionando en intima relacin con los modelos de

inteligencia y de su funcionamiento cognitivo, e incluso con el desarrollo de los instrumentos

de medida, como han sealado, por ejmplo, Genovard y Castell (1990), que muestran que

tras los diferentes enfoques de la inteligencia pueden encontrarse planteamientos tericos

generales que, de alguna manera, dan sentido y validez a las diferentes concepciones de

inteligencia. Estos autores manifiestan que paralelamente al desarrollo de tales teoras se ha

elaborado la instrumentacin de cada una de las lneas tericas de la inteligencia, aportando

un material psicomtrico que con el tiempo ha aumentado en precisin y efectividad de

medida.

Los principales modelos tericos sobre la inteligencia que se ha mantenido a lo

largo del siglo XX, segn seala Meili (1986), son los de la inteligencia monoltica, la

factorialista y la jerrquica. Analizaremos, pues, en primer lugar, los presupuestos tericos

de los modelos explicativos que nos permitirn una ulterior definicin de los trminos

superdotacin y talento.

Enfoque monoltico

El enfoque monoltico parte de una concepcin terica de la inteligencia como nica

variable, y sus primeros planteamientos sobre la superdotacin, al igual que los primeros

modelos de inteligencia, aparecen ligados a los estudios realizados por Galton (1883), que

investiga los aspectos hereditarios del ser humano y los correlatos psicofisiolgicos de la

inteligencia. Tales estudios no pueden considerarse cientficos en sentido estricto, pero se

reconoce que Galton es el primero en utilizar una metodologa con aproximacin cientfica, y

sus trabajos ejercieron gran influencia en los investigadores del siglo XX.

Con la aparicin de la medida psicolgica o psicomtrica, asociada particularmente

a la obra de Alfret Binet en Pars y Lewis Terman en California, Del concepto de

inteligencia y de su supuesta medida, el Cociente Intelectual (CI), introducido por Stern

(1911), se han podido llevar a cabo acciones comparativas a travs de la medida. Los

conceptos inteligencia y cociente intelectual se hicieron rpidamente operativos en el siglo

XX (Genovard y Castell, 1990). Segn Gardner (1998) se supona que cada individuo

posea una cierta cantidad de inteligencia, ya fuera innata ya producto de la educacin, y


44

para su medicin se disearon muchos tests de inteligencia, aunque tendan a incorporar el

mismo tipo de cuestiones y mostraban una estrecha correlacin entre ellos.

Una de las aportaciones ms interesantes de Binet fue la introduccin del c

Antologia de Inteligencia Artificial

Documents

Transcript of Antologia de Inteligencia Artificial