Hispanopedia Wiki
Articulo de referencia

Ley de Reformas Laborales

ACT-R (pronunciado /ˌækt ˈɑr/; abreviatura de " Control adaptativo del pensamiento racional ") es una arquitectura cognitiva desarrollada principalmente por John Robert Anderson...

Hispanopedia WikiContenido en espanolLectura gratuita

ACT-R (pronunciado /ˌækt ˈɑr/; abreviatura de " Control adaptativo del pensamiento racional ") es una arquitectura cognitiva desarrollada principalmente por John Robert Anderson y Christian Lebiere en la Universidad Carnegie Mellon . Como cualquier arquitectura cognitiva, ACT-R tiene como objetivo definir las operaciones cognitivas y perceptivas básicas e irreductibles que habilitan la mente humana. En teoría, cada tarea que los humanos pueden realizar debería constar de una serie de estas operaciones discretas.

La mayoría de los supuestos básicos del ACT-R también están inspirados en el progreso de la neurociencia cognitiva , y el ACT-R puede verse y describirse como una forma de especificar cómo está organizado el cerebro mismo de una manera que permite que los módulos de procesamiento individuales produzcan cognición.

Inspiración

ACT-R se ha inspirado en el trabajo de Allen Newell , y especialmente en su defensa durante toda su vida de la idea de teorías unificadas como la única forma de descubrir verdaderamente los fundamentos de la cognición. [2] De hecho, Anderson generalmente atribuye a Newell el mérito principal de su influencia en su propia teoría.

Cómo es el ACT-R

Al igual que otras arquitecturas cognitivas influyentes (incluidas Soar , CLARION y EPIC), la teoría ACT-R tiene una implementación computacional como intérprete de un lenguaje de codificación especial. El intérprete en sí está escrito en Common Lisp y se puede cargar en cualquiera de las distribuciones del lenguaje Common Lisp.

Esto significa que cualquier investigador puede descargar el código ACT-R del sitio web de ACT-R, cargarlo en una distribución Common Lisp y obtener acceso completo a la teoría en forma del intérprete ACT-R.

Además, esto permite a los investigadores especificar modelos de cognición humana en forma de un script en el lenguaje ACT-R. Los primitivos del lenguaje y los tipos de datos están diseñados para reflejar los supuestos teóricos sobre la cognición humana. Estos supuestos se basan en numerosos hechos derivados de experimentos en psicología cognitiva e imágenes cerebrales .

Al igual que un lenguaje de programación , ACT-R es un marco de trabajo: para diferentes tareas (por ejemplo, la Torre de Hanoi , la memoria de textos o listas de palabras, la comprensión del lenguaje, la comunicación, el control de aeronaves), los investigadores crean "modelos" (es decir, programas) en ACT-R. Estos modelos reflejan las suposiciones de los modeladores sobre la tarea dentro de la perspectiva de ACT-R de la cognición. Luego, el modelo puede ejecutarse.

La ejecución de un modelo produce automáticamente una simulación paso a paso del comportamiento humano que especifica cada operación cognitiva individual (es decir, codificación y recuperación de la memoria, codificación visual y auditiva, programación y ejecución motora, manipulación de imágenes mentales). Cada paso está asociado con predicciones cuantitativas de latencias y precisiones. El modelo se puede probar comparando sus resultados con los datos recopilados en experimentos de comportamiento.

En los últimos años, el ACT-R también se ha ampliado para realizar predicciones cuantitativas de patrones de activación en el cerebro, como se detectó en experimentos con fMRI . En particular, el ACT-R se ha ampliado para predecir la forma y la evolución temporal de la respuesta BOLD de varias áreas del cerebro, incluidas las áreas de la mano y la boca en la corteza motora , la corteza prefrontal izquierda, la corteza cingulada anterior y los ganglios basales .

Breve descripción

El supuesto más importante de ACT-R es que el conocimiento humano puede dividirse en dos tipos irreducibles de representaciones: declarativas y procedimentales .

