Contenidos
Charla «La mente sorprendente lógica de los bebés» de TED2015 en español.
¿Cómo pueden los bebés aprender tanto a partir de tan poco tan rápidamente? En una charla divertida, llena de experimentos, la científica cognitiva Laura Schulz muestra cómo los menores toman decisiones con un sorprendentemente fuerte sentido de la lógica, antes de que puedan hablar.
- Autor/a de la charla: Laura Schulz
- Fecha de grabación: 2015-03-10
- Fecha de publicación: 2015-06-02
- Duración de «La mente sorprendente lógica de los bebés»: 1218 segundos
Traducción de «La mente sorprendente lógica de los bebés» en español.
Mark Twain resumió lo que considero es uno de los problemas fundamentales de la ciencia cognitiva con un solo chiste.
Dijo: «Hay algo fascinante en la ciencia.
Uno obtiene enormes retornos en conjeturas con muy poca inversión en hechos».
(Risas)
Twain lo decía en broma, claro, pero tiene razón: Hay algo fascinante en la ciencia.
A partir de unos pocos huesos, inferimos la existencia de dinosaurios.
A partir de las líneas espectrales, la composición de las nebulosas.
A partir de moscas de la fruta, los mecanismos de la herencia, y a partir de imágenes reconstruidas de sangre que fluye a través del cerebro, o en mi caso, desde el comportamiento de los niños muy pequeños, tratamos de decir algo sobre los mecanismos fundamentales de la cognición humana.
En particular, en mi laboratorio en el Departamento de Cerebro y Ciencias Cognitivas del MIT, he pasado los últimos diez años tratando de entender el misterio de cómo los niños aprenden mucho rápidamente a partir de tan poco.
Porque resulta que lo fascinante de la ciencia es también una cosa fascinante en los niños, que, para ponerlo en términos de Mark Twain, pero más suave es precisamente su capacidad para dibujar ricas inferencias abstractas rápidamente y con precisión a partir de datos dispersos, confusos.
Daré solo dos ejemplos hoy.
Uno es sobre un problema de generalización, y el otro sobre un problema de razonamiento causal.
Y aunque hablaré del trabajo en mi laboratorio, este trabajo se inspira y está en deuda con un campo.
Se lo agradezco a los mentores, colegas y colaboradores de todo el mundo.
Permítanme comenzar con el problema de la generalización.
Generalizar a partir de pequeñas muestras de datos es el pan de cada día de la ciencia.
Entrevistamos a una pequeña fracción del electorado y podemos predecir el resultado de las elecciones nacionales.
Vemos un puñado de pacientes responder al tratamiento en un ensayo clínico, y lanzamos los fármacos a un mercado nacional.
Pero esto solo funciona si la muestra se extrae al azar de la población.
Si la muestra es seleccionada de alguna manera —por ejemplo, un sondeo a solo votantes urbanos, o, en un ensayo clínico de tratamientos para enfermedades del corazón, solo incluimos hombres— los resultados no pueden generalizarse a la población en general.
Los científicos se preocupan si la evidencia es tomada o no al azar, pero
¿qué tiene esto que ver con los bebés?
Los bebés tienen que generalizar a partir de pequeñas muestras de datos todo el tiempo.
Ellos ven un par de patos de goma y aprenden que flotan, o un par de pelotas y aprenden que rebotan.
Y desarrollan expectativas sobre patos y pelotas que van a extender a los patos de goma y a las pelotas por el resto de sus vidas.
El tipo de generalizaciones que los bebés tienen que hacer sobre patos y bolas tienen que hacerlas con casi todo: zapatos y barcos y cera y coles y reyes.
¿A los bebés les importa si las pocas pruebas que ven, representan una población más grande?
Vamos a ver.
Les mostraré dos películas, una de cada una de las dos condiciones de un experimento, y como son solo dos películas, verán solo dos bebés, y los dos bebés difieren entre sí en innumerables maneras.
Pero estos bebés, por supuesto, son parte de grupos de bebés, y las diferencias que verán representan diferencias del grupo promedio en el comportamiento según las condiciones.
En cada película, verán a un bebé haciendo exactamente lo que cabría esperar que haga un bebé, y difícilmente podemos hacer a los bebés más mágicos de lo que ya son.
Pero a para mi mente lo mágico, y a lo que quiero que presten atención, es al contraste entre estas dos condiciones, porque lo único en que se diferencian estas dos películas es la evidencia estadística que los bebés observarán.
Les mostraremos una caja de bolas de color azul y amarillo, y mi entonces estudiante de posgrado, ahora colega en Stanford, Hyowon Gweon, sacará tres bolas de color azul en fila de esta caja, y al sacar esas bolas fuera, las apretará, y las bolas chirriarán.
