Content uploaded by José María Ruiz Sánchez de León
Author content
All content in this area was uploaded by José María Ruiz Sánchez de León on Dec 08, 2014
Content may be subject to copyright.
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
38 International Journal of Psychological Research
Arquitecturas cognitivas y cerebro: hacia una teoría unificada de la
cognición
Cognitive architectures and brain: towards an unified theory of cognition
José María Ruiz Sánchez de León
Universidad Complutense de Madrid
Miguel Ángel Fernández Blázquez
Universidad Complutense de Madrid
RESUMEN
Las arquitecturas cognitivas se definen como el conjunto de componentes esenciales de un sistema que permite el
análisis de sus cogniciones y sus conductas. El objetivo de este trabajo es revisar una de las arquitecturas cognitivas que
resulta más plausible desde el punto de vista neuroanatómico: ACT-R es una teoría sobre el funcionamiento de la mente
humana. Tras un acercamiento inicial a sus conceptos básicos, se describen sus dos niveles de computación: un nivel
simbólico que contiene toda la información declarativa del sistema, y un nivel subsimbólico que está representado como un
juego de procesos en paralelo. A su vez, se relacionan los módulos que componen la arquitectura con la neuroanatomía
funcional del cerebro, describiendo el funcionamiento del circuito córtico-estriado-talámico.
Palabras clave: Modelos computacionales; arquitecturas cognitivas; simulación; psicología cognitiva; neuropsicología
cognitiva.
ABSTRACT
Cognitive architectures are defined as the group of essential components belonging to a system which allows the
analysis of its cognitions and behaviors. The aim of this study is to review one of the most plausible cognitive architectures
from the neuroanatomic perspective: The Adaptive Control of Thought-Rational (ACT-R) is a theory about how human
mind works. Following an initial approach to its basic concepts its two computational levels are described, these are: a
symbolic level , which includes declarative information; and a sub-symbolic level which is represented as a parallel set of
processes. At the same time, architecture’s modules are related to brain’s functional neuroanatomy describing how cortico-
striatal-thalamic circuit works.
Key words: Computational models; cognitive architectures; simulation; cognitive psychology; cognitive
neuropsychology.
Artículo recibido/Article received: Octubre 27 2011/October 27 2011, Artículo aceptado/Article accepted: Noviembre 12 2011/November 12 2011
Dirección correspondencia/Mail Address:
José María Ruiz Sánchez de León y Miguel Ángel Fernández Blázquez. Dpto. Psicología Básica II (Procesos Cognitivos). Facultad de Psicología. Buzón 119. Universidad
Complutense de Madrid. (28223 - Madrid - España). E-mail: jm.ruiz.sdl@gmail.com / ma.fdez.blazquez@gmail.com
INTERNATIONAL JOURNAL OF PSYCHOLOGICAL RESEARCH esta incluida en PSERINFO, CENTRO DE INFORMACION PSICOLOGICA DE COLOMBIA,
OPEN JOURNAL SYSTEM, BIBLIOTECA VIRTUAL DE PSICOLOGIA (ULAPSY-BIREME), DIALNET y GOOGLE SCHOLARS. Algunos de sus articulos aparecen en
SOCIAL SCIENCE RESEARCH NETWORK y está en proceso de inclusion en diversas fuentes y bases de datos internacionales.
INTERNATIONAL JOURNAL OF PSYCHOLOGICAL RESEARCH is included in PSERINFO, CENTRO DE INFORMACIÓN PSICOLÓGICA DE COLOMBIA, OPEN
JOURNAL SYSTEM, BIBLIOTECA VIRTUAL DE PSICOLOGIA (ULAPSY-BIREME ), DIALNET and GOOGLE SCHOLARS. Some of its articles are in SOCIAL
SCIENCE RESEARCH NETWORK, and it is in the process of inclusion in a variety of sources and international databases.
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
International Journal of Psychological Research
39
Hace algunos años, Newell (1990) propuso que la
Neurociencia Cognitiva no podría soportar siempre la gran
cantidad de modelos que, década tras década, se irían
proponiendo en las diferentes áreas de conocimiento que la
componen. Los resultados tienden a ser encapsulados en
una u otra especialidad y, allí, se van acumulando sin que
parezca existir una meta común. Así, sugirió la idea de
crear una teoría unificada de la cognición que pretendiera
explicar con detalle todos los mecanismos implicados en
producir cualquier conducta humana. Una teoría que
pudiera reproducir y explicar todos los datos que arroja la
investigación. Las arquitecturas cognitivas emergieron para
dar respuesta a esta necesidad de integración del
conocimiento. Arquitectura (del latín, architectūra), amén
de significar al arte de proyectar y construir edificios, hace
referencia a la estructura lógica y física de los componentes
de un sistema. Por otro lado, cognitiva, como perteneciente
o relativo a las cogniciones (del latín, cognitĭo, -ōnis), se
refiere a la acción o efecto de conocer. Así, en sentido
estricto, una arquitectura cognitiva es la estructura lógica y
física de los componentes de un sistema que conoce.
Sun (2002, 2004) define las arquitecturas
cognitivas como el conjunto de componentes esenciales de
un sistema que permite el análisis exhaustivo, en múltiples
niveles y en múltiples dominios de sus cogniciones y sus
conductas. Este conjunto de componentes proporciona un
marco conceptual que facilita la modelización detallada de
los fenómenos cognitivos a través de la división en módulos
y la especificación de las relaciones entre ellos. Con ello, el
análisis se realiza, principalmente a nivel computacional
(Sun, 1999).
Las arquitecturas cognitivas son, en general,
herederas del solucionador general de problemas que
desarrollaran en los años 60 Newell y Simon (1963) y,
como se expone en el presente trabajo, dan cuenta de los
mecanismos que sustentan gran cantidad de conductas
humanas. Se suelen basar en la idea central de regla de
producción de Newell y Simon (1972). Una regla de
producción es una estructura de conocimiento que consta de
dos partes diferenciadas: una condición, que puede ser
externa o interna al sistema, y una acción, que puede ser
una respuesta motora o una operación mental. Suelen tomar
la forma “SI condición ENTONCES acción”.
