Aprendizaje de conceptos

El aprendizaje de conceptos, también conocido como aprendizaje de categorías, adquisición de conceptos y formación de conceptos, es definido por Bruner, Goodnow y Austin (1956) como "la búsqueda y prueba de atributos que se pueden utilizar para distinguir ejemplares de no ejemplares de varias categorías". En términos más simples, los conceptos son las categorías mentales que nos ayudan a clasificar objetos, eventos o ideas, partiendo de la base de que cada objeto, evento o idea tiene un conjunto de características relevantes comunes. Por lo tanto, el aprendizaje de conceptos es una estrategia que requiere que el alumno compare y contraste grupos o categorías que contienen características relevantes para el concepto con grupos o categorías que no contienen características relevantes para el concepto.

El concepto de logro de conceptos requiere las siguientes 5 categorías:

1. la definición de la tarea;
2. la naturaleza de los ejemplos encontrados;
3. la naturaleza de los procedimientos de validación;
4. las consecuencias de clasificaciones específicas; y
5. la naturaleza de las restricciones impuestas.

En una tarea de aprendizaje de conceptos, un ser humano clasifica objetos al mostrarle un conjunto de objetos de ejemplo junto con sus etiquetas de clase. El alumno simplifica lo que ha observado condensándolo en forma de ejemplo. Esta versión simplificada de lo que ha aprendido se aplica luego a ejemplos futuros. El aprendizaje de conceptos puede ser simple o complejo porque el aprendizaje se lleva a cabo en muchas áreas. Cuando un concepto es difícil, es menos probable que el alumno pueda simplificarlo y, por lo tanto, tendrá menos probabilidades de aprender. Coloquialmente, la tarea se conoce como aprender a partir de ejemplos. La mayoría de las teorías del aprendizaje de conceptos se basan en el almacenamiento de ejemplos y evitan el resumen o la abstracción manifiesta de cualquier tipo.

En el aprendizaje automático, esta teoría se puede aplicar en el entrenamiento de programas informáticos.

• Formación conceptual: Inferir una función valorada por Boolean de ejemplos de formación de su entrada y salida.
• Un concepto es una idea de algo formado combinando todas sus características o atributos que construyen el concepto dado. Cada concepto tiene dos componentes:
  • Atributos: características que uno debe buscar para decidir si una instancia de datos es positiva del concepto.
  • Una regla: denota qué conjunción de limitaciones en los atributos calificará como una instancia positiva del concepto.

El aprendizaje de conceptos debe distinguirse del aprendizaje mediante la recitación de algo de memoria (recuerdo) o la discriminación entre dos cosas que difieren (discriminación). Sin embargo, estas cuestiones están estrechamente relacionadas, ya que la evocación de hechos en la memoria podría considerarse un proceso conceptual "trivial" en el que los ejemplos anteriores que representan el concepto son invariables. De manera similar, si bien la discriminación no es lo mismo que el aprendizaje inicial de conceptos, los procesos de discriminación intervienen en el refinamiento de conceptos mediante la presentación repetida de ejemplos. La adquisición de conceptos tiene sus raíces en el aprendizaje inductivo. Por lo tanto, al diseñar un currículo o aprender a través de este método, la comparación de ejemplos similares y diferentes es clave para definir las características de un tema.

Los conceptos concretos son objetos que pueden percibirse mediante sensaciones y percepciones personales. Se trata de objetos como sillas y perros con los que se producen interacciones personales que crean un concepto. Los conceptos se vuelven más concretos a medida que la palabra que utilizamos para asociarlos tiene una entidad perceptible. Según la teoría de la codificación dual de Paivio, los conceptos concretos son los que se recuerdan con mayor facilidad a partir de sus códigos de memoria perceptual. La evidencia ha demostrado que cuando se escuchan palabras, se asocian con un concepto concreto y se recrea cualquier interacción previa con la palabra dentro del sistema sensoriomotor. Ejemplos de conceptos concretos en el aprendizaje son los conceptos matemáticos educativos tempranos, como sumar y restar.

