Psicolgica (1999) 20, 163-193.

Aprendizaje de relaciones de contingencia y causalidad: Una aproximacin a las tendencias tericas actuales
Jos C. Perales* , Andrs Catena*, Manuel M. Ramos** y Antonio Maldonado* *Universidad de Granada; **Universidad de Jan
En las dos ltimas dcadas el estudio de la causalidad desde la perspectiva de la Psicologa del Aprendizaje ha experimentado un auge notable. Sin embargo, el crecimiento del conjunto de datos experimentales no ha ido acompaado de un desarrollo terico que permitiese integrarlos. Cualquier marco terico que pretenda ser explicativo debe dar cuenta de estos datos, as como su relacin con los tipos de tarea utilizados, a menudo de forma indiferenciada. Esta revisin pretende ofrecer una visin organizada del corpus experimental desarrollado dentro del campo del aprendizaje causal humano y esbozar algunas lneas posibles para la integracin terica. El anlisis de las similitudes e incompatibilidades entre distintas aproximaciones (hasta la fecha necesariamente parciales) podr llevar en el futuro a modelos de organizacin serial que abarquen las distintas etapas del procesamiento en este tipo de aprendizaje.

Palabras clave : Aprendizaje de causalidad, contingencia, covariacin, modelos asociativos, modelos de reglas.

1. Introduccin. Se denomina aprendizaje causal al proceso mediante el que los organismos son capaces de captar las relaciones entre acontecimientos del medio que les rodea y as adaptar su comportamiento de forma apropiada. Segn Kareev (1995), la adquisicin de informacin sobre la textura causal del medio es una capacidad psicolgica fundamental porque permite al organismo predecir acontecimientos futuros basndose en la informacin actual, pero tambin manipular el medio de manera efectiva para provocar consecuencias deseables o para evitar las negativas.
*

Correspondencia a: Andrs Catena / Jos C. Perales. Depto. de Psicologa Experimental y Fisiologa del Comportamiento. Universidad de Granada. Facultad de Psicologa. Campus de Cartuja s/n. 18071 Granada. E-mails: [email protected] y [email protected]. Fax: 958-246339

164

En general, el concepto de relacin de causalidad es claramente diferente del de contingencia. La diferencia entre ellos es un tema central para la filosofa de la causalidad. Para la ciencia psicolgica, la cuestin ms importante estriba en determinar hasta qu punto aprender que dos fenmenos ocurren conjuntamente (relacin de contingencia) y aprender que uno produce el otro (relacin de causalidad) son habilidades que se basan en procesos cognitivos comunes. En este sentido, parece claro que si dos eventos covaran ello no implica que el primero (A) sea causa del segundo (B). La covariacin entre los acontecimientos A y B puede deberse a que, efectivamente, el antecedente A sea la causa del consecuente B. Sin embargo, aunque un descenso en el indicador de un barmetro casero suele acompaarse de la aparicin de precipitaciones, pocos interpretaran que el indicador del barmetro tenga algn tipo de influencia (causal) misteriosa sobre los fenmenos atmosfricos. Ms bien, la interpretacin general sera que existe un tercer acontecimiento (una disminucin de la presin atmosfrica) que es simultneamente la causa de la lluvia y de la bajada del barmetro, llevando a que la bajada del barmetro permita predecir la lluvia. Estas relaciones de prediccin pueden establecerse en otros casos debido a que realmente existe un nexo causal entre A y B, aunque la consecuencia se manifieste en primer lugar. Por ejemplo, la aparicin de un sntoma (consecuencia) es previa a la constatacin de la enfermedad (la causa) que lo provoca. Obviamente, las personas son capaces de verbalizar la diferencia entre una relacin de causalidad y una de mera concurrencia o prediccin (un acontecimiento predice la presencia de otro, an cuando no sea su causa). Esa posibilidad no existe en los estudios con animales no humanos. La disociacin entre ambos aprendizajes es discutible en animales, sobre todo porque la comprobacin ha de ser indirecta (Miller y Matute, 1996; Premack, 1993). La importancia de esta discusin radica en la posibilidad de extrapolar modelos tericos surgidos en el campo del aprendizaje animal al aprendizaje causal humano (Dickinson y Shanks, 1996; Shanks, 1993; Wasserman, 1993). En este trabajo perseguimos dos objetivos. En primer lugar, estamos convencidos de que el progreso en un campo de investigacin est relacionado de forma directa con su sistemtica. En Psicologa la sistemtica depende bsicamente del anlisis de las tareas. En otras palabras, el tipo de tarea que se emplee puede determinar qu variables van a producir efecto y, por ende, qu clase de explicaciones tericas pueden realizarse. Por consiguiente, presentaremos una revisin de la literatura no tanto basada en fenmenos, cuanto basada en tareas y variables que las afectan. Consideramos que esta perspectiva facilitar la comprensin del campo en su estado actual y tambin en su desarrollo pasado y futuro. En segundo lugar, presentaremos las aproximaciones tericas ms influyentes en la explicacin del aprendizaje de relaciones de contingencia y causalidad, y concluiremos argumentando que para soslayar las dificultades de estos modelos probablemente sea necesario postular un modelo que organice de forma serial las etapas de procesamiento.

165

2. Tareas de aprendizaje causal. Todas las tareas utilizadas en el estudio del aprendizaje de relaciones causales siguen un mismo esquema bsico. El objetivo es registrar la intensidad de la relacin percibida por la persona entre dos variables a las que llamaremos, genricamente, variable de entrada (input) y variable de salida (output). En el caso ms simple, se emplean variables dicotmicas asimtricas, cuyos valores vienen definidos por la presencia o ausencia de un determinado estmulo o evento ambiental (ver Trolier y Hamilton, 1986, para una comparacin de los juicios de contingencia con variables continuas y dicotmicas). Normalmente, a la variable que se presenta en primer lugar se le denomina clave (C) mientras que a la variable que se presenta en segundo lugar se le denomina resultado (R). La definicin de un determinado evento ambiental como clave o resultado depende exclusivamente de la posicin temporal del mismo, no del papel causal que ese estmulo o evento desempea. Por tanto, cabe distinguir dos tipos de tareas: predictivas y diagnsticas (Morris y Larrick, 1995; Waldmann y Holyoak, 1992). En las tareas predictivas la clave es la causa potencial, mientras que el resultado es la consecuencia. Por ejemplo, una tarea en la que la persona debe estimar la relacin entre la ingestin de un determinado producto y la aparicin de una enfermedad sera una tarea predictiva. Por el contrario en las tareas diagnsticas la clave es la consecuencia mientras que el resultado es la causa. Por ejemplo, cuando se debe estimar en qu medida un determinado sntoma (el efecto, la clave) permite anticipar la presencia o ausencia de una enfermedad (la causa). As pues, en las tareas ms sencillas en las que slo se presentan una clave y un resultado, pueden definirse cuatro tipos de ensayos que resultan de la combinacin de los valores posibles de las variables de entrada y salida. Segn la notacin ms comnmente utilizada (por ejemplo Allan, 1993; Arkes y Harkness, 1983; Chapman y Robbins, 1990; Levin, Wasserman y Kao, 1993), los ensayos en los que tanto la clave como el resultado estn presentes se denominan ensayos tipo a; los ensayos en los que la clave est presente pero no el resultado se denominan tipo b; en los ensayos tipo c no se presenta la clave, pero si el resultado; por ltimo, en los tipo d no se presentan ni la clave ni el resultado. Tabla 1. Tipos de ensayo posibles en una tarea estndar de juicios de contingencia. Resultado Resultado Presente ausente Clave presente a b Clave ausente P (R/C) = a / (a+b) P (R/no C) = c / (c+d) c d

166

Es importante sealar de antemano que, con independencia de la respuesta pedida a las personas, suele asumirse que sta es un ndice del funcionamiento del mecanismo de aprendizaje encargado de computar la relacin existente entre la variable de entrada y la variable de salida. Esto implica que prcticamente todos los modelos asumen una arquitectura de procesos muy simple, en la que entre la entrada y la salida hay un solo proceso, esto es, son modelos de mecanismo nico. El corolario es evidente: las variaciones que se registren en la salida del sistema (respuesta) se deben nica y exclusivamente a los cambios en ese mecanismo de aprendizaje. En otras palabras, las variaciones en la respuesta pueden interpretarse directamente como variaciones del mecanismo que computa. Esta tarea bsica permite la manipulacin de un nmero relativamente restringido de variables. En efecto, principalmente es posible variar el tipo de respuesta que se pide a los sujetos, la relacin definida entre la clave y el resultado y la complejidad de la tarea. 2.1. Efecto del tipo de respuesta. En las tareas de juicios de causalidad / contingencia, la persona debe emitir un juicio numrico sobre la relacin existente entre las dos variables. Si el juicio se refiere simplemente a la relacin de covariacin o concurrencia entre ambas, se trata de tareas de juicios de contingencia. Pero si se pide a la persona que estime la capacidad de una determinada causa potencial para provocar o prevenir una determinada consecuencia se trata entonces de una tarea de juicios de causalidad. Prcticamente en todos los casos el juicio se recoge mediante una escala numrica graduada, que puede ser unipolar (con valor cero en un extremo y mximamente positivo o negativo en otro) o bipolar (con valor mximamente positivo en un extremo y mximamente negativo en otro). Las escalas bipolares tienen la ventaja de permitir estudiar en una misma tarea tanto la causalidad generativa (relacin causal directa) como la causalidad preventiva (relacin causal inversa), pero resultan menos intuitivas y ms difciles de utilizar. Las tareas tambin pueden clasificarse segn la naturaleza de la clave utilizada. La clave puede ser un evento ambiental bajo el control del experimentador o bien puede ser una respuesta del sujeto. En el primer caso tendramos una situacin anloga a un procedimiento de condicionamiento clsico, mientras que en el segundo tendremos un anlogo de condicionamiento operante. No se debe olvidar, en cualquier caso, que en las tareas de juicios de causalidad/contingencia la variable comportamental que se registra es por definicin el juicio verbal-numrico de la persona sobre la relacin estimada entre clave y resultado1 .
1

Normalmente la persona debe emitir sus juicios cada cierto nmero de ensayos, lo cual permite representar curvas de aprendizaje similares a las observadas en los estudios de condicionamiento animal. Cuando la presentacin se hace en tablas resumen, toda la informacin relevante sobre la concurrencia de clave y resultado se presenta de forma simultnea en una tabla de doble entrada en la que una entrada representa la