Un aspecto importante de las arquitecturas
cognitivas es que consideran la conducta inteligente de los
sistemas enmarcada dentro del modelo computacional de
espacios problema. Así, cuando un sistema se enfrenta con
una determinada tarea, ésta se convierte en un espacio
problema que se identifica como una meta a resolver. Sin
embargo, para solucionar un espacio problema el sistema
debe, además, conocer el funcionamiento de todas sus
reglas de producción, la consecuencia de sus acciones e
incluso decidir qué regla utilizar en un determinado
momento entre dos posibles candidatas. Para solucionar
esto se utilizan espacios multiproblema. Ciertos problemas
en la resolución de una tarea se convierten en submetas de
la meta original. Estas nuevas submetas no se abandonan
hasta que se resuelven y entonces, se devuelve de nuevo el
control a la que era meta principal.
Existen varios conceptos fundamentales que
merecen la pena desatacarse. Por estado, entendemos la
estructura de datos que define una situación en el camino
para alcanzar un objetivo. Así, para la resolución de una
tarea se suele hablar de un estado inicial, estados
intermedios y estado final, que es la meta. Por operador, se
entiende la función que transforma un estado en otro. Un
operador es la acción que resulta de la aplicación de una
regla. El espacio problema es el conjunto de estados y
operadores que están disponibles para alcanzar el objetivo.
Las dimensiones del espacio problema pueden ser muy
variables y dependen de la complejidad de la tarea. Así, se
puede resumir toda la actividad cognitiva del sistema
diciendo que se lleva a cabo aplicando operadores a estados
dentro de un espacio problema para alcanzar una meta.
En la Figura 1 se muestra el espacio problema de
la torre de Hanoi, donde pueden verse todos los
movimientos posibles que dan lugar a todos los posibles
estados intermedios entre el estado inicial y el estado final.
Newell y Simon (1972) aseguran que el espacio problema
de la torre de tres discos puede ser procesado íntegramente
en la memoria operativa porque no excede su capacidad.
Por el contrario, el procesamiento de los espacios problema
de otras tareas más complejas, como el ajedrez, exceden
dicha capacidad por lo que el sistema suele manejar
subconjuntos (y submetas).
Figura 1. Espacio problema de la Torre de Hanoi de tres
discos
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
40 International Journal of Psychological Research
Se han propuesto diferentes arquitecturas cognitivas en las
últimas décadas. Algunas de ellas son la BDI (Bratman
1987), CAP2 (Schneider y Detweiler, 1987), CAPS (Just y
Carpenter, 1992), 3T (Bonasso, Firby, Gat, Kortenkamp,
Miller y Slack, 1997), ICARUS (Shapiro y Langley, 1999),
REMI (Schooler, Shiffrin y Raaijmakers, 1999), ROUSE
(Huber, Shiffrin, Lyle y Ruys, 2001) y CLARION (Sun,
2001, 2002). Sin embargo, las arquitecturas SOAR (Laird,
Rosenbloom y Newell, 1987), EPIC (Meyer y Kieras, 1997)
y ACT-R (Anderson y Lebiere, 1998), que se desarrolla a
continuación, son las que más respaldo han obtenido.
LA ARQUITECTURA ACT-R
Anderson y Bower (1973) desarrollaron el modelo
HAM, una propuesta para considerar la memoria
declarativa un conjunto de proposiciones. Este es el modelo
predecesor del primer ACT (Anderson, 1976, 1982) que
también implementaba un sistema de producciones en la
memoria procedimental. En tercer lugar, apareció la
arquitectura ACT* (Anderson, 1983, 1989, 1992), en la que
combinaban procesos simbólicos, como especificaciones
formales del contenido de la memoria declarativa, con
procesos subsimbólicos, que explicaban la activación en
dicha memoria declarativa y su relación con la
procedimental. El modelo ACT-R (de Adaptative Control
of Thought - Rational) de Anderson (1993) optimizó más
tarde los componentes subsimbólicos para dar cuenta de las
demandas del medio, adaptando la arquitectura cognitiva a
los fenómenos estocásticos del mismo. En los últimos años,
las diferentes versiones de la arquitectura ACT-R
(Anderson, Bothell, Byrne, Douglass, Lebiere y Qin, 2004;
Anderson y Lebiere, 1998) conciben un sistema de módulos
y buffers localizados en regiones cerebrales determinadas.
La teoría ACT, en general, viene acumulando
evidencias en múltiples campos de la psicología cognitiva,
desde la atención y la percepción (con modelos para dar
cuenta de la búsqueda visual, los movimientos oculares o
del efecto Stroop), el aprendizaje y la memoria (adquisición
de destrezas, recuerdo de lista de palabras, categorización),
memoria operativa, toma de decisiones y resolución de
problemas (modelizando la ejecución de la torre de Hanoi,
problemas matemáticos o sistemas dinámicos), lenguaje
(explicando el funcionamiento de las analogías, las
metáforas o el procesamiento léxico), desarrollo cognitivo,
diferencias individuales, motivación y emoción.
En última instancia, ACT-R es una teoría sobre
cómo trabaja la mente humana. Para los que se acercan por
primera vez a sus supuestos, parece un lenguaje de
programación informático. Sin embargo, es mucho más que
eso. ACT-R es un marco conceptual que proporciona las
herramientas necesarias para generar hipótesis y crear
modelos (o programas, si se quiere) que, una vez escritos y
puestos a prueba, permiten conocer mejor cómo funciona el
sistema cognitivo. Esto es así en la medida en que se
comparan los resultados del programa informático con los
resultados obtenidos en investigación psicológica humana,
ya sean tiempos de reacción, precisión en las respuestas o
registros en la resonancia magnética funcional.
ACT-R es una arquitectura cognitiva híbrida
(Figura 2). Esto es, supone un nivel simbólico, que contiene
toda la información declarativa del sistema, y un nivel
subsimbólico, que está representado como un juego de
procesos en paralelo similares a los de un modelo
conexionista, que controlan muchos de los procesos
simbólicos, y dan cuenta de los mecanismos de aprendizaje.