Los conceptos abstractos son palabras e ideas que tratan sobre emociones, rasgos de personalidad y eventos. Términos como "fantasía" o "frío" tienen un concepto más abstracto dentro de ellos. Cada persona tiene su definición personal, que siempre está cambiando y comparándose, de conceptos abstractos. Por ejemplo, frío podría significar la temperatura física del área circundante o podría definir la acción y personalidad de otra persona. Si bien dentro de los conceptos concretos todavía hay un nivel de abstracción, los conceptos concretos y abstractos pueden verse en una escala. Algunas ideas como silla y perro son más claras y nítidas en sus percepciones, pero conceptos como frío y fantasía pueden verse de una manera más oscura. Ejemplos de aprendizaje de conceptos abstractos son temas como religión y ética. El aprendizaje de conceptos abstractos es ver la comparación de los estímulos en función de una regla (por ejemplo, identidad, diferencia, rareza, mayor que, suma, resta) y cuando se trata de un estímulo novedoso. Con el aprendizaje de conceptos abstractos, existen tres criterios para descartar cualquier explicación alternativa para definir la novedad de los estímulos. Un estímulo de transferencia debe ser novedoso para el individuo, es decir, debe ser un estímulo nuevo para él. En segundo lugar, no se puede reproducir el estímulo de transferencia. En tercer y último lugar, para tener una experiencia de aprendizaje abstracta completa, debe haber una cantidad igual de desempeño de referencia y desempeño de transferencia.

Binder, Westbury, McKiernan, Possing y Medler (2005) utilizaron fMRI para escanear los cerebros de individuos mientras tomaban decisiones léxicas sobre conceptos abstractos y concretos. Los conceptos abstractos provocaron una mayor activación en el giro precentral izquierdo, el giro y surco frontal inferior izquierdo y el giro temporal superior izquierdo, mientras que los conceptos concretos provocaron una mayor activación en los giros angulares bilaterales, el giro temporal medio derecho, el giro frontal medio izquierdo, los giros cingulados posteriores bilaterales y los precunei bilaterales.

En 1986, Allan Paivio formuló la hipótesis de la teoría de la codificación dual, que afirma que tanto la información verbal como la visual se utilizan para representar la información. Cuando se piensa en el concepto "perro", se piensa tanto en la palabra perro como en la imagen de un perro. La teoría de la codificación dual supone que los conceptos abstractos involucran el sistema semántico verbal y que los conceptos concretos también están involucrados en el sistema imaginario visual.

Los conceptos relacionales y asociados son palabras, ideas y pensamientos que están conectados de alguna forma. En el caso de los conceptos relacionales, están conectados en una definición universal. Los términos relacionales comunes son arriba-abajo, izquierda-derecha y comida-cena. Estas ideas se aprenden en nuestra primera infancia y es importante que los niños las comprendan. Estos conceptos son parte integral de nuestra comprensión y razonamiento en las tareas de conservación. Los términos relacionales que son verbos y preposiciones tienen una gran influencia en cómo se entienden los objetos. Es más probable que estos términos generen una comprensión más amplia del objeto y puedan trasladarse a otros idiomas.

Los conceptos asociados están conectados por el pasado del individuo y su propia percepción. El aprendizaje asociativo de conceptos (también llamado aprendizaje funcional de conceptos) implica categorizar estímulos en función de una respuesta o resultado común, independientemente de la similitud perceptiva, en categorías apropiadas. Esto implica asociar estos pensamientos e ideas con otros pensamientos e ideas que son comprendidos por unos pocos o por el individuo. Un ejemplo de esto es en la escuela primaria, cuando se aprende la dirección de la brújula: norte, este, sur y oeste. Los maestros han utilizado “Nunca comas waffles empapados” y “Nunca comas gusanos ácidos” y los estudiantes pudieron crear su propia versión para ayudarlos a aprender las direcciones.