Y si fueran el bebé, sería como una TED Talk.
No hay nada mejor que eso.
(Risas)
Pero el punto importante es que es muy fácil sacar tres bolas azules en fila de una caja de pelotas en su mayoría azules.
Podrían hacerlo con los ojos cerrados.
Es posible una muestra aleatoria de esta población.
Y si se pueden sacar de la caja al azar y sacar cosas que chirrían, entonces tal vez todo en la caja chirría.
Tal vez los bebés deben esperar que esas bolas amarillas chirríen también.
Las bolas amarillas tienen palos divertidos al final, así los bebés podrían hacer otras cosas con ellas si quisieran.
Podrían sacudirlas o golpear a ellas.
Pero vamos a ver lo que hace el bebé.
(Video) Hyowon Gweon:
¿Ves esto?
(Bola chirría)
¿Viste eso?
(Bola chirría) Genial.
¿Ves este?
(Bola chirría) Guauu.
Laura Schulz: Lo dije.
(Risas)
(Video) HG:
¿Ves este?
(Bola chirría) Clara, este es para ti.
Puedes jugar.
(Risas)
LS: No tengo ni siquiera que hablar,
¿verdad?
Está bien, es bueno que los bebés generalicen propiedades de bolas azules a amarillas, y es impresionante que pueden aprender de nosotros imitando, pero ido aprendiendo esas cosas de los bebés durante mucho tiempo.
La pregunta realmente interesante es qué sucede cuando les mostramos a los bebés lo mismo, y sabemos que es lo mismo, porque tenemos un compartimiento secreto y que en realidad tomamos las bolas de allí, pero esta vez, lo único que cambiamos es la población aparente de la que se extrae la evidencia.
Esta vez, mostraremos a los bebés tres bolas azules sacadas de una caja de pelotas en su mayoría de color amarillo,
¿y adivinen qué?
Seguramente no sacarán al azar tres bolas azules en fila de una caja de pelotas en su mayoría amarillas.
Eso no es plausible en muestreos aleatorios.
Esa evidencia sugiere que tal vez Hyowon tomaba deliberadamente las bolas azules.
Tal vez hay algo especial con las bolas azules.
Tal vez solo las bolas azules chirrían.
Vamos a ver lo que hace el bebé.
(Video) HG:
¿Ves esto?
(Bola chirría)
¿Ves este juguete?
(Bola chirría) Oh, eso fue genial.
¿Ves?
(Bola chirría) Este es para que juegues.
Puedes jugar.
(Hace ruidos)
(Risas)
LS: Acaban de ver dos bebés de 15 meses de edad hacer cosas completamente diferentes basados solo en la probabilidad de la muestra que observaron.
Les enseñaré los resultados experimentales.
En el eje vertical, verán el porcentaje de bebés que apretaron la pelota en cada condición, y como verán, los bebés son mucho más propensos a generalizar las pruebas cuando es plausiblemente representativa de la población que cuando la evidencia es claramente escogida.
Y esto lleva a una predicción extraña: Supongamos que sacamos solo una bola azul de una caja con mayoría amarilla.
Probablemente no sacarán tres azules en fila al azar de una caja de amarillas, pero se podría solo una bola azul al azar.
Esa no es una muestra improbable.
Y si pudieran tomar una al azar de una caja y sacar algo que chirría, tal vez todo en la caja chirriaría.
Así que a pesar de que los bebés verán mucha menos evidencia de chirridos, y tienen muchas menos acciones para imitar en esta condición de una bola que es la que van a ver, predijimos que los bebés sí la exprimirían más, y eso es exactamente lo que encontramos.
Los bebés de 15 meses de edad, en este sentido, al igual que los científicos, tienen cuidado de si la evidencia es de una muestra al azar o no, y utilizan esto para desarrollar expectativas sobre el mundo: que chirría y que no, qué explorar y qué ignorar.
Les mostraré otro ejemplo, sobre un problema de razonamiento causal.
Comienza con un problema confuso de evidencia que todos tenemos, que es que somos parte del mundo.
Puede no parecer un problema, pero como la mayoría de los problemas, es solo un problema cuando las cosas van mal.
Tomen este bebé, por ejemplo.
Las cosas van mal para él.
Le gustaría jugar con este juguete, y no puede.
Les mostraré unos pocos segundos del clip.
Hay dos grandes posibilidades: Tal vez él está haciendo algo mal, o tal vez hay algo mal con el juguete.
Así que en el siguiente experimento, daremos a los bebés solo unos pocos datos estadísticos para apoyar una hipótesis sobre la otra, y veremos si pueden usarlos para tomar decisiones diferentes acerca de qué hacer.
Aquí está la configuración.
Hyowon intentará que el juguete funcione y tenga éxito.