Figura 2. Estructura cognitiva de la arquitectura ACT-R
Nivel simbólico
En el nivel simbólico el conocimiento declarativo
se sustenta por chunks, estructuras que representan la
información a modo de proposiciones y que están
compuestas por un número determinado de ranuras
etiquetadas (slots) en las que se almacena dicha
información. Ésta puede ser un valor, un hecho, antiguas
metas del sistema, la meta actual e incluso información
perceptiva. Cada chunk es de un tipo particular que
determina su nombre y el número de sus ranuras. Toman la
forma:
(TIPO-DE-CHUNK
NOMBRE
RANURA1
RANURA2
RANURA... n)
Un ejemplo de chunk meta podría ser el siguiente:
(META X
ES-UNA SUMA
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
International Journal of Psychological Research
41
SUMANDO1 TRES
SUMANDO2 CUATRO
RESPUESTA VACIO)
Donde SUMANDO1, SUMANDO2 y
RESPUESTA son ranuras de la META X y TRES y
CUATRO son contenidos de las ranuras que hacen
referencia a otros chunks de la memoria declarativa. La
ranura RESPUESTA obtiene un valor de VACIO,
queriendo indicar que en este caso la respuesta es
desconocida por el sistema y además es una meta a
resolver. Una vez resuelto el problema, el conocimiento
quedaría así:
(TIPO-DE-CHUNK
SUMAR
SUMANDO1
SUMANDO2
RESPUESTA)
(TIPO-DE-CHUNK
NUMERO-ENTERO
VALOR)
(SUMAR (META X
ES-UNA SUMA
SUMANDO1 TRES
SUMANDO2 CUATRO
RESPUESTA SIETE)
(TRES
ES-UN NUMERO-ENTERO
VALOR 3)
(CUATRO
ES-UN NUMERO-ENTERO
VALOR 4)
(SIETE
ES-UN NUMERO-ENTERO
VALOR 7))
Por otro lado, el conocimiento procedimental en el
nivel simbólico consiste en reglas de producción (o
producciones). El sistema de producción ACT original de
Anderson (1976) suponía que un conjunto de producciones
actuaba sobre una base de datos sobre hechos en la
memoria declarativa.
Las producciones en ACT-R son reglas que
especifican una contingencia cognitiva, es decir, cuándo
una operación cognitiva debe tener lugar. Contienen una
condición que especifica la circunstancia bajo la cual debe
operar y una acción que se realizará en caso de que la
circunstancia previa se cumpla. En concreto, las
condiciones contienen patrones que deben ser comparados
con la meta actual del sistema y otros chunks de la memoria
declarativa. Las acciones modifican el valor de las ranuras
en la meta o en otros chunks, varían la meta actual o crean
submetas de la misma.
Las producciones tienen un gran nivel de
abstracción, asimetría condicional y están orientadas a
metas. Como ya se ha dicho, una producción se relaciona
con un chunk de tipo meta de la memoria declarativa en el
que se ha centrado el foco de la atención. Las metas se
organizan en pilas de metas en las que éstas pueden ser
almacenadas (pushed) y después ser recuperadas (popped).
El nivel simbólico de la arquitectura ACT-R opera
en ciclos discretos deterministas. Así, al comienzo de cada
ciclo, las condiciones de cada producción se comparan con
las ranuras del chunk meta actual. Las producciones que se
emparejan con éxito entran a formar parte del juego de
producciones que entran en conflicto en ese momento.
Entonces, el sistema selecciona una producción de entre
éstas y consulta las condiciones que especifica
recuperándolas de la memoria declarativa. Si dicha
recuperación resulta total y positiva (esto es, que todas las
condiciones de la producción se emparejan con las ranuras
de la meta actual) la acción que contiene la producción se
ejecuta, pudiendo tener como resultado una variación de la
meta en vigor, el almacenamiento de ésta en la pila de
metas (push) o la recuperación de una meta anterior ya
almacenada en la pila (pop). Si por el contrario esa
producción no se empareja con el estado y con la meta, el
sistema pasa a la siguiente producción candidata del juego
de producciones en conflicto.
Siguiendo con un ejemplo similar al anterior, el
sistema, ante el problema de restar el número 4 del número
7, puede utilizar y seleccionar de entre sus producciones la
que sigue:
SI
LA META ES RESTAR
num2 A num1
Y LA RESPUESTA ESTÁ VACÍA
Y EXISTE UN CHUNK DE TIPO SUMAR
num2 MAS num3 ES IGUAL A num1
ENTONCES
PONER num3
EN LA RANURA RESPUESTA DE LA META
Donde num1 es el valor 7, num2 es el valor 4 y
num3 el valor 3. Así, las variables que contienen las
producciones son de crucial importancia para el sistema. De
esta manera, esta regla es capaz de resolver cualquier resta
si existe el chunk suma en la memoria declarativa.
Nivel subsimbólico
A diferencia del nivel simbólico, que funciona
como los típicos sistemas de producción (como el primer
ACT, Anderson, 1976), el nivel subsimbólico opera de
manera similar a las estructuras conexionistas. Esto se debe
a que el funcionamiento del nivel simbólico arroja dos
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
42 International Journal of Psychological Research
cuestiones que debían ser resueltas (Anderson, 1993;
Anderson y Lebiere, 1998). ¿Cómo se ordenan las
producciones que han emparejado en el juego de
producciones en conflicto? Y, en el caso de que los chunks
de varias producciones emparejen con la recuperación de la
memoria declarativa, ¿cuál se selecciona? Además, el nivel
subsimbólico resuelve y da cuenta de otros problemas como
los errores del sistema y predice las latencias en las
decisiones.
En primer lugar, si varios chunks de la memoria
declarativa se activan ante las condiciones de varias
producciones y satisfacen la comparación, el chunk más
activo es el que se recupera. La activación de un chunk (Ai)
es la suma de su nivel basal de activación (Bi, entendido
como la utilidad que tuvo en el pasado) y su activación
asociativa (relevancia para el contexto general).
Así, ante una nueva meta de tipo restar el valor 2 al
valor 8, los chunk que contienen los valores 2 y 8
incrementan su actividad por ser relevantes en el contexto.
A su vez, si existe el chunk de tipo suma con la información
2+6=8, éste también recibirá una atención extra ya que,
utilizando la regla de producción del ejemplo anterior, el
problema se resolverá rápidamente.
