Memòria i Representació II 2.2 (2014)

Apunte Catalán
Universidad Universidad de Barcelona (UB)
Grado Psicología - 2º curso
Asignatura Memòria i Representació
Año del apunte 2014
Páginas 5
Fecha de subida 09/04/2016
Descargas 6
Subido por

Vista previa del texto

REPRESENTACIÓN ¿Qué es? Una representación determina la forma en la que info (o conocimiento) se codifica expresada en memoria tiene que ser de alguna manera un modelo de lo representado Hemos de tener en cuenta: - qué info se ha de representar (qué aspecto del mundo) - qué formato representacional es el más adecuado - cómo puede ser utilizada en tarea especifica 1. Experimento de Conrad (1964). Transformación de representaciones De ejemplos sabemos que se puede representar la info en muchos formatos o códigos (código finalmente usado puede ser muy distinto que el presentado originalmente) Experimento que lo muestra: CONRAD, 1964 - presentaba a sujetos cadenas de 6 letras (PTRSXC, KLJWVZ) una vez leídas tenían que recordar cadena y escribirla - muy interesante: los errores cometidos  si se representaban letras visualmente seria razonable esperar que los SS sustituían unas letras por otras en función de similitud visual: NO era así confundían letras en función de su similitud FONOLÓGICA (p.e. la F con la S en vez que la C con la G) - conclusión: la representación usada NO era visual sino oral (auditiva o articulatoria) - replicación con sordos: errores eran de tipo visual no oral codifican la info diferente a como lo hacen personas que oyen.
¿Cómo estudia la Psicología Cognitiva la conducta inteligente? - se requieren explicaciones en términos de representaciones y transformación de estas representaciones (computaciones).
- "Conventional wisdom views individual brain cells as simple switches or relays. In fact, we are finding that neurons are able to function more like a sophisticated computer." (Koch , 2006)  Computar= transformar representaciones - el fenómeno que mejor explica como la info se representa en el cerebro, es el nivel de activación (el n° de impulsos que la neurona está emitiendo) - single cell recording: es posible colocar un electrodo que mide la actividad de una neurona en concreto de entre una muestra de ellas físicamente próximas 2.  Ejemplo: Representación de caras en el mono (Desimone, 1991) 1 - 3. El caso de la sinestesia mezcla anormal de info sensorial estimulación en una modalidad sensorial determinada crea en el sujeto sinestésico una sensación en otra modalidad diferente.
los sinestésicos oyen colores, huelen sonidos, saborean colores o formas, etc…  "One day," I said to my father, "I realized that to make an 'R' all I had to do was first write a 'P' and then draw a line down from its loop. And I was so surprised that I could turn a yellow letter into an orange letter just by adding a line.“ (Patricia Lynee Duffy, How Synesthetes Color their Worlds) - ¿Cómo podemos saber si realmente ven los números de olores y no solamente confundan memoria por percepción, tienen demasiado imaginación... etc.?  Resonancia magnética funcional: el área V4 muestra actividad alta cuando el sujeto mira números blancos en un fondo gris.
 “Cross- wiring” 4. Representaciones localistas vs. distribuidas Representaciones distribuidas= sistema de representaciones - los hechos u objetos quedan representados a lo largo de un conjunto de neuronas - varias neuronas participan en la representación de uno o múltiples objetos una determinada población de neuronas procesa varios objetos - p.e. en la representación de caras: hay varias neuronas que cada una procesa aspectos diferentes de los rostros Representaciones localistas: una sola neurona representa un determinado objeto o hecho.
- el sistema de representaciones distribuidas trabaja en sincronía con el sistema de representaciones localistas - hay una neurona integradora (localista) que integra toda la info captada por otras neuronas (visual auditivo, lenguaje, motora…) p.e. Permite representación abstracta da la cara de una persona - la neurona unificadora. Cuando recibe info p.e. visual, activa otras neuronas como del lenguaje o motoras para obtener percepción global  “Las neuronas localistas tienen significado por sí mismas, y las neuronas distribuidas no.” - sistema localista de neuronas unificadoras son las que nos representan la abstracción de los conceptos a partir de las propiedades generales que tienen todos los objetos de una misma categoría (p.e. identificar silla cocina, sillón, butaca, etc. como sillas aunque sean distintas).
