Aprendizaje Computacional y Generalización Humana

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).