Texto de apropiación científica y tecnológica_____________________________

Módulo 2. La evolución del constructivismo racional 

La metateoría (teoría de la teoría), los psicólogos del desarrollo han observado la rapidez con que los niños pueden aprender sobre el mundo que los rodea, a veces han afirmado que los niños son pequeños científicos. Pero, ¿qué significa decir que un niño es (o es como) un científico? Como señalamos la dimensión relevante de la similitud entre niños y científicos es que ambos enfrentan la tarea de descubrir cómo funciona el mundo. Los científicos realizan esta tarea de manera sistemática, haciendo observaciones a priori, diseñando experimentos, recopilando datos y sacando conclusiones. La visión metafórica del niño como científico argumenta que los niños hacen lo mismo. A su manera, los niños también hacen observaciones, diseñan experimentos, recopilan datos y sacan conclusiones. Un ejemplo clásico de esto se puede encontrar en el juego infantil. La metáfora de los niños como científicos argumenta que los niños pequeños no están haciendo esto al azar. Más bien, su comportamiento les permite aprender sobre las propiedades de los objetos observando si no son compatibles. En edades tempranas, actividades de apilamiento de piezas de madera brindan a los niños experiencias en primera persona de construcción e información sobre la masa de los objetos y el centro de gravedad que es necesario para apreciar las relaciones físicas que involucran apoyo. Este comportamiento particular incluso tiene una bonificación de dos por uno. En edades posteriores, una vez que se pueden dominar los conceptos de apoyo, tales actividades de apilamiento a menudo se convierten en una intervención psicológica por parte del niño: cuántas veces puede hacer esto. La idea de los niños como pequeños científicos se ha formalizado en una de las principales teorías modernas del desarrollo cognitivo, conocida como la metateoría. La metateoría establece que los bebés tienen un conjunto de teorías iniciales sobre el mundo: axiomas matemáticos. Estas teorías no son exactamente las mismas que usan los científicos, pero tienen una estructura similar. Al igual que las teorías científicas en toda regla, las teorías de los bebés son representaciones abstractas y coherentes de la estructura causal^[1]. Por ejemplo, los bebés pueden tener una teoría del mundo físico que incluye un concepto de gravedad: los objetos caen cuando no son completamente apoyados por una superficie. Aunque estas teorías son simples, permiten que los bebés y los niños hagan predicciones sobre el mundo e interpreten la información que observan. 

A medida que se desarrollan las capacidades lingüísticas de los niños, se pueden usar en lo que otras personas dicen, como otra forma de evidencia de sus teorías. Finalmente, se pueden generar sus propias explicaciones. Una de las características más importantes de las teorías de los niños es que, como las teorías científicas, pueden cambiar con el tiempo. Esto es bueno, porque las teorías iniciales que los niños tienen generalmente no son completamente precisas. Por ejemplo, los bebés inicialmente se comportan como si cualquier cantidad de soporte bajo un objeto evitará que caiga, sin importar cuán pequeña sea la superficie del objeto descansada sobre la superficie debajo^[2]. Hay algo correcto en esta teoría, objetos que están completamente sin apoyo, pero esta teoría también necesita cambiar para tener en cuenta los diferentes tipos de escenarios. Por ejemplo, algunos objetos son asimétricos y caerán a menos que se equilibren adecuadamente en la superficie de soporte. A medida que los niños observan o escuchan sobre nuevas pruebas, pueden incorporar esta nueva información en sus teorías y ajustar estas teorías para que se ajusten mejor a cómo es realmente el mundo^[3]. Para tomar otro ejemplo, las observaciones iniciales de los niños generalmente los llevan a creer, incorrectamente pero comprensiblemente, que el mundo es plano. A medida que crecen, escuchan el testimonio de los adultos de confianza que el mundo es realmente redondo, y pueden observar imágenes de la tierra desde el espacio o los globos de encuentro. A través de un proceso lento de sopesar esta nueva observación contra su creencia inicial, los niños se enteran de que el mundo es realmente redondo; cambian su teoría^[4]. 

2.1 El razonamiento científico

Se puede describir directamente como análogo al razonamiento científico: las teorías de los niños cambian a través de la adquisición de nuevas pruebas y a través de un proceso de integración de antaño con nueva información, similar a cómo las teorías científicas cambian a medida que se genera o descubre evidencia nueva. Este ejemplo plantea una pregunta importante a considerar antes de discutir más completamente el desarrollo del pensamiento científico: si los niños participan en este proceso de cambio de teoría, ¿por qué persisten algunas creencias erróneas y pseudocientíficas? 

Considere nuevamente el proceso de aprendizaje de que la Tierra es redonda. Siglos de datos científicos respaldan esta afirmación, sin embargo, algunas personas continúan defendiendo la creencia de que la tierra es plana. Estos terraplanistas   tienen sociedades y convenciones. Aunque hay muchos aspectos fascinantes en este fenómeno, queremos resaltar que los terraplanistas no parecen tener otras creencias que son inconmensuradas con la realidad. Creen que los objetos no apoyados caen y que los objetos sólidos no pueden pasar entre sí. Tampoco niegan que la ciencia exista, ni dicen que el pensamiento científico no es válido. De hecho, quizás sorprendentemente, a menudo intentan usar métodos científicos para apoyar sus afirmaciones. Para citar un informe sobre una de sus conferencias, los terraplanistas parecen confiar y apoyar los métodos científicos, en lo que no confían es en los científicos^[5]. Es decir, lo que parece promover las creencias de la Tierra plana (y, presumiblemente, muchas de las otras creencias que los adultos tienen que son inconmensuradas con la evidencia científica) es un malentendido sobre la relación entre la verdad y el poder. Demostrar que algo (particularmente algo no obvio) es cierto tiene el potencial de ser malinterpretado como una forma de elitismo científico, que parece ser una gran parte del movimiento de la tierra plana. A algunos terraplanistas potencialmente no les gusta la idea de que hay verdades sobre el mundo que no descubrieron (y potencialmente no) a través de propias observaciones directas, posiblemente porque perciben que pierden algo de poder en este proceso. Sospechamos que (aunque, hasta donde sabemos, esto nunca se ha investigado) que las personas que tienen creencias de la Tierra plana (o que niegan el cambio climático o la seguridad de las vacunas, o que tienen otras creencias erróneas y pseudocientíficas) desarrollaron sus habilidades de pensamiento científico de la misma manera como individuos que no tienen estas creencias como adultos. Una de las razones que tuvimos para escribir este manuscrito, fue articular la idea de que el pensamiento científico no es exclusivo de un grupo particular de individuos (es decir, científicos), y que el poder del pensamiento científico está disponible para todos.

2.2 Razonamiento causal

Tenga el potencial de participar en los tipos de razonamiento causal y pensamiento científico que nos lleva a comprender que la Tierra es redonda, que el cambio climático es real y que las vacunas son seguras. Un problema con la teoría de la teoría de la metáfora de los niños científicos tiene mucho que ofrecer. En particular, puede explicar tanto el origen como el desarrollo del conocimiento de los niños. Pero esta teoría, y la metáfora del niño científico en general, sufre de un problema grave: es vaga. La teoría de la teoría se puede declarar en dos oraciones: los niños tienen teorías sobre cómo funciona el mundo. Sus teorías cambian a medida que obtienen más información. Pero, ¿cómo, exactamente, se representan las teorías de los niños? ¿Y cómo cambian estas teorías a medida que los niños observan información en el mundo? 

Para ser justos, la vaguedad es un desafío que enfrenta todas las teorías del desarrollo. Por ejemplo, para explicar cómo los niños avanzan de una etapa de desarrollo a la siguiente, Jean Piaget planteó dos mecanismos de desarrollo: asimilación y alojamiento. Como cualquier libro de texto del desarrollo describirá, los niños se mueven de un estado de equilibrio a otro a través de estos procesos. La información que se ajusta a los conceptos existentes de un niño se asimila a ese concepto, mientras que la información que no encaja con el concepto puede usarse para transformar (acomodar) el concepto a uno nuevo. Para tomar el ejemplo utilizado anteriormente, ya que a los niños se les dice que la tierra es redonda en lugar de plana, llegan a acomodar sus ideas sobre la forma de la tierra al concepto estándar. Para usar los términos de la metateoría, las teorías astronómicas de los niños experimentan un cambio. Pero ambas descripciones, aunque sensatas, son demasiado vagas para ser realmente útiles para describir el desarrollo conceptual de los niños. ¿Cómo cambian los conceptos de los niños sobre la base de la nueva información que reciben? Se pueden observar cambios en las respuestas y comportamientos de los niños, pero ¿qué está sucediendo realmente en las mentes de los niños a medida que revisan sus teorías? ¿Y cómo podemos acceder a estos procesos cognitivos? Hablar sobre el desarrollo del conocimiento de los niños como un proceso de cambio de teoría puede funcionar como una representación productiva del desarrollo solo si hay alguna forma de cobrar los detalles de cómo sucede esto. De lo contrario, es solo una metáfora, una que algunas personas podrían verse tentadas a tomar demasiado literalmente. 

El investigador que argumentó que la metáfora de los niños científicos no pudo tener razón porque los niños en realidad no usan batas de laboratorio y transportan manuscritos. Estamos bastante seguros de que esta es una observación adecuada: los niños no usan batas de laboratorio ni transportan a menudo manuscritos. Pero el hecho de que los niños no hagan estas cosas no invalida la metáfora de los niños científicos. El punto más amplio de la metáfora es que los niños están probando activamente sus creencias sobre el mundo y cambiando su conocimiento en función de sus observaciones y sus interacciones con el mundo, al igual que el proceso de la ciencia. Del mismo modo, existe una tradición fuerte e importante en los estudios del pensamiento científico para observar a los científicos en sus laboratorios u otros entornos naturales para ver cómo abordan la resolución de problemas^[6]. Creemos que esta también es una forma válida de estudiar cómo los niños pueden aprender ciencia, razonar científicamente y, quizás lo más importante, comprometerse con la ciencia. 

