Psicología

En el siguiente extracto de la conferencia ‘Notes & Neurons: a la busqueda de un coro común’ Bobby McFerring demuestra la capacidad de la gente del auditorio de sincronizarse en la escala pentatónica a través de una metáfora espacial.

World Science Festival 2009: Bobby McFerrin Demonstrates the Power of the Pentatonic Scale from World Science Festival on Vimeo.

De acuerdo a un estudio que saldrá publicado próximamente los juramentos que típicamente las personas emiten ante determinados hechos, como cuando se lastiman, tienen un efecto analgésico bajo ciertas circunstancias, incrementando la tolerancia al dolor.

Es posible que los juramentos activen una respuesta fisiológica conocida como ‘respuesta de lucha o vuelo’ (fight-or-flight response) que acelera el ritmo cardiaco y reduce la sensibilidad al dolor.

Visto en Neurophylosophy- swearing increases pain tolerance

¿Se ha preguntado alguna vez por qué el Sombrerero loco de Alicia en el país de las maravillas era un loco sombrerero y no un loco de otro tipo?

El sistema nervioso puede resultar dañado por la exposición a cualquiera de una serie de sustancias químicas tóxicas llamadas neurotoxinas, que pueden penetrar en la circulación general procedentes del tubo digestivo, de los pulmones, o a través de la piel. Por ejemplo, los metales pesados como el mercurio y el plomo pueden acumularse en el encéfalo y dañarlo de forma permanente, produciendo una psicosis tóxica (demencia crónica producida por una neurotoxina).

En la Inglaterra de los siglos 18 y 19, los fabricantes de sombreros frecuentemente se volvían locos debido al mercurio que empleaban para preparar el fieltro que utilizaban para hacer los sombreros. Algo parecido sucede con la palabra chalado [en inglés, ‘crackpot’], que originalmente hacía referencia a la psicosis tóxica observada en algunas personas –fundamentalmente en las pobres- que preparaban su té en una tetera [‘pot’] de cerámica agrietada [‘crack’] soldada con plomo.

Extraído de Biopsicología 6Ed por John P.J. Pinel.

La percepción del color se encuentra fuertemente influenciada por el contexto. Dos regiones desde las que se observa la misma luz (mismo espectro de radiación electromagnética) nos pueden parecer diferentes dependiendo del entorno que las rodea, fenómeno conocido como contraste de color (Figura A). De la misma forma, regiones de objetos que reflejan, transmiten o emiten espectros de luz diferentes podrían parecer del mismo color, fenómeno conocido como constancia de color (Figura B).

En la figura A se observa como los dos recuadros de idéntica reflectancia que se muestran en la parte inferior en ausencia de contexto, parecen tener colores muy diferentes. En la figura B, los recuadros tienen distinta reflectancia y a pesar de ello parecen tener el mismo color. Puede comprobarlo utilizando un programa de tratamiento de imagen y midiendo los valores RGB que presenta su monitor en dichas áreas.

El fenómeno de la constancia de color ha fascinado a multitud de científicos. Aunque estos fenómenos eran bien conocidos en el siglo 19 no adquirieron un lugar central en la teoría de la percepción del color hasta los trabajos de Land en la década de los 50.

Edwin H. Land, fundador de la compañía Polaroid es uno de los más famosos investigadores en el área de la constancia de color. En 1959 realizó una serie de experimentos con resultados bastante asombrosos después de los cuales desarrollo, junto con John J. McCann uno de los primeros modelos computaciones de constancia de color, la teoría retinex.

De acuerdo a la teoría retinex, el procesado de la información visual comienza con los receptores de la retina. Dentro de la retina, tres tipos de sensores miden la luz en las partes roja, verde y azul del espectro. Esta información visual es posteriormente procesada de forma independiente para cada banda de color.

En sus experimentos utilizaban estímulos similares a las famosas pinturas del artista Piet Mondrian, parecidas a la imagen que se muestra a continuación, que componían colocando papeles coloreados sobre un lienzo de forma aleatoria. Al conjunto se le aplicaba una capa mate para reducir los posibles efectos de la reflectancia especular.

Para iluminar el mondrian se utilizaban tres proyectores con un filtro paso banda estrecho. El primer filtro permitía el paso de la luz de longitudes de onda corta (luz azul), el segundo permitía longitudes de onda medias (luz verde), y el tercero permitía el paso a las longitudes de onda largas (luz roja). La cantidad de luz emitida por cada proyector se podía controlar.

Se encendían todos los proyectores y se ajustaban para que cada papel coloreado del mondrian pareciera fuertemente coloreados, buscando sobre todo que los papeles blancos parecieran ‘buenos blancos’.

