Tesis, antítesis y síntesis del aprendizaje causal o defensa de un modelo integrador

espanolEn nuestro trabajo hemos recopilarlo la evidencia experimental mas relevante existente en el campo del aprendizaje causal, con el objetivo de responder a las preguntas basicas que subyacen a un analisis computacional de la competencia causal humana. Desde las respuestas a dichas preguntas, planteamos un modelo que restringe el rango de estructuras algoritmicas viables. Las criticas al articulo en el que presentamos dicho modelo se han debido, fundamentalmente, a una asimilacion de los niveles de analisis y los niveles de representacion en la explicacion de los fenomenos psicologicos. Parte de la solucion a la controversia planteada pasa por resolver las posibles imprecisiones terminologicas y conceptuales cometidas. Por tanto, en esta replica hemos realizado, en primer lugar, un esfuerzo adicional por establecer una terminologia que facilite una verdadera comunicacion entre los especialistas del area. Y, en segundo lugar, pretendemos reforzar la conexion logica entre la evidencia presentada y el modelo propuesto. Dicho modelo, entendido como un modelo no excluyente de otras posturas teoricas, surge como una necesidad impuesta por los datos, y con el pretendemos, ya no defender una vision teorica opuesta a la de los autores situados en el paradigma tradicional de aprendizaje, sino integrar dicho paradigma en un marco explicativo mas amplio. Palabras clave: Causalidad, niveles de analisis, induccion, teorias generales. EnglishIn our previous work, we have compiled the most relevant experimental evidence from the different fields related to causal learning and causal induction, in order to answer the basic questions that underlie a computational analysis of human causal competence. Taking into account such answers, we postulate a model that constraints the range of viable algorithmic structures. Most criticisms to this integrative model have been due to an erroneous identification of analysis levels and representational levels in the explanation of behavior. From our point of view, this terminological and conceptual puzzlement is a general feature of the theoretical debate in the field. Hence, we will try to show how the main controversies can be partially solved by establishing a common terminology that allows a better communication among theorists. And secondly, we will try to strengthen the logical connection between the different sources of available data and the model we propose here. A meaningful integration of those data imposes several restrictions upon the algorithmic structure that computes causal relations. Therefore, with our account, we do not intend to exclude any approach, but to integrate the traditional learning paradigms into a broader explanatory framework