El nivel basal de activación Bi del chunk Ci es una
estimación independiente del contexto de la probabilidad de
que Ci empareje con una producción. El parámetro Bi está
determinado por la frecuencia con la que se ha usado Ci y
con la recencia de Ci en el momento dado. La activación
asociativa, por otro lado, es dependiente del contexto y se
refiere al sumatorio del producto de las fuentes de
activación (Wj, que son los componentes de la meta actual
que se relacionan con el contexto) y la fuerza asociativa de
todos los chunks relativos activados (Sji). En ACT-R las
fuentes de activación hacen referencia a la atención que se
presta a los elementos, por lo que es de capacidad limitada
(e introduce también una variable de diferencias
individuales). Se añade una variable de ruido (N(0,s)) a
cada activación imprimiendo un carácter estocástico, con
dos ruidos compuestos: uno permanente que da cuenta de la
variabilidad en la codificación y otro transitorio que
depende del momento. Así, la activación de un chunk (i)
resulta:
),0(S WBA jjijii sN
No obstante, puede darse el caso de que los chunks
se emparejen solo parcialmente con el patrón de
recuperación. En ese caso pueden ser elegidos, pero su
nivel de activación es penalizado en una cantidad
proporcional al grado de desajuste entre el patrón y los
valores actuales del chunk. Por ello, la función final que se
refiere al nivel de activación del chunk queda como sigue:
kklksNSimMP ),0(S WBA jjijii
Donde MPk es la penalización por no emparejar y
Simkl el valor de similaridad actual. En el caso de que la
activación de ningún chunk alcance el umbral de
recuperación, dicha recuperación fracasa (obligando al
sistema a crear submetas de la original).
Así, el tiempo que invierte el sistema en recuperar
un chunk de la memoria (Timei) es una función (F) con una
caída exponencial de su nivel de activación previo (Ai). A
menos activación del chunk, más tiempo se invierte en
recuperarlo.
)( p
iSAf
ieFTime
Como un chunk siempre es recuperado por una
regla de producción, esta ecuación representa el tiempo en
recuperar el chunk (i) por la producción (p). La fuerza de la
regla de producción (Sp) juega también un papel importante
en el tiempo que tarda en recuperar un determinado chunk.
Los parámetros F y f son fijos en ACT-R con un valor por
defecto igual a 1. Para evitar tiempos de recuperación
superiores a un segundo se establece un umbral constante
que, en caso de sobrepasarse, hace que el chunk (i) no sea
recuperado.
Un segundo hecho relevante en el nivel
subsimbólico es que las producciones se seleccionan en
orden descendente de utilidad o ganancia esperada. Por un
lado, se asigna una utilidad o ganancia (G) al chunk que es
la meta actual del sistema que se corresponde con lo que
merece la pena satisfacerla. Por otro, a cada producción (p)
se le asocia una probabilidad de éxito (Pp) y un coste (Cp)
por conseguir resolver la meta a la que se dedica. La unidad
de coste en ACT-R es el tiempo. La utilidad o ganancia
esperada (EGp) de una producción es el resultado de la
probabilidad de éxito por ganancia del chunk meta menos
los costes de la producción. Así resulta:
pp
pCGPEG
Donde la probabilidad de éxito de la producción es igual a:
FracasosÉxitos
Éxitos
Pp
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
International Journal of Psychological Research
43
En una versión más avanzada, el sistema introduce
además una variable de ruido a la utilidad esperada de la
producción (haciendo que la selección de las producciones
sea estocástica). Así, la probabilidad de que una producción
(Pp) sea elegida es:
t
p Fracasos
t
p Éxitos
t
p Éxitos
pe e
e
P
Donde el parámetro (t) refleja el ruido del medio
en la evaluación de las producciones. Así, mientras que el
modelo ACT-R tiene un algoritmo serial preciso en su nivel
simbólico, en su nivel subsimbólico ha evolucionado hacia
una predominancia de la estocasticidad y la continuidad de
la ejecución humana (Anderson et al., 2004).
Aprendizaje en ACT-R
Así como la arquitectura ACT-R propone dos
sistemas de memoria diferentes, cada uno de ellos con dos
niveles de descripción, también propone diferentes
mecanismos de aprendizaje. Dichos mecanismos de
aprendizaje dentro del nivel simbólico especifican cómo se
añaden los chunks nuevos a la memoria declarativa y cómo
las reglas lo hacen a la memoria procedimental. Por otro
lado, en el nivel subsimbólico da cuenta de cómo cambian
los valores de los parámetros. Como en la arquitectura
SOAR (Laird et al., 1987), nunca se borra conocimiento de
la memoria aunque éste pueda llegar a ser prácticamente
irrecuperable de la misma.
Un chunk nuevo tiene la posibilidad de acceder a
la memoria declarativa por dos medios, bien porque haya
sido un objeto perceptivo externo, o bien porque sea un
chunk creado por el sistema a partir del procesamiento y el
logro de metas por parte de la arquitectura. En este segundo
caso, los chunks creados dentro del sistema son siempre
antiguas metas, como en el ejemplo del resultado de la
suma anterior. Por ello, Anderson (1993) afirma que
cualquier chunk de la memoria declarativa que no ha
accedido al sistema por vías perceptivas, en algún momento
fue una meta actual. Así, el aprendizaje se produce en la
medida en que el sistema no necesita reprocesar la suma
3+4 desde el punto en que la ranura RESPUESTA tenía un
valor VACÍO, sino que recuperará directamente el chunk en
el que dicha ranura ya tiene el valor SIETE.
El aprendizaje de nuevas reglas de producción es
un proceso mucho más complicado. Las producciones se
aprenden a partir de ejemplos que se almacenan en un tipo
especial de chunk llamado dependencia (dependency
chunk). Cuando se resuelve una meta por medio de un
proceso que implica varias reglas se crea un chunk de
dependencia que contiene información acerca de cómo se
resolvió, qué chunks fueron recuperados y cuáles fueron las
submetas creadas para tal efecto.