Construcciones como un esquema y un guión son ejemplos de conceptos complejos. Un esquema es una organización de conceptos (o características) más pequeños y se revisa con información situacional para ayudar a la comprensión. Un guión, por otro lado, es una lista de acciones que una persona sigue para alcanzar un objetivo deseado. Un ejemplo de guión sería el proceso de comprar un CD. Hay varias acciones que deben ocurrir antes del acto real de comprar el CD y un guión proporciona una secuencia de las acciones necesarias y el orden adecuado de estas acciones para tener éxito en la compra del CD.

La adquisición de conceptos en la educación y el aprendizaje es un método de aprendizaje activo. Por lo tanto, se pueden elegir planes, métodos y objetivos de aprendizaje para implementar la adquisición de conceptos. En la obra de David Perkin sobre el conocimiento como diseño, las 4 preguntas de Perkin describen las preguntas del plan de aprendizaje:

1) ¿Cuáles son los atributos críticos del concepto?

2) ¿Cuáles son los propósitos del concepto?

3) ¿Qué casos modelo del concepto?

4) ¿Cuáles son los argumentos para aprender el concepto?

El aprendizaje de conceptos se ha estudiado históricamente con profundas influencias de los objetivos y funciones que se supone que tienen los conceptos. La investigación ha investigado cómo la función de los conceptos influye en el proceso de aprendizaje, centrándose en la función externa. Centrarse en diferentes modelos para la investigación de la adquisición de conceptos ampliaría los estudios en este campo. Al leer artículos y estudios, es necesario notar los posibles sesgos y calificar el recurso en este tema.

En general, las cuestiones teóricas que subyacen al aprendizaje de conceptos para el aprendizaje automático son las que subyacen a la inducción. Estas cuestiones se abordan en muchas publicaciones diversas, incluida la literatura sobre temas como los espacios de versiones, la teoría del aprendizaje estadístico, el aprendizaje PAC, la teoría de la información y la teoría de la información algorítmica. Watanabe (1969, 1985), Solomonoff (1964a, 1964b) y Rendell (1986) también analizan algunas de las ideas teóricas generales; consulte la lista de referencias a continuación.

Es difícil hacer afirmaciones generales sobre el aprendizaje de conceptos humanos (o animales) sin asumir ya una teoría psicológica particular del aprendizaje de conceptos. Aunque las visiones clásicas de los conceptos y del aprendizaje de conceptos en filosofía hablan de un proceso de abstracción, compresión de datos, simplificación y resumen, las teorías psicológicas populares actuales del aprendizaje de conceptos divergen en todos estos puntos básicos. La historia de la psicología ha visto el auge y la caída de muchas teorías sobre el aprendizaje de conceptos. El condicionamiento clásico (tal como lo definió Pavlov) creó la primera técnica experimental. El aprendizaje por refuerzo, tal como lo describió Watson y elaboró Clark Hull, creó un paradigma duradero en la psicología conductual. La psicología cognitiva enfatizó una metáfora de flujo de información y computadora para la formación de conceptos. Los modelos de redes neuronales de formación de conceptos y la estructura del conocimiento han abierto poderosos modelos jerárquicos de organización del conocimiento, como Wordnet de George Miller. Las redes neuronales se basan en modelos computacionales de aprendizaje que utilizan análisis factorial o convolución. Las redes neuronales también están abiertas a la neurociencia y a los modelos psicofisiológicos del aprendizaje que siguen a Karl Lashley y Donald Hebb.