Posteriormente se utilizaba un fotómetro telescópico para medir la luz reflejada por un área determinada dentro del mondrian. Ellos seleccionaron un rectángulo blanco y midieron la luz que reflejaba (la luminancia) para cada uno de los tres proyectores, es decir, se hicieron tres mediciones cada una con uno solo de los proyectores encendido.

A continuación se eligió un rectángulo que parecía marrón oscuro y ajustaron los proyectores de luz para que los resultados fueran idénticos a las medidas anteriores.

Incluso aunque la luminancia media era equivalente a la del rectángulo blanco, es decir, el objeto estaba reflejando la misma luz que reflejaba el parche blanco cuando le medimos, el color seguía siendo percibido como marrón oscuro. Se repitió el experimento para los diferentes colores y en cada uno de los casos es color percibido permanecía constante.

Con este experimento, Land y McCann demostraron que el color percibido en un área de una imagen no depende exclusivamente de la luz observada en esa área.

Referencias | Neuroscience | Color constancy

A juicio de Rumelhart, el cognitivismo clásico centró sus esfuerzos explicativos de la mente en el nivel lógico o funcional, es decir, se consideraba a la mente como un programa de ordenador (software) y se suponía que dicho programa podría ejecutarse en cualquier máquina, pues se entiende que el nivel físico, es decir, el cerebro (wetware), se basará en sistemas de propósito general de tipo von Newmann. Esto se conoce como la metáfora del ordenador.

Los conexionistas, sin embargo, dirigieron su mirada al nivel de implementación, el cerebro, pues consideraban que a partir de él se podrían diseñar más adecuadamente algoritmos que se puedan utilizar para explicar los fenómenos mentales. Por lo tanto, la metáfora del ordenador fue sustituida por la metáfora cerebral de la mente abandonando la computación de estilo simbólico por una computación inspirada en el funcionamiento cerebral.

Al mirar hacia la mente, lo primero que se observó, gracias a los pioneros trabajos de Santiago Ramón y Cajal fue un entramado de células conectadas entre sí. Estas células, las neuronas se pueden dividir funcional y anatómicamente en tres zonas: el cuerpo celular o soma, axón y dendritas. Cada neurona recibe información a través de las dendritas, la procesa principalmente en el soma y la proyectan a través del axón. La conexión entre axones y dendritas recibe el nombre de sinapsis. El siguiente video muestra un resumen de lo que son las neuronas.

En 1943, dos neurocientíficos, Warren McCulloch y Walter Pitts, propusieron un modelo de neurona básico siendo pioneros en el intento de definir formalmente las neuronas como elementos computacionales y en explorar las consecuencias de sus propiedades. Desde su definición, a pesar de los grandes avances en el campo de la neurociencia, las redes neuronales artificiales no han cambiado mucho con respecto a las que propusieron en su día McCulloch y Pitts.

Es importante recalcar que dicho modelo no pretende ser una teoría del funcionamiento del cerebro del cual cada día se descubren cosas nuevas sino más bien la definición de un modelo de computación inspirado en el cerebro que permita diseñar sistemas artificiales inteligentes para resolver problemas concretos.

Diseccionando la neurona artificial

Al igual que sus homologas biológicas, cada neurona consta de varias entradas y de una salida. Una neurona recibe información del entorno o de otras neuronas a través de las conexiones o sinapsis de sus entradas. La información recibida determinará el estado o nivel de activación de la neurona en base a una función de activación.

El estado de una neurona puede tomar valores continuos o discretos. Las neuronas descritas por McCulloch y Pitts podían estar únicamente en dos estados: activadas (1) y desactivadas (0). El estado de una neurona se transmitirá a su salida a través de la función de salida, que típicamente será la función identidad, es decir, el estado será igual a la salida.

Formando redes neuronales

De forma análoga a como las neuronas del cerebro crean complejos circuitos, una red neuronal artificial está formada por múltiples neuronas conectadas entre sí.

Las conexiones entre las neuronas se definen utilizando un parámetro denominado peso sináptico. Dependiendo de si el peso es positivo o negativo la naturaleza de la conexión será excitante o inhibitoria. Además, el valor absoluto del peso indicará la fuerza de la conexión.

Si tenemos una neurona activada cuya salida este conectada a varias neuronas, esta neurona propiciara la activación de las neuronas con las cuales se conecta a través de conexiones excitantes y dificultara la activación de aquellas neuronas con las cuales se conecte a través de conexiones inhibitorias. Todo ello con una fuerza proporcional al valor absoluto del peso de la conexión.