167

La estructura de las tareas predictivas suele ser similar a la de juicios de causalidad/contingencia. En el formato habitual, se presentan una serie de ensayos en que el experimentador controla la covariacin entre clave y resultado. La respuesta del sujeto se intercala entre los dos eventos: normalmente se le pide que prediga (y/o indique la probabilidad de) el resultado (respuesta dicotmica). Estas tareas son conceptual y normativamente distintas de las primeras. Las tareas predictivas no permiten discriminar el aprendizaje causal del simple aprendizaje predictivo (si se asume que se trata de tipos distintos de aprendizaje). Adems, aunque hay discrepancias sobre cul es el referente normativo de los juicios causales (Anderson y Sheu, 1995; Cheng y Novick, 1992, 1995; Shanks, 1996), se acepta de forma general que ste depende tanto de la probabilidad de aparicin del resultado en presencia de la clave -P(R/C)- como de la probabilidad de aparicin del resultado en ausencia de la clave -P(R/noC)-, mientras que el referente normativo de los juicios predictivos es nicamente la probabilidad de aparicin del resultado en presencia de la clave (P[R/C]) para los ensayos en los que se presenta la clave, o la probabilidad de aparicin del resultado en ausencia de la clave (P[R/no C]) para los ensayos en los que no se presenta la clave. A pesar de estas notables diferencias, muchos autores interpretan las respuestas de la misma manera y las utilizan indistintamente. La idea subyacente es que, an siendo conceptualmente distintas, ambas respuestas son indicadores de un mismo proceso psicolgico, comn al aprendizaje causal y al aprendizaje predictivo. De hecho, un buen nmero de manipulaciones experimentales afectan a los dos tipos de respuesta de la misma manera. Por ello, son pocos los modelos tericos que hacen una distincin clara entre los juicios de causalidad/contingencia y los juicios predictivos/probabilsticos, an cuando estos datos indican que podra ser necesario considerar los dos tipos de tarea de forma diferenciada. Por ejemplo, Wasserman, Elek, Chatlosh y Baker (1993) demostraron que los juicios emitidos por los participantes en una tarea de juicios de contingencia eran relativamente independientes de sus estimaciones de las probabilidades P(R/C) y P(R/no C). Adems, Mandel y Lehman (1998) han descrito sesgos de estimacin que afectan significativamente a los juicios de causalidad y contingencia, pero no a las estimaciones de probabilidad. Por ltimo, Waldmann y Holyoak (1997) resaltan la importancia de poner a prueba las teoras de aprendizaje causal con tareas que hagan referencia explcita a la naturaleza causal de la relacin entre la clave y el resultado. Se ha propuesto que las respuestas emitidas en tareas de condicionamiento instrumental podran ser una alternativa a las respuestas de estimacin o de juicio. Mientras la aparicin de una respuesta clsicamente condicionada slo requiere conocimiento acerca de la concurrencia de dos
presencia/ausencia de la clave y la otra la presencia/ausencia del resultado. En las casillas interiores se representa la frecuencia de presentacin de cada uno de los tipos de ensayos (para una discusin sobre las implicaciones del uso de presentacin en tablas o serial ver Shanks, 1991).

168

estmulos, instaurar una respuesta instrumental requiere que se capte el nexo causal que existe entre una respuesta emitida por el sujeto y la consecuencia que se deriva de sta. Segn Shanks (1993) las principales manipulaciones experimentales que afectan a la conducta operante en animales y humanos tienen un efecto similar sobre los juicios causales. As ocurrira con condiciones como la contigidad, la contingencia, el nmero de ensayos de aprendizaje, el valor del resultado o la interaccin entre claves. Sin embargo, es difcil establecer una valoracin porque los estudios de aprendizaje causal que utilizan la tasa de respuesta operante como variable dependiente en los ltimos aos han sido muy escasos (Chatlosh, Neunaber y Wasserman, 1985; ver tambin Wasserman, 1993). 2.2. Efecto de la fuerza de la relacin entre clave y resultado: Ajuste de los juicios a P. Aunque se han propuesto distintos indicadores de contingencia, el ms popular en el campo del aprendizaje animal y humano es la regla P, que mide la dependencia unidireccional del resultado respecto de una clave. P se define como la probabilidad de ocurrencia del resultado en presencia de una clave menos la probabilidad de ocurrencia de ese resultado en ausencia de la clave. (1) P = P(R/C) - P(R/noC) donde P(R/C) y P(R/noC) se calculan a partir de las frecuencias de cada uno de los tipos de ensayos (a, b, c y d) que resultan de cruzar los valores de las variables de entrada y salida (ver tabla 1), de tal manera que P = a/(a+b) - c/(c+d) Tomando como base los resultados de dos estudios realizados en los aos 60 (Jenkins y Ward, 1965; Smedslund, 1963) se crey inicialmente que, en el mejor de los casos, los juicios de contingencia slo estn marginalmente influidos por la contingencia programada entre la clave y el resultado. Sin embargo, actualmente est bien establecido que los juicios de contingencia/causalidad humanos son, si se mantienen constantes otros factores, altamente sensibles a la contingencia establecida por el experimentador. Este hecho fue inicialmente corroborado por Alloy y Abramson (1979) en un estudio en el que las personas deban estimar la relacin entre una respuesta discreta y el encendido de una luz. Sus resultados mostraron que, aunque aparecan ciertos sesgos sistemticos dependientes del incentivo y del estado de nimo, la manipulacin de la contingencia en un rango de 0.00 a 0.75 afect significativamente a las estimaciones realizadas por las personas. En un experimento de Chatlosh et. al. (1985) en el que los participantes deban juzgar en qu medida la respuesta de pulsar una tecla

169

telegrfica era capaz de producir o prevenir un flash luminoso, el 9811% de la varianza de los juicios vena explicada por la manipulacin de la contingencia a nueve niveles. En un estudio posterior de similares caractersticas, Wasserman (1990b) encontr que la manipulacin de la contingencia entre una respuesta de pulsacin (tapping) y el encendido de una luz afectaba tanto a la tasa de respuesta como a las estimaciones de la contingencia respuesta-resultado. Este ltimo efecto tambin se pone de manifiesto en situaciones en las que la clave es un estmulo ambiental y no una respuesta (para un ejemplo reciente ver Lober y Shanks, en prensa). La sensibilidad de los juicios a la manipulacin de la contingencia medida mediante P se ha interpretado (1) como una prueba de la adecuacin racional o normatividad del aprendizaje humano (Shanks, 1995, 1996) y (2) como evidencia en favor de que P es efectivamente el algoritmo utilizado por las personas en el cmputo de la contingencia a travs de una serie de ensayos. La primera interpretacin de P se denomina normativa, computacional o funcional, e implica, por un lado que P es la norma racional contra la que contrastar el comportamiento de los sujetos y, por otro, que la respuesta (intrumental o de juicio) tiende a ajustarse asintticamente a dicha norma. La segunda interpretacin se conoce como algortmica, y supone de facto un modelo terico de funcionamiento mental. La regla P como modelo algortmico se inserta dentro de los llamados modelos de reglas o modelos estadsticos. Estos modelos suponen que las personas, y probablemente tambin los animales, se comportan como cientficos intuitivos (Kelley, 1973) y computan la relacin entre clave y resultado a partir de las frecuencias relativas de los cuatro tipos de ensayos (a, b c d) de la tabla de contingencia (ver tabla 1). Sin embargo, la regla P hace predicciones cuantitativas precisas sobre la magnitud de los juicios que en ciertas ocasiones no se ajustan a los datos experimentales recogidos en la literatura. Ciertas desviaciones pueden explicarse por el hecho de que la magnitud de los juicios de causalidad/contingencia sean una funcin no lineal del resultado del proceso o procesos psicolgicos subyacentes. Ciertamente, se sabe que la funcin lineal no es la que mejor describe la relacin psicofsica entre la contingencia P y el juicio (Ortega, 1991). De esta forma podra darse cuenta de las infra o sobreestimaciones situacionalmente regulares y no interactivas que son frecuentes en la estimacin de la contingencia. Existen sin embargo desviaciones bien documentadas que no pueden explicarse basndose en la relacin psicofsica contingencia-juicio y que, por tanto, suponen un verdadero problema para la regla P como modelo explicativo del aprendizaje. Un fenmeno ampliamente corroborado es el sesgo de densidad , segn el cual, para un nivel fijo de contingencia, las estimaciones de las personas son una funcin directa de la probabilidad de ocurrencia del resultado -P(R)-. (Allan y Jenkins, 1980, 1983; Alloy y Abramson, 1979; Baker, Berbrier y Vallee-Tourangeau, 1989; Chatlosh et al, 1985; Dickinson, Shanks y Evenden, 1984; Shanks, 1985a; Shanks y Dickinson, 1991). En un intento de resolver este problema, se han postulado

170

diversas modificaciones de la regla P. Wasserman, Elek, Chatlosh y Baker (1993) intentaron comprobar si las desviaciones de la regla P estaban fundamentadas en una estimacin incorrecta de las probabilidades necesarias para su cmputo - P(R/C) y P(R/no C) -. Sin embargo, encontraron que la correlacin con los juicios subjetivos para P calculada sobre la base de las estimaciones de probabilidad individuales era incluso peor que para P calculada sobre las contingencias objetivas. Otras modificaciones de la regla P, por ejemplo P ponderada, (Heit, 1998) se basan en que no concedemos el mismo peso a cada uno de los cuatro tipos de ensayo (Kao y Wassermann, 1993; Levin, Wasserman y Kao, 1993; Maldonado, Catena, Cndido y Garca, 1999). Este dato se ha obtenido tanto analizando juicios sobre la importancia de cada una de las casillas de la tabla de contingencia, como analizando los juicios de contingencia directos en problemas de estimacin de contingencia que difieren nicamente en una casilla. La estrategia de investigacin ha sido asignar pesos a los cuatro tipos de ensayo en funcin de la importancia concedida a cada uno de ellos. Otros autores han propuesto modelos de reglas diferentes a P, que no son normativamente correctos. La regla D, por ejemplo, se define como la diferencia entre las diagonales de la tabla de contingencia. Formalmente: (2) D= [a+d)-(c+b)]/N donde a, b, c y d son las frecuencias relativas de cada uno de los tipos de ensayo de la tabla de contingencia y N es el total de ensayos (N= a + b + c + d). As por ejemplo, para variables dicotmicas asimtricas D se define como la diferencia entre la proporcin de ensayos positivos -que tienden a confirmar la relacin directa- y negativos -que tienden a confirmar la relacin inversa - (Allan y Jenkins, 1983). Aplicando la misma lgica de asignacin de pesos a los tipos de ensayo que se utilizan para calcular P ponderada, se puede obtener tambin una versin de D semiponderada. (3) D= (waa - wb b - wcc + wd d)/N donde a, b c y d son las frecuencias absolutas de cada uno de los tipos de ensayo, wa, wb , wc, wd son los pesos asignados a cada uno de ellos y N el nmero total de ensayos presentados a la persona (Catena, Maldonado y Cndido, 1998; Kao y Wasserman, 1993; Maldonado et al, 1999). Otros estadsticos propuestos como reglas de ajuste para los juicios de contingencia/causalidad en la lnea normativa de P, son los coeficientes de correlacin , r, la pendiente de la recta de regresin de la variable de salida (presencia/ausencia del resultado) sobre la variable de entrada (presencia/ausencia de la clave), que estima la magnitud del cambio producido

