Hebb : los determinantes de la conducta y su influencia en la neuropsicología

Donald O. Hebb (1904-1985) revolucionó la comprensión de la relación entre el cerebro y la conducta. Su obra seminal, Organización del Comportamiento (1949), sentó las bases de la neuropsicología moderna y la comprensión del aprendizaje, introduciendo la famosa regla de Hebb o aprendizaje hebbiano.

La Teoría Hebbiana: Células que se Disparan Juntas, Permanecen Conectadas

La teoría hebbiana, a menudo resumida como "las células que se disparan juntas, permanecen conectadas", describe la plasticidad sináptica. Esto significa que la fuerza de la conexión entre dos neuronas aumenta si se activan simultáneamente y repetidamente. Esta sencilla premisa tiene implicaciones profundas para el aprendizaje y la memoria. La activación simultánea de las células conduce a un aumento significativo de la fuerza sináptica, un proceso conocido como aprendizaje hebbiano. Sin embargo, es importante destacar que esta es una simplificación de la declaración original de Hebb, la cual se centra en cambios en la fuerza de conectividad entre células, no simplemente en la conexión misma.

Hebb postuló que la persistencia de una actividad repetitiva induce cambios celulares duraderos que promueven su estabilidad. Si el axón de una célula A excita repetidamente a una célula B, se producen cambios en una o ambas células, incrementando la eficiencia de A en excitar a B. Este proceso es crucial para la formación de engramas, las huellas físicas de la memoria en el cerebro.

Engramas de Hebb y la Teoría de la Asamblea Celular

Hebb propuso que los engramas son redes neuronales interconectadas. Su teoría de la asamblea celular describe cómo las neuronas se conectan para formar estas redes. La idea central es que las neuronas que se activan simultáneamente desarrollan conexiones más fuertes, formando una "asociación" entre ellas. Si un subconjunto de estas neuronas se activa posteriormente, la activación se propaga a través de la red, recreando el patrón de actividad original y, por lo tanto, el recuerdo.

Gordon Allport amplió la teoría de Hebb, introduciendo el concepto de auto-asociación. En este concepto, un patrón de actividad neuronal se convierte en "auto-asociado", lo que significa que cada elemento del patrón tiende a activar a otros elementos del mismo patrón, mientras inhibe los elementos que no forman parte de él. Este proceso contribuye a la estabilidad y la recuperación de los engramas.

Evidencia Experimental del Aprendizaje Hebbiano

Los estudios de Eric Kandel en el gasterópodo marino Aplysia californicaproporcionaron evidencia crucial para apoyar la teoría de Hebb. Estos experimentos demostraron la participación de mecanismos hebbianos en la modificación sináptica. Sin embargo, la investigación en vertebrados es más compleja, a menudo implica estimulación experimental no fisiológica. Aun así, algunos estudios han demostrado que los cambios a largo plazo en la fuerza de las sinapsis pueden ser inducidos por actividad sináptica fisiológicamente relevante, utilizando mecanismos hebbianos y no hebbianos.

Principios Matemáticos del Aprendizaje Hebbiano

Desde la perspectiva de las redes neuronales artificiales, el principio de Hebb se puede expresar matemáticamente. Una formulación simple es: w ij = x i x j , donde w ij es el peso de la conexión de la neurona ja la neurona i, y x i es el valor de entrada para la neurona i. Este modelo actualiza los pesos después de cada ejemplo de entrenamiento.

Otra formulación considera el aprendizaje por épocas: w ij = (1/n) Σ k=1 p x i k x j k , donde nes la dimensión del vector de entrada, y pel número de patrones de aprendizaje. Aquí, los pesos se actualizan después de presentar todos los ejemplos de entrenamiento. En ambos casos, las conexiones reflexivas ( i=j) suelen eliminarse.

El modelo de Harry Klopf es una variación del aprendizaje hebbiano que incorpora factores como el bloqueo neuronal. Este modelo reproduce numerosos fenómenos biológicos y es fácil de aplicar.

Generalización y Estabilidad de la Regla de Hebb

La regla de Hebb se generaliza a menudo como: Δw i = ηx i y, donde Δw i es el cambio en el peso de la sinapsis i, ηes la tasa de aprendizaje, x i es la entrada i, y yes la respuesta postsináptica. Para una neurona lineal, y = Σ j w j x j . Esta versión es inestable, por lo que las redes neuronales suelen emplear otras reglas de aprendizaje, como la teoría BCM o el algoritmo hebbiano generalizado.

Los Determinantes de la Conducta según Hebb

Hebb consideraba que la conducta es el resultado de la interacción compleja entre factores biológicos y ambientales. La genética, la nutrición y otros factores biológicos influyen en la estructura y función del sistema nervioso, mientras que el entorno moldea el desarrollo y la expresión del comportamiento. Su teoría integra la neurobiología con la psicología, proporcionando un marco para comprender la conducta humana desde una perspectiva holística.

El Legado de Donald Hebb

Donald Hebb es considerado un pionero de la neuropsicología y las redes neuronales. Su teoría, aunque simplificada con el tiempo, ha sido fundamental para el desarrollo de modelos computacionales del cerebro y la comprensión de los mecanismos neuronales del aprendizaje y la memoria. Su trabajo continúa inspirando investigaciones en neurociencia cognitiva y sigue siendo relevante para comprender los determinantes de la conducta.

Consultas Habituales sobre la Teoría de Hebb

La teoría de Hebb proporciona un marco fundamental para comprender cómo el cerebro aprende y almacena información. Su enfoque integrador de la biología y la psicología ha dejado un legado duradero en la neurociencia y continúa siendo objeto de investigación y desarrollo.

Si quieres conocer otros artículos parecidos a Hebb : los determinantes de la conducta y su influencia en la neuropsicología puedes visitar la categoría Libros y Librerías.