El valor de todos los pesos de la red neuronal en un momento temporal dado es lo que va a especificar el patrón de conectividad que será lo que determine como responderá la red a las señales que reciba. Los procesos de aprendizaje de las redes neuronales se basan en ir ajustando el patrón de conectividad hasta que la red se comporte de la forma deseada para un problema concreto. Existe diversas técnicas para ello. Algunas redes neuronales se ‘entrenarán’ para un problema concreto y posteriormente se impedirá el reajuste de su patrón de conectividad durante su funcionamiento mientras que otras técnicas de aprendizaje pueden permitir a la red adaptarse modificando su patrón de conectividad sobre la marcha.

Ejemplo

En el siguiente diagrama se muestran las conexiones de una red neuronal (ANN) formada por 9 neuronas: {a, b, c, d, e, f, g, h, i}. Además, en cada conexión se muestra su peso sináptico, que se recuerda que indica la naturaleza y la fuerza de esa conexión.

De forma alternativa, el diagrama anterior puede verse como una matriz de nxn, siendo n el número de neuronas, que representa el patrón de conectividad. Además, podemos representar el estado o nivel de activación de cada neurona como un vector columna de tamaño n. En la figura siguiente podemos ver tanto la matriz de conexiones como el vector de estado de las neuronas.

Las columnas indican el origen de las conexiones y las filas el destino. Así si miramos a la primera columna y la tercera fila tenemos que la neurona ‘a’ está conectada a la neurona ‘b’ con una fuerza de ‘0.4’ tal y como se podía ver en el grafo. Además, si observamos el vector de estado vemos que inicialmente la única neurona activa es la ‘c’ (recordemos que en el modelo que estamos considerando una neurona solo puede estar activada o desactivada).

La función de activación utilizada es la función escalón. Para cada neurona, se calculará el sumatorio de todos los niveles que ingresa procedentes de otras unidades. Dicho sumatorio se conocerá como el valor que ingresa la neurona y será suministrado a la función de activación. En el caso de la función escalón, la salida será 1 (activación) en el caso de que su ingreso sea mayor que cero y 0 (inhibición) en caso contrario.

La vista matricial de la figura anterior facilita calcular los ingresos de la función de activación de cada neurona ya que lo reduce a una simple multiplicación matricial. Podemos simular la red neuronal multiplicando la matriz de conexiones por el vector de estado de tal forma que obtengamos un nuevo vector de estado.

Si calculamos los ingresos a partir de la figura anterior, es decir, realizamos la multiplicación, obtendremos el vector [0 0 0 0 0 0.3 0 0 –0.3] y al aplicar la función de activación a cada uno de sus valores tendremos [0 0 0 0 0 1 0 0 0]. Es decir, la red ha pasado de tener la neurona ‘c’ activa a tener la neurona ‘f’ activa en una iteración o  instante temporal. La aplicación recurrente de este procedimiento nos permite calcular la evolución de la red que en el caso que nos ocupa se muestra en la siguiente figura.

Algunas redes cambiaran indefinidamente a lo largo del tiempo, sin embargo, la red anterior, alcanzará el estado estacionario mostrado en t=6 para la mayoría de condiciones iniciales, lo cual convierte a dicho estado en un atractor puntual para esta red. El otro atractor de la red es el estado cero en el cual todas las neuronas estan desactivadas. Cualesquiera que sean las condiciones iniciales de esta red, a medida que evoluciona, terminará estancándose en uno de sus dos estados atractores.

La arquitectura de la red anterior es recurrente, y dispersa. Recurrente porque contiene bucles en las conexiones ( c->f->c ) y dispersa porque de todas las conexiones posibles (n^2=81), solo unas pocas se han realizado. Existen múltiples arquitecturas de redes neurales dependiendo de cómo se estructuran y conectan las neuronas que las componen.

Bibliografía:
From Computer to Brain - Foundations of Computational Neuroscience
Cognición humana: mente, ordenadores y neuronas

El hecho de que dos variables estén relacionadas puede servir para pronosticar o predecir cómo se comportará una variable tomando en consideración como se comporta la otra. Esto es lo que se consigue con los denominados modelos de regresión y sirven para representar la dependencia lineal de una variable, llamada variable dependiente o variable respuesta, respecto de otra variable, llamada variable independiente o variable predictora.