Entonces, cuando el sistema ACT-R se enfrenta a
una situación similar (con una meta similar), el chunk de
dependencia con ese conocimiento es recuperado
(“popped”) y automáticamente se compilada una nueva
producción para solucionar el problema mediante un
mecanismo de analogía. Así, el sistema resuelve mediante
esa generalización la meta actual en un solo paso en lugar
de reprocesar de nuevo todas las submetas que en su
momento utilizó. Es importante destacar que, como el
chunk de dependencia no es un chunk perceptivo, en algún
momento fue una meta del sistema y, por ello, se dice que
el aprendizaje de reglas de producción es dependiente de la
memoria declarativa y, además, un proceso orientado a
metas.
Por otro lado, en el nivel subsimbólico, el
aprendizaje se basa en reglas bayesianas para ajustar las
estimaciones de los parámetros en función de la experiencia
(Berger, 1985). De acuerdo con estos principios, una nueva
estimación de un determinado parámetro se basa en un
valor previo y en la experiencia actual. Así, el nivel basal
de activación de un chunk (Bi) como ya se ha comentado
anteriormente es una estimación de la necesidad de usar
dicho chunk independientemente del contexto. Si el chunk
ha sido recuperado muchas veces en el pasado, la
probabilidad de volver a recuperarlo aumenta. Por el
contrario, si ha sido recuperado pocas veces, su
probabilidad de ser usado es pequeña.
Por ello, cada vez que un chunk es recuperado, su
nivel basal de activación debería subir (y cada vez que no
se usa, bajar). Eso es lo que hace exactamente el
mecanismo de aprendizaje del nivel subsimbólico,
aumentar dicho valor si se usa el chunk habitualmente y
disminuirlo cuando pasa tiempo sin usarse. La fórmula que
calcula el nivel basal de activación en un momento (t) es:
n
j
d
i)t(t j
(t)B 1
log
Donde (n) es el número de veces que se ha
recuperado de la memoria el chunk (i), y (t) representa el
momento en el que tiene lugar cada recuperación. Por ello,
cuanto más tiempo haga de su última recuperación, menor
nivel basal de activación. El parámetro (d) es fijo en ACT-
R y representa la caída del nivel basal en la memoria
declarativa (su valor por defecto es 0,5).
Neves y Anderson (1981) aportaron los datos
experimentales que demuestran cómo el aprendizaje de la
arquitectura ACT-R se ajusta a la clásica curva de
aprendizaje asintótica, así como Bahrick (1984) lo hiciera
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
44 International Journal of Psychological Research
con la curva del olvido. Sin embargo, la aportación más
relevante de la ecuación del nivel basal de activación es la
relación que propone entre la variable cantidad de práctica
y la variable tiempo que se retiene la práctica.
Formalmente, la ecuación que engloba estos tres aspectos
(curva de aprendizaje, curva de olvido y la relación
cantidad-duración de la práctica) en la teoría ACT-R es:
-d
TNEjecución
Esto implica que la ejecución mejora
continuamente con la práctica (N es la cantidad de práctica)
y empeora, también continuamente, con el intervalo de
tiempo entre prácticas (T es el tiempo sin practicar). El
hecho de que estos dos factores se multipliquen quiere decir
que aumentar la práctica es la manera de conservar el
conocimiento frente al paso del tiempo (Anderson, 1995).
Neuroanatomía funcional en ACT-R.
La arquitectura ACT-R, en la actualidad ACT-R 6
versión 1.4, presupone la existencia de un conjunto de
módulos encargados del procesamiento de diferentes tipos
de información. Desde su versión 5.0, ACT-R trabaja con
varios módulos de procesamiento: un módulo visual, un
módulo manual, un módulo declarativo que recupera la
información de la memoria y un módulo de metas
encargado de mantener las intenciones del sistema
actualizadas. El sistema central de producciones se encarga
de la coordinación de estos módulos durante la conducta
(Anderson et al., 2004).
Este sistema central no es sensible al
procesamiento que se lleva a cabo en el resto del sistema,
sino que responde a la información limitada que es
depositada en sus buffers. En términos de Fodor (1983), la
información está encapsuladada y sólo se intercomunican
mediante el tipo de información que comparten y es
accesible. Así, no toda la información del campo visual es
atendida en un momento dado o no todo el contenido de la
memoria semántica es accesible a la conciencia a la vez,
sino cuando el sistema la necesita. La arquitectura EPIC
(del inglés executive-process/interactive control, proceso-
ejecutivo/control-interactivo) de Kieras, Meyer, Mueller y
Seymour (1999) adoptó un sistema ejecutivo similar. Se
propone que esos procesos tienen un grado de similitud con
los sistemas esclavos de la memoria operativa de Baddeley
(1986).
El buffer de metas, relacionado entre otras
estructuras con el cortex prefrontal dorsolateral (CPFDL),
conoce el estado interno del sistema, mientras que el búffer
de recuperación, relacionado con la corteza prefrontal
ventrolateral (CPFVL), mantiene la información recuperada
de la memoria declarativa (Nyberg, Cabeza y Tulving,
1996; Buckner, Kelley y Petersen, 1999; Wagner, Pare´-
Blagoev, Clark y Poldrack, 2001). Esa distinción entre
CPFDL y CPFVL es consistente con muchos hallazgos
anteriores (Cabeza, Dolcos, Graham y Nyberg, 2002;
Fletcher y Henson, 2001; Thompson-Schill, D’Esposito,
Aguirre, & Farah, 1997).
Figura 3. Organización de la información en el cerebro
según la arquitectura ACT-R
El buffer manual es responsable del control motor
de la mano y está relacionado con las áreas corticales
motoras y somatosensoriales responsables de controlar y
monitorizar el movimiento de las mismas. Por otro lado,
uno de los buffers visuales se encarga del procesamiento
del dónde y analiza localizaciones, relacionado con la vía
dorsal del procesamiento visual, y el otro con el
procesamiento del qué, analiza los estímulos, relacionado
con la vía ventral. Los buffers de los módulos perceptivos y
motores están basados en trabajos anteriores de la
arquitectura EPIC (Meyer y Kieras, 1997).