Yo a continuación lo intentaré dos veces y fallaré en ambas, y luego Hyowon lo intentará de nuevo y tendrá éxito, lo que resume casi mi relación con mis estudiantes de posgrado en tecnología en todos los ámbitos.
Pero el punto importante aquí es que proporciona algo de evidencia que el problema no es con el juguete, que es con la persona.
Algunos pueden hacer funcionar este juguete, y otros no pueden.
Cuando el bebé recibe el juguete, optará por una alternativa.
Su mamá está ahí, para que pueda continuar y cambiar a la persona, pero también habrá otro juguete al final de esa tela, y él puede tirar de la tela hacia él y cambiar el juguete.
Así que veamos qué hace el bebé.
(Video) HG: Dos, tres.
¡Adelante! (Música) LS: Uno, dos, tres, ¡ya! Arthur, voy a intentarlo de nuevo.
Uno, dos, tres, ¡ya! YG: Arthur, déjame intentarlo de nuevo,
¿de acuerdo?
Uno, dos, tres, ¡ya! (Música) Mira eso.
¿Recuerdas estos juguetes?
¿Ves estos juguetes?
Sí, voy a poner este aquí, y te voy a dar este.
Puede jugar.
BT: Bueno, Laura, pero, por supuesto, los bebés aman a sus mamás.
Claro, los bebés dan juguetes a sus mamás cuando no pueden hacer que funcionen.
De nuevo, la pregunta realmente importante es qué sucede cuando cambiamos los datos estadísticos ligeramente.
Esta vez, los bebés verán el juguete funcionar y fallar en el mismo orden, pero cambiamos la distribución de las pruebas.
Esta vez, Hyowon tendrá éxito una vez y fallará otra, y yo también Y esto sugiere que no importa quién usa el juguete, el juguete falla.
No funciona todo el tiempo.
Una vez más, el bebé tendrá una elección.
Su mamá está justo al lado, para que ella pueda cambiar a la persona, y habrá otro juguete al final de la tela.
Vamos a ver lo que hace.
(Video) HG: Dos, tres, ¡ya! (Música) Déjame intentarlo una vez más.
Uno, dos, tres, ¡ya! Hmm.
LS: Déjame intentar, Clara.
Uno, dos, tres, ¡ya! Hmm, déjame intentarlo de nuevo.
Uno, dos, tres, ¡ya! (Música) HG: Voy a poner este por aquí, y te voy a dar éste.
Puedes usarlo y jugar.
(Aplausos)
LS: Les mostrará los resultados experimentales.
En el eje vertical, verán la distribución de opciones de los niños en cada condición, y verán que la distribución de las opciones de los niños dependen de los ensayos que observan.
Así, en el segundo año de vida, los bebés pueden usar algo de los datos estadísticos para decidir entre dos estrategias fundamentalmente diferentes para actuar en el mundo: pedir ayuda y explorar.
Acabo de mostrarles dos experimentos de laboratorio de literalmente cientos en el campo que llegan a resultados similares, debido a que el punto realmente crítico es que la capacidad de los niños para hacer inferencias a partir de datos escasos subyace a todo el aprendizaje cultural específico de la especie.
Los niños aprenden nuevas herramientas a partir de solo algunos ejemplos.
Aprenden nuevas relaciones causales a partir de solo algunos ejemplos.
Incluso aprenden nuevas palabras, en este caso en el lenguaje de señas americano.
Quiero cerrar con solo dos puntos.
Si han seguido mi mundo, el campo de las ciencias cerebrales y cognitivas, en los últimos años, tres grandes ideas habrán llamado su atención.
La primera es que esta es la era del cerebro.
Y, en efecto, ha habido descubrimientos asombrosos en neurociencia: localización de regiones funcionalmente especializados de la corteza, logrando cerebros de ratón transparentes, la activación de las neuronas con la luz.
Una segunda gran idea es que esta es la era de los grandes datos y el aprendizaje automático, y las máquinas que aprenden prometen revolucionar nuestra comprensión de todo, desde las redes sociales a la epidemiología.
Tal vez, al afrontar problemas de la escena comprensión y el procesamiento del lenguaje natural, nos diga algo sobre la cognición humana.
Y la gran idea final que habrán oído es que tal vez es una buena idea que vamos a saber tanto de cerebros y tener tanto acceso a grandes datos, porque dejaremos a nuestros propios dispositivos, los seres humanos son falibles, tomamos atajos, erramos, cometemos errores, estamos sesgados, y en innumerables formas, obtenemos el mundo equivocado.
Creo que estas son todas historias importantes, y tienen mucho que decirnos acerca de lo que significa ser humano, pero tengan en cuenta que hoy les conté una historia muy diferente.