171

en la variable de salida por un cambio en la de entrada1 (Ortega, 1991; Shanks, 1996). Prcticamente todas las reglas propuestas presentan altas correlaciones entre s y con los juicios emitidos por las personas (Mckenzie, 1995). Conocidos los problemas que presentaba P como regla descriptiva de los juicios de contingencia humanos, la estrategia de investigacin dominante durante la dcada de los 80 fue buscar la regla que mejor se ajustase a dichos juicios. En la actualidad tiende a aceptarse que las reglas que mejor se ajustan a los juicios de contingencia humanos en niveles de aprendizaje asintticos y con una sola variable de entrada asimtrica son P (Shanks, 1996; Wasserman, 1990b; Wasserman et. al, 1983) y D (Allan y Jenkins, 1983), o sus versiones ponderadas (Maldonado et al, 1999). Hay, sin embargo, otro conjunto de efectos que resulta ms problemtico para los modelos de reglas. Segn todos los modelos tericos citados hasta ahora, la contingencia, sea cual sea la regla que se aplique y si no se tienen en cuenta supuestos adicionales, se calcula a partir una serie de ensayos completa. Por tanto, si se mantiene constante la frecuencia absoluta de cada uno de los tipos de ensayos en la serie, la magnitud del juicio final debera ser siempre la misma, independientemente del orden en que se presenten tales ensayos. Los efectos de orden de los ensayos se caracterizan por la constatacin de una influencia significativa del orden en que se presentan los ensayos de una serie sobre la magnitud del juicio finalmente emitido. Yates y Curley (1986) realizaron un estudio en el que los participantes deban estimar la relacin entre el color de una planta y su lugar de origen. Las respuestas de los sujetos mostraron una mayor influencia de la informacin presentada en el primer bloque, pero slo cuando las personas no eran informadas de que al final de la serie deberan emitir un juicio sobre la informacin presentada. Un efecto similar ha sido descrito por De Jong, Merckelbach y Arntz (1990). Por el contrario, Wasserman, Kao, van Hamme, Masayoski & Young (1996) no encontraron efecto alguno ni de primaca ni de recencia en un experimento en el que haba que estimar en qu medida un fertilizante facilitaba o no la consecuencia de que una planta floreciera. Utilizando claves compuestas en lugar de claves simples, esto es, en tareas en las que se presenta ms de una variable de entrada, se ha podido observar que la manipulacin del orden de los ensayos afecta tambin significativamente a la magnitud del juicio final (Chapman, 1991; Lpez, Shanks, Almaraz y Fernndez, 1998).

Todas las reglas citadas hasta el momento se denominan reglas complejas porque combinan de una u otra manera todas los tipos de informacin de la tabla de contingencia. Existen, no obstante una serie de reglas, denominadas estrategias simples, que se computan selectivamente a partir de las frecuencias relativas de algunos de los tipos de ensayos que se pueden presentar. Por ejemplo, en la regla F a-c se computa la diferencia entre la proporcin de ensayos tipo a y la proporcin de ensayos tipo c. En Fa-b , similar a la anterior, se calcula la diferencia entre la proporcin de ensayos tipo a y la proporcin de ensayos tipo b.

172

2.3. Efecto de la complejidad de la tarea: Interaccin de claves. La complejidad de la tarea puede incrementarse o disminuirse de diversas formas. Es posible, por ejemplo, manipular el grado de experiencia que el sujeto tiene con la tarea, o la cantidad de informacin que se tiene que integrar entre dos respuestas consecutivas. Sin embargo, las manipulaciones ms frecuentes y de las cuales se derivan mayores implicaciones tericas son las realizadas sobre el nmero de claves o resultados. Especialmente interesantes son las tareas denominadas de interaccin de claves, en las cuales hay que relacionar ms de una clave con un resultado comn. Dichas tareas permiten disear experimentos de interaccin de claves anlogos a los que aparecen en la literatura sobre condicionamiento animal, como los diseos de bloqueo, validez relativa, ensombrecimiento o inhibicin condicionada. Los efectos de interaccin entre claves han supuesto uno de los impulsores de cambio ms importantes en las teoras del aprendizaje animal y han adquirido tambin una importancia notable en el campo del aprendizaje causal humano, como fenmenos que permiten discriminar entre modelos tericos. Dentro de estos fenmenos se incluyen la inhibicin condicionada, la validez relativa, el bloqueo y el efecto de sealizacin. En un diseo estndar de inhibicin condicionada (Pavlov, 1927; Rescorla, 1969) un grupo de animales es expuesto a una relacin consistente entre un EC (A) y un EI (+). Sin embargo, cuando ese EC se presenta en un compuesto con un segundo EC (B) la consecuencia es la no aparicin del EI (-). El grupo de control es expuesto nicamente al segundo EC (B) seguido de la ausencia del EI. El resultado habitual de estos experimentos de condicionamiento clsico es que la clave B se convierte en un predictor negativo del EI en el grupo de inhibicin condicionada, pero no en el grupo de control. Trasladado al terreno del aprendizaje causal, el efecto de inhibicin condicionada supondra que para establecer una clave como causa preventiva o como un predictor negativo del resultado es necesario que esta vaya acompaada de una causa generativa o un predictor positivo. Esto es, los juicios a la clave negativamente relacionada con el resultado (B) deben ser menores en la condicin de inhibicin condicionada que en la condicin de control. Chapman y Robbins (1990, exp. 2) llevaron a cabo un experimento en el que haba que establecer relaciones entre el cambio de agentes burstiles (llamados genricamente P, X, I y N) como predictores de un criterio consistente en los incrementos en el ndice general de la bolsa. La tarea constaba de dos fases. En la primera, el compuesto XP iba seguido consistentemente de una elevacin en el precio general del mercado, mientras que X iba seguido de la ausencia dicho resultado. En esta primera fase, P se estableca como un predictor positivo del resultado. En una segunda fase, los dos tipos de ensayos presentados en la primera continuaron apareciendo. Adems, se aadieron dos nuevos tipos de ensayo. En uno de ellos un compuesto XPI iba seguido de la ausencia del resultado. Un ltimo compuesto NX tambin iba seguido de la ausencia del resultado. Es de esperar que, al ir I acompaado por un predictor positivo (en el compuesto

173

XPI) esta clave se convierta en un predictor negativo. La clave N, por el contrario, va acompaada por una clave no predictiva (en el compuesto NX). El producto N y el producto I, an manteniendo la misma contingencia objetiva (P) con el resultado (la elevacin en el precio general del mercado) fueron evaluados de forma muy distinta por las personas. En concreto, los juicios sobre la relacin entre la clave I y el resultado fueron significativamente menores (ms negativos) que los juicios sobre la relacin entre la clave N y el resultado. Tabla 2 . Diseo de inhibicin condicionada intra-sujetos (Chapman y Robbins, 1990. Exp 2) Fase 1 XP+ Fase 2 X- XPI- XNTest N > I

X- XP+

En este experimento, los juicios para la clave N tambin fueron negativos. La interaccin entre claves se demuestra porque el simple hecho de ir acompaada de una clave predictiva lleva a que la clave objetivo (I) reciba estimaciones an ms negativas que la clave de control (N). Sin embargo, en un experimento realizado en nuestro laboratorio (Perales, Catena y Maldonado, remitido) no se consigui replicar este efecto (ver tambin Williams et al.). En nuestro trabajo, los juicios fueron sensibles a una contingencia normativa negativa (-0.5), independientemente de que la clave objetivo fuese acompaada o no de otra altamente predictiva. La validez relativa tambin es un fenmeno que ha sido descrito previamente en la literatura de condicionamiento animal (Wagner, Logan, Haberlandt y Price, 1968; Wasserman, 1974; ver Wagner, 1969c para una revisin). Ya en el contexto de juicios, Wasserman (1990a) realiz un experimento en el que las personas deban estimar la relacin existente entre tres comidas (genricamente A, B y X) y una reaccin alrgica. Las claves (comidas) eran presentadas siempre en forma de compuesto (AX y BX) y las frecuencias de aparicin/no aparicin del resultado de reaccin alrgica en presencia y en ausencia de cada uno de los compuestos se presentaba en forma de tablas de contingencia 2x2. A cada una de las personas se le presentaba una serie de tablas tras cada una de las cuales deban emitir un juicio independiente sobre la efectividad causal de A, de B y de X. En todas las tablas la contingencia para la clave X se mantuvo constante, manipulndose a cinco niveles la diferencia entre la contingencia para el compuesto AX y la contingencia para el compuesto BX (0, 0.25, 0.50, 0.75 y 1.00). Dicha manipulacin permite ir incrementando la capacidad predictiva de la clave A (y disminuyendo simultneamente la de la clave B) sin afectar a la contingencia entre X y la reaccin alrgica. Los resultados muestran que las estimaciones de efectividad causal para la clave X son tanto menores cuanto mayor la

174

capacidad predictiva de A. Esta dependencia de las estimaciones sobre la relacin clave-consecuencia de la capacidad predictiva de otras claves presentes simultneamente en el medio es lo que se conoce como efecto de validez relativa. Otro procedimiento que muestra interaccin es el de bloqueo, descrito tambin en su origen en el campo del aprendizaje animal (Kamin, 1968). El procedimiento estndar consta de dos fases. En la primera, el grupo experimental es expuesto a una relacin contingente entre un estmulo (A) y un EI (+). Una vez establecido este aprendizaje el sujeto es expuesto en una segunda fase a una relacin contingente de un compuesto formado por el estmulo presentado en primera fase y un nuevo estmulo (B) con el EI. Junto a este grupo experimental pueden utilizarse diversos controles. Por ejemplo, uno recibira en primera fase el mismo nmero de presentaciones del estmulo A y el EI, pero sin que haya correlacin alguna entre ellos (P=0). En la segunda fase los sujetos recibiran exactamente el mismo tratamiento que los del grupo experimental1 . El resultado habitual es que la exposicin a la relacin contingente entre el estmulo A y el EI impide o disminuye (bloquea) el aprendizaje sobre el estmulo aadido en la segunda fase, lo cual se demuestra porque la RC elicitada por B es significativamente menos intensa en el grupo experimental que en el de control. La rplica del efecto de bloqueo en humanos utilizando este paradigma de condicionamiento clsico ha resultado ms problemtica. Por ejemplo, Lovibond, Siddle y Bond (1988) fracasaron al intentar demostrar la aparicin de bloqueo en una tarea de condicionamiento electrodermal. En tareas de juicios de contingencia/causalidad el efecto de bloqueo se constata cuando la preexposicin a una relacin contingente entre una clave (C1) y un resultado (R) bloquea en una segunda fase el aprendizaje sobre una segunda clave (C2) que se presenta en compuesto con la primera. El bloqueo se demostrara por una disminucin de la magnitud de los juicios sobre C2 en relacin con los de un grupo adecuado de control. Shanks (1985b, exp.1) realiz un experimento en el que demostraba que la observacin de la relacin entre una causa potencial (clave 1) y una consecuencia (resultado) de hecho bloqueaba o reduca el aprendizaje sobre una segunda causa potencial (clave 2) presentada posteriormente en compuesto con la primera. Sorprendentemente, en un grupo en el que el orden de presentacin de las fases se inverta (AB+ A+) tambin se observaba una disminucin en los juicios de efectividad finales para B. En este caso el aprendizaje en la segunda fase de una relacin contingente entre una clave (A) y un resultado interfiere a posteriori con un aprendizaje previamente establecido sobre una clave B que se haba presentado en compuesto con la clave A. Este efecto se conoce como
1

Este grupo de control, an siendo el que mejor controla todos los factores que podran explicar las diferencias entre los grupos y, por tanto, el ms adecuado, no es el control utilizado originalmente por Kamin, sino que fue introducido posteriormente por Rescorla (1971).