Dentro del código ACT-R, el conocimiento declarativo se representa en forma de fragmentos , es decir, representaciones vectoriales de propiedades individuales, cada una de ellas accesible desde una ranura etiquetada.

Los fragmentos se almacenan y se hacen accesibles a través de buffers , que son la parte frontal de lo que son módulos , es decir, estructuras cerebrales especializadas y en gran medida independientes.

Hay dos tipos de módulos:

  • Módulos perceptivo-motores , que se encargan de la interfaz con el mundo real (es decir, con una simulación del mundo real). Los módulos perceptivo-motores mejor desarrollados en ACT-R son los módulos visuales y manuales.
  • Módulos de memoria . Existen dos tipos de módulos de memoria en ACT-R:
    • Memoria declarativa , que consiste en hechos como Washington, DC es la capital de Estados Unidos , Francia es un país de Europa o 2+3=5
    • Memoria procedimental , formada por producciones. Las producciones representan el conocimiento sobre cómo hacemos las cosas: por ejemplo, el conocimiento sobre cómo escribir la letra "Q" en un teclado, sobre cómo conducir o sobre cómo realizar sumas.

A todos los módulos solo se puede acceder a través de sus buffers. El contenido de los buffers en un momento dado representa el estado de ACT-R en ese momento. La única excepción a esta regla es el módulo procedimental, que almacena y aplica conocimiento procedimental. No tiene un buffer accesible y, en realidad, se utiliza para acceder al contenido de otros módulos.

El conocimiento procedimental se representa en forma de producciones . El término "producción" refleja la implementación real de ACT-R como un sistema de producción , pero, de hecho, una producción es principalmente una notación formal para especificar el flujo de información desde las áreas corticales (es decir, los buffers) a los ganglios basales y de regreso a la corteza.

En cada momento, un comparador de patrones interno busca una producción que coincida con el estado actual de los buffers. Solo se puede ejecutar una producción de este tipo en un momento dado. Esa producción, al ejecutarse, puede modificar los buffers y, por lo tanto, cambiar el estado del sistema. Por lo tanto, en ACT-R, la cognición se desarrolla como una sucesión de activaciones de producción.

El debate simbólico versus conexionista

En las ciencias cognitivas , se suelen atribuir diferentes teorías al enfoque " simbólico " o al " conexionista " de la cognición. ACT-R pertenece claramente al campo "simbólico" y se clasifica como tal en los libros de texto y colecciones estándar. [3] Sus entidades (fragmentos y producciones) son discretas y sus operaciones son sintácticas, es decir, no se refieren al contenido semántico de las representaciones sino solo a sus propiedades que las consideran apropiadas para participar en el cálculo(s). Esto se ve claramente en las ranuras de fragmentos y en las propiedades de coincidencia de búfer en las producciones, las cuales funcionan como variables simbólicas estándar.

Los miembros de la comunidad ACT-R, incluidos sus desarrolladores, prefieren pensar en ACT-R como un marco general que especifica cómo se organiza el cerebro y cómo su organización da origen a lo que se percibe (y, en psicología cognitiva, se investiga) como mente, yendo más allá del tradicional debate simbólico/conexionista. Naturalmente, nada de esto se opone a la clasificación de ACT-R como sistema simbólico, porque todos los enfoques simbólicos de la cognición apuntan a describir la mente, como un producto de la función cerebral, utilizando una cierta clase de entidades y sistemas para lograr ese objetivo.

Un malentendido común sugiere que el ACT-R puede no ser un sistema simbólico porque intenta caracterizar la función cerebral. Esto es incorrecto por dos razones: primero, todos los enfoques de modelado computacional de la cognición, simbólicos o de otro tipo, deben caracterizar en algún sentido la función cerebral, porque la mente es función cerebral. Y segundo, todos esos enfoques, incluidos los enfoques conexionistas, intentan caracterizar la mente en un nivel cognitivo de descripción y no en el nivel neuronal, porque es solo en el nivel cognitivo donde se pueden retener generalizaciones importantes. [4]

Surgen más malentendidos debido al carácter asociativo de ciertas propiedades de ACT-R, como por ejemplo, fragmentos que propagan la activación entre sí, o fragmentos y producciones que tienen propiedades cuantitativas relevantes para su selección. Ninguna de estas propiedades contradice la naturaleza fundamental de estas entidades como simbólicas, independientemente de su papel en la selección de unidades y, en última instancia, en el cálculo.

