A lo largo de mis doce años de carrera académica he investigado las bases computacionales de procesos cognitivos con un enfoque multidisciplinario. Mi trabajo combina la adquisición de datos de experimentos computarizados de comportamiento de humanos y de actividad cerebral guiados por una fuerte directriz teórica (ej., ¿qué computación está resolviendo el cerebro en una tarea dada?), y una base sólida de análisis de datos con herramientas estadísticas paramétricas y no paramétricas, incluyendo múltiples herramientas de machine learning. La capacidad de aprendizaje y generalización que tenemos los humanos sigue superando por mucho a la capacidad de aprendizaje de los mejores algoritmos de machine learning, en particular en la dimensión de generalización (transferir lo aprendido en un escenario a otros escenarios). Los humanos podemos hacer uso de nuestro conocimiento previo para hacer inferencias fuertes de la estructura de un nuevo problema con muy pocos nuevos datos. Mi investigación se enfoca en entender las bases computacionales de los procesos de aprendizaje humano que, desde mi punto de vista, constituyen el núcleo de la cognición humana.
Departamento de Ciencias de la Computación
Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, UNAM
Ciudad Universitaria
México
Entender las bases computacionales del aprendizaje y la generalización humana. En particular entender cómo construimos los humanos nuestros modelos mentales del mundo (Castañón et al., 2019), y qué procesos rigen la capacidad de utilizar modelos adquiridos previamente (o partes de esos modelos) para transferirlos a un nuevo contexto y así acelerar el proceso de aprendizaje en el nuevo contexto (Castañón et al., 2021).
El primer aspecto que tiene que ver con el tipo de inferencias que hacen los humanos en situaciones de escasez extrema de datos (Chomsky, 1957): las inferencias que hacen los humanos balancean dos procesos: i) uno que descarta hipótesis rápidamente asociado al principio de mínima entropía (Brand, 1999), mostrando un sesgo de las personas en pensar que el mundo es casi determinístico, ii) otro proceso que crea explicaciones generales que van más allá de los datos relacionado al principio de máxima entropía (Jaynes, 1982).
El segundo aspecto es la construcción gradual de modelos mentales complejos. Los humanos somos capaces de entretener conceptos (o modelos mentales) muy complejos (Lake et al., 2015; Lake et al., 2017). Intuitivamente, podemos ver que esta capacidad de adquirir conceptos complejos requiere que nuevos conocimientos (conceptos simples) se vayan incorporando a estructuras de conocimiento preexistentes, formando incrementalmente estructuras de conocimiento más complejas. Haciendo uso de herramientas de teoría de gráficas y ecuaciones de agentes replicantes (Czégel et al., 2019), se pretende generar una explicación computacional de qué estructuras de conocimiento facilitan la incorporación de nuevos conceptos y en qué casos pueden funcionar como barreras a la adquisición de nuevo conocimiento (ej., algunas teorías de conspiración están basadas en “fortalezas” de conocimiento falso en la mente de una persona que resultan difíciles de cambiar).