Es una historia acerca de la mente y no del cerebro, y, en particular, es una historia sobre los tipos de cálculos que las mentes humanas pueden realizar de forma única, que implican, ricos conocimientos estructurados y capacidad de aprender desde pequeñas cantidades de datos, la evidencia de unos pocos ejemplos.
Y fundamentalmente, es una historia sobre cómo iniciar a los niños muy pequeños y continuar hasta el final a los más grandes logros de nuestra cultura, tenemos al mundo bien.
La mente humana no solo aprende de pequeñas cantidades de datos.
Las mentes humanas piensan nuevas ideas.
Las mentes humanas generan investigación y descubrimiento, y las mentes humanas producen arte y literatura y poesía y teatro, y las mentes humanas cuidan de otros seres humanos: nuestros mayores, nuestros jóvenes, nuestros enfermos.
Incluso nos sana.
En los próximos años, veremos las innovaciones tecnológicas incluso más allá de lo que yo pueda imaginar, pero es muy poco probable ver cualquier cosa, incluso aproximarse a la potencia de cálculo de un niño humano en mi vida o en la suya.
Si invertimos en estos más poderosos alumnos y en su desarrollo, en los bebés y niños y madres y padres y cuidadores y maestros en la forma en que invertimos en nuestras otras formas más poderosas y elegantes de tecnología, ingeniería y diseño, no vamos simplemente a estar soñando con un futuro mejor, estaremos planeando para uno.
Muchas gracias.
(Aplausos)
Chris Anderson: Laura, gracias.
En realidad tengo una pregunta.
En primer lugar, la investigación es una locura.
Quiero decir,
¿quién diseñaría un experimento como ese?
(Risas)
Los he visto un par de veces, y todavía honestamente no creo que realmente esté pasando, pero otras personas han hecho experimentos similares; revisen.
Los bebés son realmente genios.
LS: Se ven realmente impresionantes en nuestros experimentos, pero piensa en cómo se ven en la vida real,
¿verdad?
Empiezan como un bebé.
18 meses más tarde, hablan contigo, y las primeras palabras no son solo cosas como pelotas y patos, son cosas como «se acabó», que se refieren a desaparición, o «uh-oh», para acciones intencionales.
Tiene que ser tan poderoso.
Tiene que ser mucho más poderoso que cualquier otra cosa.
Están averiguando el mundo entero.
Un niño de 4 años, puede hablarte de casi cualquier cosa.
(Aplausos)
CA:
¿Y te he entendido bien, el otro punto clave que estás haciendo es, que hemos pasado estos años donde hay todas estas charlas de lo rara y loca que es nuestra mente, la economía del comportamiento y las teorías subyacentes de que no somos agentes racionales.
Realmente dices que la historia más grande es lo extraordinario, y que en realidad es el genio que es poco apreciado.
LS: Una de mis citas favoritas de psicología proviene del psicólogo social Solomon Asch, quien dijo que la tarea fundamental de la psicología es quitar el velo de la autoevidencia de las cosas.
Hay órdenes de magnitud, más decisiones que tomar cada día que logran un buen mundo.
Sabes de los objetos y sus propiedades.
Los conoces cuando están ocultos.
Los conoces en la oscuridad.
Puedes caminar por salas.
Puedes averiguar qué están pensando otros.
Puedes hablar con ellos.
Navegas por el espacio.
Sabes sobre números.
Sabes las relaciones causales.
Y sobre el razonamiento moral.
Lo haces sin esfuerzo, así que no lo ves, pero así es como conseguimos un buen mundo, y es un notable y logros muy difíciles de entender.
CA: Sospecho que hay gente en la audiencia que tiene la visión de la aceleración tecnológica que podría controvertir tu afirmación de que en nuestras vidas una computadora no hará lo que un niño de tres años puede hacer, pero lo que está claro es que en cualquier escenario, nuestras máquinas tienen mucho que aprender de nuestros niños.
LS: Creo que sí.
Habrá máquinas de aprendizaje automático.
Quiero decir, nunca debe apostar en contra de los bebés o los chimpancés o la tecnología como una cuestión de práctica, pero no se trata solo de una diferencia en la cantidad, es una diferencia en cualidad.
Tenemos computadoras muy potentes, y las hacen hacer cosas muy sofisticadas, a menudo con muy grandes cantidades de datos.
Las mentes humanas hacen, creo, algo muy distinto, y creo que es la naturaleza estructurada y jerárquica del conocimiento humano lo que sigue siendo un verdadero desafío.
CA: Laura Schulz, maravilloso alimento para la reflexión.
Muchas gracias.
LS: Gracias.
(Aplausos)
https://www.ted.com/talks/laura_schulz_the_surprisingly_logical_minds_of_babies/