Teoría vs. implementación y el modelo Vanilla ACT-R

Los desarrolladores de ACT-R suelen destacar la importancia de distinguir entre la teoría en sí y su implementación.

De hecho, gran parte de la implementación no refleja la teoría. Por ejemplo, la implementación real hace uso de "módulos" adicionales que existen sólo por razones puramente computacionales y no se supone que reflejen nada en el cerebro (por ejemplo, un módulo computacional contiene el generador de números pseudoaleatorios utilizado para producir parámetros ruidosos, mientras que otro contiene rutinas de denominación para generar estructuras de datos accesibles a través de nombres de variables).

Además, la implementación real está diseñada para permitir a los investigadores modificar la teoría, por ejemplo, alterando los parámetros estándar, o creando nuevos módulos, o modificando parcialmente el comportamiento de los existentes.

Por último, aunque el laboratorio de Anderson en la CMU mantiene y publica el código oficial de ACT-R, se han puesto a disposición otras implementaciones alternativas de la teoría. Estas implementaciones alternativas incluyen jACT-R [5] (escrito en Java por Anthony M. Harrison en el Laboratorio de Investigación Naval ) y Python ACT-R (escrito en Python por Terrence C. Stewart y Robert L. West en la Universidad de Carleton , Canadá). [6]

De manera similar, ACT-RN (ahora descontinuado) fue una implementación neuronal completa de la versión de 1993 de la teoría. [7] Todas estas versiones eran completamente funcionales y se han escrito y ejecutado modelos con todas ellas.

Debido a estos grados de libertad de implementación, la comunidad ACT-R usualmente se refiere a la versión "oficial" de la teoría, basada en Lisp , cuando se adopta en su forma original y se deja sin modificaciones, como "ACT-R vainilla".

Aplicaciones

A lo largo de los años, los modelos ACT-R se han utilizado en más de 700 publicaciones científicas diferentes y se han citado en muchas más. [8]

Memoria, atención y control ejecutivo

El sistema de memoria declarativa ACT-R se ha utilizado para modelar la memoria humana desde sus inicios. A lo largo de los años, se ha adoptado para modelar con éxito una gran cantidad de efectos conocidos, entre los que se incluyen el efecto abanico de interferencia para la información asociada, [9] los efectos de primacía y actualidad para la memoria de listas, [10] y el recuerdo serial. [11]

El ACT-R se ha utilizado para modelar los procesos de atención y control en varios paradigmas cognitivos, entre los que se incluyen la tarea de Stroop , [12] [13] el cambio de tareas , [14] [15] el período refractario psicológico , [16] y la realización de múltiples tareas. [17]

Lenguaje natural

Varios investigadores han utilizado ACT-R para modelar varios aspectos de la comprensión y producción del lenguaje natural . Entre ellos se incluyen modelos de análisis sintáctico, [18] comprensión del lenguaje, [19] adquisición del lenguaje [20] y comprensión de metáforas. [21]

Tareas complejas

El ACT-R se ha utilizado para captar cómo los seres humanos resuelven problemas complejos como la Torre de Hanoi, [22] o cómo resuelven ecuaciones algebraicas. [23] También se ha utilizado para modelar el comportamiento humano al conducir y volar. [24]

Con la integración de las capacidades perceptivo-motoras, ACT-R se ha vuelto cada vez más popular como herramienta de modelado en factores humanos e interacción hombre-computadora. En este dominio, se ha adoptado para modelar el comportamiento de conducción en diferentes condiciones, [25] [26] selección de menú y búsqueda visual en aplicaciones de computadora, [27] [28] y navegación web. [29]