Saber cómo los científicos hacen su trabajo también permite a los educadores emular estos procesos con los niños. Pero analizar las prácticas de los científicos adultos como una forma de decirnos cómo los niños deberían pensar científicamente, pierde un punto crucial. Hay ciertas prácticas en las que participan los científicos adultos que los niños nunca harían. Por ejemplo, como científicos en ejercicio, mantenemos cuadernos que detallan notas de sus hallazgos e ideas experimentales. Utilizamos esas notas para ayudar a diseñar nuevos experimentos o para integrar hallazgos juntos (y, a veces, para reflexionar los medios recapitulados para agenciarlos). Ningún niño de 4 años alguna vez tomaría tales notas o participaría en tales prácticas de razonamiento abstracto. 

Pero la ausencia de este comportamiento, al igual que la ausencia de batas de laboratorio y manuscritos, no indica una incapacidad para participar en ningún tipo de pensamiento científico; Solo sugiere la posibilidad de que el pensamiento científico se vea diferente en niños pequeños que en científicos adultos. Si adoptamos el enfoque de que el pensamiento científico es solo y exactamente lo que hacen los científicos adultos, entonces extrañaremos situaciones en las que los niños (y los adultos) participan en el pensamiento científico en el curso de sus actividades cotidianas. Sin embargo, obviamente, para que el enfoque de los niños como científicos haga un trabajo real para la ciencia del desarrollo, debemos ir más allá de la metáfora. Debemos especificar cuáles son las teorías, cómo se representan y el proceso por el cual una representación de una teoría cambia a otra. Afortunadamente, una respuesta a este desafío proviene de la definición de teoría establecida anteriormente: las teorías son representaciones abstractas y coherentes con la estructura causal de la realidad. Para comprender cómo se representan las teorías y cómo cambian las teorías, tenemos que entender cómo se representan las estructuras causales, cómo cambian y cómo pueden permitir la abstracción y la coherencia. Esto es algo en lo que los investigadores en psicología, filosofía e informática han estado trabajando durante mucho tiempo.

El razonamiento causal como aprendizaje asociativo después de la descripción de Piaget de los niños pequeños como "precausales", muchas teorías tempranas del razonamiento causal de los niños postularon que hicieron inferencias basadas en asociaciones, por lo tanto, tomaremos estas señales de la literatura sobre el aprendizaje asociativo en psicología comparativa. Desde este punto de vista, a lo largo de muchas observaciones, los seres humanos (y los animales no humanos) aumentan vínculos más fuertes entre los eventos que tienden a concurrir, que generalmente son causas y efectos. Los animales no humanos pueden aprender varios tipos de relaciones asociativas para hacer predicciones sobre sus entornos. Por ejemplo, los animales no humanos pueden aprender en el transcurso de muchas pruebas que un tipo particular de acción de su parte tenderá a ir acompañado de una recompensa. Cuanto más realizan estos animales esta acción, más fuerte se vuelve este vínculo entre la acción y la recompensa. Esto puede interpretarse como comprender la relación entre una causa y un efecto: la acción causa-recompensa. Basado en este tipo de experimentos, las teorías psicológicas clásicas del aprendizaje asociativo formalizaron cómo los animales relacionan estímulos condicionados e incondicionados entre sí de tal manera que hagan mejores predicciones sobre sus entornos^[7]. 

Estos marcos proporcionan una forma de pensar sobre el razonamiento causal en los seres humanos, incluso en los niños, porque los seres humanos pueden usar mecanismos asociativos similares a los que están disponibles para animales no humanos^[8]. Este proceso se manifiesta en la capacidad de elegir asociaciones entre eventos en el mundo. De hecho, los bebés y los niños pequeños parecen poseer capacidades sofisticadas para notar regularidades estadísticas en el medio ambiente, haciendo que tal hipótesis del desarrollo sea viable. La capacidad de aprender asociaciones individuales es un mecanismo poderoso para interpretar el mundo. Sin embargo, este mecanismo es limitado. Una limitación es la complejidad computacional que requeriría este sistema. Por ejemplo, la mayoría de la investigación citada anteriormente se centra en cómo los niños aprenden que los eventos se desarrollan con el tiempo (por ejemplo, en un idioma determinado, es más probable que la letra A sea seguida por la letra B que por la letra C, y nunca es seguida por la letra D) o cómo se combinan los eventos en el espacio (por ejemplo, los miembros de la Categoría X tienen las características A y B, mientras que los no miembros de la Categoría X carecen de las características A y B). Se necesitan demandas masivas de memoria y razonamiento para aprender todas las asociaciones necesarias para hacer tales inferencias. Dado el gran volumen de datos necesarios para hacer estas inferencias, dicho razonamiento requiere una buena cantidad de exposición a los datos estadísticos. Además, hay muchos recursos atencionales involucrados. El mundo tiene muchas regularidades estadísticas, y muchas de esas asociaciones no indican relaciones causales. 

Para evitar ser inundados por miles de asociaciones espurias, el aprendizaje de la asociación también debe involucrar sistemas atencionales o de excitación para saber qué eventos procesar. Finalmente, para que el aprendizaje asociativo sea una buena representación de la estructura causal, también debe ser capaz de apilar asociaciones entre sí para crear correlaciones de nivel superior. Saber que el evento A se correlaciona con el evento B, y ese evento A se correlaciona con el evento C, no indica que el evento B se correlacionará con el evento C sin el conocimiento de que A también esté presente. Por ejemplo, un sistema de aprendizaje asociativo simple asociará objetos que tienen manos con objetos que tienen piernas (es decir, cuerpos). 

Los bebés pueden registrar este tipo de correlaciones entre las características de los objetos^[9]. Los bebés también entienden que las manos (pero no otros objetos como los palos) producen acciones dirigidas a objetivos^[10]. Registrar el tipo de correlaciones de orden superior que estamos describiendo significa que los bebés además podrán inferir que los objetos con las piernas participarán en acciones dirigidas por objetivos, incluso si el bebé nunca ve las manos del objeto. Aunque puede parecer inverosímil que los niños o los bebés puedan participar en inferencias tan complicadas, varios estudios han demostrado que los niños pequeños pueden detectar tales correlaciones de segundo orden entre las características estáticas de los objetos^[11] así como entre las características dinámicas de los objetos^[12]. Algunos de nuestros trabajos demostraron que los niños pueden usar correlaciones de segundo orden para hacer inferencias causales sobre propiedades de objetos no obvios^[13]. Si introducimos a los niños de 2 y 3 años a dos objetos que diferían en forma, color y tamaño (objetos A y B). El objeto A tenía una característica única (x), mientras que el objeto B tenía una característica única diferente (y). Los dos objetos simplemente se colocaron en una mesa frente a los niños durante unos 10 segundos, para que los niños pudieran verlos, pero no explorarlos. Entonces los objetos fueron guardados. Luego se introdujo a los niños en una máquina novedosa con entradas de música y luces y dos objetos nuevos. Un objeto era idéntico al objeto A, pero no tenía la característica X única. El otro objeto era idéntico al objeto B, pero no tenía la característica Y única. Estos dos objetos se colocaron en la máquina individualmente; uno de ellos lo activó (hizo que se iluminara y reproduzca música cuando entró en contacto con él) y el otro no. Finalmente, los niños fueron introducidos a un tercer par de objetos. Estos objetos parecían completamente diferentes de A y B, excepto que uno de ellos tenía la característica X y el otro tenía la característica Y del par original de objetos que los niños vieron. Se pidió a los niños que manipularan la máquina con estos nuevos objetos. Los niños tendían a elegir el objeto que tenía la correlación de segundo orden con la activación de la máquina. Es decir, si el objeto que parecía el objeto A había activado la máquina, entonces los niños eligieron el objeto en el par de pruebas con la característica X, mientras que, si el objeto que parecía objeto B había activado la máquina, eligieron el objeto con la función Y. Estos datos sugieren que incluso los niños de 2 años pueden registrar relaciones causales de segundo orden. A su vez, estos resultados respaldan la idea de que el razonamiento causal de los niños (y los adultos) podría ser el resultado de capas de razonamiento asociativo, que a su vez realiza un seguimiento de los diferentes tipos de correlaciones. 

Aunque los niños pueden tener acceso a las habilidades computacionales para representar una amplia variedad de relaciones asociativas complejas, creemos que un marco asociativo no es la mejor manera de modelar el razonamiento causal de los niños, porque este marco hace una serie de predicciones que no se transmiten a otros datos. Por ejemplo, en casos como el estudio descrito en el último párrafo, el razonamiento asociativo de orden superior puede llevar a los niños a simplemente poner ambos objetos en la máquina. Si no saben cuál lo hace, o si tienen incluso la más mínima incertidumbre, poner ambos objetos en la máquina es algo razonable, porque esto reflejaría la estructura correlacional más alta posible. Críticamente, los niños nunca hicieron esto, y casi nunca hacen esto en otros estudios donde podrían resolver un problema utilizando este tipo de razonamiento asociativo^[14]. Necesitamos mirar para una respuesta completa a la pregunta de cómo los niños construyen y representan teorías. 

