Andrew Delamater ha pasado su carrera planteando preguntas fundamentales sobre cómo las mentes (humanas y no humanas) aprenden de la experiencia y cómo los cerebros y las redes neuronales artificiales codifican los tipos de conocimiento basados en esas experiencias. Delamater, profesor de psicología experimental en el Brooklyn College y de psicología y neurociencia en el CUNY Graduate Center, es ampliamente conocido por su influyente investigación sobre el aprendizaje asociativo, los mecanismos neurobiológicos de la adquisición de recompensas y los procesos computacionales que subyacen al comportamiento entre especies. Su trabajo combina métodos conductuales tradicionales con herramientas neurobiológicas modernas y enfoques de modelado computacional, lo que ayuda a aclarar cómo los animales representan, actualizan y utilizan contextualmente la información sobre el mundo.
Más recientemente, Delamater fue coautor (con Michael Domjan) de un libro de texto de pregrado, Requisitos de mano de obra y aprendizajey terminó su carrera como redactor jefe de la revista Revista de Psicología Experimental: Aprendizaje y cognición animaldonde ayudó a guiar el campo hacia la publicación liderando investigaciones empíricas y teóricas rigurosas. Delamater reflexiona sobre su trayectoria científica, su perspectiva sobre el desarrollo de la investigación sobre el aprendizaje en animales y los conocimientos adquiridos a lo largo de los años al frente editorial de una de las revistas líderes en su disciplina.
Empezaste en Brooklyn College en 1994. ¿Qué te llevó a estudiar psicología aquí?
Tuve la oportunidad en Brooklyn College de tener un programa de investigación productivo con estudiantes altamente motivados, curiosos y ansiosos por aprender más sobre cómo funciona el mundo. Además, me atrajo el Departamento de Psicología porque contenía varios miembros clave del cuerpo docente que no solo compartían los mismos valores académicos que yo, sino que también ya habían desarrollado sus propias carreras inspiradoras. Sabía que podía aprender de cada uno de ellos.
Su trabajo ha combinado durante mucho tiempo métodos conductuales tradicionales con herramientas neurobiológicas más nuevas y enfoques de modelado computacional para comprender los procesos fundamentales de aprendizaje. ¿Cómo ha cambiado tu forma de pensar sobre lo que los animales «saben» o representan dentro de ti a lo largo de tu carrera?
Siempre me ha parecido interesante investigar científicamente la cuestión de la representación del conocimiento. Mi experiencia comenzó con una simple pregunta sobre cómo las ideas preconcebidas pueden influir en las experiencias perceptuales. Por ejemplo, si pienso en algo muy dulce, ¿ese pensamiento de dulzura me hace percibir que la bebida que estoy bebiendo en ese momento es más dulce de lo que realmente es? Existe amplia evidencia, tanto en humanos como en no humanos, de que la respuesta a esta pregunta es sí. Entonces, ¿cómo funciona?
Cuando llegué por primera vez al Brooklyn College, abordé esta cuestión al nivel de un análisis psicológico. Por ejemplo, cuando algo nos hace «pensar» en la dulzura, la respuesta simple es que imaginamos algo dulce y eso activa alguna representación perceptiva inicial en la mente de lo que previamente experimentamos como dulce. Los pensamientos pueden activar representaciones perceptivas.
Durante mi carrera, me he interesado cada vez más en comprender los mecanismos neurobiológicos que subyacen a los procesos de aprendizaje. Ahora disponemos de herramientas que nos permiten medir patrones de actividad neuronal en diferentes áreas del cerebro cuando le indicamos a una rosa que prediga el agua azucarada. Entonces podemos preguntarnos si ese patrón de actividad es similar al que ocurre cuando se presenta el agua azucarada.
Pero mi interés en la representación del conocimiento con dulces recompensas va más allá de los patrones de actividad neuronal. También intentamos crear modelos de redes neuronales muy simples sobre cómo un cerebro puede aprender a predecir algo, y cómo los entrelazamientos en esa red pueden proporcionar formas de conocimiento más sofisticadas y específicas del contexto (por ejemplo, la palabra «manzana» significa una cosa cuando pensamos en comida, pero algo muy diferente cuando pensamos en la banda de rock clásico The Beatles y Apple Corps. ¿Cómo codifica el cerebro formas de conocimiento específicas del contexto? Intentamos abordar estas preguntas en múltiples niveles de análisis, desde las neuronas hasta el comportamiento, la percepción y el computacional). sistemas.
La psicología comparada nos pide que analicemos la diversidad para comprender el aprendizaje y el comportamiento. ¿Qué te han enseñado los animales no humanos que crees que es particularmente relevante para comprender la cognición humana?
Los psicólogos se han dado cuenta desde hace mucho tiempo de que procesos no lingüísticos muy simples, de los que a menudo no somos conscientes, pueden contribuir en gran medida a explicar cómo funciona nuestra mente. Los seres humanos utilizan el lenguaje con gran eficacia, pero los estudios han demostrado una y otra vez que las personas son muy malas para explicar los orígenes de sus pensamientos, recuerdos, sentimientos y emociones. Lo más probable es que esté en juego un conjunto de procesos neurobiológicos y psicológicos básicos que son invisibles para la conciencia.