175

bloqueo hacia atrs y, por contraposicin, al bloqueo estndar se le ha denominado bloqueo hacia adelante. En este experimento los grupos de control utilizados fueron dos grupos de ensombrecimiento, que reciben solamente la fase de aprendizaje con el compuesto. Cada grupo de bloqueo es contrastado con un grupo de ensombrecimiento en el que la fase de aprendizaje con el estmulo simple (A) es sustituida por un intervalo de tiempo en blanco. Tabla 3. Diseo de bloqueo entre grupos (Shanks, 1985). Grupo Bloqueo estndar Bloq. hacia atrs Fase 1 A -> R AB -> R Fase 2 AB -> R A -> R AB -> R Test B? B? B? B?

Ensombrecimiento 1 Ensombrecimiento 2 AB -> R

Chapman y Robbins (1990, exp. 1) demostraron un efecto de la misma naturaleza con un diseo notablemente diferente. Utilizaron la tarea antes descrita en la que las personas deban estimar la relacin entre la subida del precio de diversos productos (genricamente P, N, B y C) y una subida en el precio general del mercado. La tarea constaba de dos fases. En la primera, siempre que P suba su precio, tambin lo hacia el precio global, mientras que la subida de N no iba seguida de dicho resultado. En la segunda fase, cuando los productos P y B suban (compuesto PB) tambin suba el precio global, al igual que ocurra cuando los productos N y C suban su precio simultneamente (compuesto NC). En otras palabras, en la segunda fase la clave B iba acompaada de una clave (P) que previamente haba sido establecida como una clave predictiva. Por el contrario, la clave C va acompaada de una clave que ha sido previamente establecida como no predictiva (N). En este caso las condiciones de bloqueo y control se presentan intra-sujetos. As, la condicin de control es equivalente a una condicin de supercondicionamiento, en la que en la primera fase de aprendizaje la contingencia programada entre clave y resultado (en este caso entre la subida de N y la subida global del precio del mercado) no es nula sino negativa. El efecto de interaccin se constata porque los juicios respecto de la clave bloqueada (B) son de una magnitud significativamente menor que los juicios relativos a la clave no bloqueada (C). En todos los casos citados los sujetos han experimentado los dos estmulos que interaccionan en algn momento de la tarea. Sin embargo, Matute y Pieno (1998) han encontrado interaccin entre estmulos entrenados individualmente. Simplemente, el hecho

176

de que en una primera fase el sujeto reciba A+, deteriora la adquisicin de la relacin B+. Si tenemos en cuenta que, adems, la obtencin de la interaccin entre claves puede depender de las instrucciones (Matute, Arcediano y Miller, 1996) o de si la forma de manipulacin permite al sujeto realizar una comparacin entre las distintas claves (Ramos y Catena, remitido), entonces quiz quepa poner en tela de juicio la generalidad e importancia de este fenmeno en humanos. Tabla 4. Diseo de bloqueo intra-sujetos (Chapman y Robbins, 1990. Exp 1). Fase 1 Fase 2 Test P+ NPB+ NC+ B < C

Price y Yates (1993) han encontrado un efecto de interaccin muy similar al bloqueo utilizando un diseo de una sola fase, denominado bloqueo simultneo. En este diseo, los ensayos pertenecientes a la primera y segunda fase del diseo estndar se entremezclan dentro de una sola fase. Al igual que con los otros procedimientos, la clave bloqueada recibe juicios de menor magnitud que la clave no bloqueada. Este diseo es conceptualmente anlogo al efecto de validez relativa, pero se diferencia de Wasserman (1990b) por la forma de presentacin de los estmulos. En este caso la informacin se presentaba ensayo-a-ensayo y no resumida en tablas. Por ltimo, en un diseo de sealizacin (Shanks, 1989) la persona debe estimar la relacin entre una clave y un resultado para los que se programa una contingencia nula. En el grupo sealado, las apariciones no contingentes del resultado, esto es, aquellas en las que ste no va precedido de la clave, van acompaadas de una clave alternativa de cuya aparicin no se haba informado a las personas. En esta condicin, los juicios sobre la relacin entre la clave objetivo y el resultado son significativamente mayores que en un grupo control no sealado. Este conjunto de efectos se caracteriza porque la inclusin de una segunda clave produce una desviacin de los juicios de causalidad/ contingencia respecto de la contingencia programada, an cuando esta se mantiene constante a travs de las distintas condiciones experimentales. Ninguno de los modelos que hemos considerado hasta ahora pueden dar cuenta de este conjunto de datos. Los modelos tradicionales de reglas se consideran hoy funciones que describen ms o menos adecuadamente la ejecucin en las tareas de juicios de causalidad/contingencia. Los modelos de reglas actuales son la evolucin lgica de los modelos propuestos durante los aos 70 y 80, y se han refinado y complicado para dar cuenta de los datos provenientes de los experimentos de interaccin entre claves. Se siguen manteniendo, sin embargo, los presupuestos bsicos. A saber, que los sujetos operan con los distintos tipos de ensayos de la tabla de contingencia como si

177

fueran estadsticos intuitivos, aplicando una regla matemtica (no necesariamente de forma consciente) que les permita computar la relacin entre claves y resultados. Un segundo grupo de teoras surge de la similitud formal entre algunos de los efectos descritos en la literatura de aprendizaje animal y los descritos en tareas de aprendizaje causal. Este paralelismo ha llevado a un buen nmero de autores a defender la idea de que los modelos asociativos nacidos en el estudio del condicionamiento animal permiten explicar adecuadamente la ejecucin de los seres humanos en tareas de juicios de causalidad/contingencia. Tanto los seres humanos como el resto de los animales necesitan captar las relaciones causales presentes en el medio. En este sentido, los problemas a los que unos y otros deben enfrentarse son similares, de ah que los mecanismos cognitivos sean esencialmente similares. La dialctica entre los modelos asociativos y los modelos de reglas ha centrado la mayor parte del trabajo terico y experimental desarrollado en el campo del aprendizaje causal en las ltimas dos dcadas. A continuacin revisaremos las aportaciones ms recientes y los problemas que se plantean. 3. Modelos actuales de aprendizaje causal. Las teoras propuestas hasta la fecha intentan integrar el conjunto de datos experimentales enumerados en el apartado anterior. Ya hemos visto que algunos de estos modelos parten de la idea de que el sujeto aplica algn tipo de regla o estadstico de forma intuitiva, a partir de la frecuencia de los distintos tipos de ensayos presentados durante la tarea. Estos modelos se han denominado modelos basados en reglas. Una segunda aproximacin, no necesariamente incompatible con la anterior, mantiene que el aprendizaje de las relaciones entre causas y consecuencias en ambientes naturales se produce automticamente, de forma similar a como se establece el aprendizaje por condicionamiento. Partiendo de esta idea se han sucedido varios intentos de aplicar los modelos provenientes del aprendizaje animal al aprendizaje causal. A continuacin repasaremos las aportaciones ms recientes provenientes de una y otra lnea. 3.1. P condicional y la Teora de Potencia Causal Tradicionalmente se ha sostenido que P es el referente normativo adecuado frente al cual contrastar la ejecucin de los sujetos en tareas de juicios de causalidad/contingencia. Esto se postula igualmente en situaciones en las que slo existe una clave predictiva y un resultado, o una causa potencial y una consecuencia. Sin embargo, todos sabemos por experiencia propia que la textura causal del medio es compleja, y que es muy raro el caso en el que una clave o una posible causa aparece de manera aislada. Ms bien, en ciertas ocasiones es necesaria la presencia simultnea de dos o ms claves para que se produzca el resultado, o en otras, una determinada clave predice la presencia de un resultado si y slo si una segunda clave est presente. En muchas de tales situaciones complejas, ajustar nuestro comportamiento al

178

estndar P no es lo ms racional, en tanto que P no es la norma que mejor refleja las relaciones causales o predictivas que realmente se dan en el ambiente. El modelo de contrastes probabilsticos (Cheng y Novick, 1990; 1992) mantiene que las personas computan P para una clave potencialmente predictiva o una posible causa en un contexto (llamado focal set) en el que el resto de las claves o causas alternativas se mantienen constantes. Pongamos un ejemplo: qu ocurrira en el grupo experimental del diseo de sealamiento que antes hemos comentado?. Computada sobre el total de los ensayos presentados, la contingencia P para la clave objetivo es igual a cero. Concretando, tanto P(R/C) como P(R/no C) son iguales a 0.5. Sin embargo, segn el modelo de contrastes probabilsticos (MCP en adelante), P no se calcula sobre el total de ensayos, ya que en algunos de ellos (los ensayos sealados) aparece una clave alternativa mientras que en otros no (los ensayos no sealados). En este caso el sujeto tiene dos alternativas: computar P nicamente sobre los ensayos no sealados, en los que la clave alternativa est permanentemente ausente o bien sobre los ensayos sealados, en los que la clave alternativa est siempre presente. En el primer caso hay que eliminar del cmputo todos los ensayos tipo c (en los que no aparece la clave pero s el resultado) y, por tanto, el cmputo quedara de la siguiente manera: (4) P = P(R/C) - P(R/no C) = 0.5 0.0 = 0.5 En el segundo caso P no sera computable. Por tanto, segn la teora MCP los juicios se ajustarn al valor de P calculado en el nico contexto en el que las claves alternativas se mantienen constantes; esto es, a travs de los ensayos no sealados. Bajo estos presupuestos, P calculada sobre un focal set, tambin llamada P condicional permite dar cuenta de la mayora de los efectos de interaccin entre claves antes descritos. Cheng y Novick (1992) hacen hincapi en que es P condicional el referente normativo adecuado frente al que contrastar el comportamiento de los sujetos. Siendo X y Z dos claves predictivas o dos causas potenciales y R el resultado, pueden definirse distintos casos. Imaginemos que X y Z correlacionan perfectamente, esto es, que en todos aquellos ensayos en los que X aparece, tambin lo hace Z, y viceversa cuando est ausente. En estos casos no puede definirse un focal set para ninguna de las dos claves potenciales. Si Z se mantiene siempre presente e intentamos calcular P para X en este contexto, P(R/no X) no es computable, ya que no hay ningn ensayo en el que X no aparezca. Si, por el contrario, mantenemos Z ausente, P(R/X) no es computable, ya que no hay ningn ensayo en el que X aparezca. Estos casos se denominan casos de indeterminacin causal y la teora predice que los sujetos prefieren no emitir ningn juicio si se les permite no hacerlo. Se ha constatado asimismo que si damos a las personas la oportunidad de estimar en qu medida la informacin de la que dispone en una tarea de juicios de contingencia es adecuada para realizar un juicio causal, dichas estimaciones se reducen notablemente si las claves estaban perfectamente correlacionadas