Las teorías basadas en reglas del aprendizaje de conceptos comenzaron con la psicología cognitiva y los primeros modelos informáticos de aprendizaje que podían implementarse en un lenguaje informático de alto nivel con enunciados computacionales como las reglas de producción if:then. Toman datos de clasificación y una teoría basada en reglas como entrada, que son el resultado de un aprendiz basado en reglas con la esperanza de producir un modelo más preciso de los datos (Hekenaho 1997). La mayoría de los modelos basados en reglas que se han desarrollado son heurísticos, lo que significa que no se han proporcionado análisis racionales y los modelos no están relacionados con enfoques estadísticos de inducción. Un análisis racional para modelos basados en reglas podría presumir que los conceptos se representan como reglas y luego preguntaría hasta qué grado de creencia un agente racional debería estar de acuerdo con cada regla, con algunos ejemplos observados proporcionados (Goodman, Griffiths, Feldman y Tenenbaum). Las teorías basadas en reglas del aprendizaje de conceptos se centran más en el aprendizaje perceptivo y menos en el aprendizaje de definiciones. Las reglas se pueden utilizar en el aprendizaje cuando los estímulos son confusos, en lugar de simples. Cuando se utilizan reglas en el aprendizaje, las decisiones se toman basándose únicamente en propiedades y se basan en criterios simples que no requieren mucha memoria (Rouder y Ratcliff, 2006).

Ejemplo de teoría basada en reglas:

"Un radiólogo que utilice una categorización basada en reglas observaría si las propiedades específicas de una imagen de rayos X cumplen ciertos criterios; por ejemplo, ¿hay una diferencia extrema en el brillo en una región sospechosa en relación con otras regiones? Una decisión se basa entonces únicamente en esta propiedad." (ver Rouder y Ratcliff 2006)

La perspectiva del prototipo del aprendizaje de conceptos sostiene que las personas abstraen la tendencia central (o prototipo) de los ejemplos experimentados y la utilizan como base para sus decisiones de categorización.

La perspectiva prototípica del aprendizaje de conceptos sostiene que las personas categorizan basándose en uno o más ejemplos centrales de una categoría dada, seguidos de una penumbra de ejemplos cada vez menos típicos. Esto implica que las personas no categorizan basándose en una lista de cosas que corresponden todas a una definición, sino en un inventario jerárquico basado en la similitud semántica con el ejemplo o los ejemplos centrales.

La teoría de los ejemplos es el almacenamiento de instancias específicas (ejemplares), y los nuevos objetos se evalúan solo en relación con su similitud con miembros específicos conocidos (y no miembros) de la categoría. Esta teoría plantea la hipótesis de que los estudiantes almacenan ejemplos palabra por palabra. Esta teoría considera que el aprendizaje de conceptos es muy simplista. Solo se representan propiedades individuales. Estas propiedades individuales no son abstractas y no crean reglas. Un ejemplo de cómo podría ser la teoría de los ejemplos es "el agua está mojada". Simplemente se sabe que algunos (o uno, o todos) los ejemplos almacenados de agua tienen la propiedad de estar mojados. Las teorías basadas en ejemplos se han vuelto más populares empíricamente con el paso de los años y algunas evidencias sugieren que los estudiantes humanos usan estrategias basadas en ejemplos solo en el aprendizaje temprano, formando prototipos y generalizaciones más adelante en la vida. Un resultado importante de los modelos de ejemplos en la literatura psicológica ha sido la reducción del énfasis en la complejidad en el aprendizaje de conceptos. Una de las teorías de ejemplos más conocidas del aprendizaje de conceptos es el Modelo de Contexto Generalizado (GCM).

Un problema con la teoría de ejemplares es que los modelos ejemplares dependen fundamentalmente de dos medidas: la similitud entre ejemplares y la existencia de una regla para determinar la pertenencia a un grupo. A veces es difícil alcanzar o distinguir estas medidas.

Más recientemente, los psicólogos cognitivos han comenzado a explorar la idea de que los modelos prototipo y ejemplar forman dos extremos. Se ha sugerido que las personas son capaces de formar una representación prototipo múltiple, además de las dos representaciones extremas. Por ejemplo, considere la categoría "cuchara". Hay dos subgrupos o grupos conceptuales distintos: las cucharas tienden a ser grandes y de madera, o pequeñas y hechas de metal. La cuchara prototípica sería entonces un objeto de tamaño mediano hecho de una mezcla de metal y madera, lo que es claramente una propuesta poco realista. Una representación más natural de la categoría "cuchara" consistiría en cambio en múltiples (al menos dos) prototipos, uno para cada grupo. Se han realizado varias propuestas a este respecto (Anderson, 1991; Griffiths, Canini, Sanborn y Navarro, 2007; Love, Medin y Gureckis, 2004; Vanpaemel y Storms, 2008). Estos modelos pueden considerarse como un compromiso entre los modelos ejemplares y los prototipos.