Neurociencia cognitiva

Más recientemente, ACT-R se ha utilizado para predecir patrones de activación cerebral durante experimentos de imágenes. [30] En este campo, los modelos ACT-R se han utilizado con éxito para predecir la actividad prefrontal y parietal en la recuperación de la memoria, [31] la actividad cingulada anterior para operaciones de control, [32] y los cambios relacionados con la práctica en la actividad cerebral. [33]

Educación

ACT-R se ha adoptado a menudo como la base de los tutores cognitivos . [34] [35] Estos sistemas utilizan un modelo ACT-R interno para imitar el comportamiento de un estudiante y personalizar sus instrucciones y su currículo, tratando de "adivinar" las dificultades que pueden tener los estudiantes y brindar ayuda enfocada.

Estos "Tutores Cognitivos" se están utilizando como plataforma para la investigación sobre el aprendizaje y el modelado cognitivo como parte del Centro de Ciencias del Aprendizaje de Pittsburgh. Algunas de las aplicaciones más exitosas, como el Tutor Cognitivo para Matemáticas, se utilizan en miles de escuelas en todo Estados Unidos.

Breve historia

Primeros años: 1973–1990

ACT-R es el sucesor definitivo de una serie de modelos cada vez más precisos de cognición humana desarrollados por John R. Anderson .

Sus raíces se remontan al modelo original de memoria HAM (Human Associative Memory), descrito por John R. Anderson y Gordon Bower en 1973. [36] El modelo HAM se amplió posteriormente hasta convertirse en la primera versión de la teoría ACT. [37] Esta fue la primera vez que se añadió la memoria procedimental al sistema de memoria declarativa original, introduciendo una dicotomía computacional que más tarde se demostró que se daba en el cerebro humano. [38] La teoría se amplió posteriormente hasta convertirse en el modelo ACT* de cognición humana. [39]

Integración con el análisis racional: 1990-1998

A finales de los años ochenta, Anderson se dedicó a explorar y delinear un enfoque matemático para la cognición que denominó Análisis racional . [40] El supuesto básico del Análisis racional es que la cognición es óptimamente adaptativa y las estimaciones precisas de las funciones cognitivas reflejan las propiedades estadísticas del entorno. [41] Más tarde, volvió al desarrollo de la teoría ACT, utilizando el Análisis racional como marco unificador para los cálculos subyacentes. Para destacar la importancia del nuevo enfoque en la conformación de la arquitectura, su nombre se modificó a ACT-R, donde la "R" significa "Racional" [42].

En 1993, Anderson se reunió con Christian Lebiere, un investigador en modelos conexionistas famoso sobre todo por desarrollar con Scott Fahlman el algoritmo de aprendizaje de correlación en cascada. Su trabajo conjunto culminó en el lanzamiento de ACT-R 4.0. [43] Gracias a Mike Byrne (ahora en la Universidad Rice ), la versión 4.0 también incluyó capacidades motoras y perceptivas opcionales, inspiradas principalmente en la arquitectura EPIC, que amplió enormemente las posibles aplicaciones de la teoría.

Imágenes cerebrales y estructura modular: 1998-2015

Después del lanzamiento de ACT-R 4.0, John Anderson se interesó cada vez más en la plausibilidad neuronal subyacente de su teoría del tiempo de vida y comenzó a utilizar técnicas de imágenes cerebrales para perseguir su propio objetivo de comprender los fundamentos computacionales de la mente humana.

La necesidad de tener en cuenta la localización cerebral impulsó una revisión importante de la teoría. ACT-R 5.0 introdujo el concepto de módulos, conjuntos especializados de representaciones declarativas y procedimentales que podían asignarse a sistemas cerebrales conocidos. [44] Además, la interacción entre el conocimiento procedimental y declarativo estaba mediada por los buffers recién introducidos, estructuras especializadas para almacenar información activa temporalmente (véase la sección anterior). Se pensaba que los buffers reflejaban la actividad cortical, y una serie posterior de estudios confirmó más tarde que las activaciones en las regiones corticales podían relacionarse con éxito con las operaciones computacionales sobre los buffers.

