Entidad que financia: FONDECYT Regular 2019-2021
Investigador responsable: Sergio Chaigneau, CSCN, Escuela de Psicología, Universidad Adolfo Ibáñez.
Co-investigadores: Enrique Canessa (Universidad Adolfo Ibañez), Guillermo Puebla (Universidad de Edimburgo), Daniel Pérez (Universidad de Atacama).
Resumen: La Teoría de Modelos Causales (TMC) sostiene que cuando las personas aprenden un concepto, aprenden una serie de relaciones causales que son válidas para la categoría correspondiente (e.g., que tener huesos livianos, causa que un ave pueda volar). Luego, las personas usarían estos modelos causales para realizar inferencias y para clasificar (e.g., si puede volar, ¿tendrá los huesos livianos?; Si tiene los huesos pesados pero vuela, ¿es un ave?). La TMC es una teoría normativa que prescribe cómo deberíamos razonar racionalmente sobre causas y efectos, y durante los últimos 20 años muchos investigadores la han usado para generar hipótesis acerca de cómo las personas realizan inferencias y clasifican a partir de información causal. Durante ese tiempo, la investigación ha mostrado que la TCM representa adecuadamente varios aspectos de los procesos de inferencia y clasificación causal, tal como los realizan las personas. Sin embargo, también se ha encontrado que las personas consistentemente violan algunos preceptos normativos—en particular, violan la condición de Markov. A riesgo de sobre-simplificar, la condición de Markov dice que solo las causas directas de un efecto deberían influir para determinar el estado de dicho efecto (e.g., si A–>B–>C, solo B es relevante para determinar el estado de C, aunque A también esté involucrada en el modelo). La violación de la condición de Markov ha sido interpretada como que las personas tienden a resolver problemas de inferencia y clasificación siguiendo un proceso asociativo por similitud (i.e., aunque A no debería ser considerada para determinar el estado de C, las personas sí la consideran porque de todos modos A está asociada con C). La condición de Markov es tan importante en el modelo normativo TMC que su violación se ha vuelto un punto crítico para el desarrollo de la teoría.
A diferencia de un modelo normativo, que pretende establecer cómo se deberían hacer las inferencias y clasificaciones basadas en información causal si uno fuese un agente racional, en este proyecto buscamos poner a prueba un modelo descriptivo. Este modelo sigue una estrategia distinta a casi toda la literatura anterior en este tema, y toma como punto de partida que las personas tienen una serie de limitaciones cognitivas. El modelo busca describir—en vez de prescribir—el comportamiento de las personas en el ámbito de inferencias y clasificación causal. El modelo parte de la base de que aunque las personas entienden intuitivamente qué significa una relación causal, no tienen una comprensión lógico-matemática de dicha relación. En particular, el modelo incorpora la idea de que aunque las personas entienden que una relación causa-efecto puede ser probabilística, no entienden qué significan las probabilidades, y las interpretan como la capacidad que tienen las causas de informarnos acerca de la presencia de sus efectos. Más aun, nuestro modelo asume que las personas tienen dificultades para evaluar modelos íntegros (contrario a lo que asume la TMC), por lo que adoptan una estrategia de simplificación. Esta estrategia consiste en considerar y evaluar aspectos aislados de los modelos, sin preocuparse de las interacciones complejas implícitas en los modelos (e.g., en el modelo A–>B–>C, consideran que A–>B y que B–>C, sin prestar atención a qué significa que A esté relacionada con C a través de B).
En este proyecto, mostramos cómo estas ideas pueden ser expresadas matemáticamente. Esto nos permite derivar predicciones precisas para nuestros experimentos. En este proyecto, planteamos 3 experimentos. En el Experimento 1 evaluaremos nuestra hipótesis acerca de la manera en que las personas usan información probabilística en sus juicios de clasificación causal. En el Experimento 2 evaluaremos cómo las personas realizan inferencias para clasificar, cuando la información no proviene de causas directas. En el Experimento 3 evaluaremos nuestra hipótesis acerca de cuál es la diferencia entre un razonamiento causal acorde con la TMC, y un razonamiento causal acorde con nuestra teoría descriptiva. Nuestro modelo matemático permite el modelamiento de datos y la realización de pruebas a bondad de ajuste. Todos estos experimentos están motivados en parte por la interpretación ofrecida por Bob Rehder (2017, p. 361) a resultados como los obtenidos en nuestro laboratorio en proyectos anteriores.