En psicología , la teoría de trazas múltiples es un modelo de consolidación de la memoria que se ha propuesto como modelo alternativo a la teoría de la fuerza . Postula que cada vez que se presenta cierta información a una persona, se codifica neuronalmente en una traza de memoria única compuesta por una combinación de sus atributos. [1] Esta teoría recibió mayor apoyo en la década de 1960 a partir de hallazgos empíricos de que las personas podían recordar atributos específicos sobre un objeto sin recordar el objeto en sí. [2] El modo en que se presenta y posteriormente se codifica la información se puede incorporar de forma flexible al modelo. Esta traza de memoria es única entre todas las demás que se le parecen debido a las diferencias en algunos aspectos de los atributos del elemento, y todas las trazas de memoria incorporadas desde el nacimiento se combinan en una representación de trazas múltiples en el cerebro. [3] En la investigación de la memoria, una formulación matemática de esta teoría puede explicar con éxito los fenómenos empíricos observados en las tareas de reconocimiento y recuperación .
Los atributos que posee un objeto forman su rastro y pueden clasificarse en muchas categorías. Cuando un objeto se memoriza, la información de cada una de estas categorías atribucionales se codifica en el rastro del objeto. Puede haber una especie de categorización semántica en juego, por la cual un rastro individual se incorpora a conceptos generales de un objeto. Por ejemplo, cuando una persona ve una paloma, se agrega un rastro al grupo de rastros de "paloma" dentro de su mente. Este nuevo rastro de "paloma", si bien se puede distinguir y dividir de otros ejemplos de palomas que la persona puede haber visto en su vida, sirve para respaldar el concepto más general y general de una paloma.
Los atributos físicos de un elemento codifican información sobre las propiedades físicas de un elemento presentado. En el caso de una palabra, esto podría incluir el color, la fuente, la ortografía y el tamaño, mientras que en el caso de una imagen, los aspectos equivalentes podrían ser las formas y los colores de los objetos. Se ha demostrado experimentalmente que las personas que no pueden recordar una palabra individual a veces pueden recordar la primera o la última letra o incluso las palabras que riman, [4] todos los aspectos codificados en la ortografía física del trazo de una palabra. Incluso cuando un elemento no se presenta visualmente, cuando se codifica, puede tener algunos aspectos físicos basados en una representación visual del elemento.
Los atributos contextuales son una amplia clase de atributos que definen las características internas y externas que son simultáneas con la presentación del elemento. El contexto interno es una sensación de la red interna que evoca un rastro. [5] Esto puede variar desde aspectos del estado de ánimo de un individuo hasta otras asociaciones semánticas que evoca la presentación de la palabra. Por otro lado, el contexto externo codifica información sobre los aspectos espaciales y temporales a medida que se presenta la información. Esto puede reflejar la hora del día o el clima, por ejemplo. Los atributos espaciales pueden referirse tanto al entorno físico como al entorno imaginado. El método de loci , una estrategia mnemotécnica que incorpora una posición espacial imaginada, asigna posiciones espaciales relativas a diferentes elementos memorizados y luego "recorre" estas posiciones asignadas para recordar los elementos.
Los atributos de modalidad contienen información sobre el método por el cual se presentó un elemento. Los tipos de modalidades más frecuentes en un entorno experimental son la auditiva y la visual. En la práctica, se puede utilizar cualquier modalidad sensorial.
Estos atributos hacen referencia a la categorización de los elementos presentados. Los elementos que encajan en las mismas categorías tendrán los mismos atributos de clase. Por ejemplo, si se presentara el elemento "touchdown", evocaría el concepto general de "fútbol" o quizás, de forma más general, "deportes", y probablemente compartiría atributos de clase con "zona de anotación" y otros elementos que encajan en el mismo concepto. Un solo elemento puede encajar en diferentes conceptos en el momento en que se presenta dependiendo de otros atributos del elemento, como el contexto. Por ejemplo, la palabra "estrella" podría caer en la clase de astronomía después de visitar un museo espacial o en una clase con palabras como "celebridad" o "famoso" después de ver una película.