En 2005 se presentó una nueva versión del código, completamente reescrita, denominada ACT-R 6.0. También incluía mejoras significativas en el lenguaje de codificación ACT-R. Entre ellas, se incluía un nuevo mecanismo en la especificación de producción de ACT-R denominado coincidencia dinámica de patrones. A diferencia de las versiones anteriores, que requerían que el patrón que se buscaba en una producción incluyera ranuras específicas para la información en los búferes, la coincidencia dinámica de patrones permite que las ranuras que se buscan sean especificadas también por el contenido del búfer. En Anderson (2007) se ofrece una descripción y una motivación para ACT-R 6.0. [45]

ACT-R 7.0: 2015-Presente

En el taller de 2015, se argumentó que los cambios de software requerían un incremento en la numeración de modelos hasta ACT-R 7.0. Un cambio importante en el software fue la eliminación del requisito de que los fragmentos se deben especificar en función de tipos de fragmentos predefinidos. El mecanismo de tipo de fragmento no se eliminó, pero pasó de ser una construcción obligatoria de la arquitectura a ser un mecanismo sintáctico opcional en el software. Esto permitió una mayor flexibilidad en la representación del conocimiento para las tareas de modelado que requieren aprender información novedosa y amplió la funcionalidad proporcionada a través de la coincidencia de patrones dinámicos, lo que ahora permite que los modelos creen nuevos "tipos" de fragmentos. Esto también condujo a una simplificación de la sintaxis necesaria para especificar las acciones en una producción porque todas las acciones ahora tienen la misma forma sintáctica. El software ACT-R también se actualizó posteriormente para incluir una interfaz remota basada en JSON RPC 1.0. Esa interfaz se agregó para facilitar la creación de tareas para modelos y el trabajo con ACT-R desde lenguajes distintos de Lisp, y el tutorial incluido con el software se ha actualizado para proporcionar implementaciones de Python para todas las tareas de ejemplo realizadas por los modelos del tutorial.

Taller y escuela de verano

En 1995, la Universidad Carnegie Mellon comenzó a organizar su Taller ACT-R anual y Escuela de verano. [46] Su Taller ACT-R se lleva a cabo actualmente en la Conferencia anual MathPsych/ICCM, y su Escuela de verano se lleva a cabo en el campus con una opción de asistencia virtual en la Universidad Carnegie Mellon .

Escisiones

El largo desarrollo de la teoría ACT-R dio origen a una serie de proyectos paralelos y relacionados.

Los más importantes son el sistema de producción PUPS , una implementación inicial de la teoría de Anderson, posteriormente abandonada; y ACT-RN , [7] una implementación de red neuronal de la teoría desarrollada por Christian Lebiere.

Lynne M. Reder, también de la Universidad Carnegie Mellon , desarrolló SAC a principios de la década de 1990, un modelo de aspectos conceptuales y perceptuales de la memoria que comparte muchas características con el sistema declarativo central ACT-R, aunque difiere en algunos supuestos.

Para su disertación en la Universidad Carnegie Mellon , Christopher L. Dancy desarrolló y defendió con éxito en 2014, ACT-R/Phi , [47] una implementación de ACT-R con módulos fisiológicos agregados que permiten que ACT-R interactúe con los procesos fisiológicos humanos.

Don Morrison, de la Universidad Carnegie Mellon , que mantiene la base de código de ACT-R, creó una implementación liviana basada en Python del componente de memoria de trabajo de ACT-R, pyACTUp [ 48] . Esta biblioteca implementa ACT-R como un modelo de aprendizaje supervisado unimodal para tareas de clasificación.