La restricción del razonamiento asociativo de inferencias causales es un buen primer paso, pero el aprendizaje de la estructura causal implica más que comprender que los eventos están asociados. Implica apreciar los cómo y los por qué de esa asociación. Los cómo implican el mecanismo de apreciación, es decir, las formas en que los eventos se relacionan entre sí; esto permite intervenciones, es decir, la capacidad de actuar sobre los eventos en el mundo para producir resultados. Los por qué implican apreciar las razones detrás de esos mecanismos: la comprensión cuando los mecanismos se generalizan a eventos novedosos. El trabajo empírico demuestra que los niños aprecian más que solo asociaciones entre eventos. Por ejemplo, los niños pueden integrar varias piezas de conocimiento causal que poseen con su razonamiento asociativo y capacidades de aprendizaje estadístico^[15]. En un estudio de esta habilidad se centró en un conjunto de camiones, en niños de 14 y 18 meses^[16]. Los camiones tenían pequeñas ruedas negras o grandes amarillas, y las partes superiores del camión parecían una persona pequeña o un árbol verde. Las ruedas podían rodar o fueron arregladas, y la parte superior podría hacer un sonido silbante. Inicialmente, estos investigadores mostraron que los bebés podían aprender la relación entre las partes de un objeto y las funciones de esas partes. Específicamente, habituaron bebés en camiones en los que rodaron las ruedas negras, pero las amarillas no lo hicieron, independientemente de cuál fuera la parte superior del camión. Al mismo tiempo, habituaron a los bebés a los camiones en los que la parte superior que parecía un árbol silbó, pero la parte que parecía una persona no. Los bebés en ambos grupos de edad podían aprender estas relaciones, entendiendo que las características perceptivas de las partes (ruedas negras o amarillas; parte superior que parecía un árbol o una persona) predijeron la función de esas partes. La idea principal de este experimento, sin embargo, no era mostrar que los bebés podían aprender estas correlaciones, sino mostrar que los bebés no aprendieron todo tipo de correlaciones. Hay muchas correlaciones en el mundo, y la mayoría de ellas tienen poco que ver con la estructura causal real del mundo. Por ejemplo, existe una fuerte correlación inversa entre el número de piratas en tierra y la temperatura de la Tierra, pero es difícil encontrar un mecanismo causal en el cual  menos piratas causan directamente un aumento en la temperatura de la Tierra. Naturalmente, rechazamos esta correlación como una estructura causal porque no existe un mecanismo por el cual pueda funcionar. Tampoco creemos que popularizar "hablar como pirata un día" combatirá efectivamente el cambio climático. Para demostrar que los bebés también entienden esto, Madole y Cohen presentaron a los bebés un tipo diferente de correlación. Ahora, la aparición perceptiva de una parte predijo la función de la otra parte. Entonces, si un camión tenía ruedas negras, la parte superior hizo un sonido silbante, independientemente de si estaba formado como una persona o un árbol. Del mismo modo, si la parte superior era un árbol, entonces las ruedas del camión rodaban, independientemente de si eran negras o amarillas. La naturaleza de las correlaciones en esta condición era la misma que en la otra. La cantidad de datos que se dieron a los bebés para aprender estas correlaciones fue la misma. Pero estas correlaciones simplemente no tienen sentido. Como en el caso de los piratas y el cambio climático, no tiende a haber situaciones del mundo real en las que la forma de una parte de un objeto se correlaciona con la función de otra parte del objeto, que puede diferir en forma. Los niños de dieciocho meses no aprendieron esta correlación. Es decir, no se desestimaron a los camiones que violaron la correlación. Sin embargo, los niños de 14 meses lo hicieron. Interpretamos estos hallazgos para demostrar que los bebés mayores no prestaron atención a esta correlación en primer lugar, o que no creían que valiera la pena aprenderla. ¿Y por qué deberían? Por esta edad, tienen otros aspectos del conocimiento causal que les permitieron registrar esta correlación como sin importancia y rechazarla, o no atenderla en primer lugar. Este estudio muestra que, para los 18 meses, los niños pueden usar aspectos de su conocimiento del mundo real para restringir qué correlaciones aprenderán. Esto implica que el aprendizaje causal humano no está puramente impulsado por correlaciones. Los seres humanos tienen acceso a otra información que guía su aprendizaje de tipos particulares de correlaciones, pero no de otras. Dibujamos la misma conclusión utilizando un enfoque diferente. En este experimento, estaríamos interesados ??en comprender qué tan bien los bebés podían rastrear la confiabilidad de los demás como fuente de conocimiento. Mostramos una serie de videos con dos patrones distintos a bebes de 8 meses, estos videos mostraban de una persona en medio de una pantalla. La persona en la pantalla llamó la atención del bebé y luego se dirigió a una ubicación en el espacio (una de las cuatro esquinas de la pantalla). Con cierta frecuencia, una caricatura interesante con un extraño efecto de sonido apareció en una de las cuatro esquinas de la pantalla. El truco del experimento es que un conjunto de los videos mostraban a una persona que siempre era precisa; la persona apareció en diferentes lugares cuatro veces y, las cuatro veces, ahí es donde apareció la caricatura. El otro conjunto de videos mostraba a una persona diferente que era precisa solo el 25% del tiempo, solo mirando la esquina donde el video apareció uno de cada cuatro veces. Queríamos determinar si los bebés aprenderían a seguir la mirada de estas dos personas de manera diferente a esta exposición relativamente breve. Y los bebés lo hicieron. Cuando el informante preciso miró a una ubicación novedosa en la pantalla, los de 8 meses siguieron su mirada. Pero no lo hicieron cuando esa misma ubicación fue indicada por el altavoz inexacto. Estas dos condiciones del estudio muestran que incluso los bebes de 8 meses pueden rastrear la precisión con la que otras personas generan información. Pero el punto más importante para los fines actuales es la condición de control. En esa condición, las caras fueron reemplazadas por dos manchas diferentes que se transformaron en formas de flecha para indicar la ubicación de la caricatura. Los bebes de ocho meses no aprendieron en esta condición; no miraron en la dirección en que se estaba "apuntando" a la prueba. Al igual que el estudio de Madole y Cohen descrito anteriormente, esto sugiere que los bebés no siempre están asociando información de forma coordinada para hacer inferencias. En cambio, están utilizando información de nivel superior, que las personas pueden ser fuentes de conocimiento, pero es menos probable que los objetos lo sean, para determinar cuándo rastrear la precisión de alguien o algo. 

Lo importante de todos estos estudios es que los bebés pueden integrar su conocimiento existente sobre cómo el mundo trabaja, mostrando una alta capacidad para registrar y razonar sobre regularidades estadísticas que están presentes en su entorno. Críticamente, puede que no haya una edad especifica en la que los bebes puedan hacer esto en general; los dos estudios que revisamos examinaron bebés de diferentes edades. Esto se debe a que las piezas específicas de conocimiento causal que son necesarios para restringir las inferencias causales particulares se desarrollan en diferentes momentos. El punto importante es que el conocimiento causal que los niños poseen en cualquier momento limita cómo procesan nueva información y tiene efectos en cascada en el desarrollo del conocimiento posterior. A su vez, esto implica firmemente que las habilidades de razonamiento de los niños están respaldadas por algo más que una mera asociación.

Unir el aprendizaje estadístico a los modelos causales, el hecho de que algunas asociaciones son más fuertes o más destacadas que otras no es una idea novedosa. Este es incluso el caso de los animales no humanos, y es consistente con los modelos clásicos de razonamiento asociativo. Por ejemplo, los roedores aprenden aversión al gusto en un solo ensayo, en lugar de necesitar varios ensayos para construir la asociación negativa^[17]. Esto sugiere que hay otras fuerzas (quizás las evolutivas) que priorizan o sesgan el aprendizaje de los roedores de la relación entre el sabor y la evitación de los alimentos, o que hacen que este tipo de relación sea particularmente destacada. En base a resultados como este, muchos modelos que en sus inicios eran puramente asociativos comenzaron a incorporar una forma de calcular la fuerza causal de las relaciones causales conocidas entre eventos o propiedades, lo que les permite integrar el conocimiento de arriba hacia abajo con principios de aprendizaje asociativo^[18]. 

Un enfoque relacionado se basa en estimar los parámetros causales basados ??en la frecuencia con la que los eventos coexisten, como en el modelo ΔP^[19]  y el modelo Power PC^[20]. Aunque muchos artículos publicados validan cada uno de estos modelos (y muchos más documentos los desafían), un problema para nuestros propósitos es que estos modelos fueron diseñados teniendo en mente razonadores adultos y la evidencia que se ha generado en apoyo de estos modelos proviene de adultos participantes. Empíricamente, el razonamiento causal de los niños no coincide con el de los adultos en muchos casos, y hay evidencia de que las inferencias de los niños no son bien explicadas por ninguno de estos modelos^[21]. 

También hay preocupaciones teóricas con el uso de estos modelos en el desarrollo. Por ejemplo, en algunos de los modelos mencionados anteriormente, se supone que los alumnos tienen procesos separados para identificar eventos en el mundo que podrían ser causas y efectos y para decidir cómo esos eventos encajan en una estructura causal. Es decir, primero identifican la estructura causal y luego determinan por separado la fuerza de las relaciones causales individuales. Parece razonable mantener estos procesos separados; Describir qué eventos en el mundo podrían ser causas y efectos potenciales se pueden hacer independientemente para determinar cómo estas causas y efectos podrían estar relacionados entre sí. Si le pedimos que determine la relación entre voltear un interruptor y una luz encendida, por ejemplo, es relativamente sencillo postular que el interruptor hace que la luz se encienda, y no lo contrario. Este proceso podría ser independiente de determinar la fuerza de la relación entre el cambio y la luz. El problema es que no está claro si estos procesos realmente serían entendidos como separados para los niños pequeños. Dadas estas complejidades, los investigadores de la ciencia cognitiva comenzaron a buscar marcos computacionales alternativos para describir cómo los niños representan el conocimiento causal y participan en una inferencia causal. Un enfoque exitoso se ha basado en un marco computacional llamado modelos gráficos causales^[22]. Estos modelos salieron de un programa de investigación en la intersección de la filosofía y la informática y ahora son una herramienta popular en psicología cognitiva y del desarrollo. En particular se ha argumentado que los modelos gráficos causales podrían resolver la vaguedad de la metateoría especificando cómo las causas y los efectos podrían representarse y en qué nivel de abstracción. Además, se han desarrollado algoritmos bien establecidos para estos modelos para describir cómo se podrían aprender las relaciones entre causas y efectos, particularmente de los datos observados. Además, estos modelos proporcionan una descripción de cómo ocurre la inferencia y el razonamiento contrafactual, lo que respalda la coherencia de estas representaciones. En general, entonces, los modelos gráficos causales parecen ser un ajuste especialmente bueno para describir el comportamiento de los niños. Pero, ¿las inferencias y representaciones de la estructura causal de los niños pequeños son realmente consistentes con este marco? 

