Arquitectura ACT-R
Explicación
ACT-R (Adaptive Control of Thought–Rational) es la arquitectura cognitiva desarrollada durante décadas por John R. Anderson (Carnegie Mellon University) y colaboradores, desde sus primeras versiones en los años 70 y 80 (ACT, ACT*) hasta las iteraciones actuales (ACT-R 6.0, 7.0). Es una de las arquitecturas más rigurosamente validadas con datos psicológicos humanos: cientos de estudios han comparado predicciones de ACT-R con comportamientos humanos reales (tiempos de respuesta, curvas de aprendizaje, patrones de error).
La arquitectura incluye múltiples «módulos» que modelan sistemas cognitivos específicos: memoria declarativa (hechos), memoria procedimental (habilidades), módulos perceptivos (visión, audición), módulos motores, módulo de metas. Cada módulo tiene un «buffer» pequeño donde deposita información disponible al sistema central. El «pattern matcher» central busca reglas cuyas condiciones se satisfagan con los contenidos de los buffers, y selecciona reglas para ejecutar.
La memoria declarativa de ACT-R se basa en «chunks» con activación continuamente actualizada según la frecuencia y recencia de uso. Esto permite modelar con precisión fenómenos de memoria humana: efectos de primado, olvido, interferencia, recuperación. Anderson derivó fórmulas matemáticas que relacionan parámetros del modelo con datos empíricos, permitiendo predicciones cuantitativas muy finas.
La memoria procedimental consta de reglas «if-then» (producciones) con una «utilidad» aprendible por refuerzo. Cuando hay múltiples reglas aplicables, se selecciona probabilísticamente según utilidades. Con experiencia, las utilidades se ajustan y el sistema aprende qué reglas funcionan mejor en qué contextos. Esto permite modelar aprendizaje de habilidades humanas en dominios específicos (aritmética, solución de problemas algebraicos, tareas multi-paso).
ACT-R se ha utilizado para modelar con rigor cuantitativo fenómenos cognitivos diversos: aprendizaje de la lectura, matemáticas escolares, resolución de problemas, interacción humano-computadora, conducción de automóviles, comunicación. Ha alimentado sistemas de tutoría inteligente eficaces (Cognitive Tutors en matemáticas, con evidencia robusta de eficacia). También se ha combinado con datos de neuroimagen (fMRI): cada módulo de ACT-R se asocia con regiones cerebrales específicas, y el modelo predice patrones de activación observables.
Para la teoría de la consciencia, ACT-R es un ejemplo de cómo una teoría cognitiva rigurosa, matemáticamente precisa, validada con datos humanos y correlacionada con neuroimagen, puede modelar muchos aspectos funcionales de la mente. No aborda directamente la consciencia fenoménica (no intenta explicar por qué hay experiencia subjetiva), pero proporciona un marco detallado para entender mecanismos de procesamiento de información. Combinado con teorías como Global Workspace o IIT, podría contribuir a una ciencia integrada de la cognición y la consciencia. ACT-R sigue siendo referencia en ciencia cognitiva y en modelado psicológico computacional, y estudia seriamente qué podría significar implementar aspectos de la cognición humana en sistemas artificiales.
Puntos fuertes
- Correlato neural directo para cada módulo.
- Predicciones cuantitativas contrastadas con miles de experimentos.
- Aplicaciones prácticas exitosas (tutores educativos).
- Integra procesamiento simbólico y subsimbólico.
- Vínculo claro con el espacio de trabajo global.
Principales críticas
- Parámetros ajustados post hoc en muchos modelos.
- No aborda qualia ni problema duro.
- Modulación emocional y atención insuficientemente modeladas.
- Rigidez del buffer central central frente a cognición paralela real.