179

(Perales y Catena, en preparacin). En caso de que se les fuerce a emitir un juicio de causalidad/ contingencia, el valor de stos tiende a ser medio/bajo, como ocurre en la mayora de los diseos de bloqueo ante los predictores aadidos. En aquellos casos en los que P para X puede calcularse manteniendo constante la presencia de Z, pero no para su ausencia (como en el caso del diseo del sealamiento o de bloqueo), los juicios deberan ajustarse al nico valor de P calculable. Nos quedara: (5) Px = P (R/XZ) - P (R/noXZ) Por ltimo, existe otro tipo de casos en los que Px puede calcularse manteniendo constante tanto la presencia como la ausencia de Z. Por ejemplo, (6) P (R/XZ)-P(R/noXZ) > 0 ; P (R/XnoZ)-P(R/noXnoZ) = 0 Cuando la contingencia para X es positiva en presencia de Z, pero resulta nula en ausencia de Z, se dice que Z es una condicin posibilitante (enabling condition). Por ejemplo, la presencia de oxgeno (Z) es una condicin necesaria para que una chispa (X) produzca fuego (Y). Hay que recalcar que las condiciones posibilitadoras Z- pueden interpretarse como causas verdaderas si lo que se mantiene constante es la presencia de X, y viceversa. Por ejemplo, encender un chispa (Z) es una condicin necesaria para que la entrada de oxgeno en una bureta (X) produzca fuego (R). Segn Cheng y Novick (1990; 1992; ver tambin Cheng, 1997) su modelo terico no es algortmico, sino computacional, en trminos de la metateora de Marr (1982). Esto quiere decir que en la asntota, el comportamiento de los sujetos se ajustar a la norma racional definida por el MCP, pero en ningn momento se hace alusin a cul sera el algoritmo mediante el que se hace realmente el cmputo de la contingencia. En este sentido, el modelo de contrastes no es incompatible con el otro tipo de modelos explicativos de los juicios. Como ms adelante veremos, MCP y algunos modelos asociativos hacen predicciones similares en la asntota en una variedad de condiciones (Shanks, 1996). Esto ha llevado a algunos autores a distinguir entre una teora MCP computacional y una teora MCP estadstica (Lober y Shanks, remitido). Adems de los estudios de interaccin entre claves, existe evidencia directa de que, al menos en determinadas circunstancias, los juicios de causalidad humanos se ajustan a este tipo de cmputos condicionales, es decir para una clave relativo al resto. En una tarea ensayo-a-ensayo en la que las personas deban estimar la influencia de dos tipos de fertilizantes sobre el florecimiento de una planta, Spellman (1996) demostr que los participantes ajustaban sus juicios causales sobre cada uno de los fertilizantes a la presencia o ausencia constante del otro fertilizante. En tareas de juicios de contingencia,

180

la evidencia resulta ms escasa y controvertida. As, Ramos y Catena (remitido) han demostrado que bajo ciertas circunstancias los juicios de contingencia son mejor predichos por P incondicional, es decir considerando cada clave de manera independiente. La teora MCP presenta adems una serie de problemas. En las ocasiones en las que existen varios focal set viables, no es posible definir a priori cul de ellos utilizar el sujeto para realizar el cmputo de la contingencia. En estos casos, la corroboracin de la teora puede hacerse nicamente a posteriori. Por otra parte, la teora MCP pretende ser un modelo de aprendizaje causal propiamente dicho. Sin embargo, tal y como est planteada, puede aplicarse tanto al aprendizaje causal como al aprendizaje predictivo. En otras palabras, la teora de Cheng y Novick no hace explcitos (a) los principios de eleccin de un determinado focal set frente a otros y (b) las condiciones bajo las cuales la contingencia condicionada es utilizada por el sujeto como un verdadero ndice de influencia causal. Una variante del modelo de contrastes, la teora de potencia causal (Power PC Theory, Cheng, 1997) pretende solventar estos problemas. En primer lugar, establece una distincin clara entre contingencia percibida, que sera la contingencia condicional estimada por el sujeto entre una clave y un resultado y la potencia causal percibida (causal power), que sera la estimacin que el sujeto realiza de la influencia causal unidireccional que la clave (causa potencial) ejerce sobre el resultado. La teora de Potencia Causal retoma, por tanto, una cuestin heredera del estudio filosfico de la causalidad, esto es si la diferencia entre el aprendizaje de las relaciones predictivas o de contingencia y el aprendizaje de relaciones causales es una distincin meramente conceptual o es una distincin con contenido psicolgico. Para la teora de Potencia causal, siendo X y Z dos causas potenciales alternativas, y R el resultado o consecuencia, la relacin entre potencia causal para X (una causa potencialmente generativa) y su P condicional viene dada por la siguiente ecuacin: (7) Px = (Px - [P(z/x) - P(z/no x)]* Pz ) / (1 - P(z/x)* Pz) donde Px es la potencia causal para la clave x, Px es la contingencia entre x y el resultado, [P(z/x) - P(z/no x)] es la contingencia entre las dos claves, Pz es la potencia causal para z y P(z/x) es la probabilidad de aparicin de la clave z dada la aparicin de la clave x (para una justificacin racional de esta ecuacin ver Cheng, 1997, p. 374). Px y Pz son parmetros internos, desconocidos para el experimentador. Si tanto z como x son claves nuevas, esto es, si Px y Pz no tienen ningn valor previo para el sujeto, la potencia causal para x no es calculable a partir de Px , ya que Pz es desconocido. La nica excepcin a esta afirmacin se produce cuando las dos claves no covaran entre s. En ese caso, la ecuacin (7) puede reescribirse como sigue:

181

(8) Px = Px / (1 - P(R/no x)) esto es, P es un estimador conservador de la potencia causal; tanto ms conservador cuanto mayor es la probabilidad de ocurrencia del resultado en ausencia de la clave objetivo (x). Para causas potencialmente preventivas, y manteniendo la condicin de que z e x no covaren, puede deducirse una ecuacin similar: (9) Px = - Px / (P(R/no x)) En este caso, Px se refiere a la potencia causal preventiva de la clave x. Uno de los objetivos de esta teora es solucionar el problema de la eleccin del focal set. Para causas generativas se elegirn aquellos focal sets en los que las causas alternativas se mantengan ausentes de forma constante (y as que la covariacin entre claves sea nula) y P(R/no x) se aleje de uno. En esas condiciones Px es calculable a partir de Px. Por el contrario, para causas preventivas se tender a elegir un focal set en el que una causa alternativa est continuamente presente y P(R/no x) se aleje de cero. En esas condiciones, Px es un estimador ms o menos conservador de Px. Como consecuencia, la teora de potencia causal mantiene que los juicios de causalidad son un ndice de Px, esto es, de la potencia causal de la clave objetivo. Ello quiere decir que en tareas de juicios de causalidad, los juicios se vern influidos no slo por la contingencia Px condicional, sino tambin por la tasa base de ocurrencia del resultado o consecuencia - P (R/no x)-. Dicha prediccin ha sido contrastada y confirmada en varias ocasiones (i.e. Buehner y Cheng, 1997), aunque la interpretacin del resultado no es siempre coincidente con la teora de potencia causal (Lober y Shanks, en prensa; Valle-Tourengeau et al, 1997). Un problema grave al que se enfrenta esta teora se refiere a las condiciones de aplicacin de las ecuaciones para causas preventivas o generativas. El sujeto debe tener cierto conocimiento a priori que le permita (a) discriminar si la causa es potencialmente generativa o preventiva y (b) utilizar el algoritmo adecuado para el tipo de causa al que se enfrenta. Se deduce de aqu que cuando el sujeto se enfrenta a claves causales totalmente nuevas no puede saber a priori qu algoritmo aplicar. El problema se agrava si consideramos que dicho conocimiento tambin es necesario para elegir el focal set de referencia adecuado. El mayor mrito de este modelo es el de distinguir explcitamente entre estimaciones de causalidad y estimaciones de contingencia. Esta distincin, como veremos, es ignorada (aunque no explcitamente negada) en las teoras de carcter asociativo. Una segunda aportacin importante, e implcitamente asumida por la prctica totalidad de las aproximaciones tericas, es que el cmputo de la contingencia es al menos una condicin previa necesaria para la estimacin de la causalidad. Los mecanismos que realizan dicho cmputo, ya