Notas

  1. ^ "ACT-R » Software". ACT-R.psy.cmu.edu . Consultado el 24 de marzo de 2021 .
  2. ^ Newell, Allen (1994). Teorías unificadas de la cognición . Cambridge, Massachusetts: Harvard University Press. ISBN 0-674-92101-1.
  3. ^ Polk, TA; CM Seifert (2002). Modelado cognitivo . Cambridge, Massachusetts: MIT Press. ISBN 0-262-66116-0.
  4. ^ Pylyshyn, ZW (1984). Computación y cognición: hacia una base para la ciencia cognitiva . Cambridge, Massachusetts: MIT Press. ISBN 0-262-66058-X . 
  5. ^ Harrison, A. (2002). jACT-R: Java ACT-R. Actas del 8º taller anual ACT-R PDF Archivado el 7 de septiembre de 2008 en Wayback Machine.
  6. ^ Stewart, TC y West, RL (2006) Deconstructing ACT-R. Actas de la séptima conferencia internacional sobre modelado cognitivo PDF
  7. ^ ab Lebiere, C., y Anderson, JR (1993). Una implementación conexionista del sistema de producción ACT-R. En Actas de la Decimoquinta Conferencia Anual de la Sociedad de Ciencias Cognitivas (pp. 635–640). Mahwah, NJ: Lawrence Erlbaum Associates
  8. ^ [1] Publicaciones y modelos publicados del ACT-R - CMU
  9. ^ Anderson, JR y Reder, LM (1999). El efecto del abanico: nuevos resultados y nuevas teorías. Journal of Experimental Psychology: General , 128 , 186–197.
  10. ^ Anderson, JR, Bothell, D., Lebiere, C. y Matessa, M. (1998). Una teoría integrada de la memoria de listas. Journal of Memory and Language , 38 , 341–380.
  11. ^ Anderson, JR y Matessa, MP (1997). Una teoría del sistema de producción de la memoria serial. Psychological Review, 104 , 728–748.
  12. ^ Lovett, MC (2005) Una interpretación basada en estrategias de Stroop. Cognitive Science, 29 , 493–524.
  13. ^ Juvina, I., y Taatgen, NA (2009). Una explicación de los efectos entre ensayos mediante la repetición-supresión en un paradigma de Stroop modificado. Acta Psychologica, 131(1) , 72–84.
  14. ^ Altmann, EM y Gray, WD (2008). Un modelo integrado de control cognitivo en el cambio de tareas. Psychological Review, 115 , 602–639.
  15. ^ Sohn, M.-H., y Anderson, JR (2001). Preparación de tareas y repetición de tareas: modelo de dos componentes de cambio de tareas. Journal of Experimental Psychology: General .
  16. ^ Byrne, MD y Anderson, JR (2001). Módulos seriales en paralelo: el período refractario psicológico y el tiempo compartido perfecto. Psychological Review, 108 , 847–869.
  17. ^ Salvucci, DD y Taatgen, NA (2008). Cognición en cadena: una teoría integrada de la multitarea concurrente. Psychological Review , 130(1), 101–130.
  18. ^ Lewis, RL y Vasishth, S. (2005). Un modelo basado en la activación del procesamiento de oraciones como recuperación de la memoria especializada. Cognitive Science, 29 , 375–419
  19. ^ Budiu, R. y Anderson, JR (2004). Procesamiento basado en interpretación: una teoría unificada del procesamiento de oraciones semánticas. Cognitive Science, 28 , 1–44.
  20. ^ Taatgen, NA y Anderson, JR (2002). ¿Por qué los niños aprenden a decir "broke"? Un modelo de aprendizaje del tiempo pasado sin retroalimentación. Cognition , 86(2) , 123–155.
  21. ^ Budiu R. y Anderson JR (2002). Comprensión de metáforas anafóricas. Memory & Cognition, 30 , 158–165.
  22. ^ Altmann, EM y Trafton, JG (2002). Memoria para objetivos: un modelo basado en la activación. Cognitive Science , 26 , 39–83.
  23. ^ Anderson, JR (2005) Manipulación de símbolos humanos dentro de una arquitectura cognitiva integrada. Cognitive Science, 29(3) , 313–341.
  24. ^ Byrne, MD y Kirlik, A. (2005). Uso de modelos cognitivos computacionales para diagnosticar posibles fuentes de error en la aviación. Revista internacional de psicología de la aviación, 15 , 135–155. doi :10.1207/s15327108ijap1502_2
  25. ^ Salvucci, DD (2006). Modelado del comportamiento del conductor en una arquitectura cognitiva. Human Factors , 48 , 362–380.
  26. ^ Salvucci, DD y Macuga, KL (2001). Predicción de los efectos de la marcación de teléfonos celulares en el desempeño del conductor. En Actas de la Cuarta Conferencia Internacional sobre Modelado Cognitivo , págs. 25-32. Mahwah, NJ: Lawrence Erlbaum Associates.