2.3 ¿Qué son los modelos gráficos causales? 

El primer paso es explicar qué es un modelo gráfico causal. Para hacerlos tenemos que explicar qué es un modelo gráfico simple. Brevemente, un modelo gráfico es una forma formal (matemática) de representar una distribución de probabilidad conjunta. Entonces, ¿qué es una distribución de probabilidad conjunta? Imagine una lista de todas las combinaciones posibles de los eventos en consideración y la probabilidad de que se produzca cada combinación, esa es una distribución de probabilidad conjunta. Esto puede ser representado por un gráfico. En este formalismo, los nodos en el gráfico se utilizan para representar eventos, objetos o sus propiedades. Los vértices en el modelo se utilizan para representar tipos particulares de dependencias entre dichos objetos o eventos, como su estructura relacional. Un ejemplo simple: la variable X está relacionada con la variable Y, y las X e Y son independientes de Z. Es importante destacar que la información sobre las probabilidades condicionales (es decir, qué eventos probablemente ocurran dado que se han producido otros eventos) puede ser extraído de estas estructuras. Para el ejemplo si sabe que se ha producido X, pensará que es probable que Y también haya ocurrido (o, más precisamente, afecta la probabilidad de que Y ocurra). Pero si sabe que la Z ha ocurrido, no tiene ninguna información sobre X o Y. Dado que los modelos gráficos se pueden usar para representar eventos y las probabilidades de que ocurrieron, comienza a ser más claro cómo pueden ser este tipo de modelos, el llamado razonamiento causal. Sin embargo, antes de que podamos interpretar formalmente estos modelos como representaciones psicológicas del conocimiento causal, debemos hacer dos suposiciones adicionales sobre la estructura subyacente de las conexiones entre eventos (nodos) y las relaciones entre ellos (vértices): la suposición de fidelidad y la suposición de Markov.

Es importante destacar que estos son supuestos, no reclamos empíricos. Si bien hay alguna evidencia empírica que sugiere que estos supuestos están participando, son parte de los antecedentes necesarios para el razonamiento con modelos gráficos. 

2.3.1 Fidelidad 

La suposición de fidelidad es la suposición de que los datos que observamos son indicativos de la estructura ontológica real del mundo. La suposición amplia aquí es que vemos el mundo como es realmente. Para nuestros propósitos, lo que significa la fidelidad es que nunca hay una situación en la que habría una contradicción directa entre los datos causales que observamos y la estructura causal. Eso realmente existe en el mundo. Por ejemplo, supongamos que observamos que dos eventos son independientes, como X y Z en el ejemplo descrito anteriormente. La suposición de fidelidad dice que nunca habrá otro evento que inhiba la ocurrencia de Z con exactamente la misma eficacia causal que el evento X, en su lugar, puede promoverse en algún grado la aparición de Z, enmascarando así la presencia de una relación causal entre X y Z. Dicho de otra manera, para que el razonamiento causal despegue en el terreno, tenemos que suponer que no hay demonios traviesos no observables que jueguen con nuestras percepciones e inferencias sobre el mundo. Por supuesto, ninguna evidencia empírica específica apoya o invalida la suposición de fidelidad. ¿Cómo podemos demostrar que no hay demonios traviesos no observables? ¿No lo harían los demonios traviesos no observables, manipular cualquier experimento que hagamos para dar como resultado evidencia que no sugiera su presencia? Esto es correcto; no podemos demostrar que no hay demonios traviesos no observables (como señaló Descartes en sus meditaciones). La fidelidad es una suposición. Pero una vez que la aceptamos, podemos hacer un progreso enorme en la conceptualización de cómo funciona el mundo. 

2.3.2 La suposición de Markov 

La suposición de Markov establece que el valor de un evento (es decir, un nodo en el gráfico) es independiente de todos los demás eventos, con la excepción de sus hijos (es decir, sus efectos directos) y sus padres (es decir, sus causas directas). Para tomar un ejemplo concreto, veamos un modelo increíblemente simple del clima.  Si llovió ayer y si llueve hoy está relacionado, al igual que si llueve hoy y lloverá mañana. Es decir, el evento de llover ayer y el evento de llover mañana dependen el uno del otro, porque están relacionados con el evento de llover hoy. Sin embargo, la única influencia que la lluvia ayer tiene en la lluvia mañana depende de si llueve hoy; estos dos eventos son de otra manera independientes y hacen que llover hoy, ya no importa si llovió ayer al predecir si lloverá mañana. Saber que llovió hoy es todo lo que necesitas. ¿Los niños razonan sobre las relaciones entre eventos que usan la suposición de Markov? Y, si lo hacen, ¿cómo podríamos probar esto? Para responder a esta pregunta, nuestra prueba necesitaría incluir una forma de examinar si los niños pueden reconocer que algunos eventos son independientes entre sí. Pero, incluso los niños pequeños tienen un buen conocimiento de cómo los eventos se relacionan causalmente entre sí y podrían llevar ese conocimiento previo a la respuesta en nuestros estudios. Esto significa que cualquier prueba de la suposición de Markov en los niños necesitaría evitar el uso de cualquier relación causal sobre las cuales los niños podrían tener conocimiento previo. Para eso están los detectores de Blicket.

Los detectores de Blicket son una caja que puede iluminar o reproducir música cuando ciertos tipos de objetos se colocan encima, lo que hace que parezca que estos objetos han activado la máquina. La máquina realmente funciona a través de un interruptor habilitador, que es controlado por un experimentador y se mantiene oculto del participante. Cuando el interruptor está en la posición "ON", cualquier cosa que se coloque en la caja lo activa; cuando el interruptor está en la posición de “OFF”, nada activa la máquina. La parte superior de la caja tiene una placa sensible a la presión, que está conectada a este interruptor habilitador lo que hace que parezca que los objetos que se colocan en la parte superior de la máquina la activan. Las versiones posteriores del detector agregan más características, como reconocer diferentes colores o activarse por el control remoto, lo que podría permitir a los investigadores presentar diferentes ejemplos de causalidad a distancia^[23]. Sin embargo, el aspecto crucial de estas máquinas siempre permanece igual: algunos objetos colocados en ellas hacen que se activen mientras que otros no lo hacen, en un proceso controlado por el experimentador. Esta máquina, aunque simple, es una herramienta poderosa para estudiar las habilidades de razonamiento causales de los niños. 

Los primeros estudios en usar el detector de Blicket no se centraron en el razonamiento causal de los niños, sino en la medida en que las características causales de los objetos eran importantes para las inferencias categóricas. La mayoría de estos estudios también ejecutaron una condición en la que el experimentador sostendría cada objeto sobre la máquina en una mano y usaría su otra mano para presionar el panel en la máquina para que se activara. De esta manera, el objeto se asoció con la activación de la máquina, pero había claramente otra causa de la activación de la máquina (es decir, la mano del experimentador). En este caso, los niños respondieron  posible cuando se les pidió que encontraran el otro Blicket. Es decir, los niños eran diferencialmente sensibles a los casos en que un objeto parecía causar la activación y en los que un objeto estaba simplemente asociado con la activación de la máquina. El punto crucial de conexión entre el detector de Blicket y el marco del modelo gráfico causal introducido anteriormente es que el detector presenta un nuevo sistema causal. Aunque los niños pueden tener algún conocimiento previo sobre las máquinas y algunos conocimientos básicos sobre las relaciones causales (como el hecho de que las causas preceden temporalmente a sus efectos), los niños nunca han visto esta máquina antes y, por lo tanto, no tienen ninguna expectativa sobre cómo funciona. Eso es parte de lo que hace que el detector de Blicket sea una herramienta tan poderosa para probar las habilidades de razonamiento causal de los niños: permite a los investigadores presentar de manera flexible nuevos sistemas causales sin tener que preocuparse por si diferentes niños se están acercando a estos sistemas con diferentes niveles de conocimiento causal específico de dominio. 