182

sea en tareas de aprendizaje causal, ya en tareas de aprendizaje meramente predictivo, son probablemente comunes. 3.2. Modelos asociativos Los modelos asociativos suponen una aproximacin terica totalmente distinta al estudio del aprendizaje causal. Todos estos modelos comparten una serie de principios comunes: Los mecanismos cognitivos que rigen el aprendizaje predictivo en humanos y animales son de la misma naturaleza. Los mecanismos que subyacen al aprendizaje predictivo y al aprendizaje causal son, al menos parcialmente, comunes. El aprendizaje se produce por la acumulacin de fuerza asociativa, el fortalecimiento del lazo que une los nodos de la clave y el del resultado. La acumulacin de fuerza asociativa se produce por la activacin conjunta de las representaciones mentales de la clave (input) y el resultado (output). La magnitud de la respuesta aprendida es una funcin de la activacin del nodo o representacin mental del resultado, y sta, a su vez es una funcin de la activacin del nodo o representacin mental de la clave ponderada por la fuerza asociativa del lazo que los une. La acumulacin de fuerza asociativa sigue un patrn negativamente acelerado que termina por llegar a un valor asinttico, representando el aprendizaje mximo que se puede alcanzar para una clave y un resultado. Los modelos asociativos nacieron dentro del campo del aprendizaje animal. El mas conocido de los modelos asociativos es el formulado por Rescorla y Wagner (1972; aunque ver tambien Mackintosh, 1975; Pearce y Hall, 1980). El principio que subyace a este modelo es que la acumulacin de fuerza asociativa en cada ensayo es una funcin de la discrepancia entre el valor predictivo de la clave (input), representado por la activacin que sta comunica al nodo de salida (output), y el valor de activacin real del output. Esa discrepancia tiende a reducirse conforme avanza el aprendizaje, lo cual predice curvas de aprendizaje negativamente aceleradas. Adems, se supone que la cantidad de fuerza asociativa que puede acumularse en los lazos que unen las representaciones de las diversas claves (input) que ocurren simultneamente en el mismo contexto y la representacin del resultado (output) es limitada, de lo cual se deriva que se establecer un proceso de competicin entre las distintas claves por la fuerza asociativa disponible. El modelo de Rescorla y Wagner (R-W en adelante) se expresa matemticamente como sigue: (10) Va = ( - Vx)

183

donde Va es el incremento de fuerza asociativa en un ensayo entre una clave (a) y un resultado, y son parmetros de actualizacin que dependen, respectivamente, de la saliencia de la clave y el resultado, es el mximo de fuerza asociativa que la representacin del resultado puede soportar (cuyo valor es 0 el los ensayos en los que el resultado no aparece) y Vx es la fuerza asociativa acumulada por todas las claves simultneamente presentes en el ambiente. Esta regla es matemticamente equivalente a la regla LMS (Least Mean Squares) o regla delta, utilizada como regla de actualizacin de pesos en muchos modelos conexionistas. Este modelo se ide expresamente para dar cuenta de los efectos de interaccin entre claves en condicionamiento animal y, por tanto, explicar de forma adecuada los anlogos de tales efectos en aprendizaje causal. El cmputo de la contingencia se supone un proceso totalmente dirigido por los datos. No se considera la posibilidad de que existan influencias top-down en el cmputo de la contingencia. De manera no explcita se asume que cualquier influencia de arriba abajo que pudiera darse no se producira sobre el mecanismo de cmputo propiamente dicho, sino sobre la emisin de la respuesta. Sin embargo, los modelos asociativos no estn libres de problemas. El ms obvio es que slo pueden aplicarse a situaciones de aprendizaje ensayo-aensayo. En las tareas en las que la informacin sobre la contingencia claveresultado se presenta en forma resumida (i.e. tablas) es necesario postular un mecanismo distinto, no asociativo. Este problema ha dado lugar a los llamados modelos duales, que asumen la puesta en marcha de distintos mecanismos de procesamiento en funcin de cul sea el tipo de informacin sobre la que se trabaja (Shanks, 1991). Tambin hay efectos que suponen un problema para modelos como RW, o al menos para su formulacin original. Por ejemplo, Wassermann y sus colaboradores (Kao y Wasserman, 1993; Levin, Wasserman y Kao, 1993) han descubierto que las personas no conceden la misma importancia a los distintos tipos de ensayo de la tabla de contingencia. Esto hecho se ha comprobado (a) analizando los juicios subjetivos de los sujetos sobre la importancia relativa concedida a cada tipo de ensayo y (b) analizando los juicios de contingencia directos en distintas tareas que se diferenciaban en un solo ensayo. Ambos tipos de evidencia convergen en la idea de que se concede un mayor peso a los ensayos del tipo a que a los de tipo b y c, y ms a stos a los del tipo d. La ponderacin diferencial de los ensayos forz la modificacin de los modelos de reglas y tambin ha dado lugar a una versin modificada del modelo R-W (Markman, 1989; Tassoni, 1995), en la que los parmetros y pueden tomar distintos valores (positivos o negativos) en funcin de que la clave aparezca o no. Esta modificacin permite, adems, postular que se producir aprendizaje sobre una clave incluso cuando esa clave no se presenta, posibilidad que no contempla la versin original de R-W. Sin embargo, Maldonado et al (1999) han demostrado que los pesos de los ensayos pueden tambin cambiar a lo largo de la tarea de aprendizaje, efecto

184

que no es predicho por ninguno de los modelos asociativos planteados hasta la fecha. Los modelos asociativos tambin tienen problemas para dar cuenta de los llamados efectos del modo de respuesta, bien conocidos en la literatura sobre actualizacin de creencias y formacin de impresiones (para una revisin ver Hastie y Pennington 1995; Hogarth y Einhorn, 1992). En el tipo de tareas que a nosotros nos ocupa, el modo de respuesta se refiere bsicamente a la frecuencia con la que el sujeto debe emitir sus juicios de causalidad o contingencia. Los modos de respuesta ms utilizados son el tipo global, cuando se pide una nica estimacin al finalizar una serie de ensayos y el tipo ensayo-a-ensayo se debe realizar una estimacin tras cada pieza de informacin. Ninguno de los modelos que hemos analizado hasta aqu prev un efecto principal del modo de respuesta sobre la magnitud de los juicios emitidos (Arkes y Harkness, 1983), aunque a posteriori los modelos asociativos son suficientemente verstiles como para acomodar este tipo de efecto. Se podra argumentar, por ejemplo, que el modo de respuesta afecta a los valores de los parmetros de actualizacin de los pesos ( y ). Ms problemtico resulta un efecto descrito recientemente y que se ha llamado efecto de la frecuencia del juicio (Catena et al, 1998). Catena y cols (1998, exp. 1) realizaron un experimento en el que se manipul la frecuencia con la que los sujetos deban emitir sus juicios, a dos niveles: alta frecuencia (despus de cada ensayo) y baja frecuencia (cada 8 ensayos). Cada serie de ensayos estaba compuesta de 4 bloques de 8 ensayos, de tal manera que el numero total de ensayos fue de 32. La contingencia era igual en cada uno de los bloques e igual a la contingencia global de la tarea (0.5). En cada serie de 32 ensayos se manipul el tipo de ensayo final de cada uno de los bloques, de tal manera que un bloque finalizaba en un ensayo tipo a, otro en un ensayo tipo b, otro en un ensayo tipo c y otro en un ensayo tipo d. La secuencia de los tipos de ensayo al final de bloque se contrabalance a travs de los sujetos. El efecto ms interesante fue la interaccin entre la frecuencia del juicio y el tipo de ensayo final de bloque. En el grupo que emita sus juicios ensayo a ensayo, la magnitud de los juicios era dependiente del tipo de ensayo final de bloque. Ms concretamente, la magnitud de los juicios emitidos tras un ensayo tipo a era algo mayor que la de los emitidos tras un tipo d y sta algo mayor que la de los emitidos tras un ensayo tipo b o c. Tal dependencia no apareca en absoluto en los sujetos que emitan sus juicios cada 8 ensayos (grupo de baja frecuencia). Este patrn de resultados tiende a atenuarse con frecuencias de juicio intermedias, hasta desaparecer totalmente con frecuencias de juicio menores a un juicio cada cuatro ensayos (exp. 2). Como veremos ms adelante, slo modelos ms complejos que los vistos hasta ahora (tanto asociativos como estadsticos) pueden explicar este efecto. Un ltimo conjunto de datos que resulta problemtico para la formulacin original de los modelos asociativos proviene, sorprendentemente, de los estudios sobre interaccin entre claves. Shanks (1985b) demostr que, si en un diseo de bloqueo estndar se invierten las fases del grupo experimental, el efecto de bloqueo tambin aparece (bloqueo hacia atrs).

185

En un grupo de bloqueo hacia atrs los sujetos son expuestos en una primera fase a la relacin contingente entre un compuesto estimular (AB) y un resultado (R). En una segunda fase el sujeto es expuesto a una relacin contingente entre uno de los estmulos del compuesto (B) y el mismo resultado (R). Sorprendentemente, esta segunda fase (en la que no se presenta el estmulo A) interfiere con lo aprendido sobre A en primera fase, produciendo un reduccin de los juicios sobre esta clave. El bloqueo hacia atrs pertenece a un conjunto de efectos que se conoce como efectos de reevaluacin retrospectiva, y que se caracteriza por la modificacin de lo aprendido sobre una clave en virtud de una experiencia posterior de aprendizaje en la que no se presenta esa clave (Dickinson y Burke, 1996). La estrategia que se ha seguido para adaptar el modelo R-W a este tipo de efectos ha sido similar a la seguida para dar cuenta de la ponderacin diferencial de los ensayos. Bsicamente, se permite que la regla produzca aprendizaje sobre una clave en una situacin en la que esa clave no aparece. La condicin fundamental que debe ocurrir para que eso suceda es que dicha clave sea esperada por el sujeto en ese contexto (Tassoni, 1995; Wasserman, 1994). Segn esta variante asociativa, en la primera fase del bloqueo hacia atrs no slo se asocian ambas claves con el resultado, sino que tambin se asocian ambas claves entre s. En virtud de la asociacin intra-compuesto entre claves, el sujeto espera en la segunda fase la aparicin de la clave. La disonancia producida entre la expectativa de aparicin de la clave y su no aparicin real permite aprender sobre esa clave. El tipo de aprendizaje que se produce es inhibitorio, ya que para este caso se supone que adopta un valor negativo. Este aprendizaje inhibitorio sera por tanto la causa de la interferencia que se produce en los experimentos de reevaluacin retrospectiva. 3.3. Teora del modelo causal. Para el modelo R-W, y los modelos asociativos en general, las representaciones o nodos de input corresponden siempre a las claves, esto es, los estmulos que temporalmente aparecen en primer lugar en la tarea, mientras que los nodos de output representan a los resultados. Segn este punto de vista, el papel causal de las claves y el de los resultados es indiferente. Tanto en el caso de que las claves sean causas potenciales y los resultados las consecuencias, como en el caso contrario -en el que las claves son las consecuencias aunque temporalmente sean anteriores- la direccin del lazo asociativo va siempre de clave a resultado y no al revs. La teora del modelo causal (Waldmann, 1996; Waldmann y Holyoak, 1992, 1997) mantiene que los juicios causales se ajustan a P condicional, calculada sobre las causas potenciales y las consecuencias, independientemente de la ordenacin temporal de las mismas. En otras palabras, siendo X y Z dos causas potenciales y R una consecuencia, P condicional para X se calculara de la siguiente manera en caso de que se estableciesen como focal set los ensayos en los que Z est presente:

