Aprendizaje de relaciones de contingencia y causalidad: hacia un análisis integral del aprendizaje causal desde una perspectiva computacional

En las dos ultimas decadas el estudio del Aprendizaje Causal ha experimentado un gran avance en lo que se refiere a la formulacion de modelos que tratan de explicar como las personas somos capaces de inferir relaciones e causalidad a partir de !a observacion de la relacion estadistica entre acontecimientos del medio. Muchos modelos reducen la explicacion a un algoritmo de computo simple. Frente a esa idea mecanicista, en este trabajo adoptamos una perspectiva computacional, intentando dotar de sentido normativo y funcional a la adquisicion de conocimiento causal. En otras palabras, pretendemos responder a dos preguntas fundamentales: a) que informacion es relevante en el aprendizaje de relaciones de causalidad?, y b) ? por lue dacha informacion es rele-vante? Desde este punto de vista, lo mas importante no es describir la formulacion matematica de los procesos implicados en el procesamiento, sino analizar el sentido funcional de dichos procesos. A continuacion, discutire-mos sobre como este marco computacional puede guiar la construccion teorica en el futuro a nivel algoritmico y ayudar a integrar los distintos modelos actuales. Palabras clave: Aprendizaje de causalidad, razonamiento inductivo, contingencia, correlacion.