activación, lo que a su vez va a estar influido por la fuerza de dicha conexión. De este modo, se permite la reconfiguración constante de la red y eso hace que las representaciones no se ubiquen en elementos, sino entre las conexiones de las distintas unidades (Pitarque & Algarabel, 1991). Hoy existe un número relevante de submodelos derivados de este enfoque que asumen que las conexiones entre las unidades pueden ser, o no, masivamente paralelas, en el sentido de que cada unidad se conecta a otra. Estas conexiones pueden seguir una sola dirección hacia delante ( feedforward ) o ser del tipo interactivo ( feedback ). Una propiedad importante de algunos de estos modelos conexionistas es que el aprendizaje prescinde de reglas previas, por lo que surge, más bien, de la experiencia (Robles-Aguirre, 2010; Medina, 2008). Tres propiedades fundamentales de estos modelos son: «(a) las señales, o símbolos, son procesadas por unidades elementales, (b) las unidades de procesamiento son conectadas en paralelo a otras unidades de procesamiento, y (c) las conexiones entre las unidades de procesamiento son ponderadas» (Medina, 2008, p. 193). Un ejemplo clásico de modelo conexionista de tres capas se puede observar en el gráfico 2, en la que cada círculo representa una unidad del sistema (neurona): a) los círculos negros son excitatorios; b) los grises, inhibitorios; y, finalmente, c) los blancos, inactivos. Dentro de cada círculo hay otro que indica el peso de la conexión: las líneas continuas son excitatorias y las punteadas, inhibitorias (Fierro, 2011). 447
RkJQdWJsaXNoZXIy MjgwMjMx