186

(11) Px = P(R/XZ) - P(R/noXZ) o bien se calculara de la siguiente manera en caso de que se estableciesen como focal set los ensayos en los que Z est ausente. (12) Px = P(R/XnoZ) - P(R/noXnoZ) Recordemos que P condicionada predice efectos de interaccin entre dos claves por la necesidad de condicionar una de ellas a la presencia o la ausencia de la otra. La teora del modelo causal predice lo mismo en el caso de que haya dos causas potenciales y una consecuencia (tareas predictivas). Sin embargo, si las dos claves cumplen el papel de consecuencias y el resultado cumple el papel de posible causa comn para ellas (en las llamadas tareas diagnsticas), la teora predice la ausencia de interaccin entre las claves. Dicho de otro modo, las causas compiten entre s, pero no las consecuencias. Esta prediccin se deriva del principio de la teora que mantiene que las variables de entrada para el cmputo de la contingencia son siempre las causas, independientemente de la posicin temporal que ocupen en la tarea. Waldmann y Holyoak (1997) hacen hincapi en que la teora del modelo causal es explcitamente una teora de aprendizaje causal. Esto delimita de manera muy estricta el mbito de tareas en las que la teora puede ponerse a prueba. Concretamente, en la tarea debe quedar clara la naturaleza causal de la relacin existente entre la clave o claves y el resultado o resultados. Adems, el juicio registrado debe ser un juicio causal. Bajo estas condiciones se ha encontrado que, como predice la teora, las causas compiten entre si mientras que las consecuencias no lo hacen (Waldmann, 1996; Waldmann y Holyoak, 1992; aunque ver Shanks y Lpez, 1997 y Waldmann y Holyoak, 1998). La teora del modelo causal se inserta en la tradicin filosfica Kantiana en la medida en que supone que las personas contamos con alguna clase de conocimiento previo que permite discriminar qu clase de acontecimientos pueden ser causas y qu clase de acontecimientos pueden desempear el papel de consecuencias. Existen distintas aproximaciones sobre cul podra ser la naturaleza de dicho conocimiento previo (ver Cheng y Lien, 1996). Sin embargo, la cuestin terica de ms importancia actualmente a este respecto es si el conocimiento previo influye de arriba abajo (top-down) sobre el cmputo mismo de las relaciones causales, tal y como mantiene la teora del modelo causal, o si el conocimiento previo est implementado simplemente como un conjunto de expectativas previas en forma de valores iniciales ms o menos altos para los pesos asignados a los lazos en una red asociativa.

187

4. Conclusiones: Perspectivas de integracin presentes y futuras. El estudio experimental del aprendizaje causal tal y como lo conocemos abarca ya tres dcadas. El corpus de datos recogido a lo largo de todos estos aos tiene ya un volumen considerable. Cualquier teora que pretenda ser explicativa debe dar cuenta de los efectos derivados de la manipulacin de la contingencia, las distintas desviaciones de la regla P que se han observado, los efectos de orden de los ensayos y de la interaccin entre claves, los efectos debidos al modo de respuesta y la frecuencia del juicio, la reevaluacin retrospectiva y los efectos de la manipulacin de la estructura causal de la tarea, entre otros. Ninguna de las teoras propuestas explica todos y cada uno de los datos recogidos en la literatura, de ah la necesidad de hacer una integracin razonable de las distintas aportaciones tericas que han ido surgiendo a lo largo de los aos. Una primera estrategia que ha dado buenos resultados ha sido considerar diferentes teoras a distintos niveles de explicacin psicolgica. Puede demostrarse matemticamente que en tareas de juicios de contingencia/causalidad, asumiendo igualdad de parmetros de tasa, cuando se presenta una sola clave y un solo resultado, las predicciones de la regla LMS y P coinciden asintticamente (Chapman y Robbins, 1990). Es ms, cuando existe ms de una clave y los distintos compuestos son anidables (cuando cada compuesto de un grado inferior es un subconjunto de un compuesto de grado superior, p.e. A, AB y ABC), las predicciones asintticas de la regla LMS y P condicional tambin coinciden (Shanks, Holyoak y Medin, 1996). Esto ha llevado a distintos autores a proponer que simplemente se trata de teoras no incompatibles situadas en distintos niveles de organizacin. Cheng y Novick (1995) plantean la teora del contraste probabilstico como un teora situada a nivel computacional en los trminos de D. Marr (1982). Cheng (1997) tambin plantea la teora de potencia causal como una teora situada en el nivel computacional. Por el contrario, los modelos de reglas y asociativos son modelos algortmicos, esto es, teorizan sobre los procesos cognitivos que el sujeto efectivamente realiza. Shanks (1996) por ejemplo, considera que el equivalente computacional de los modelos basados en la regla LMS es la teora del contraste probabilstico. Igualmente el algoritmo de cmputo de la contingencia en la teora de potencia causal podra ser de naturaleza tanto asociativa como estadstica. Una segunda posibilidad de integracin proviene de la constatacin de que necesariamente deben existir varios tipos de mecanismos para el cmputo de las relaciones entre claves y resultados. Los modelos asociativos no son aplicables cuando la presentacin de la informacin se hace en formato de tablas. En este contexto slo son aplicables los modelos de reglas. De forma similar, cuando en tareas con presentacin serial se produce experimentalmente una sobrecarga de la memoria de trabajo (por ejemplo mediante una tarea simultnea, o presentando un gran nmero de claves y resultados) no es lgico pensar que se adopte una estrategia de tipo estadstico. Sin embargo ni en las tareas en las que la informacin se presenta resumida, ni en las tareas seriales en las que se sobrecarga la memoria de

188

trabajo los juicios de contingencia sufren deterioros considerables en su ajuste. En otras palabras, tanto un mecanismo asociativo como uno estadstico son necesarios. La cuestin a resolver, por tanto, es determinar cul es el mecanismo aplicado por defecto en situaciones en las que cualquiera de los dos podra aplicarse. Los modelos futuros debern complicarse para establecer cules son los distintos mecanismos implicados en el aprendizaje causal y qu tipo de relaciones se establecen entre ellos. El modelo de revisin de creencias de Catena y colaboradores (Catena et al, 1998; Maldonado et al, 1999; Perales, Catena y Maldonado, en preparacin) planteado para explicar efectos relacionados con el modo de respuesta y de la frecuencia del juicio adopta esta perspectiva integradora. Segn este modelo, el efecto de la frecuencia del juicio se produce porque las personas no utilizan directamente toda la informacin presentada durante la tarea experimental para realizar la estimacin de contingencia, sino que integran la informacin presentada desde el ltimo juicio emitido con el valor de ese ltimo juicio. El modelo se expresa matemticamente como sigue: (13) Ji = J i-1 + (EN - Ji-1 ) Donde Ji representa el juicio actual, Ji-1 representa el juicio anterior emitido por el sujeto y es un parmetro de actualizacin, cuyo valor depende de variables de tipo estratgico. EN es la parte nuclear del modelo, y representa una funcin que acumula evidencia sobre la relacin entre la clave y la consecuencia entre dos juicios consecutivos. En la formulacin actual del modelo esta funcin es semejante a una delta D ponderada (ver ecuacin 3). Sin embargo, podra tratarse tambin de un mecanismo asociativo, tipo regla LMS. Por consiguiente, el modelo es independiente del tipo de mecanismo responsable de la acumulacin de evidencia (el mecanismo de cmputo de la contingencia). De hecho ambos mecanismos (asociativo y estadstico) podran funcionar en paralelo, siendo factores extra tarea, como la comprensin que el sujeto alcance de la tarea o sus expectativas, quienes determinen cul de ellos va a ser utilizado en una situacin determinada (Ramos y Catena, remitido). La nica restriccin que el mecanismo de actualizacin de juicios (el mecanismo de integracin de informacin, expresado en la ecuacin 12) impone sobre el mecanismo de clculo de la relacin clave-consecuencia es que ste debe reiniciarse siempre que se emite un nuevo juicio. La reiniciacin del mecanismo de clculo conllevara la desaparicin de las curvas estndar de aprendizaje. Esa prediccin ha sido contrastada con xito en nuestro laboratorio (Perales, Catena y Maldonado, en preparacin). La integracin de distintas aportaciones tericas debe hacerse en cualquier caso de forma cuidadosa, ya que tal y como ocurre en el modelo de Catena y cols., mantener determinados postulados a un nivel puede conllevar restricciones a otro nivel. En el futuro, el anlisis de las coincidencias e incompatibilidades entre distintas aproximaciones tericas podr llevar a modelos ms completos que los planteados hasta la fecha.

189

ABSTRACT
Learning o f Contingency/Causality relationships: An approach t o current theoretical trends . The study of causality learning has greatly increased along the two last decades. However, the rise of experimental data has not been accompanied by a parallel theoretical development that allows its integration. Any theoretical approach that claims to be explanatory should be able to explain these data, as well as its relationship with the types of task. This review presents an organized account of the experimental corpus of human causality learning, as well as its possible theoretical explanations. The analysis of the similarities and incompatibilities among different theoretical approaches led to consider models of serial organization that make explicit the different processing stages implied in this learning.

Key Words: Causality learning, contingency, covariation, associative models, rule models.

REFERENCIAS
Allan, L. G. & Jenkins, H. M. (1980). The judgment of contingency and the nature of response alternatives. Canadian Journal of Psychology, 34, 1-11. Alloy, L. B. & Abramson, L. Y. (1979). Judgements of contingency in depressed and nondepressed students: Sadder but wiser? Journal of Experimental Psychology : General, 108, 441-485. Anderson, J. R. & Sheu, C. (1995). Causal inferences as perceptual judgements. Memory and Cognition, 23, 510-524. Arkes, H. R. & Harkness, A. R. (1983). Estimates of contingency between two dichotomous variables. Journal of Experimental Psychology : General, 112, 117135. Baker, A.G., Berbrier, M. W., Valle-Tourangeau, F. (1989). Judgments of a 2 x 2 contingency table : Sequential processing and the learning curve. Quarterly Journal of Experimental Psychology, 41B, 65-97. Buehner, M. J. & Cheng, P. W. (1997). Causal induction : The Power-PC theory vs. Rescorla-Wagner theory. In Roitblat, H. L. & Meyer, J. A. (Eds.), Proceedings of the nineteeth annual conference of the Cognitive Science Society. Erlbaum. Mahwah, New Jersey. Catena, A., Maldonado, A. & Cndido, A. (1998). The effect of the frequency of judgment and the type of trials on covariation learning. Journal of Experimental Psychology : Human Perception and Performance, 24, 481-495. Chapman, G. (1991). Trial order affects cue interaction in contingency judgment. Journal of Experimental Psychology : Learning, Memory and Cognition, 17, 414-432. Chapman, G. B. & Robbins, S. J. (1990). Cue interaction in human contingency judgement. Memory and Cognition, 18, 537-545. Chatlosh, D.L., Neunaber, D. J. & Wasserman, E. A. (1985). Response-outcome contingency : Behavioral and judgmental effects of appetitive and aversive outcomes with college students. Learning and Motivation, 16, 1-34.