La idea básica del aprendizaje basado en explicaciones sugiere que un nuevo concepto se adquiere al experimentar ejemplos del mismo y al formar un esquema básico.¹ En términos simples, al observar o recibir las cualidades de una cosa, la mente forma un concepto que posee y se identifica por esas cualidades.

La teoría original, propuesta por Mitchell, Keller y Kedar-Cabelli en 1986 y llamada generalización basada en la explicación, sostiene que el aprendizaje se produce mediante una generalización progresiva.² Esta teoría se desarrolló inicialmente para programar máquinas para que aprendieran. Cuando se aplica a la cognición humana, se traduce de la siguiente manera: la mente separa activamente la información que se aplica a más de una cosa y la introduce en una descripción más amplia de una categoría de cosas. Esto se hace identificando condiciones suficientes para que algo encaje en una categoría, de forma similar a la esquematización.

El modelo revisado gira en torno a la integración de cuatro procesos mentales: generalización, fragmentación, operacionalización y analogía³.

• La generalización es el proceso por el cual se reconocen y etiquetan las características de un concepto fundamental para él. Por ejemplo, las aves tienen plumas y alas. Cualquier cosa con plumas y alas será identificada como "pájaro".
• Cuando la información se agrupa mentalmente, ya sea por similitud o relación, el grupo se llama un pedazo. Los trozos pueden variar en tamaño de un solo artículo con partes o muchos artículos con muchas partes.⁴
• Un concepto se opera cuando la mente es capaz de reconocer activamente ejemplos de él por características y etiquetarlo apropiadamente.⁵
• Analogía es el reconocimiento de similitudes entre ejemplos potenciales.⁶

Esta teoría particular del aprendizaje de conceptos es relativamente nueva y se están realizando más investigaciones para ponerla a prueba.

Al adoptar un enfoque matemático para el aprendizaje de conceptos, las teorías bayesianas proponen que la mente humana produce probabilidades para una determinada definición de concepto, basándose en ejemplos que ha visto de ese concepto. El concepto bayesiano de probabilidad previa deja de ser demasiado específico, mientras que la probabilidad de una hipótesis garantiza que la definición no sea demasiado amplia.

Por ejemplo, si un padre le muestra a un niño tres caballos y le dice que se llaman "caballos", el niño debe averiguar exactamente qué quiere decir el adulto con esa palabra. Es mucho más probable que defina la palabra "caballos" como una referencia a este tipo de animal o a todos los animales, en lugar de un ejemplo extrañamente específico como "todos los caballos excepto los Clydedales", que sería un concepto poco natural. Mientras tanto, la probabilidad de que "caballos" signifique "todos los animales" cuando los tres animales que se muestran son muy similares es baja. La hipótesis de que la palabra "caballo" se refiere a todos los animales de esta especie es la más probable de las tres definiciones posibles, ya que tiene una probabilidad previa razonable y una probabilidad dada los ejemplos.

El teorema de Bayes es importante porque proporciona una herramienta poderosa para comprender, manipular y controlar los datos⁵ que adopta una visión más amplia que no se limita únicamente al análisis de datos⁶. El enfoque es subjetivo y requiere la evaluación de probabilidades previas⁶, lo que también lo hace muy complejo. Sin embargo, si los bayesianos demuestran que la evidencia acumulada y la aplicación de la ley de Bayes son suficientes, el trabajo superará la subjetividad de los insumos involucrados⁷. La inferencia bayesiana se puede utilizar para cualquier dato recopilado honestamente y tiene una gran ventaja debido a su enfoque científico⁶.