Además, una persona que ha experimentado algo muy traumático puede volver a experimentar algo de ese trauma cuando se expone a algún evento estimulante en su entorno. Puede ser obvio o sutil, pero en ambos casos lo más probable es que el mecanismo subyacente tenga un origen coherente, con procesos neurobiológicos en juego.
Es muy interesante para mí preguntar hasta qué punto un simple proceso neurobiológico ordinario puede llegar a explicar formas de percepción aparentemente complejas. Uno de mis pasatiempos actuales es preguntar cómo un cerebro formado por neuronas que sólo se excitan o inhiben entre sí puede formar una representación ordenada de números. Nuestro cerebro codifica la cantidad, pero no siempre está claro cómo. Esa pregunta está relacionada con otra cuestión que me interesa profundamente: la representación del tiempo. Para mí está claro que el lenguaje no es necesario para estos dos tipos de conocimiento.
Durante su etapa como editor de la revista Revista de Psicología Experimental: Aprendizaje y cognición animal¿Qué cambios o tendencias emergentes en el campo te han llamado más la atención?
Mi campo surgió de un interés en estudiar la evolución de la mente: cómo podrían haber evolucionado las diferentes facultades cognitivas en diferentes especies del reino animal. El progreso se ha visto complicado por nuestro creciente reconocimiento de lo difícil que es medir los mecanismos psicológicos y neurobiológicos subyacentes en una sola especie, y mucho menos en varias especies. El campo ha desarrollado herramientas conductuales y neurobiológicas avanzadas para descubrir esos mecanismos, y me da esperanza de que continúen avances significativos.
Más allá de eso, ciertamente hay más aplicaciones de modelos computacionales para ayudarnos a comprender cómo los sistemas computacionales complejos como el cerebro explican los fenómenos conductuales y psicológicos. Cuando el movimiento de la IA comenzó en mi campo en la década de 1980, vi prometedores los primeros enfoques conexionistas de redes. Después de un período de entusiasmo, el interés disminuyó. Pero los avances recientes en IA han demostrado a los científicos el poder de los sistemas de aprendizaje profundo para explicar aspectos del pensamiento.
Algunos investigadores ahora están utilizando sistemas de inteligencia artificial como nuevos tipos de «participantes» en experimentos para ver si esos sistemas aprenden tareas de manera similar a los humanos y otros animales. Esta investigación está en sus inicios, pero los investigadores están descubriendo que los diferentes tipos de IA aprenden de manera diferente a los humanos. Esto significa que es necesaria una mayor colaboración entre psicólogos, neurocientíficos e informáticos para construir sistemas biológicos plausibles. Actualmente, la IA se produce principalmente mediante enfoques de ingeniería para realizar tareas funcionales. Su verdadero poder puede entenderse cuando podemos utilizar estas herramientas como modelos plausibles de cómo funcionan realmente la mente y el cerebro. Entonces, podrán ser posibles muchas aplicaciones interesantes y relevantes.
Para los estudiantes de Brooklyn College interesados en carreras de investigación, ¿qué preguntas sobre el aprendizaje y el conocimiento creen que son más interesantes y relevantes en la actualidad?
Siempre he pensado que el campo ha estado dominado por tres preguntas básicas: (1) ¿Cuáles son las condiciones necesarias y suficientes para que se produzca el aprendizaje? (2) ¿Cuál es el contenido básico de ese aprendizaje? y (3) ¿Cómo se traduce ese aprendizaje en un desempeño tangible?
La primera cuestión se estudia principalmente en neurociencia. Intenta identificar las reglas mediante las cuales se forman nuevas conexiones entre neuronas, es decir, lo que gobierna la neuroplasticidad en el cerebro.
La segunda pregunta intenta comprender qué aspectos del mundo están codificados en el cerebro cuando aprendemos. Por ejemplo, a veces la conducta es automática y habitual y otras veces es intencional y está dirigida a un objetivo. Estos patrones de control conductual reflejan diferentes sistemas de representación, y cuestiones importantes se refieren a cómo esos sistemas interactúan para influir en las opciones de respuesta. Además, otros estudios señalan cada vez más cómo los animales no humanos adquieren representaciones abstractas del tiempo, los números, la información categórica e incluso de otros organismos y de ellos mismos. Espero que estos estudios sigan arrojando resultados interesantes.
Finalmente, la tercera pregunta se refiere a cómo utilizamos la información codificada por el cerebro. Esto está estrechamente relacionado con la toma de decisiones: descubrir las reglas que utilizamos en situaciones de elección. A veces «sabemos» que algo es cierto pero decidimos no actuar en base a ese conocimiento. Hay preguntas interesantes que surgen de tales problemas.
En general, mi consejo para un estudiante interesado en la investigación es que aprenda lo suficiente sobre una disciplina para identificar una pregunta central que lo entusiasme y luego conozca las herramientas disponibles para estudiar esa pregunta. A medida que los estudiantes se familiarizan con cómo funciona el proceso científico, ya sea que respondan su pregunta con certeza o no, esto puede generar conocimientos reales, entusiasmo y posiblemente una carrera investigadora.