  27. ^ Byrne, MD, (2001). ACT-R/PM y selección de menú: aplicación de una arquitectura cognitiva a la HCI. Revista internacional de estudios humanos y computadores , 55 , 41–84.
  28. ^ Fleetwood, MD y Byrne, MD (2002) Modelado de búsqueda de iconos en ACT-R/PM. Cognitive Systems Research , 3 , 25–33.
  29. ^ Fu, Wai-Tat; Pirolli, Peter (2007). "SNIF-ACT: Un modelo cognitivo de navegación del usuario en la World Wide Web" (PDF) . Interacción persona-ordenador . 22 (4): 355– 412. Archivado desde el original (PDF) el 2010-08-02.
  30. ^ Anderson, JR, Fincham, JM, Qin, Y., y Stocco, A. (2008). Un circuito central de la mente. Tendencias en las ciencias cognitivas , 12(4) , 136–143
  31. ^ Sohn, M.-H., Goode, A., Stenger, V. A, Carter, CS y Anderson, JR (2003). Competencia y representación durante la recuperación de la memoria: funciones de la corteza prefrontal y la corteza parietal posterior, Actas de la Academia Nacional de Ciencias, 100 , 7412–7417.
  32. ^ Sohn, M.-H., Albert, MV, Stenger, V. A, Jung, K.-J., Carter, CS y Anderson, JR (2007). Anticipación de la monitorización de conflictos en la corteza cingulada anterior y la corteza prefrontal. Actas de la Academia Nacional de Ciencias, 104 , 10330–10334.
  33. ^ Qin, Y., Sohn, MH, Anderson, JR, Stenger, VA, Fissell, K., Goode, A. Carter, CS (2003). Predicción de los efectos de la práctica en la función dependiente del nivel de oxigenación sanguínea (BOLD) de la fMRI en una tarea de manipulación simbólica. Actas de la Academia Nacional de Ciencias de los Estados Unidos de América. 100(8) : 4951–4956.
  34. ^ Lewis, MW, Milson, R., y Anderson, JR (1987). El aprendiz del maestro: diseño de un sistema de creación inteligente para matemáticas de secundaria. En GP Kearsley (Ed.), Inteligencia artificial e instrucción . Reading, MA: Addison-Wesley. ISBN 0-201-11654-5 . 
  35. ^ Anderson, JR y Gluck, K. (2001). ¿Qué papel desempeñan las arquitecturas cognitivas en los sistemas de tutoría inteligente? En D. Klahr y SM Carver (Eds.) Cognición e instrucción: veinticinco años de progreso , 227–262. Lawrence Erlbaum Associates. ISBN 0-8058-3824-4 . 
  36. ^ Anderson, JR y Bower, GH (1973). Memoria asociativa humana . Washington, DC: Winston and Sons.
  37. ^ Anderson, JR (1976) Lenguaje, memoria y pensamiento . Mahwah, NJ: Lawrence Erlbaum Associates. ISBN 0-89859-107-4 . 
  38. ^ Cohen, NJ, y Squire, LR (1980). Aprendizaje preservado y retención de la habilidad de análisis de patrones en la amnesia: disociación entre saber cómo y saber qué. Science , 210(4466) , 207–210
  39. ^ Anderson, JR (1983). La arquitectura de la cognición . Cambridge, Massachusetts: Harvard University Press. ISBN 0-8058-2233-X . 
  40. ^ Anderson, JR (1990) El carácter adaptativo del pensamiento . Mahwah, NJ: Lawrence Erlbaum Associates. ISBN 0-8058-0419-6 . 
  41. ^ Anderson, JR y Schooler, LJ (1991). Reflexiones del entorno en la memoria. Psychological Science , 2 , 396–408.
  42. ^ Anderson, JR (1993). Reglas de la mente . Hillsdale, NJ: Lawrence Erlbaum Associates. ISBN 0-8058-1199-0 . 
  43. ^ Anderson, JR y Lebiere, C. (1998). Los componentes atómicos del pensamiento . Hillsdale, NJ: Lawrence Erlbaum Associates. ISBN 0-8058-2817-6 . 
  44. ^ Anderson, JR, et al. (2004) Una teoría integrada de la mente. Psychological Review , 111(4) . 1036–1060
  45. ^ Anderson, JR (2007). ¿Cómo puede existir la mente humana en el universo físico? Nueva York, NY: Oxford University Press. ISBN 0-19-532425-0 . 
  46. ^ "Talleres ACT-R".
  47. ^ Dancy, CL, Ritter, FE y Berry, K. (2012). Hacia la incorporación de un sustrato fisiológico a ACT-R. En la 21.ª Conferencia Anual sobre Representación del Comportamiento en Modelado y Simulación 2012, BRiMS 2012 (pp. 75-82). (21.ª Conferencia Anual sobre Representación del Comportamiento en Modelado y Simulación 2012, BRiMS 2012).
  48. ^ Morrison, Don. "pyactup". github.com . Consultado el 15 de septiembre de 2023 .