Además de todo lo anterior, la arquitectura ACT-R
supone que los ganglios basales y sus proyecciones
implementan en el sistema biológico las reglas de
producción, de manera que las áreas corticales que conectan
con el cuerpo estriado parecen encargarse del
reconocimiento de patrones (Amos, 2000; Frank, Loughry y
O’Reilly 2000; Houk y Wise, 1995; Wise, Murria y Gerfen,
1996; Stocco, Lebiere y Anderson, 2010). Éste proyecta sus
fibras hacia el globo pálido y éste otro, a su vez, hacia el
tálamo, que en última instancia selecciona las acciones de
la corteza. Así, tras una determinada respuesta correcta, la
activación estriatal inhibe el funcionamiento del globo
pálido, que no vuelve a inhibir al tálamo, con lo que la regla
de producción que desencadena dicha respuesta correcta se
selecciona como respuesta dominante (Graybiel y Kimura,
1995). Se estima que al menos cinco regiones frontales
reciben sus proyecciones del tálamo y están controladas por
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
International Journal of Psychological Research
45
este bucle basal. Regiones todas, que se relacionan
neuropsicológicamente con el control de la conducta
(Middleton y Strick, 2000). En resumen, el cuerpo estriado
reconoce patrones, el globo pálido resuelve los conflictos y
el tálamo controla la ejecución de las respuestas. Así, una
regla de producción en ACT-R supone un ciclo de
procesamiento desde la corteza hasta los ganglios basales y
de nuevo a la corteza.
Por último, cabe destacar que la arquitectura
asume la coexistencia de procesos seriales y paralelos. Por
ejemplo, el sistema visual procesa simultáneamente todo el
campo visual (procesamiento en paralelo). Sin embargo,
existen dos niveles en los que se hace patente el
procesamiento serial, al aparecer efectos de cuello de
botella. Primero, cada buffer solo puede contener una
unidad declarativa de conocimiento (chunk), con lo que
sólo se puede recuperar una huella mnésica cada vez o sólo
se puede codificar un objeto del campo visual. Segundo,
sólo una regla de producción es seleccionada para entrar en
el ciclo de procesamiento córtico-estriado-talámico.
En los últimos años, ACT-R está proporcionando
resultados excelentes comparando sus predicciones con los
resultados hallados mediante resonancia magnética
funcional (Anderson, Fincham, Qin, y Stocco, 2008;
Anderson, Qin, Stenger y Carter, 2004; Sohn, Albert,
Stenger, Jung, Carter y Anderson, 2007; Sohn, Goode,
Stenger, Carter y Anderson, 2003; Sohn, Goode, Stenger,
Jung, Carter y Anderson, 2005; Anderson, Carter, Fincham,
Ravizza, y Rosenberg-Lee, 2008). Entre otros procesos
cognitivos, se han puesto a prueba la torre de Hanoi
(Anderson, Albert y Fincham, 2005), diferentes operaciones
matemáticas (Danker y Anderson, 2007; Qin, Carter, Silk,
Stenger, Fissell, Goode y Anderson, 2004), tareas de
planificación (Fincham, Carter, van Veen, Stenger y
Anderson, 2002) y de cambio atencional (Sohn, Ursu,
Anderson, Stenger y Carter, 2000; Altmann y Gray, 2008).
CONCLUSIONES
Las arquitecturas cognitivas proporcionan el
soporte físico (hardware) y las herramientas simbólicas
(software) necesarios para describir y predecir la conducta
de un sistema neurocognitivo en una situación determinada.
Aplicadas a la cognición humana, las arquitecturas
cognitivas ofrecen un excelente marco experimental que
permite modelar y poner a prueba una determinada
hipótesis sobre su funcionamiento. Durante las últimas
décadas han proliferado distintos tipos de arquitecturas
cognitivas. La principal diferencia entre ellas radica en los
supuestos teóricos a partir de los cuales han sido
desarrolladas. La mayor parte de las arquitecturas han sido
diseñadas con la intención de dar respuesta a un aspecto
específico del funcionamiento cognitivo. Por este motivo,
es frecuente encontrar modelos dependientes de la tarea
que, lejos de explicar el funcionamiento de un determinado
proceso cognitivo, tan solo son capaces de simular cómo se
resuelve eficazmente dicha tarea concreta (como por
ejemplo, la simulación del problema de la torre de Hanoi).
Asimismo, si bien es mucho lo que se sabe
actualmente acerca de la estructura y funcionamiento de los
procesos cognitivos de forma individual, se desconoce aún
qué mecanismo produce la integración de todos ellos dentro
del cerebro (puesto que los procesos cognitivos están
íntimamente interrelacionados, parece razonable pensar que
comparten determinadas redes neuronales, pero hasta el
momento no se ha prestado excesiva atención a explicar
cómo se produce esa interacción). Las arquitecturas
cognitivas ofrecen la posibilidad de modelar cómo se
relacionan los diferentes procesos cognitivos. De este
modo, se convierten en herramientas poderosas para el
investigador por dos razones. Por un lado, permiten pasar
de un planteamiento meramente teórico a una
implementación virtual de un determinado modelo
cognitivo. Por otro, las arquitecturas cognitivas pueden
desempeñar un importante papel como predictores de la
conducta humana, tanto normal como patológica.
Con el fin de seleccionar qué tipo de arquitecturas
pueden resultar de mayor utilidad para explicar la cognición
humana, recientemente se han enumerado una serie de
requisitos fundamentales que toda arquitectura debe
cumplir. Entre tales requisitos se pueden destacar los
siguientes: validez ecológica, plausibilidad biológica, ajuste
del modelo al conocimiento actual de la cognición,
funcionamiento modular del sistema, existencia de
conexiones de reentrada masiva entre los módulos
superiores e inferiores del modelo, y capacidad para
aprender tanto implícita como explícitamente (Sun, 2004).
ACT-R, al contrario que la gran mayoría de arquitecturas,
ha demostrado reunir muchas de estas cualidades, lo que la
convierte en un potente instrumento con el que modelar el
comportamiento humano.
No obstante, la principal diferencia entre ACT-R y
otras arquitecturas cognitivas es el enfoque integrador.