De esta manera, permite una buena prueba de si los niños están utilizando la suposición de Markov, porque algunos eventos pueden presentarse como dependientes de los demás, y otros pueden presentarse como independientes. Los niños pueden ser probados para determinar cómo interpretan estos nuevos eventos. Comenzaron señalando la importancia de la condición de control, en la que el experimentador sostiene el objeto sobre la máquina y presiona el panel de la máquina con su mano para activar la máquina. En este caso, a pesar de que un objeto está asociado con la activación de la máquina, hay otra causa candidata (la mano del experimentador) que es una mejor explicación para la activación de la máquina. La suposición que los niños parecían hacer es que la mano del experimentador explica la activación de la máquina, y la presencia del objeto sobre la máquina es independiente de la activación de la máquina (o de la decisión del experimentador de activar la máquina). Es decir, los niños parecían razonar según la suposición de Markov. Para probar esto más directamente, este estudio contrastó las inferencias de los niños sobre los objetos que activan la máquina por sí mismos con objetos que solo activan la máquina cuando hay otro objeto presente. Les dijimos a los niños de 3 y 4 años que ciertos objetos, llamados "blickets", activarían el detector. Luego, los niños observaron uno de los dos tipos de ensayos. En las pruebas de una causa, a los niños se les mostró dos objetos (A y B). Cada objeto se colocó solo en el detector. Un objeto (a) activó el detector por sí mismo. El otro objeto (b) no lo hizo. Luego, los niños vieron los objetos A y B colocados en el detector juntos (dos veces), y el detector se activó (ambas veces). Esto significa que el objeto B se asoció con la activación del detector dos de las tres veces que se colocó sobre él. Si los niños hicieran un seguimiento de las asociaciones solo entre causas y efectos, podrían concluir razonablemente que B era un Blicket. Pero si los niños razonaban sobre los eventos que observaron usando la suposición de Markov, deben darse cuenta de que B solo activó el detector dependiente de la presencia del objeto A. Si usaran la asociación positiva entre el objeto B y la activación de la máquina para inferir que B por sí mismo podría activar la máquina, estarían cayendo en un problema de enmascaramiento, sesgo u error. Esto es lo que hicieron los niños. Para evaluar la comprensión de los niños de estos eventos, al final del experimento, se les preguntó si cada objeto era un Blicket. Los niños en el experimento generalmente etiquetaron solo el objeto A como un blicket. Es decir, reconocieron que la asociación de B con la activación del detector (el efecto) dependía de la presencia del objeto A. Para ponerlo al revés, los niños entendieron que el objeto B carecía de eficacia causal cuando el objeto A no estaba en la ecuación. En las pruebas análogas de dos causas, todo era igual excepto que B activó la máquina independientemente dos de las tres veces que se colocó en la máquina. Aunque B se asoció con el efecto (activación de la máquina) con la misma frecuencia que en los ensayos de una causa, los niños tendían a etiquetar B como un blicket en este caso. En estas pruebas, el objeto B activó la máquina de modo independiente del objeto A, y los niños usaron este hecho para concluir que también era un Blicket. Varias investigaciones desde la publicación de este documento han extendido estos hallazgos a los bebés, a otros dominios de conocimiento^[24], y a otros tipos de inferencias respaldadas por la suposición de Markov. Todos estos datos sugieren que los niños se adhieren a la suposición de Markov en sus inferencias causales. A su vez, tenemos buenas razones para pensar que el marco del modelo gráfico causal proporciona una forma productiva de describir y explicar el razonamiento causal de los niños pequeños.

Los hallazgos sugieren que los niños están razonando según la suposición de Markov. Sin embargo, lo que ese trabajo no consideró, es cómo podrían estar haciendo eso. Una posibilidad preocupante es que otros mecanismos de razonamiento puedan simular la suposición de Markov. Es decir, podría parecer que los niños estaban razonando de manera consistente con la suposición de Markov, pero no representaban el conocimiento causal a través del marco del modelo gráfico causal; más bien, un mecanismo más simple podría explicar sus inferencias. Un candidato para ese mecanismo más simple es el razonamiento asociativo. De hecho, los hallazgos sobre el acondicionamiento de segundo orden y los hallazgos sobre el aprendizaje estadístico descritos anteriormente son consistentes con la idea de que el razonamiento causal de los niños es asociativo hasta el final. Aunque algunos de estos modelos asociativos de razonamiento causal incluyen información de arriba hacia abajo, en la base, aún calculan las asociaciones entre eventos para hacer juicios causales. 

Esto ha llevado a numerosos investigadores a través de diferentes dominios de psicología a argumentar la importancia de los mecanismos asociativos en el razonamiento causal^[25], que proporciona una buena revisión de la literatura comparativa pero no consideran el trabajo de desarrollo. Para ilustrar cómo podría funcionar esto, considere nuevamente el procedimiento de Gopnik. En la condición de una causa, el objeto A activa la máquina por sí misma (representaremos esto como A+), luego B no activa la máquina por sí misma (b−), luego ambos activan la máquina dos veces (AB+, AB+). En la condición de dos causas, las asociaciones son las mismas: es solo que los objetos nunca se presentan juntos (A+, A+, A+, B−, B+, B+). En una versión simple de razonamiento asociativo, en la que solo cuenta el número de veces el estímulo (el objeto A o B) se combina con el efecto (+), estas dos condiciones son equivalentes. Pero los niños trataron estas dos condiciones de manera diferente: en los ensayos de una causa, B no se consideraba un Blicket, pero en los ensayos de dos causas, lo fue. Debido a esto, podemos concluir que los niños no están razonando según la asociación simple; algo más complicado está sucediendo. Si está familiarizado con el razonamiento asociativo, debe reconocer que el patrón de datos presentados a los niños en la condición de una causa es similar al patrón de datos presentados en animales no humanos en estudios sobre bloqueo^[26]. 

En los experimentos básicos de acondicionamiento Pavloviano, si un estímulo condicionado (a) se combina con un resultado, y luego ese estímulo A se presenta en compuesto con un estímulo novedoso (AB) y también se combina con ese resultado, los animales aprenderán la asociación y A y A y el resultado más que entre B y el resultado. Estos datos sugieren que un modelo simple de razonamiento asociativo no puede explicar el comportamiento del animal. Pero los modelos más complejos de aprendizaje de refuerzo podrían. Uno de esos modelos es el modelo Rescorla-Wagner, que fue un intento de describir cómo funciona el aprendizaje asociativo; uno de sus primeros éxitos fue que proporcionó una explicación del fenómeno del bloqueo. Por lo tanto, es importante apreciar cómo (y más modelos contemporáneos como este) describe el proceso de hacer inferencias a partir de datos. 

El modelo rescorla-Wagner es una forma de actualizar la relación asociativa entre estímulos condicionados e incondicionados, aunque para nuestros propósitos, solo daremos un estímulo y un resultado. Se define con la siguiente fórmula: ΔVn + 1 = k (λ - σvn) para desempacar esto, comienza con el primer término, ΔVn + 1. Esto representa el cambio en la fuerza asociativa de una relación entre un estímulo y un resultado en la próxima prueba (es decir, exposición al emparejamiento). Aquí, V es una variable que representa la fuerza asociativa, y la letra griega σ es un símbolo que significa "cambio". Entonces, el cambio en la fuerza asociativa de un estímulo es una función de tres cosas: (1) la prominencia del estímulo y el resultado (representado aquí por k), (2) la relación entre la fuerza asociativa de todos los estímulos que están presentes en el ensayo n (σvn), y (3) cuánto se puede aprender en una prueba dada (λ). Esta última variable (λ) representa cuánto de una relación asociativa puede tener ese estímulo con este resultado. Es la mayor cantidad de fuerza asociativa que se puede aprender sobre este resultado. Finalmente, σvn representa la suma (σ) de la fuerza asociativa (v) de todos los estímulos que están presentes en este ensayo (número de ensayo N). En conjunto, la fórmula es una forma de representar lo que un organismo aprende de un evento en particular, dado un estímulo, un resultado y el conocimiento previo del organismo sobre la fuerza de la asociación entre el estímulo y el resultado. Hay un punto más importante aquí. Las unidades utilizadas para hacer cálculos con este modelo son arbitrarias, porque no hay una unidad de medición para la resistencia de una relación asociativa. Más bien, esta fórmula proporciona una forma matemática de contrastar diferencias entre diferentes escenarios de aprendizaje. Mientras mantenga sus números constantes dentro de un marco de modelado, lo que importa es la diferencia en los valores, no los valores en sí. Apliquemos esta fórmula al procedimiento de Gopnik, comenzando con la condición de dos causas. Para hacerlo, inventaremos algunos valores. No tenemos ninguna razón para asumir que la relación del objeto A con la máquina es más sobresaliente que la relación del objeto B, por lo que podemos asignar ka = kb. 

La inferencia bayesiana, una de las principales motivaciones detrás de la adopción del marco del modelo gráfico causal como una descripción del aprendizaje de los niños es que aporta precisión a la descripción de otra manera vaga del aprendizaje de los niños proporcionado por la metateoría. Estos modelos nos permiten especificar cómo los niños representan estructuras causales y las conexiones entre los eventos que observan en el mundo. Pero nuestra revisión del modelo Rescorla-Wagner sugiere que estos procesos podrían no requerir un marco computacional tan sofisticado. Podría ser que los niños pequeños simplemente descargados de participar en una forma de bloqueo, donde están descontando una causa potencial a favor de otro evento que ya conocen es una causa. Aunque está bien establecido que este tipo de descuento o bloqueo puede explicarse por modelos asociativos, otros resultados son más desafiantes para estos modelos. Un ejemplo es el "bloqueo hacia atrás", que simplemente invierte el orden del paradigma de bloqueo. En los estudios sobre el bloqueo hacia atrás, similar a los estudios del detector de Blicket descritos anteriormente, los participantes adultos observaron que dos causas potenciales (A y B) producen un resultado. Entonces, una de esas causas solo (a) produjo el mismo resultado. Los participantes tenían menos probabilidades de juzgar que B era una causa solo observaron A y B juntos^[27]. El modelo Rescorla-Wagner tiene dificultades para explicar estos datos, porque la fuerza asociativa de B es la misma en ambas condiciones. Para examinar este desarrollo, se implementa un procedimiento de bloqueo hacia atrás con preescolares. Primero se mostró a los niños de 3 y 4 años dos objetos (A y B), que activaron la máquina juntos. Luego colocarón el objeto A solo en la máquina. En algunas condiciones, A no activó la máquina por sí misma. Aquí, los niños deben hacer una inferencia similar como lo hicieron en Gopnik. Estudio descrito anteriormente: el objeto A era solo "junto para el viaje" en este caso, y solo el objeto B era eficaz. Como era de esperar, dados los resultados anteriores, esta fue exactamente la inferencia que hicieron. El caso más interesante es cuando A activa el DIS (display) activando la máquina por sí misma; esta es una versión del paradigma de bloqueo hacia atrás. Entonces, A y B activan la máquina junta, y luego A activa la máquina por sí misma. En este caso, ¿cuál es la eficacia del objeto B? La respuesta correcta es: “no tengo idea". Esto se debe a que la eficacia causal del objeto B es ambigua. Pero dado que los niños ahora tienen una explicación de por qué la máquina se activó cuando A y B estaban juntos (es decir, el objeto A una ambigüedad hace que la máquina se active), podrían explicar el objeto B como una causa potencial. Y así es básicamente como respondieron los niños. Los niños de cuatro años, por ejemplo, declararian que el objeto B tenía eficacia solo el 13% del tiempo. Otros investigadores han generado hallazgos similares en niños ligeramente mayores, lo que demuestra que los niños están reevaluando retrospectivamente la probabilidad de que los objetos tengan eficacia causal. Aunque estos datos son un desafío para el modelo Rescorla-Wagner, muchas otras teorías de inferencia causal, particularmente las de la literatura sobre cognición de adultos, pueden explicarlos^[28]. 

