Resumen Técnico: Topología de Estados Episódicos Anidados (NEST)

1. Planteamiento del Problema

La ciencia cognitiva teórica sufre de fragmentación. Si bien existen numerosos modelos locales exitosos para la memoria, el razonamiento, la percepción y el aprendizaje, el campo carece de un lenguaje representacional común para enunciar, comparar y revisar estas teorías en igualdad de condiciones. Las arquitecturas integrativas existentes suelen unificar la cognición comprometiéndose con mecanismos de procesamiento específicos (por ejemplo, sistemas de producción o bucles de control), lo que obliga a traducir las teorías a un vocabelo procedimental único antes de su comparación. Esto oscurece las similitudes y diferencias estructurales. El problema central no es meramente cómo funciona la cognición, sino cómo debería representar la ciencia cognitiva aquello sobre lo que tratan sus teorías. Existe la necesidad de una capa representacional previa al mecanismo: un sustrato compartido donde las teorías puedan expresarse como compromisos estructurales.

2. Metodología

El artículo propone NEST (Topología de Estados Episódicos Anidados), una ontología representacional fundacional basada en la teoría de grafos. En lugar de modelar la cognición como un modelo empírico terminado, NEST trata la cognición como la formación y transformación de estados estructurados. La metodología consiste en:

• Ontología Formal: Definir una estructura de grafo recursiva donde los nodos portan cargas útiles internas (atómicas, lingüísticas, perceptuales o basadas en subgrafos) y las aristas están estrictamente tipificadas en seis clases: causales, de contención, temporales, asociativas, de evidencia y espaciales.
• Arquitectura de Doble Grafo: Separar los grafos de creencias duraderas ($B$), que representan la memoria a largo plazo y el conocimiento de fondo, de los grafos de memoria de trabajo con capacidad limitada ($W_t$), que albergan contenido transitorio, hipótesis y entradas perceptuales.
• Conjunto de Operadores: Definir una biblioteca reutilizable de funcionales y operadores genéricos, que incluye mapas de activación, funcionales de propiedades de grafos, catálogos de conflicto, operadores de actualización de creencias y funcionales de trayectoria.
• Instanciación y Mapeo: Derivar firmas de fenómenos cognitivos a partir de estos primitivos y mapear los principales marcos existentes (ACT-R, Soar, Sigma, Teoría del Espacio de Trabajo Global, etc.) sobre NEST como regiones restringidas o casos especiales.

3. Contribuciones Clave

A. El Núcleo Formal

NEST especifica una ontología recursiva de nodos y relaciones.

• Nodos Recursivos: Los nodos pueden contener subgrafos internos, lo que permite que conceptos, episodios y perceptos se representen en un único lenguaje formal preservando al mismo tiempo las relaciones tipificadas.
• Tipado de Aristas: Las relaciones se particionan en seis clases disjuntas. Las aristas causales son antisimétricas y acíclicas; las de contención imponen dependencia existencial; las de evidencia portan pesos con signo para soporte/contradicción; las espaciales vinculan cargas útiles perceptuales.
• Creencia vs. Memoria de Trabajo: La arquitectura distingue explícitamente entre el grafo de creencias ($B$) y el de la memoria de trabajo ($W_t$). $W_t$ está "anclado a la creencia" cuando sus nodos corresponden a $B$, pero también contiene nodos transitorios. Un grafo de colación ($G^c_t$) pone a prueba el contenido transitorio contra la estructura almacenada mediante correspondencias de fundamentación (grounding).
• Conflicto y Coherencia: El sistema define restricciones de incompatibilidad (predicados y relacionales) y deriva un catálogo de conflictos ($C_\kappa$). Métricas como la coherencia ($H$) y el conteo de conflictos activos ($\kappa$) cuantifican la estabilidad de un estado.

B. Fenómenos Cognitivos Derivados

El artículo demuestra cómo surgen fenómenos familiares como firmas de grafos con el uso de los mismos primitivos:

• Fragmentación: Medida por el número de componentes conectados en $W_t$.
• Reconocimiento: Definido como el emparejamiento parcial de grafos con umbral entre $W_t$ y los modelos mentales almacenados.
• Distracción: Cuantificada como la entropía de Shannon de la masa de activación a través de componentes fragmentados.
• Confusión: Un predicado binario que indica estructura de tarea desconectada, incoherencia o conflicto activo entre WM y la creencia.
• Carga Cognitiva: Reencuadrada como tres medidas escalares: Intrínseca (complejidad del esquema de tarea mínimo), Extrínseca (nodos/aristas innecesarios en $W_t$) y Germánica (reestructuración productiva de $B$).
• Autoprocesamiento: Modelado mediante un subgrafo de autoimagen ($S_{self}$) designado dentro de $B$, con métricas de saliencia, involucración, evaluación y consistencia del yo.