190 Cheng, P. (1997). From covariation to causation : A causal power theory. Psychological Review, 104, 367-405. Cheng, P. & Lien, L. (1996). The role of coherence in differentiating genuine from spurious causes. In Sperber, D., Premack, D. & Premack, A. (eds.) Causal Cognition: A multidisciplinary debate. Clarendon Press. Oxford. Cheng, P. & Novick, L. R. (1990). A probabilistic contrast model of causal induction. Journal of Personality and Social Psychology, 58, 545-567. Cheng, P. & Novick, L. R. (1992). Covariation in natural causal induction. Psychological Review, 99, 365-382. De Jong, P. J., Merckelbach, H. & Arntz, A. (1990). Illusory correlation, on-line probability estimates and electrodemal responding in a quasi-conditioning paradigm. Biological Psychology, 31, 201-212. Dickinson, A. and Burke, J. (1996). Within-compound associations mediate the retrospective revaluation of causality judgments. Quarterly Journal of Experimental Psychology, 49B, 60-80. Dickinson, A., Shanks, D. R. & Evenden, J. (1984). Judgment of the act-outcome contingency : The role of selective attribution. Quarterly Journal of Experimental Psychology, 36A, 29-50. Dickinson, A. & Shanks, D. (1996). Instrumental action and causal representation. In Sperber, D., Premack, D. & Premack, A. (eds.) Causal Cognition: A multidisciplinary debate. Clarendon Press. Oxford. Jenkins, H. M. & Ward, W. C. (1965). Judgement of contingency between responses and outcomes. Psychological Monographs, 79. Hastie, R. & Pennington, N. (1995). Cognitive aproaches to judgment and decision making. The Psychology of Learning and Motivation, 32, 1-31. Heit, E. (1998). Influences of prior knowledge on selective weighting of category members. Journal of Experimental Psychology : Learning, Memory and Cognition, 24, 712731. Hogarth, R. M. & Einhorn, H. J. (1992). Order effects in belief updating : The belief adjustment model. Cognitive Psychology, 24, 1-55. Kao, S. F. & Wasserman, E. A. (1993). Assessment of an information integration account of contingency judgment with examination of subjective cell importance and method of information presentation. Journal of Experimental Psychology : Learning, Memory and Cognition, 19, 1363-1386. Kareev, Y. (1995). Positive bias in the perception of covariation. Psychological Review, 102, 490-502. Kelley, H. H. (1973). The process of causal attribution. American Psychologist, 28, 107128. Levin, I. P., Wasserman, E. A. & Kao, S. F. (1993). Multiple methods of examining biased information use in contingency judgements. Organizational Behavior and Human Decision Processes, 55, 228-250. Lober, K. & Shanks, D. R. Experimental falsification of Chengs (1997) Power PC Theory of causal induction. Remitido. Lpez, F., Shanks, D. R., Almaraz, J. & Fernndez, P. (1998). Effects of trial order on contingency judgments : A comparison of associative and probabilistic contrast accounts. Journal of Experimental Psychology : Learning, Memory and Cognition, 24, 672-694.

191 Lovibond, P. F., Siddle, A. T. & Bond, N. (1988). Insensivity to stimulus validity in human pavlovian conditioning. The Quarterly Journal of Experimental Psychology, 40B, 377-410. Mackintosh, N. J. (1975). A theory of attention : Variations in the associability of stimuli with reinforcement. Psychological Review, 82, 276-289. Maldonado, A., Catena, A., Cndido, A. & Garca, I. (1999). Assymmetrical effects of previous noncontingency on human covariation learning. Animal Learning & Behavior, 27, 168-180. Mandel, D. R. & Lehman, D. R. (1998). Integration of contingency information in judgements of cause, covariation and probability. Journal of Experimental Psychology : General, 127, 269-285. Markman, A. B. (1989). LMS rules and the inverse base-rate effect : Comments on Gluck and Bower (1988). Journal of Experimental Psychology : General, 118, 417-421. Marr, D. (1982). Vision : A computational investigation into the human representation and processing of visual information. Freeman. San Francisco. Matute, H., Arcediano, F. y Miller, R.R. (1996) Test question modulates cue competition between causes and effects. Journal of Experimental Psychology: Learning, Memory and Cognition. 22, 182-196 Matute, H. y Pieno, O. (1998). Stimulus competition in the absence of compound conditioning. Animal Learning and Behavior,26,3-14. Miller, R. & Matute, H. (1996). Animal analogues of causal judgement. The Psychology of Learning and Motivation, 34, 133-166. Ortega, A. R. (1991). Contingencia y Juicios de Covariacin en humanos. Tesis Doctoral. Universidad de Granada. Pearce, J. M. & Hall, G. (1980). A model for pavlovian conditioning Variations in the effectiveness of conditioned but not unconditioned stimuli. Psychological Review, 87, 532-552. Perales, J.C., Catena, A. & Maldonado, A. The frequency of judgment effect: The role of contingency and trial number. Remitido. Pavlov, I.P. (1927). Conditional Reflexes. Oxford University Press. Oxford. Premack, D. (1993). Prolegomenon to evolution of cognition. In Poggio, T. & Glaser, D. (eds.) Exploring brain functions : Models in Neuroscience. Price, P.C. & Yates, F. J. (1995). Associative and rule-based accounts of cue interaction in contingency judgment. Journal of Experimental Psychology : Learning, Memory and Cognition, 21, 1639-1655. Ramos, M. M. & Catena, A. Adaptive learning : Evidence in favour of an unconditional computation of causal relationship. Remitido. Rescorla, R. A. (1969). Pavlovian condtitioned inhibition. Psychological Bulletin, 72, 77-94. Rescorla, R.A. (1971). Variations in the effectiveness of reinforcement and non reinforcement following prior inhibitory conditioning. Learning and Motivation, 2, 113-123. Rescorla, R. A. & Wagner, A. R. (1972). A theory of pavlovian conditioning : variations on the effectiveness of reinforcement and non-reinforcement. In Black, A. H. & Prokasy, W. F. (Eds.), Classical Conditioning II : Current Theory and Research. Appleton-Century Crofts. New York. Shanks, D. R. (1985a). Continuous monitoring of human contingency judgments across trials. Memory and Cognition, 13, 158-167.

192 Shanks, D. R. (1985b). Forward and backward blocking in human contingency judgment. Quarterly Journal of Experimental Psychology, 37B, 1-21. Shanks, D. R. (1989). Selectional processes in causality judgment. Memory and Cognition, 17, 27-34. Shanks, D. R. (1991). On similarities between causal judgments in experienced and described situations. Psychological Science, 2, 341-350. Shanks, D. R. (1993). Human instrumental learning: A critical review of data and theory. British Journal of Psychology, 84. 319-354. Shanks, D. R. (1995). Is human learning rational?. Quarterly Journal of Experimental Psychology, 48A, 257-279. Shanks, D. R. (1996). The Psychology of Associative Learning. Cambridge University Press. Shanks, D. R. & Dickinson, A. (1991). Instrumental learning and judgement under variations in action-outcome contingency and contiguity. Memory and Cognition, 19, 253-360. Shanks, D. R., Holyoak, K. J. & Medin, D. L. (Eds.).(1996). The Psychology of Learning and Motivation (vol. 34) : Causal Learning. Academic Press. San Diego. Shanks, D. R. & Lpez, F. (1996). Causal order does not affect cue selection in human associative learning. Memory and Cognition, 24, 511-522. Smedslund, J. (1963). The concept of correlation in adults. Scandinavian Journal of Psychology, 4, 165-173. Spellmann, B. A. (1996). Acting as intuitive scientists : Contingency judgments are made while controlling for alternative potential causes. Psychological Science, 7, 337342. Tassoni, C. J. (1995). The LMS network with information coding : A model of cue learning. Journal of Experimental Psychology : Learning, Memory and Cognition, 21, 193-204. Valle-Tourangeau, F., Murphy, R. A. & Drew, S. (1997). Causal Judgments that violate the predictions of the power PC theory of causal induction. In Shafto, M.G. & Langley, P. (Eds.), Proceedigs of the nineteenth annual conference of the Cognitive Science Society. Erlbaum. Mahwah, New Jersey. Trolier, T. K. & Hamilton, D. L. (1986). Variables influencing judgements of correlational relations. Journal of Personality and Social Psychology, 50, 879-888. Wagner, A. R., Logan, F. A., Haberlandt, K. & Price, T. (1968). Stimulus selection in animal discrimination learning. Journal of Experimental Psychology, 76, 171-180. Waldmann, M. R. (1996). Knowledge based causal induction. In D. R. Shanks, K.J. Holyoak, & D. L. Medin, (Eds.).(1996). The Psychology of Learning and Motivation (vol. 34) : Causal Learning, pp. 47-88. Academic Press. San Diego. Waldmann, M. R. & Holyoak, K. J. (1992). Predictive and diagnostic learning within causal models : Asymmetries in cue competition. Journal of Experimental Psychology : General, 2, 222-236. Waldmann, M. R. & Holyoak, K. J. (1997). Determining wether causal order affects cue selection in human contingency learning : Comments on Shanks and Lopez (1996). Memory and Cognition, 25, 125-134. Wasserman, E. A. (1974). Stimulus-reinforcer predictiveness and selective discrimination learning in pigeons. Journal of Experimental Psychology, 108, 284-297. Wasserman, E. A. (1990a). Attribution of causality to common and distinctive elements of compound stimuli. Psychological Science, 1, 298-302.

193 Wasserman, E. A. (1990b). Detecting response-outcome relations: Towards an understanding of the causal texture of the environment. In Bower, G. H. (Ed.) The Psychology of Learning and Motivation, 26, 27-82. Wasserman, E. (1993). Comparative cognition: Toward a general understanding of cognition un behavior. Psychological Science, 4,156-161. Wasserman, E. A., Elek, S. M., Chatlosh, D. L. & Baker, A. G. (1993). Rating causal relations : The role of probability in judgements of response-outcome contingency. Journal of Experimental Psychology : Learning, Memory & Cognition, 19, 174188. Wasserman, E.A., Kao, S.F., van Hamme, L.J., Masayoski, K. & Young, M.E. 1996) Causation and Association. In Shanks, D. R., Holyoak, K. J. & Medin, D. L. (Eds.).(1996). The Psychology of Learning and Motivation (vol. 34) : Causal Learning , 208-264. Williams , D.A., Sagness, K.B. & McPhee, J,.E. (1994) Configural and elemental strategies in predictive learning. Journal of Experimental Psychology : Learning, Memory & Cognition, 20, 694-709. Yates, J. F. & Curley, S. P. (1986). Contingency judgments: Primacy effects and attention decrement. Acta Psychologica, 62, 293-302. Revisin aceptada (5/10/99)