La formulación matemática de las trazas permite un modelo de la memoria como una matriz en constante crecimiento que recibe e incorpora continuamente información en forma de vectores de atributos. La teoría de las trazas múltiples afirma que cada elemento codificado, desde el nacimiento hasta la muerte, existirá en esta matriz como múltiples trazas. Esto se hace asignando a cada atributo posible un valor numérico para clasificarlo a medida que se codifica, de modo que cada memoria codificada tendrá un conjunto único de atributos numéricos.
Al asignar valores numéricos a todos los atributos posibles, resulta conveniente construir una representación vectorial de cada elemento codificado. Esta representación vectorial también puede incorporarse a modelos computacionales del cerebro como las redes neuronales , que toman como entradas "memorias" vectoriales y simulan su codificación biológica a través de neuronas.
Formalmente, se puede denotar una memoria codificada mediante asignaciones numéricas a todos sus atributos posibles. Si se percibe que dos elementos tienen el mismo color o se experimentan en el mismo contexto, los números que denotan su color y atributos contextuales, respectivamente, serán relativamente cercanos. Supongamos que codificamos un total de L atributos cada vez que vemos un objeto. Entonces, cuando se codifica una memoria, se puede escribir como m 1 con L entradas numéricas totales en un vector columna:
Un subconjunto de los atributos L se dedicará a los atributos contextuales, un subconjunto a los atributos físicos, y así sucesivamente. Un supuesto subyacente de la teoría de las trazas múltiples es que, cuando construimos múltiples recuerdos, organizamos los atributos en el mismo orden. Por lo tanto, podemos definir de manera similar los vectores m 2 , m 3 , ..., m n para dar cuenta de n recuerdos codificados en total. La teoría de las trazas múltiples afirma que estos recuerdos se unen en nuestro cerebro para formar una matriz de memoria a partir de la simple concatenación de los recuerdos individuales:
Para L atributos totales y n memorias totales, M tendrá L filas y n columnas. Tenga en cuenta que, aunque las n trazas se combinan en una matriz de memoria grande, cada traza es accesible individualmente como una columna en esta matriz.
En esta formulación, se hace que los n recuerdos diferentes sean más o menos independientes entre sí. Sin embargo, los elementos que se presentan juntos en algún contexto se asociarán tangencialmente por la similitud de sus vectores de contexto. Si se asocian varios elementos entre sí y se codifican intencionalmente de esa manera, por ejemplo, un elemento a y un elemento b , entonces se puede construir la memoria para estos dos, con cada uno de ellos con k atributos, de la siguiente manera:
Cuando los elementos se aprenden uno tras otro, es tentador decir que se aprenden en el mismo contexto temporal. Sin embargo, en realidad, hay variaciones sutiles en el contexto. Por lo tanto, a menudo se considera que los atributos contextuales cambian con el tiempo según lo modela un proceso estocástico . [6] Considerando un vector de solo r atributos de contexto totales t i que representa el contexto de la memoria m i , el contexto de la siguiente memoria codificada está dado por t i+1 :
entonces,
Aquí, ε(j) es un número aleatorio muestreado de una distribución gaussiana .
Como se explica en la sección siguiente, el sello distintivo de la teoría de las trazas múltiples es la capacidad de comparar un elemento de prueba con la matriz preexistente de recuerdos codificados. Esto simula el proceso de búsqueda de la memoria, mediante el cual podemos determinar si hemos visto alguna vez la prueba antes, como en las tareas de reconocimiento, o si la prueba da lugar a otro recuerdo codificado previamente, como en el recuerdo con claves.