ACT-R no sólo se conforma con describir el
comportamiento de un sistema en una tarea determinada,
sino que va más allá. En última instancia, su intención es
explicar el funcionamiento de los diferentes procesos
cognitivos de forma individual y, lo que es más novedoso,
de forma integrada (el fenómeno de la integración de la
cognición es obviado con frecuencia por el resto de
arquitecturas dada su complejidad). De esta forma, ACT-R
constituye un modelo más ajustado a la concepción que se
tiene actualmente sobre el funcionamiento cognitivo. Por
otro lado, cualquier modelo que pretenda dar cuenta de
cómo se produce la integración de la cognición no puede
ignorar la neuroanatomía. Una vez más, el enfoque
integrador de ACT-R permite ajustar el sistema cognitivo a
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
46 International Journal of Psychological Research
los conocimientos neuroanatómicos que hoy en día se
disponen, lo que dota al modelo de una mayor validez y
plausibilidad biológica.
Finalmente, a pesar de que la explicación de los
procesos cognitivos en el marco del conocimiento
neuroanatómico actual no está aún completa ni es
totalmente satisfactoria, ACT-R constituye una
aproximación válida para explicar cómo se integran los
procesos cognitivos en el cerebro humano. Así, la
Neurociencia Cognitiva se acercará un poco más a esa
teoría unificada de la cognición propuesta por Newell
(1990) que integrará el conocimiento aportado por todas las
disciplinas que la componen.
REFERENCIAS
Altmann, E.M. y Gray, W.D. (2008). An integrated model
of cognitive control in task switching. Psychological
Review, 115, 602-639.
Amos, A. (2000). A computational model of information
processing in the frontal cortex and basal ganglia.
Journal of Cognitive Neuroscience, 12, 505–519.
Anderson, J. R. (1976). Language, memory, and thought.
Hillsdale, NJ: Erlbaum.
Anderson, J. R. (1982). Acquisition of cognitive skill.
Psychological Review, 89, 369-406.
Anderson, J. R. (1983). The architecture of cognition.
Cambridge: Harvard University Press.
Anderson, J. R. (1989). Practice, working memory, and the
ACT* theory of skill acquisition: A Comment on
Carlson, Sullivan, and Schneider. Journal of
Experimental Psychology: Learning, Memory, and
Cognition, 15, 527-530.
Anderson, J. R. (1992). Automaticity and the ACT* theory.
American Journal of Psychology, 105, 165–180.
Anderson, J. R. (1993). Rules of the mind. Hillsdale, NJ:
Erlbaum.
Anderson, J. R. (1995). Learning and Memory. New York:
Wiley.
Anderson, J.R., Albert, M.V. y Fincham, J.M. (2005)
Tracing Problem Solving in Real Time: fMRI
Analysis of the Subject-Paced Tower of Hanoi.
Journal of Cognitive Neuroscience, 17, 1261-1274.
Anderson J.R., Bothell D., Byrne M.D., Douglass S.,
Lebiere C. y Qin Y. (2004). An integrated theory of
the mind. Psychological Review, 111, 1036-60.
Anderson, J.R. y Bower, G.H. (1973). Human associative
memory. Washington: Winston and Sons.
Anderson, J.R., Carter, C.S., Fincham, J.M., Ravizza, S.M.,
y Rosenberg-Lee, M. (2008). Using fMRI to test
models of complex cognition. Cognitive Science, 32,
1323-1348.
Anderson, J.R., Fincham, J.M., Qin, Y., y Stocco, A.
(2008). A Central circuit of the mind. Trends in
Cognitive Science. 12, 136-143.
Anderson, J.R. y Lebiere, C. (1998). The atomic
components of thought. Mahwah, NJ: Lawrence
Erlbaum.
Anderson, J.R., Qin, Y., Stenger, V.A. y Carter, C.S.
(2004). The relationship of three cortical regions to
an information-processing model. Journal of
Cognitive Neuroscience, 16, 637-653.
Baddeley, A.D. (1986). Working memory. Oxford, England:
Oxford University Press.
Bahrick, H.P. (1984). Semantic memory content in
permastore: Fifty years of memory for Spanish
learned in school. Journal of Experimental
Psychology: General, 113, 1-24.
Berger, J. (1985). Statistical Decision Theory and Bayesian
Analysis. New York: Springer-Verlag.
Bonasso, R. P., Firby, J. R., Gat, E., Kortenkamp, D.,
Miller, D. P. y Slack, M. G. (1997). Experiences
with an Architecture for Intelligent, Reactive Agents.
Journal of Experimental and Theoretical Artificial
Intelligence, 9, 237-256.
Bratman, M. E. (1987). Intentions, Plans, and Practical
Reason. Harvard University Press, Cambridge, MA.
Buckner, R. L., Kelley, W. M. y Petersen, S. E. (1999).
Frontal cortex contributes to human memory
formation. Nature Neuroscience, 2, 311–314.
Cabeza, R., Dolcos, F., Graham, R. y Nyberg, L. (2002).
Similarities and differences in the neural correlates
of episodic memory retrieval and working memory.
NeuroImage, 16, 317–330.
Danker, J.F. y Anderson, J.R. (2007). The roles of
prefrontal and posterior parietal cortex in algebra
problem-solving: A case of using cognitive modeling
to inform neuroimaging data. Neuroimage, 35, 1365-
1377.
Fincham, J.M., Carter, C.S., van Veen, V., Stenger, V.A. y
Anderson, J.R. (2002). Neural mechanisms of
planning: A computational analysis using event-
related fMRI. Proceedings of the National Academy
of Sciences, 99, 3346-3351.
Fletcher, P.C. y Henson, R.N.A. (2001). Frontal lobes and
human memory: Insights from functional
neuroimaging. Brain, 124, 849–881.
Fodor, J.A. (1983). The modularity of the mind. Cambridge,
MA: MIT Press/Bradford Books.
Frank, M.J., Loughry, B. y O’Reilly, R.C. (2000).
Interactions between frontal cortex and basal
ganglia in working memory: A computational model
(Tech. Rep. No. 00-01). Boulder: University of
Colorado, Institute of Cognitive Science.
Graybiel, A.M. y Kimura, M. (1995). Adaptive neural
networks in the basal ganglia. En J.C. Houk, J.L.
