¿Cuáles son algunos de los inconvenientes de los modelos probabilísticos de cognición?

Los enfoques probabilísticos de este tipo generalmente se conocen más específicamente como el enfoque bayesiano y Chater y Tanenbaum son definitivamente bayesianos (no he leído mucho de Yuille y no puedo comentar). El bayesianismo es algo más que aumentar en popularidad y ser fomentado; se considera uno de los 4 grandes enfoques del modelado cognitivo, siendo los otros 3: conexionismo, basado en reglas y sistemas dinámicos. El enfoque bayesiano tiene muchos aspectos positivos y produjo muchos resultados excelentes, pero dado que su pregunta es sobre los inconvenientes, me centraré exclusivamente en eso. Dos inconvenientes principales son: conexión a tierra neuronal y racionalidad.

La conexión a tierra neuronal es una debilidad que afecta a todos los 4 grandes y a la ciencia cognitiva en general. La idea es que, a medida que construimos modelos de la mente, eventualmente queremos arraigarlos en el cerebro ; esta es una característica estándar del reduccionismo. El enfoque bayesiano a menudo se resume como "probabilidades sobre reglas" y adolece de la misma dificultad de conexión a tierra neuronal que el enfoque basado en reglas. A menudo no está claro cómo el cerebro implementa esta sofisticada inferencia bayesiana (pero el campo es muy consciente de este problema y trabaja duro para resolverlo). ¿Es esto un juego asesino? No realmente, el conexionismo a menudo se considera la alternativa más 'biológicamente plausible', pero los modelos conexionistas más populares pueden ser cuestionados con la misma facilidad sobre su viabilidad biológica.. El problema también se puede eludir por completo diciendo que deseamos abordar la cognición en un nivel diferente al de la implementación biológica (más o menos cómo la termodinámica puede tener leyes sin la base específica proporcionada por la mecánica estadística). Un ejemplo de esto en nuestro sitio es buscar interpretaciones conductistas de modelos (tenga en cuenta que la teoría del campo de decisión cae más en el enfoque de sistemas dinámicos, por lo que no es un ejemplo perfecto).

Para mí, la debilidad mucho más prominente es la racionalidad . La regla de Bayes es inherentemente racional; los humanos no lo son; un bayesiano tiene que usar varios trucos para dar cuenta de la irracionalidad humana . El conexionismo no sufre de este inconveniente, y tampoco algunos enfoques exóticos como la cognición cuántica de Busemeyer (proporciono un boceto en esta respuesta ). Si desea ver por qué los modelos basados ​​en la probabilidad clásica tienen dificultades para explicar aspectos de la irracionalidad humana, eche un vistazo a Busemeyer, JR, Wang, Z. y Townsend, JT (2006) .

Artem dio una muy buena respuesta, pero quiero agregar una debilidad más de los modelos probabilísticos/bayesianos: no son mecanicistas. Esto está relacionado con el punto de Artem sobre la conexión a tierra neuronal, pero es un poco diferente. El problema es que los modelos probabilísticos en realidad no brindan información sobre el mecanismo subyacente que produce el comportamiento observado: si hace la pregunta "¿por qué funciona?", la respuesta del modelo bayesiano es "porque la cognición es bayesiana" y eso es todo. . Los modelos que permiten que la estructura (y el comportamiento) surjan de las interacciones de los elementos de nivel inferior brindan más información sobre los mecanismos cognitivos (aunque no necesariamente los mecanismos neuronales). Creo que (al menos algunos) los modelos conexionistas y de sistemas dinámicos intentan hacer esto. Para leer más sobre esto, echa un vistazo a:

McClelland, JL, Botvinick, MM, Noelle, DC, Plaut, DC, Rogers, TT, Seidenberg, MS y Smith, LB (2010). Dejar que emerja la estructura: enfoques de sistemas conexionistas y dinámicos para comprender la cognición . Tendencias en Ciencias Cognitivas , 14, 348-356.

Esto quizás debería ser un comentario, pero no tengo la reputación. Las otras dos respuestas mencionan que un gran inconveniente del enfoque bayesiano es su falta de plausibilidad biológica. Sin embargo, ver por ejemplo:

Inferencia bayesiana con códigos de población probabilística

Ma, WJ y Beck, JM y Latham, PE y Pouget, A.

Neurociencia de la naturaleza , 2006

Los autores proponen un método mediante el cual las poblaciones de neuronas pueden representar distribuciones de probabilidad. No sé cuán convincente encuentro la construcción, pero puede valer la pena investigar si tienes curiosidad sobre el tema.

También puede valer la pena mencionar que, si bien los neurocientíficos parecen usar la palabra "bayesiano" para referirse genéricamente a los enfoques probabilísticos del razonamiento, "estadística bayesiana" o " probabilidad bayesiana " es un poco más que la regla de Bayes. Por sí misma, la regla de Bayes es solo una identidad matemática en la teoría de la probabilidad .