C. Esquema de Instanciación de Tareas

El artículo introduce un esquema para la selección de acciones y el razonamiento:

• Grafos de Contexto ($C_t$): Subgrafos de $W_t$ relevantes para la tarea, seleccionados por saliencia, conciencia y control.
• Pericia (Expertise): Definida como el acceso a un subgrafo específico (posiblemente fragmentado) de un modelo mental de dominio ($M_e \subseteq M \subseteq B$).
• Capacidad de Respuesta (Answerability): Determinada por el emparejamiento de grafos, puntuaciones de fundamentación y verificaciones de conflicto.
• Fallo y Recuperación: Los estados de fallo se definen por una fragmentación excesiva, conflicto no resuelto o incoherencia; la recuperación se modela como operaciones de control ($K$) que reorientan la atención o resuelven conflictos.

D. Mapeos de Compatibilidad

El artículo mapea los principales marcos cognitivos a NEST, mostrando que son casos especiales o regiones restringidas de la ontología NEST:

• ACT-R: Los chunks mapean a nodos recursivos; los buffers a subgrafos activos designados de $W_t$; las producciones a plantillas de transición restringidas.
• Soar: Los espacios de problemas mapean a subgrafos de contexto de tarea; los impasses a estados de fallo relevantes para el control; el chunking a la compresión de actualización de creencias.
• Teoría del Espacio de Trabajo Global (GWT): El espacio de trabajo es un subgrafo de $W_t$ con privilegios de acceso y alta saliencia, seleccionado por el funcional de conciencia $A(W_t)$.
• Teoría de la Teoría (Theory-Theory): Las teorías intuitivas se modelan como subgrafos recursivos que contienen relaciones causales y de evidencia; el cambio conceptual es la revisión de grafos bajo $\Delta$.
• IA Basada en Grafos: NEST sirve como un sustrato computacional directo para grafos de conocimiento y redes neuronales de grafos, proporcionando una estructura explícita para la memoria, el conflicto y la actualización.

4. Resultados

El artículo no presenta datos empíricos ni resultados de simulaciones. En su lugar, los "resultados" son derivaciones teóricas:

1. Unificación Formal: Una demostración de que diversos fenómenos cognitivos (desde la distracción mental hasta el insight) pueden expresarse como propiedades estructuradas de los grafos de la memoria de trabajo y su interacción con los grafos de creencia.
2. Equivalencia Estructural: Una prueba de concepto de que las principales arquitecturas (ACT-R, Soar, etc.) pueden traducirse al lenguaje de teoría de grafos de NEST, revelando sus compromisos estructurales subyacentes.
3. Marco Diagnóstico: La derivación de métricas cuantitativas (por ejemplo, fragmentación, coherencia, carga) que teóricamente pueden diagnosticar estados cognitivos.

5. Significación y Reivindicaciones

El artículo se posiciona explícitamente como fundacional en lugar de un modelo empírico terminado. Su significación radica en:

• Transparencia Representacional: Proporcionar un sustrato donde las teorías puedan compararse basándose en supuestos estructurales en lugar de detalles de implementación.
• Integración: Ofrecer un lenguaje compartido para integrar teorías fragmentadas de la cognición, permitiendo la comparación directa de modelos aparentemente incompatibles.
• Modularidad: Separar el núcleo representacional estable de las instancias específicas de tarea y dominio, alineándose con las prácticas establecidas en la investigación de arquitecturas cognitivas.
• Utilidad Futura: Servir como sustrato para el desarrollo posterior de dominios específicos, la realización computacional y el anclaje empírico.

Los autores reconocen las limitaciones: la formulación no especifica un algoritmo de aprendizaje, asume una separación clara entre la creencia y la memoria de trabajo (que puede no mapear directamente a los sustratos neurales) y ofrece bocetos de niveles variables en lugar de simulaciones ejecutables. La contribución tiene la intención de ser un "sustrato representacional transparente" para trabajos futuros.