Davis y D.G. Beiser (Eds.), Models of information
processing in the basal ganglia (pp. 103–116).
Cambridge, MA: MIT Press.
Houk, J.C. y Wise, S.P. (1995). Distributed modular
architectures linking basal ganglia, cerebellum, and
International Journal of Psychological Research, 2011. Vol. 4. No. 2.
ISSN impresa (printed) 2011-2084
ISSN electrónica (electronic) 2011-2079
Ruiz Sánchez de León, J.M., Fernandez Blázquez, M.A., (2011). Arquitecturas
cognitivas y cerebro: hacia una teoría unificada de la cognición. International
Journal of Psychological Research, 4(2), 38-47.
International Journal of Psychological Research
47
cerebral cortex: Their role in planning and
controlling action. Cerebral Cortex, 2, 95–110.
Huber, D. E., Shiffrin, R. M., Lyle, K. B. y Ruys, K. I.
(2001). Perception and preference in short-term word
priming. Psychological Review, 108, 149-182.
Just, M.A. y Carpenter, P.A. (1992). A capacity theory of
comprehension: individual differences in working
memory. Psychological Review, 99, 122-149.
Kieras, D.E., Meyer, D. E., Mueller, S. y Seymour, T.
(1999). Insights into working memory from the
perspective of the EPIC architecture for modeling
skilled perceptual-motor performance. En P. Shah y
A. Miyake (Eds.), Models of working memory:
Mechanisms of active maintenance and executive
control (pp. 183–223). Cambridge, England:
Cambridge University Press.
Laird, J.E., Newell, A. y Rosenbloom, P. S. (1987). SOAR:
An architecture for general intelligence. Artificial
Intelligence, 33, 1-64.
Meyer, D.E. y Kieras, D.E. (1997). A computational theory
of executive cognitive processes and multiple-task
performance. Part 1. Basic mechanisms
Psychological Review, 104, 2–65.
Middleton, F.A. y Strick, P.L. (2000). Basal ganglia and
cerebellar loops: Motor and cognitive circuits. Brain
Research Reviews, 31, 236–250.
Neves, D.M. y Anderson, J.R. (1981). Knowledge
compilation: mechanisms for the automatization of
cognitive skills. En J.R. Anderson (Ed.), Cognitive
skills and their acquisition (pp. 57-84). Hillsdale:
Erlbaum.
Newell, A. (1990). Unified theories of cognition. Harvard
University Press, Cambridge, MA.
Newell, A. y Simon, H. (1963). GPS, a program that
simulates human thought. En E.A. Feigenbaum y J.
Feldman (Eds.), Computers and Thought. New York:
McGraw-Hill.
Newell, A. y Simon, H. A. (1972). Human problem solving.
Prentice Hall, Englewood Cliffs, NJ.
Nyberg, L., Cabeza, R. y Tulving, E. (1996). PET studies of
encoding and retrieval: The HERA model.
Psychonomic Bulletin & Review, 3, 135–148.
Qin, Y., Carter, C. S., Silk, E., Stenger, V. A., Fissell, K.,
Goode, A. y Anderson, J.R. (2004). The change of
the brain activation patterns as children learn algebra
equation solving. Proceedings of National Academy
of Sciences,101, 5686-5691.
Schneider, W. y Detweiler, M. (1987). A
connectionist/control architecture for working
memory. En G.H. Bower (Ed.), The psychology of
learning and motivation: Advances in research and
theory (pp. 53–119). San Diego, CA: Academic
Press.
Schooler, L., Shiffrin, R.M. y Raaijmakers, J.G.W. (2001)
A model for implicit effects in perceptual
identification. Psychological Review, 108, 257-272.
Shapiro, D. y Langley, P. (1999). Controlling physical
agents through reactive logic programming.
Proceedings of the Third International Conference
on Autonomous Agents (pp. 386-387). Seattle: ACM
Press.
Sohn, M.H., Albert, M.V., Stenger, V.A., Jung, K.J., Carter,
C.S. y Anderson, J.R. (2007). Anticipation of
conflict monitoring in the anterior cingulate cortex
and the prefrontal cortex. Proceedings of National
Academy of Science, 104, 10330-10334.
Sohn, M.H., Goode, A., Stenger, V. A, Carter, C. S. y
Anderson, J.R. (2003). Competition and
representation during memory retrieval: Roles of the
prefrontal cortex and the posterior parietal cortex.
Proceedings of National Academy of Sciences, 100,
7412-7417.
Sohn, M.H., Goode, A., Stenger, V.A, Jung, K.J., Carter,
C.S. y Anderson, J.R. (2005). An information-
processing model of three cortical regions: Evidence
in episodic memory retrieval. NeuroImage, 25, 21-
33.
Sohn, M.H., Ursu, S., Anderson, J.R., Stenger, V.A. y
Carter, C.S. (2000). The role of prefrontal cortex and
posterior parietal cortex in task-switching.
Proceedings of National Academy of Science, 97,
13448-13453.
Stocco, A., Lebiere, C., y Anderson, J.R. (2010).
Conditional routing of information to the cortex: A
model of the basal ganglia’s role in cognitive
coordination. Psychological Review, 117, 540-574.
Sun, R. (1999). Accounting for the computational basis of
consciousness: a connectionist approach.
Consciousness and Cognition, 8, 529–565.
Sun, R. (2002). Duality of the mind. Mahwah, NJ: Erlbaum.
Sun, R. (2004). Desiderata for cognitive architectures.
Philosophical Psychology, 17, 341-373
Thompson-Schill, S.L., D’Esposito, M., Aguirre, G.K. y
Farah, M.J. (1997). Role of left inferior prefrontal
cortex in retrieval of semantic knowledge: A re-
evaluation. Proceedings of the National Academy of
Science, 94, 14792–14797.
Wagner, A.D., Pare´-Blagoev, E.J., Clark, J. y Poldrack,
R.A. (2001). Recovering meaning: Left prefrontal
cortex guides controlled semantic retrieval. Neuron,
31, 329–338.
Wise, S.P., Murray, E.A. y Gerfen, C. R. (1996). The
frontal cortexbasal ganglia system in primates.
Critical Reviews in Neurobiology, 10, 317–356.