Referencias

  • Anderson, JR (2007). ¿Cómo puede existir la mente humana en el universo físico? Nueva York, NY: Oxford University Press. ISBN 0-19-532425-0 . 
  • Anderson, JR, Bothell, D., Byrne, MD, Douglass, S., Lebiere, C. y Qin, Y. (2004). Una teoría integrada de la mente. Psychological Review , 1036–1060.
  • Sitio web oficial de ACT-R: con mucho material en línea, incluido el código fuente, una lista de publicaciones y tutoriales
  • jACT-R: una reescritura de ACT-R en Java
  • ACT-R: El entorno de desarrollo y simulación de Java: otra reimplementación de código abierto de ACT-R en Java
  • Python ACT-R: una implementación de Python de ACT-R
  • pyactr – otra implementación de ACT-R en Python
  • gactar: ​​una herramienta de código abierto para explorar las implementaciones de ACT-R
Obtenido de "https://es.wikipedia.org/w/index.php?title=ACT-R&oldid=1258671091"
Lecturas relacionadas
6 articulos
Arquitectura cognitivaArquitectura cognitivaUna arquitectura cognitiva se refiere tanto a una teoría sobre la estructura de la mente humana como a una instanciación computacional de dicha teo...letra psi estilizadaJohn Robert Anderson (psicólogo)John Robert Anderson (nacido el 27 de agosto de 1947) es un psicólogo estadounidense nacido en Canadá. Actualmente es profesor de Psicología y Cien...Universidad Carnegie MellonUniversidad Carnegie MellonLa Universidad Carnegie Mellon ( CMU ) es una universidad privada de investigación en Pittsburgh , Pensilvania . La institución fue fundada en 1900...Neurociencia cognitivaNeurociencia cognitivaLa neurociencia cognitiva es el campo científico que se ocupa del estudio de los procesos biológicos y los aspectos que subyacen a la cognición , [...Allen NewellAllen NewellAllen Newell (19 de marzo de 1927 - 19 de julio de 1992) fue un investigador estadounidense en ciencias de la computación y psicología cognitiva en...Elevarse (arquitectura cognitiva)Elevarse (arquitectura cognitiva)Soar [ 1 ] es una arquitectura cognitiva , [ 2 ] creada originalmente por John Laird , Allen Newell y Paul Rosenbloom en la Universidad Carnegie Me...