En primer lugar, la sonda p se codifica como un vector de atributos. Siguiendo con el ejemplo anterior de la matriz de memoria M , la sonda tendrá L entradas:
Luego, esta p se compara una por una con todas las memorias preexistentes (rastro) en M, determinando la distancia euclidiana entre p y cada m i :
Debido a la naturaleza estocástica del contexto, en la teoría de trazas múltiples casi nunca se da el caso de que un elemento de sondeo coincida exactamente con un recuerdo codificado. Aun así, una alta similitud entre p y m i se indica mediante una pequeña distancia euclidiana. Por lo tanto, se debe realizar otra operación sobre la distancia que conduce a una similitud muy baja para una gran distancia y una similitud muy alta para una pequeña distancia. Una operación lineal no elimina los elementos de baja similitud con la suficiente dureza. Intuitivamente, un modelo de decaimiento exponencial parece el más adecuado:
donde τ es un parámetro de decaimiento que se puede asignar experimentalmente. Podemos continuar para definir la similitud con toda la matriz de memoria mediante una similitud sumada SS(p,M) entre la sonda p y la matriz de memoria M :
Si el elemento de prueba es muy similar a al menos uno de los recuerdos codificados, SS recibe un gran impulso. Por ejemplo, dado m 1 como elemento de prueba, obtendremos una distancia cercana a 0 (no exactamente debido al contexto) para i = 1, lo que agregará casi el impulso máximo posible a SS . Para diferenciarlo de la similitud de fondo (siempre habrá alguna similitud baja con el contexto o algunos atributos, por ejemplo), SS a menudo se compara con algún criterio arbitrario. Si es más alto que el criterio, entonces la prueba se considera entre los codificados. El criterio puede variar según la naturaleza de la tarea y el deseo de prevenir falsas alarmas . Por lo tanto, la teoría de trazas múltiples predice que, dada alguna pista, el cerebro puede comparar esa pista con un criterio para responder preguntas como "¿se ha experimentado esta pista antes?" (reconocimiento) o "¿qué recuerdo evoca esta pista?" (recuerdo indicado), que son aplicaciones de la similitud sumada que se describen a continuación.
La teoría de las trazas múltiples encaja bien en el marco conceptual del reconocimiento . El reconocimiento requiere que un individuo determine si ha visto o no un elemento antes. Por ejemplo, el reconocimiento facial consiste en determinar si uno ha visto una cara antes. Cuando se le pide esto a un elemento codificado correctamente (algo que de hecho se ha visto antes), el reconocimiento debería ocurrir con alta probabilidad. En el marco matemático de esta teoría, podemos modelar el reconocimiento de un elemento de prueba individual p mediante la similitud sumada con un criterio. Traducimos el elemento de prueba en un vector de atributos como se hizo para los recuerdos codificados y lo comparamos con cada rastro encontrado alguna vez. Si la similitud sumada pasa el criterio, decimos que hemos visto el elemento antes. Se espera que la similitud sumada sea muy baja si el elemento nunca se ha visto, pero relativamente más alta si se ha visto debido a la similitud de los atributos de la sonda con algún recuerdo de la matriz de memoria.
Esto se puede aplicar tanto al reconocimiento de elementos individuales como al reconocimiento asociativo de dos o más elementos juntos.
La teoría también puede explicar el recuerdo con pistas . Aquí, se da una pista que tiene como objetivo sacar un elemento de la memoria. Por ejemplo, una pregunta factual como "¿Quién fue el primer presidente de los Estados Unidos?" es una pista para sacar la respuesta "George Washington". En el marco "ab" descrito anteriormente, podemos tomar todos los atributos presentes en una pista y considerarlos como el elemento a en una asociación codificada mientras tratamos de recordar la parte b de la memoria m ab . En este ejemplo, los atributos como "primero", "Presidente" y "Estados Unidos" se combinarán para formar el vector a , que ya se habrá formulado en la memoria m ab cuyos valores b codifican "George Washington". Dado a , hay dos modelos populares para cómo podemos recordar con éxito b :
1) Podemos recorrer y determinar la similitud (no la similitud sumada, ver más arriba para la distinción) con cada elemento en la memoria para los atributos a , luego elegir la memoria que tenga la similitud más alta para a . Cualquier atributo de tipo b al que estemos vinculados nos da lo que recordamos. La memoria m ab da la mejor posibilidad de recordar ya que sus elementos a tendrán una alta similitud con la señal a . Aún así, como el recuerdo no siempre ocurre, podemos decir que la similitud debe pasar un criterio para que el recuerdo ocurra. Esto es similar a cómo funciona la máquina IBM Watson . Aquí, la similitud compara solo los atributos de tipo a de a con m ab .
2) Podemos utilizar una regla de elección probabilística para determinar la probabilidad de recordar un elemento como proporcional a su similitud. Esto es similar a lanzar un dardo a un tablero de dardos con áreas más grandes representadas por similitudes mayores con el elemento clave. Matemáticamente hablando, dada la pista a , la probabilidad de recordar el recuerdo deseado m ab es:
Al calcular tanto la similitud como la similitud total, solo consideramos las relaciones entre los atributos de tipo a. Agregamos el término de error porque sin él, la probabilidad de recordar cualquier recuerdo en M será 1, pero ciertamente hay momentos en los que no se recuerda nada.