Del mismo modo, otras investigaciones han propuesto que el aprendizaje causal se basa en la estimación de los parámetros causales, nuevamente en función de la frecuencia con la que coinciden los eventos^[29]. Lo que todos estos modelos tienen en común es que usan principios de aprendizaje estadístico para hacer un cálculo sobre la fuerza causal entre los estímulos. Lo que difiere entre estas cuentas son las matemáticas, no necesariamente la forma en que se hacen las inferencias causales. Además, la mayoría de estos modelos podrían clasificarse como un tipo de inferencia de nivel inferior, en lugar de usar los tipos de representaciones gráficas que estamos abogando. Incluso si el bloqueo hacia atrás se puede acomodar en estos modelos, creemos que hay otros patrones en el razonamiento de los niños que no pueden explicarse directamente dentro de un marco de aprendizaje asociativo. El ejemplo que trabajamos aquí implica el uso de las tasas base por parte de los niños, la frecuencia con la que un evento tiende a ocurrir en el medio ambiente. Algunos que con el detector de Blicket, muestran que incluso los niños pequeños pueden rastrear la frecuencia con la que los objetos activan la máquina y usan esa información al hacer inferencias sobre casos ambiguos. Es decir, en lugar de explicar los datos ambiguos, los niños suponen que deberían incumplir la tasa base de blickets cuando no saben si algo es un blicket. 

2.4 Inferencia bayesiana

Estos resultados no pueden explicarse directamente por asociación, porque la relación asociativa entre el objeto B y la máquina es la misma en ambas condiciones, pero los niños los tratan de manera muy diferente. Estos resultados se explican más parsimoniosamente por algoritmos que involucran el marco de modelo gráfico causal. Según la metateoría, los niños tienen cierto conocimiento sobre una situación (es decir, sus teorías). En términos de modelado, este conocimiento les permite construir un conjunto de hipótesis sobre el mundo, en el que cada hipótesis tiene un valor de probabilidad adjunto (priors). Luego, observan nuevos datos y usan esos datos para actualizar sus antecedentes para que cada hipótesis ahora tenga un nuevo valor de probabilidad (posterior). Esto permite a los niños construir nuevas representaciones del mundo, es decir, aprender. La inferencia bayesiana proporciona un enfoque formal para describir exactamente cómo ocurre este aprendizaje, específicamente, cómo las personas actualizan sus antecedentes en función de los datos. Se expresa usando esta fórmula: P (H | D) = (P (D | H) * P (H)) / P (D) Aquí, H significa "Hipótesis" y D para "datos". El término inicial, p (h | d), expresa la probabilidad de que la hipótesis H sea verdadera dado el conjunto actual de datos (d). El teorema de Bayes nos permite calcular esta probabilidad como una función de otros tres términos: la probabilidad de que observemos los datos que hemos observado si la hipótesis fuera verdadera, p (d | h), la probabilidad de observar los datos, p (D), y la probabilidad de que la hipótesis sea verdadera, p (h). 

El teorema de Bayes proporciona una descripción formal de cómo se sopesan diferentes hipótesis entre sí dados los datos del mundo y dado cómo el conocimiento existente puede integrarse racionalmente con los datos observados para hacer nuevas inferencias. Poco después de que se incorporara esta idea de inferencia bayesiana en la metateoría, la teoría se renombró como una nueva forma de constructivismo, al que referiremos como constructivismo racional. El objetivo del constructivismo racional es centrarse en las formas en que los niños usan su conocimiento existente para hacer nuevas inferencias sobre el mundo en función de los datos que observan de esta manera racional, lo que permite una definición formal de cómo pueden cambiar las teorías^[30]. Los algoritmos que usan la inferencia bayesiana pueden proporcionar una buena descripción de cómo razonan los niños. Específicamente, pueden explicar cómo los niños pequeños con un conocimiento preexistente (sus antecedentes) puede restringir las inferencias futuras. El uso de las tasas base de los niños en su razonamiento proporciona un ejemplo particularmente poderoso de esto, porque este procedimiento deja en claro cómo los diferentes conjuntos de información anterior llevan a los niños a hacer diferentes inferencias al final del procedimiento. Curiosamente, aunque los niños de 4 años probados en el estudio de tasas base descritas anteriormente pudieron hacer esto, los niños de 3 años no lograron el mismo resultado. Simplemente dijeron que B era un blicket en ambas condiciones. ¿Por qué solo los niños mayores en este procedimiento pudieron atender la tasa base con la que los objetos tienen eficacia causal? Una posibilidad es que los niños de 3 años no tuvieran los mismos antecedentes (es decir, conocimiento) que los niños mayores. Para tener éxito en la tarea de tasas base (y cualquier tarea de razonamiento causal que involucre al detector de blicket), los niños deben registrar eso, y que hay al menos dos tipos de entidades en el entorno: objetos y detectores. 

Los blickets son objetos que tienen la capacidad de activar un detector. A los niños se les dice toda esta información al comienzo del experimento. Lo que tienen que inferir es un atributo no observado de los objetos, que algunos de los objetos frente a ellos son los blickets. Para hacerlo a partir de la evidencia, deben poseer tres piezas de conocimiento previo. Los dos primeros son prioridad temporal e independencia espacial. La prioridad temporal permite a los niños comprender que ciertos objetos que se colocan en el detector son responsables de la activación del detector, en oposición a la idea de que la activación del detector hace que el experimentador coloque un objeto en él. La independencia espacial permite a los niños comprender que la identidad de un objeto es independiente de su ubicación espacial y la ubicación espacial de todos los demás objetos. Es decir, colocar un objeto en el detector no hace que otro objeto se convierta en un blicket ni cause que otro objeto se mueva en el espacio. Estas son suposiciones bastante básicas sobre cómo funciona la causalidad en general; como se discutió anteriormente, hay alguna evidencia de que los niños pequeños e incluso los bebés hacen tales suposiciones^[31]. La tercera suposición es la llamada Ley de Activación: la máquina se activa sí y solo si al menos un blicket se coloca encima, y ??solo los blickets hacen que la máquina se active. Los niños tuvieron que reconocer que había algo en el objeto que conectaba su colocación en la máquina a la activación de la máquina. Una causa candidata para ese "algo" era una propiedad no obvia que poseía el objeto.

También continúa mostrando cómo el marco del modelo gráfico causal y el procedimiento de inferencia bayesiana para actualizar las creencias sobre la base de una nueva evidencia proporcionan una mejor coincidencia con el comportamiento de los niños que los modelos de aprendizaje asociativo. También ilustra otra característica de este marco: la idea de que los niños representan un espacio de hipótesis de modelos causales potenciales. Bajo el marco del modelo gráfico causal, uno analiza los datos que tiene disponibles y construye un conjunto de posibles explicaciones sobre cómo podrían haber surgido esos datos. La inferencia bayesiana se puede usar para seleccionar qué explicación (es decir, qué hipótesis en el espacio de posibilidades) es la mejor opción para los datos. 

Este proceso se puede utilizar para describir el comportamiento de razonamiento de los niños en tareas como las descritas anteriormente. Los detalles exactos de la inferencia bayesiana no son importantes para el argumento que queremos hacer aquí. Lo importante es la cuestión de cómo se forma un espacio de hipótesis en primer lugar. Proponemos que este mecanismo se basa en nuestra imaginación: debemos extrapolar lejos de los datos observados para pensar en todos los posibles mecanismos que podrían haberlo causado. Esta propuesta ilustra los estrictos vínculos entre la imaginación y el razonamiento causal. En general, sin embargo, todos estos datos sugieren que el razonamiento causal de los niños está bien descrito por la inferencia bayesiana, que permite a los niños usar su conocimiento existente (por ejemplo, sobre las tasas base) para construir hipótesis sobre lo que observarán en una nueva situación y actualizar esas hipótesis sobre la base de una nueva información. Además, numerosos investigadores han aplicado estas ideas a otros dominios y a más problemas de aprendizaje de dominio general^[32]. 

Más recientemente, los enfoques bayesianos han ofrecido contrastes interesantes e importantes (así como suplementos) a los enfoques en el aprendizaje automático y la inteligencia artificial^[33]. Por lo tanto, constituyen una forma prometedora para describir cómo los niños aprenden en general. 

