John Robert Anderson (nacido el 27 de agosto de 1947) es un psicólogo estadounidense nacido en Canadá. Actualmente es profesor de Psicología y Ciencias de la Computación en la Universidad Carnegie Mellon .
Anderson obtuvo una licenciatura en la Universidad de Columbia Británica en 1968 y un doctorado en Psicología en Stanford en 1972. Se convirtió en profesor asistente en Yale en 1972. Se trasladó a la Universidad de Michigan en 1973 como Junior Fellow (y se casó con Lynne Reder, que era estudiante de posgrado allí) y regresó a Yale en 1976 con la titularidad. Fue ascendido a profesor titular en Yale en 1977, pero se trasladó a la Universidad Carnegie Mellon en 1978. De 1988 a 1989, se desempeñó como presidente de la Sociedad de Ciencias Cognitivas . Fue elegido miembro de la Academia Estadounidense de las Artes y las Ciencias y de la Academia Nacional de Ciencias y ha recibido una serie de premios:
En psicología cognitiva , John Anderson es ampliamente conocido por su arquitectura cognitiva ACT-R [6] [7] y su análisis racional . [8] [9] Ha publicado muchos artículos sobre psicología cognitiva, incluidas críticas recientes de afirmaciones injustificadas en educación matemática que carecen de respaldo experimental y, a veces (en casos extremos) contradicen hallazgos conocidos en psicología cognitiva. [10]
También fue uno de los primeros líderes en la investigación sobre sistemas de tutoría inteligentes , como los tutores cognitivos , y muchos de los antiguos alumnos de Anderson, como Kenneth Koedinger y Neil Heffernan , se han convertido en líderes en esa área.
La investigación de Anderson ha utilizado imágenes cerebrales fMRI para estudiar cómo aprenden los estudiantes con sistemas de tutoría inteligentes. [11] La mayoría de sus estudios han analizado los procesos neuronales de los estudiantes mientras resuelven ecuaciones o pruebas algebraicas.
Anderson y sus colegas generaron un modelo cognitivo que predijo que, mientras los estudiantes estaban aprendiendo una prueba de álgebra, las neuroimágenes mostraban una menor activación en una región prefrontal inferior lateral y una región fusiforme predefinida. Esta disminución de la actividad mostró una mayor fluidez en la recuperación de información declarativa, ya que los estudiantes requerían menos actividad en estas regiones para resolver los problemas. [11]
En un estudio de 2012, Anderson y Jon Fincham, un colega de Carnegie Mellon, examinaron las etapas cognitivas en las que participaban los participantes al resolver problemas matemáticos. Estas etapas incluían codificación, planificación, resolución y respuesta. El estudio determinó cuánto tiempo dedicaban los participantes a cada etapa de resolución de problemas cuando se les presentaba un problema matemático. Se utilizaron técnicas de reconocimiento de patrones multivóxel y modelos ocultos de Markov para determinar las etapas de resolución de problemas de los participantes.
Los resultados del estudio mostraron que el tiempo empleado en la etapa de planificación dependía de la novedad del problema. El tiempo empleado en la etapa de resolución dependía de la cantidad de cálculos necesarios para el problema en particular. Por último, el tiempo empleado en la etapa de respuesta dependía de la complejidad de la respuesta requerida por el problema. [12]
En otro estudio, Anderson y sus colegas utilizaron una tarea de videojuego para probar la hipótesis de descomposición, o la idea de que una tarea cognitiva compleja puede descomponerse en un conjunto de componentes de procesamiento de información. La combinación de estos componentes permanece igual en diferentes tareas. El estudio utilizó un modelo cognitivo que predijo patrones de comportamiento y activación para regiones específicas del cerebro.
Las predicciones implicaban tanto la activación tónica, que se mantuvo estable en todas las regiones cerebrales durante el juego, como la activación fásica, que solo estaba presente cuando había competencia por los recursos. Los resultados del estudio respaldaron la hipótesis de descomposición. También se encontraron diferencias individuales en las ganancias de aprendizaje de los participantes, lo que indicó que la tasa de aprendizaje de una habilidad compleja depende de los límites de la capacidad cognitiva. [13]