Este tipo de modelos, utilizados en primer lugar en el campo de la Astronomía y de la Física, deben su nombre genérico, modelos de regresión, a los trabajos que efectuó Francis Galton (1822-1911) a finales del siglo XIX. En ellos, Galton estudió la dependencia entre las alturas de los hijos y las de los padres y encontró un efecto que denominó “regresión a la media” y que consistía en los siguiente: los padres altos tienen en general hijos altos, pero en promedio, un poco menos altos que los padres; por el contrario, los padres bajos tienen hijos bajos, pero en promedio algo menos bajos que los padres. También comprobó que los descendientes de sujetos situados en las partes extremas de la distribución se aproximan, en promedio, más a la media que sus padres, y a este fenómeno, general en todos los seres vivos, lo denomino regresión a la media .

La siguiente herramienta permite calcular y representar gráficamente el polinomio de regresión (hasta grado 4) para un conjunto arbitrario de puntos.

[[Una aplicación Silverlight se muestra a continuación]]

El código fuente de la herramienta anterior se encuentra adjunto a este artículo.

Fuentes | Analisis de datos en psicología I - UNED

El siguiente esquema representa la estructura celular de la retina.

La luz penetra por la izquierda, atravesando todas las capas celulares hasta llegar a los receptores, conocidos como conos y bastones, los cuales se pueden observar a la derecha de la imagen en un tono anaranjado.

La información recogida por los conos y bastones se transmite de vuelta a través de las capas de la retina hasta las células ganglionares retinianas (azul claro), cuyos axones se proyectan cruzando el interior de la retina antes de reunirse formando un haz y salir del globo ocular.

Uno de los problemas que genera esta disposición celular es que para que el haz de axones de las células glandulares retinianas pueda abandonar el ojo ha de haber una abertura en la capa de receptores; esta abertura se conoce como papila óptica o punto ciego. En la siguiente figura, rodeada de un círculo rojo, se puede observar la zona del ojo donde se produce.

Sorprendentemente, nuestro sistema visual soluciona este problema utilizando la información que le llega de los receptores que rodean al punto ciego para completar los vacios en las imágenes, fenómeno conocido como conclusión visual.

Puede utilizar la siguiente figura para comprobar dicho fenómeno:

A. Cierre su ojo izquierdo y mire directamente con su otro ojo el círculo con la letra ‘A’. A continuación, y siempre manteniendo el enfoque en la letra ‘A’ acérquese lentamente a su monitor hasta que el punto negro de la derecha quede enfocado en su punto ciego y desaparezca.

B. Repita la operación, pero en este caso mire directamente al círculo azul con la letra ‘B’. En esta situación llegara un punto en el que la barra partida de la derecha de ‘B’ se hará entera.

La felicidad suele ser considerada una emoción con consecuencias exclusivamente beneficiosas para el organismo.

Psicólogos en la universidad de Virginia y Plymouth han realizado una investigación experimental que contrasta la creencia de que un niño feliz siempre rendirá mejor en tareas de aprendizaje.

Los resultados indican que en las situaciones donde se necesita estar atento a los detalles, los niños más felices pueden estar en desventaja.

Los investigadores realizaron una serie de experimentos con grupos de niños segmentados por edad a quienes les habían sido inducidos estados emocionales de tristeza o alegría utilizando composiciones musicales y videos.

Posteriormente, se les pidio a los niños que realizasen una tarea que requería atención a los detalles, en concreto, buscar una forma concreta simple, como un triangulo, dentro de una imagen compleja.

Los resultados del experimento fueron concluyentes y muestran que los niños a los que se les indujo un estado emocional de tristeza o 'neutro' ejecutaron mejor la tarea que los niños alegres. 

"La felicidad indica que las cosas están marchando bien, lo cual conduce a una forma de procesado de la información 'top-down' (de arriba hacia abajo). La tristeza, sin embargo, indica la falta de algo, lo cual activa una forma de pensamiento analítica, basada en los detalles."

"Aunque es importante destacar que la investigación existente muestra que hay contextos en los que un estado emocional alegre es beneficioso, por ejemplo, cuando la tarea requiere creatividad. Pero, para esta investigación en particular muestra que cuando se necesita atención a los detalles, puede hacer más mal que bien."

"Las emociones positivas tienen un precio. Conducen a un particular estilo de pensamiento apropiado para algunos tipos de situaciones, pero no para otras."

 En 2001 unos investigadores plantearon una investigación similar con adultos en el trabajo de construir placas de circuitos electrónicos. Los trabajadores con un estado emocional inducido de tristeza construyeron las placas a la misma velocidad que el resto de sus compañeros, sin embargo, su tasa de errores en la construcción fue aproximadamente la mitad.

Referencias:

• When happiness is a dissadvantage
• Sad Children Out-perform Happy Children In Attention-to-detail Tasks
• Sad Workers May Make Better Workers
• A hidden cost of happiness in children