2.5 Una preocupación por los mecanismos 

Hay una cosa que hemos dejado fuera de nuestra discusión sobre los modelos gráficos causales e inferencia bayesiana hasta ahora (en realidad, hay muchas cosas que hemos dejado fuera, pero estamos tratando de restringir nuestra discusión a lo que será útil para nuestros argumentos posteriores sobre el pensamiento científico). Este es el tema de los mecanismos, que son importantes para usar modelos gráficos causales como representación del conocimiento causal humano. Un mecanismo es una descripción de cómo los nodos en un gráfico están relacionados entre sí. Saber algo sobre mecanismos lo ayuda a relacionar los datos que observa con el modelo que representa. Más específicamente, en un modelo gráfico, un vértice (la flecha que va de un nodo a otro) representa una dependencia: una relación probabilística entre un objeto, evento o propiedad y otro objeto, evento o propiedad. Aunque esto parece simple, plantea un problema: incluso el gráfico causal más simple (x → y) puede ser consistente con un conjunto infinito de interpretaciones porque no necesariamente sabemos cuál es la probabilidad de esa relación. Aquí, los eventos X e Y son independientes, pero cada uno causa Z. Pero, ¿cuál es la naturaleza de las relaciones entre X, Y y Z? Una forma natural de pensar en este gráfico es que Z ocurre si ocurre x o y se producen con cierta probabilidad. Es decir, este gráfico podría representar un conjunto de relaciones disyuntivas, llamadas parametrización "ruidosa o" cuando las relaciones entre las variables no son deterministas. Tales relaciones son bastante comunes en el razonamiento causal cotidiano, por lo que es tan fácil pensar de esta manera. Pero esta es solo una posible interpretación de este gráfico. También podría ser el caso de que X e Y tienen que ocurrir para causar Z (es decir, una parametrización conjuntiva). O podría ser el caso de que solo X o Y sea necesario para que Z ocurra, pero el otro está probabilísticamente relacionado con Z. Otro problema más con la comprensión de los mecanismos representados por un modelo gráfico es la cuestión de la abstracción. Para ilustrar este problema, considere dos posibles modelos causales. En uno, postula que las enfermedades causan síntomas. En otro, postulas que tener un resfriado te hace tener una nariz líquida. Cuando observa que las personas que tienen resfriados también tienen narices líquidas, ¿qué modelo aprende? Esta distinción entre aprender teorías "específicas" y teorías de "marco" es una de las más difíciles de describir en el aprendizaje causal.

La respuesta podría ser que aprendas ambos modelos; a medida que observa datos en el mundo, puede formular una representación no solo de la estructura causal específica (entre narices y resfriados), sino también una abstracción de marcos más amplios o tipos de relaciones causales (entre enfermedades y síntomas). Sugieren que el modelado jerárquico puede permitir a los alumnos hacer ambas cosas a la vez: reconstruir tanto el modelo causal específico especificado por los datos y también los principios generales (que llamamos "teorías”) que rigen cómo se deben construir tales representaciones de la estructura causal. Una vez que esos principios generales están en su lugar, también pueden limitar el aprendizaje causal posterior dados los nuevos datos. Aunque los razonadores humanos pueden hacer esto, al menos hasta cierto punto, sigue siendo un desafío comprender en qué nivel (s) de abstracción las personas están pensando en cualquier circunstancia. Estos problemas ocurren en gran medida porque los modelos gráficos causales no fueron diseñados originalmente para representar la cognición humana; son solo herramientas formales de la teoría de redes topológicas.

Pero para hacer que hagan un trabajo útil para la psicología y la pedagógica, necesitamos resolver exactamente qué tipos de relaciones representan las personas. La buena noticia es que, al menos con respecto al tema de los diferentes tipos de parametrizaciones, resulta que los niños pequeños pueden reconocer diferentes formas que estas relaciones pueden tomar. Por ejemplo, cuando se muestra evidencia de relaciones causales disyuntivas o conjuntivas, los niños de 4 y 5 años no tienen dificultades para decir la diferencia^[34]. Tampoco tienen muchas dificultades para discernir la diferencia entre entornos deterministas y probabilísticos. Debido a esto, creemos que incluso los niños pequeños postulan que hay algunos tipos de mecanismos que relacionan diferentes eventos entre sí, y lo hacen con una sofisticación razonable incluso desde una edad muy temprana. Aunque esta no es una parte formal del marco del modelo gráfico causal (al menos no en los cálculos), proporciona un buen punto de partida para pensar en la relación entre una representación del conocimiento causal y el mundo. Pero esto es simplemente un punto de partida, y no resuelve completamente todas las complejidades del uso de modelos gráficos causales para describir el aprendizaje humano que describimos anteriormente. En términos más generales, lo que nos dice esta discusión sobre el mecanismo es que los niños se enfrentan a un desafío, que es cómo instanciar los modelos que representan. En las tareas del detector de blicket, esto se hace básicamente para los niños. Pueden ver que hay una máquina que se activa y que hay objetos que son causas potenciales de esa activación. Además, a menudo les dice un experimentador (presumiblemente) conocedor que la máquina es una máquina de color y que los objetos que activan la máquina son blickets. La situación pedagógica entre el experimentador y el niño establece que hay blickets en el mundo y que esta máquina ayudará a descubrir si los objetos obtienen esa etiqueta. Sin embargo, en situaciones que involucran contextos más ricos del mundo real, puede haber un problema adicional para los niños: no solo tienen que aprender cómo las variables se relacionan entre sí, sino que también tienen que lidiar con la información presentada por el contexto. 

2.6 Niveles de explicación 

El marco de modelo gráfico causal descrita anteriormente proporciona una forma precisa de discutir las habilidades de razonamiento causal de los niños (y los adultos) y cómo las relaciones causales entre objetos y eventos pueden representarse y actualizarse (es decir, ser aprendidas). El detector de blicket se usó para probar si las inferencias causales de los niños coinciden con este formalismo, y los resultados de los estudios que usan el detector indican que generalmente lo hacen. Es necesario examinar cómo se pueden presentar tareas de razonamiento causal más complejas utilizando detectores de blicket, para probar otros aspectos del razonamiento causal de los niños. Por ahora, el punto importante es que este razonamiento puede estar bien representado con modelos gráficos causales, proporcionando un lenguaje más preciso para describir cómo los niños aprenden sobre la estructura causal del mundo. Nosotros (junto con muchos otros investigadores de la presente revisión) estamos a favor de la descripción del modelo gráfico causal del razonamiento causal porque estos modelos, en combinación con algoritmos como la inferencia bayesiana que describen cómo uno podría construir estos modelos a partir de datos observados y creencias anteriores, nos permiten representar con precisión y formalismo los procesos de razonamiento de los niños. Pero es importante reconocer lo que se supone que están haciendo estos modelos en nuestra teoría del desarrollo cognitivo. En su libro clásico sobre Visión, Marr  señaló que era posible hablar sobre un sistema simbólico en diferentes niveles^[35]. Uno podría centrarse exactamente en cómo se instancia ese sistema en el sustrato que lo compensa (por ejemplo, neuronas para humanos; chips de silicio para computadoras); este es el nivel de implementación. Uno podría centrarse en los pasos que toma el sistema para realizar sus cálculos; este es el nivel algorítmico. Uno podría centrarse en los procesos generales que realiza el sistema y en lo que hace; este es el nivel computacional. Para tomar un ejemplo concreto, tanto un teléfono inteligente como un ábaco se pueden usar para hacer más, pero tienen diferentes algoritmos para hacerlo, que se implementan de diferentes maneras. Pero a nivel computacional, son similares. Toman representaciones de dos números y producen una suma. Tomamos el marco de modelo gráfico causal para describir los procesos de razonamiento de los niños a nivel computacional. Estos modelos ofrecen una descripción de cómo los niños aprenden conocimiento causal y hacen inferencias causales, pero son neutrales sobre los pasos por los que pasan los niños para implementar este proceso y también sobre cómo se representan y llevan a cabo esos pasos en el cerebro.

Es necesaria más profundidad en el modelo computacional formal de estos datos, basado en la inferencia bayesiana sobre los modelos gráficos causales. El modelo termina explicando bien los datos, incluido un aspecto completamente imprevisto de los resultados. En el primer experimento, en el que tres manipuladores tenían la misma forma base, el modelo predice que la probabilidad de que el manipulandum eficaz previamente visto sea eficaz en el objeto de prueba con una aproximación del 80%. Pero en el tercer experimento, en el que los tres objetos tienen bases diferentes, el modelo predice que esta probabilidad es solo del 65%. En ambos casos, dado que tienen dos opciones en la prueba, los niños aún deben intentar actuar sobre el manipulandum, que previamente se demostró que era eficaz; en ambos casos, es más del 50% de probabilidades de funcionar. Pero en ambos estudios, el objeto de prueba, uno o dos manipulados eran inertes, de modo que incluso cuando el bebé manipulaba el manipulandum eficaz previamente visto, el objeto no hacía nada. La pregunta es entonces qué deben hacer los niños cuando observan que este manipulandum no es eficaz en el objeto de prueba. El modelo sugiere que deberían ser más rápidos para actuar en el otro manipulandum en el tercer experimento (donde la probabilidad de que funcione el primer manipulandum es del 65%), a diferencia del primer experimento (donde la probabilidad de que el primer manipulandum funcione es 80%). Esto es exactamente lo que hicieron los bebés. Persistieron más con el primer manipulandum cuando todos los objetos eran los mismos que cuando todos los objetos eran diferentes. No sabemos si este es un buen modelo computacional o uno malo, o un buen conjunto de experimentos o un conjunto malo. Ese no es el punto. Más bien, el punto es que el modelo ayudó a explicar algunos datos que los investigadores recopilaron e hicieron predicciones novedosas sobre nuevos datos. Incluso explicó algo completamente inesperado en los datos, algo que ni siquiera sabíamos que estábamos buscando. El modelado computacional es ahora una gran parte de la ciencia cognitiva. Explicar el comportamiento a través de dichos modelos es útil porque proporciona una explicación formal de qué tipos de inferencias están haciendo los niños, no necesariamente cómo los están haciendo, sino de qué son y no son capaces. Hemos presentado un marco particular, pero eso no significa que otros marcos computacionales no sean también buenas descripciones. Independientemente de si los modelos gráficos causales o los mecanismos de inferencia bayesianos se instancian como tales en nuestros cerebros, o si otros modelos computacionales proporcionan una mejor descripción del razonamiento de los niños, nuestro objetivo es usar estos marcos productivamente en la ciencia del desarrollo para explicar mejor el comportamiento y el aprendizaje de los niños.