5. El problema del “binding” 2 - cerebro tiene problema para coordinar info - p.e. color y forma correspondientes con 2 distintas figuras geométricas - queda explicado con: la solución dinámica del Binding  neuronas disparan potenciales de acción diferentes si se trata de figuras diferentes, hay un desfase en los potenciales entre las distintas figuras y eso nos permite percibirlas como distintas.
 las neuronas que representan los diferentes rasgos de un mismo objeto disparan sus potenciales de acción en sincronía PERO de forma desincronizada respecto a las neuronas que representan rasgos de un objeto diferente.
- buen Binding= ligar bien los datos  es necesario que las áreas atencionales del cerebro se activen (implicación de la Memoria de Trabajo)  se consigue mediante las representaciones localistas (una sola neurona para codificar la info).
6. El modelo de memoria de trabajo de Cowan MT= espacio de trabajo mental - permite almacenar de forma temporal (pocos seg.) una reducida cantidad de info para manipularla mientras se lleva a cabo una tarea cognitiva.
- fundamental para *control atencional * aprendizaje *comprensión lenguaje etc… ¿cómo de mide? MT verbal: recordar series de dígitos MT visoespacial: recordar series de bloques Limite de la MT= n° de ítems retenidos cuando la prob. de recordar correctamente la secuencia entera es del 50%.
George Miller (1956): mágico numero de 7  ¿ Cuál es la capacidad “pura” de almacenamiento de la MT? Revisión de COWAN (2005): estudios que excluyen el uso de estrategias (p.e. chunking) sugiere que en promedio sería de 4 elementos.
- otros estudios han mostrado que MT visual: mismo limite de 4  Porqué hay este limite? Explicaciones neurofisiologicas y computacionales - Limite se debe a necesidad de evitar interferencias debido a forma que tiene el cerebro de representar objetos - problema del binding: parece que elementos distintos (color, forma…) se registran en mapas corticales distintas y por lo tanto, tienen que haber algún mecanismo posterior de ligarlos para crear una escena visual coherente solución dinámica del Binding - Binding requiere ATENCIÓN: representación del imagen de un objeto requiere liar activamente (y dinámicamente) los elementos locales en el imagen (lineas, colores…) a series de base (“part- based stes”) y liar estas activamente según sus relaciones espaciales.
- Damasio: distinción más importante de esta perspectiva en contrario a la tradicional  cortezas superiores como repositorios de códigos combinados de inscripciones que están situados en otro lugar y pueden ser reconstruidos allí… más que verlos como almacenamiento de las representaciones “multimodales” 3 7. Variables que intervienen en la modelización con redes neuronales •Se seleccionan una serie de variables que describen ciertos fenómenos neuronales los cuales se supone caracterizan la neurona como sistema de cómputo o como sistema de transformación de señales.
Tipos de modelos neuronales a) realistas b) de inspiración neuronal - ai : nivel de activación de la neurona i - wij: peso de la conexión entre la neurona i y la neurona j.
 peso de la conexión= eficacia de la sinapsis  a más W, ás facilidad para transmitir la infor tendría la neurona pre- sinaptica - netinputi : señal de entrada a la neurona i Funciones de activación: - relacionan la señal de input a una neurona (netinput) con la señal de salida de esta misma neurona (activación) - ai = f (netinputi) Tipos de funciones de activación: - sigmoidales  la función que mejor se ajuste al comp.. de las neuronas.
 a más netinput que recibe la neurona, más responde, hasta que llega un punto que se estabiliza y la neurona no responde más.
- lineales escalón … Señal de entrada: netinputi = ∑ ak wi k  para obtener los pesos (W) deberiamos aislar el netinput en la función de la activación.
Una vez obtenemos el valor del netinput, sustituimos este valor en la equación de netinput y aislamos los pesos y resolvemos.
4 CALCULOS PP COMPUTACIÓN CEREBRAL 8. Regla de HEBB - Cuando una neurona pre- sináptica participa en la activación de la neurona post- sináptica repetidamente, se produce un cambio metabólico en la conexión entre las neuronas de forma que se produce una mayor eficiencia en la sinapsis.
 Explica proceso de aprendizaje: p.e. en la lectura - se activan las neuronas visuales al ver una letra (P) y a la vez las neuronas de representación de fonemas. Más veces simultáneamente mayor fuerza de la sinapsis y mayor asociación entre grafema y fonema - se aprende a asociar patrones mediante un proceso de ajuste de las eficacias de las sinapsis (pesos de las conexiones) que se lleva a cabo en los circuitos neuronales  Para que un proceso de aprendizaje tenga lugar los apatrones se han de “presentar” más o menos simultáneamente.
- la modificación de las sinapsis se consigue gracias a la presentación repetida de los patrones (estímulos).
∆Wij= B·ai·aij 5 ...