Entender el funcionamiento del cerebro es uno de los mayores retos a los que se enfrenta la psicología. De ahí la existencia de los diversos enfoques y perspectivas. De hecho, tras la aparición de la psicología cognitiva y la máquina de Turing hubo una revolución en este campo. A partir de este momento se empezó a contemplar el cerebro como un procesador de información.

La primera teoría que se creó para explicar el funcionamiento del cerebro fue la metáfora computacional, pero pronto empezó a tener fallos. Teniendo en cuenta esta situación, los psicólogos cognitivos, con la intención de buscar nuevas explicaciones, crearon una teoría conocida como conexionismo.

Sin embargo, antes de explicar qué es el conexionismo, es importante entender la visión de la psicología cognitiva sobre el cerebro. De esta manera, comprenderemos las implicaciones y fallos de la metáfora computacional. Por esta razón, haremos un repaso sobre los aspectos principales de esta rama de la psicología en el siguiente apartado.

La psicología cognitiva y la metáfora computacional

La psicología cognitiva entiende el cerebro humano como un procesador de información. Esto quiere decir que es un sistema que es capaz de codificar los datos provenientes de su entorno, modificarlos y extraer nueva información de ellos. Además, estos datos nuevos se incorporan al sistema en un continuo de inputs y outputs.

La metáfora computacional explica que el cerebro es como un ordenador. A través de una serie de algoritmos programados, transforma los inputs de información en una serie de outputs. Esto en un principio puede parecer tener sentido, ya que podemos estudiar algunas conductas humanas que se adaptan a este modelo. Ahora bien, si exploramos un poco más, empezamos a detectar fallos en esta perspectiva.

Los errores más relevantes son la rapidez con la que procesamos la información, la flexibilidad con la que actuamos y la imprecisión de nuestras respuestas. Si nuestro cerebro tuviera algoritmos programados tendríamos respuestas de otro tipo: más lentas debido a todos los pasos de procesamiento a realizar, más rígidas y mucho más precisas de lo que son. En pocas palabras, seríamos como ordenadores, y a simple vista observamos que no es así.

A pesar de que podemos hacer intentos para adaptar esta teoría a las nuevas evidencias, cambiando la rigidez de los algoritmos programados por otros más flexibles y capaces de aprender, aun así seguiríamos identificando fallos en la metáfora computacional. Y aquí es dónde entra el conexionismo, una corriente que resulta más sencilla que la anterior, y que explica el procesamiento de la información del cerebro de forma más satisfactoria.

¿Qué es el conexionismo?

El conexionismo deja atrás los algoritmos computacionales y explica que la información se procesa a través de patrones de propagación de la activación. Pero, ¿qué son estos patrones? En un lenguaje más sencillo, esto significa que cuando un input de información entra en tu cerebro, las neuronasneu empiezan a activarse formando un patrón concreto, lo que producirá un output determinado. Esto formará unas redes entre las neuronas que procesarán la información de manera rápida y sin necesidad de algoritmos preprogramados.

Para entender esto pongamos un ejemplo sencillo. Imagina que una persona te dice que definas qué es un perro. Al llegar a tu oído la palabra, de manera automática se activará en tu cerebro el conjunto de neuronas asociadas a ella. La activación de este grupo de células se propagará a otros con los que esté conectado, como los relacionados con las palabras mamífero, ladrar o pelo. Y esto activará un patrón en el que estas características están incluidas, lo cual te llevará a definir a un perro como ‘un mamífero con pelo que ladra’.

Propiedades de los sistemas conexionistas

Según esta perspectiva, para que estos sistemas funcionen como el cerebro humano parece comportarse, tienen que cumplir unas condiciones. Las propiedades básicas que deben seguir son las siguientes:

• Propagación de la activación. Esto quiere decir que las neuronas, cuando son activadas, influyen en aquellas con las que están conectadas. Esto puede ocurrir facilitando su activación o inhibiéndola. En el ejemplo anterior, las neuronas de perro facilitan las de mamífero, pero inhiben las de reptil.
• Aprendizaje neuronal. El aprendizaje y la experiencia afectan a las conexiones entre las neuronas. Así, si vemos a muchos perros que tienen pelo, las conexiones entre las neuronas relacionadas con ambos conceptos se verán fortalecidas. Esta sería la forma en la que se crearían las redes neuronales que nos ayudan al procesamiento.
• Procesamiento en paralelo. Obviamente esto no se trata de un proceso en serie, no se van activando las neuronas una tras otra. La activación se propaga en paralelo entre todas las neuronas. Y tampoco hace falta procesar un patrón de activación tras otro, se pueden dar múltiples en un mismo tiempo. Gracias a esto somos capaces de interpretar gran cantidad de datos a la vez, aunque existe un límite en nuestra capacidad.
• Redes neuronales. El sistema sería una gran red de neuronas agrupadas entre sí, a través de mecanismos de inhibición y activación. Dentro de estas redes también se encontrarían los inputs de información y los outputs conductuales. Estas agrupaciones representarían la información estructurada que posee el cerebro, y los patrones de activación serían la manera en la que ocurren los procesamientos de dicha información.

Conclusiones

Este modo de interpretar el funcionamiento neuronal no solo parece muy interesante, sino que los estudios en torno a él parecen fructíferos. Hoy en día se han creado simulaciones a ordenador de sistemas conexionistas sobre la memoria y el lenguaje, que se asemejan muchísimo al comportamiento humano. Sin embargo, aún no podemos afirmar que esta sea la manera exacta del funcionamiento del cerebro.

Además, este modelo no solo ha ayudado a contribuir al estudio de la psicología en todos sus campos. También encontramos múltiples aplicaciones de estos sistemas conexionistas en informática. Sobre todo, la teoría ha supuesto un gran avance en los estudios acerca de la inteligencia artificial.

Para concluir, es importante entender que la complejidad del conexionismo es mucho mayor a la planteada en este artículo. Aquí podemos encontrar una versión simplificada de lo que realmente es, útil solamente como aproximación. Si se ha despertado tu curiosidad por el tema, no dudes en seguir investigando acerca de esta teoría y sus implicaciones.