Los fenómenos de la memoria asociados con la repetición, la frecuencia de las palabras, la actualidad, el olvido y la contigüidad, entre otros, se pueden explicar fácilmente en el ámbito de la teoría de las trazas múltiples. Se sabe que la memoria mejora con la exposición repetida a elementos. Por ejemplo, escuchar una palabra varias veces en una lista mejorará el reconocimiento y el recuerdo de esa palabra más adelante. Esto se debe a que la exposición repetida simplemente agrega el recuerdo a la matriz de memoria en constante crecimiento, por lo que la similitud sumada para este recuerdo será mayor y, por lo tanto, tendrá más probabilidades de cumplir el criterio.
En el reconocimiento, las palabras muy comunes son más difíciles de reconocer como parte de una lista memorizada, cuando se prueban, que las palabras raras. Esto se conoce como el efecto de frecuencia de palabras y también se puede explicar mediante la teoría de trazas múltiples. Para las palabras comunes, la similitud sumada será relativamente alta, ya sea que la palabra se haya visto en la lista o no, porque es probable que la palabra se haya encontrado y codificado en la matriz de memoria varias veces a lo largo de la vida. Por lo tanto, el cerebro generalmente selecciona un criterio más alto para determinar si las palabras comunes son parte de una lista, lo que hace que sea más difícil seleccionarlas con éxito. Sin embargo, las palabras más raras generalmente se encuentran menos a lo largo de la vida y, por lo tanto, su presencia en la matriz de memoria es limitada. Por lo tanto, la similitud sumada general baja conducirá a un criterio más laxo. Si la palabra estaba presente en la lista, la similitud de contexto alta en el momento de la prueba y la similitud de otros atributos conducirán a un aumento suficiente en la similitud sumada para superar el criterio y, por lo tanto, reconocer la palabra rara con éxito.
La actualidad del efecto de la posición serial se puede explicar porque los recuerdos más recientes codificados compartirán un contexto temporal más similar al contexto actual, ya que la naturaleza estocástica del tiempo no habrá tenido un efecto tan pronunciado. Por lo tanto, la similitud de contexto será alta para los elementos codificados recientemente, por lo que la similitud general también será relativamente mayor para estos elementos. También se cree que la deriva contextual estocástica explica el olvido porque el contexto en el que se codificó un recuerdo se pierde con el tiempo, por lo que la similitud sumada para un elemento presentado solo en ese contexto disminuirá con el tiempo. [7] [8]
Por último, los datos empíricos han demostrado un efecto de contigüidad , por el cual los elementos que se presentan juntos temporalmente, aunque no estén codificados como un recuerdo único como en el paradigma "ab" descrito anteriormente, tienen más probabilidades de recordarse juntos. Esto puede considerarse un resultado de una baja deriva contextual entre los elementos recordados juntos, por lo que la similitud contextual entre dos elementos presentados juntos es alta.
Una de las mayores deficiencias de la teoría de las trazas múltiples es el requisito de algún elemento con el que comparar la matriz de memoria para determinar si la codificación es correcta. Como se mencionó anteriormente, esto funciona bastante bien en el reconocimiento y el recuerdo con claves, pero existe una flagrante incapacidad para incorporar el recuerdo libre al modelo. El recuerdo libre requiere que un individuo recuerde libremente una lista de elementos. Aunque el acto mismo de pedir que se recuerde puede actuar como una clave que luego puede generar técnicas de recuerdo con claves, es poco probable que la clave sea lo suficientemente única como para alcanzar un criterio de similitud sumada o para lograr de otro modo una alta probabilidad de recuerdo.
Otro problema importante es el de trasladar el modelo a la escala biológica. Es difícil imaginar que el cerebro tenga una capacidad ilimitada para hacer un seguimiento de una matriz tan grande de recuerdos y seguir ampliándola con cada elemento que se le presente. Además, la búsqueda en esta matriz es un proceso exhaustivo que no sería relevante en escalas de tiempo biológicas. [9]