Una de las cosas que vamos a hacer a lo largo del resto de este manuscrito es usar este marco para describir aspectos del desarrollo del razonamiento causal de los niños, particularmente en lo que se refiere al pensamiento científico. Esto no significa que uno tenga que saber sobre estos marcos computacionales o incluso prestarles atención para comprender nuestros argumentos. Más bien, articulamos este marco aquí porque nos resulta útil para guiar los argumentos teóricos que estamos tratando de construir.

Referencias

[1] Luo, Yuyan & Kaufman, Lisa & Baillargeon, Renée. (2009). Young infants' reasoning about physical events involving inert and self-propelled objects. Cognitive psychology. 58. 441-86. 10.1016/j.cogpsych.2008.11.001.

[2] Baillargeon, Renée & Needham, Amy & Devos, Julie. (1992). The development of young infants' intuitions about support. Early Development and Parenting. 1. 69 - 78. 10.1002/edp.2430010203.

[3] Karmiloff-Smith, Annette & Inhelder, Bärbel. (2018). “If you want to get ahead, get a theory”. 10.4324/9781315516691-2.

[4] Vosniadou, Stella & Brewer, William. (1992). Mental Models of the Earth: A Study of Conceptual Change in Childhood. Cognitive Psychology. 24. 535-585. 10.1016/0010-0285(92)90018-W.

[5] Gledhill, John. (2018). El conocimiento antropológico en tiempos de “pos-verdad”. Encartes. 1. 47-55. 10.29340/en.v1n1.10.

[6] Dunbar, Kevin. (1995). How scientists really reason: Scientific reasoning in real-world laboratories.

Sternberg, Robert & Lebuda, Izabela. (2019). Creativity Tempered by Wisdom: Interview with Robert J. Sternberg. Creativity Theories – Research – Applications. 6. 274-280. 10.1515/ctra-2019-0017.

[7] Pearce, John & Hall, Geoffrey. (1980). A model for Pavlovian learning: Variations in the effectiveness of conditioned but not unconditioned stimuli. Psychological review. 87. 532-52. 10.1037/0033-295X.87.6.532.

[8] Cramer, Robert & Weiss, Robert & William, Robin & Reid, Suzanne & Nieri, Lia & Manning-Ryan, Barbara. (2002). Human agency and associative learning: Pavlovian principles govern social process in causal relationship detection. The Quarterly journal of experimental psychology. B, Comparative and physiological psychology. 55. 241-66. 10.1080/02724990143000289.

[9] Younger, Barbara & Cohen, Leslie. (1986). Developmental Change in Infants' Perception of Correlations among Attributes. Child development. 57. 803-15. 10.2307/1130356.

[10] Sommerville, Jessica & Woodward, Amanda & Needham, Amy. (2005). Action experience alters 3-month-old Infants' perception of others' actions. Cognition. 96. B1-11. 10.1016/j.cognition.2004.07.004.

[11] Yermolayeva, Yevdokiya & Rakison, David. (2016). Seeing the unseen: Second-order correlation learning in 7- to 11-month-olds. Cognition. 152. 87-100. 10.1016/j.cognition.2016.03.012.

[12] Benton, Deon & Rakison, David & Sobel, David. (2021). When correlation equals causation: A behavioral and computational account of second-order correlation learning in children. Journal of Experimental Child Psychology. 202. 105008. 10.1016/j.jecp.2020.105008.

[13] Benton, Deon & Rakison, David & Sobel, David. (2021). When correlation equals causation: A behavioral and computational account of second-order correlation learning in children. Journal of Experimental Child Psychology. 202. 105008. 10.1016/j.jecp.2020.105008.

[14] Resendes, Tiffany & Benchimol-Elkaim, Brandon & Delisle, Catherine & Rene, Jean-Louis & Poulin-Dubois, Diane. (2021). I know what you know: The role of metacognitive strategies in preschoolers’ selective social learning. 10.13140/RG.2.2.33438.46401.

[15] Denison, Stephanie & Xu, Fei. (2010). Integrating Physical Constraints in Statistical Inference by 11-Month-Old Infants. Cognitive science. 34. 885-908. 10.1111/j.1551-6709.2010.01111.x.

[16] Madole, Kelly & Cohen, Leslie. (1995). The Role of Object Parts in Infants' Attention to Form-Function Correlations. Developmental Psychology. 31. 637-648. 10.1037/0012-1649.31.4.637.

[17] GARCIA, J & KIMELDORF, D & Koelling, RA. (1955). Garcia J, Kimeldorf DJ, Koelling RA. Conditioned aversion to saccharin resulting from exposure to gamma radiation. Science 122: 157-158. Science (New York, N.Y.). 122. 157-8. 10.1126/science.122.3160.157.

[18] Rogers, Timothy & Mcclelland, James. (2008). Précis of Semantic Cognition: A Parallel Distributed Processing Approach. The Behavioral and brain sciences. 31. 689-714; discussion 714. 10.1017/S0140525X0800589X.

[19] Rogers, Timothy & Mcclelland, James. (2008). Précis of Semantic Cognition: A Parallel Distributed Processing Approach. The Behavioral and brain sciences. 31. 689-714; discussion 714. 10.1017/S0140525X0800589X.

[20] Novick, Laura & Cheng, Patricia. (2004). Assessing Interactive Causal Influence. Psychological review. 111. 455-85. 10.1037/0033-295X.111.2.455.

[21] Griffiths, Thomas & Sobel, David & Tenenbaum, Joshua & Gopnik, Alison. (2009). Bayes and Blickets: Effects of Knowledge on Causal Induction in Children and Adults. Cognitive science. 35. 1407-55. 10.1111/j.1551-6709.2011.01203.x.

[22] Glymour, C.. (2001). The Mind''s Arrow: Bayes Nets and Graphical Causal Models in Psychology. Cambridge, MA: MIT Press.

[23] Kushnir, Tamar & Gopnik, Alison. (2007). Conditional probability versus spatial contiguity in causal learning: Preschoolers use new contingency evidence to overcome prior spatial assumptions. Developmental psychology. 43. 186-96. 10.1037/0012-1649.43.1.186.

[24] Schulz, Laura & Sommerville, Jessica. (2006). God Does Not Play Dice: Causal Determinism and Preschoolers' Causal Inferences. Child development. 77. 427-42. 10.1111/j.1467-8624.2006.00880.x.

[25] Heyes, Cecilia. (2012). Simple minds: A qualified defence of associative learning. Philosophical transactions of the Royal Society of London. Series B, Biological sciences. 367. 2695-703. 10.1098/rstb.2012.0217.

[26] Keehn, J.D.. (1970). Punishment and Aversive Behavior, CampbellB.A.ChurchR.M. Appleton-Century-Crofts, New York (1969). Behavior Therapy. 1. 270–272. 10.1016/s0005-7894(70)80043-0.

[27] Shanks, David & Dickinson, Anthony. (1988). Associative Accounts of Causality Judgment. The Psychology of Learning and Motivationed,. Vol. 21. 10.1016/S0079-7421(08)60030-4.

[28] Hamme, Linda & Wasserman, Edward. (1994). Cue Competition in Causality Judgments: The Role of Nonpresentation of Compound Stimulus Elements. Learning and Motivation - LEARN MOTIV. 25. 127-151. 10.1006/lmot.1994.1008.

[29] Cheng, Patricia & Novick, Laura. (1992). Covariation in natural causal induction. Psychological review. 99. 365-82. 10.1037//0033-295X.99.2.365.

[30] Xu, Fei. (2019). Towards a Rational Constructivist Theory of Cognitive Development. Psychological Review. 126. 10.1037/rev0000153.

[31] Oakes, Lisa & Cohen, Leslie. (1990). Infant Perception of a Causal Event. Cognitive Development. 5. 193-207. 10.1016/0885-2014(90)90026-P.

[32] Goodman, Noah & Ullman, Tomer & Tenenbaum, Joshua. (2011). Learning a Theory of Causality. Psychological review. 118. 110-9. 10.1037/a0021336.

[33] Lake, Brenden & Ullman, Tomer & Tenenbaum, Joshua & Gershman, Samuel. (2017). Ingredients of intelligence: From classic debates to an engineering roadmap. Behavioral and Brain Sciences. 40. 10.1017/S0140525X17001224.

[34] Lucas, Christopher & Bridgers, Sophie & Griffiths, Thomas & Gopnik, Alison. (2014). When children are better (or at least more open-minded) learners than adults: Developmental differences in learning the forms of causal relationships. Cognition. 131. 284–299. 10.1016/j.cognition.2013.12.010.

[35] Marr, David. (1981). Vision: A Computational Investigation into the Human Representation and Processing of Visual Information. New York, NY: W.H. Freeman and Company. 8.

Autores:
Eduardo Ochoa Hernández
Nicolás Zamudio Hernández
Gladys Juárez Cisneros
Héctor Javier Anselmo Villegas Moreno
Rogelio Ochoa Barragán
Lizbeth Guadalupe Villalon Magallan
Salomón Eduardo Borjas García
Ana Cecilia López Bejarano
Estrada López Brittanny Dayan
Berenice Yahuaca Juárez
Juan Alejandro Cortez Rangel
Dyonisos Castillo Valle
Daniela Fernández Gómez
Marco Antonio Alemán Méndez
Nestor Alejandro Muñoz Ruiz
Neftali Rangel García
Nicolás Abraham Zamudio Durán
José Fabián Sánchez López
Mitzi Arismel Pérez Díaz
Pedro Gallegos Facio
Filho Enrique Borjas García