Un modelo que incorpora la teoría bayesiana del aprendizaje de conceptos es el modelo ACT-R, desarrollado por John R. Anderson. El modelo ACT-R es un lenguaje de programación que define las operaciones cognitivas y perceptivas básicas que habilitan la mente humana al producir una simulación paso a paso del comportamiento humano. Esta teoría explota la idea de que cada tarea que realizan los humanos consiste en una serie de operaciones discretas. El modelo se ha aplicado al aprendizaje y la memoria, la cognición de nivel superior, el lenguaje natural, la percepción y la atención, la interacción entre humanos y computadoras, la educación y las fuerzas generadas por computadoras.

Además de John R. Anderson, Joshua Tenenbaum ha contribuido al campo del aprendizaje de conceptos; estudió la base computacional del aprendizaje humano y la inferencia utilizando pruebas de comportamiento de adultos, niños y máquinas a partir de la estadística bayesiana y la teoría de la probabilidad, pero también de la geometría, la teoría de grafos y el álgebra lineal. Tenenbaum está trabajando para lograr una mejor comprensión del aprendizaje humano en términos computacionales y tratando de construir sistemas computacionales que se acerquen más a las capacidades de los estudiantes humanos.

La teoría de presentación de componentes (CDT) de M. D. Merrill es una matriz cognitiva que se centra en la interacción entre dos dimensiones: el nivel de desempeño esperado del alumno y los tipos de contenido del material que se va a aprender. Merrill clasifica el nivel de desempeño de un alumno como: encontrar, usar, recordar, y el contenido del material como: hechos, conceptos, procedimientos y principios. La teoría también hace referencia a cuatro formas de presentación primarias y varias otras formas de presentación secundarias. Las formas de presentación primarias incluyen: reglas, ejemplos, recuerdo y práctica. Las formas de presentación secundarias incluyen: prerrequisitos, objetivos, ayudas, mnemotecnia y retroalimentación. Una lección completa incluye una combinación de formas de presentación primarias y secundarias, pero la combinación más eficaz varía de alumno a alumno y también de concepto a concepto. Otro aspecto significativo del modelo CDT es que permite al alumno controlar las estrategias de instrucción utilizadas y adaptarlas para satisfacer su propio estilo y preferencia de aprendizaje. Un objetivo principal de este modelo era reducir tres errores comunes en la formación de conceptos: generalización excesiva, generalización insuficiente y conceptos erróneos.

• Dimensión de exclusión de muestras

• Rouder, Jeffrey; Ratcliff, Roger (2006). "Comparando teorías exentas y basadas en reglas de Categorización". Instrucciones actuales en Ciencias Psicológicas. 15: 9–13. doi:10.1111/j.0963-7214.2006.00397.x. S2CID 7290181.
• Goodman, Noé D.; Tenenbaum, Joshua B.; Feldman, Jacob; Griffiths, Thomas L. (2 de enero de 2008). "Un análisis racional del aprendizaje basado en reglas". Cognitive Science. 32 (1): 108–154. doi:10.1080/03640210701802071. PMID 21635333.
• Hekanaho, Jukka (14 de agosto de 1997). Aumento de las normas basadas en la GA en el aprendizaje de conceptos (PDF). KDD'97: Proceedings of the Third International Conference on Knowledge Discovery and Data Mining. AAAI Press. pp. 183–186. ISBN 978-1-57735-027-9.
• Feldman, Jacob (2003). "El Principio de la Simplicidad en el aprendizaje del concepto humano". Instrucciones actuales en Ciencias Psicológicas. 12 (6): 227–232. doi:10.1046/j.0963-7214.2003.01267.x. S2CID 15441281.
• Rendell, Larry (1986). "Un marco general de inducción y un estudio de inducción selectiva". Machine Learning. 1 (2): 177–226. doi:10.1007/BF00114117.
• Hammer, Rubi (2008). "Comparison processes in category learning: From theory to behaviour". Brain Research. 1225 (15): 102–118. doi:10.1016/j.brainres.2008.04.079. PMID 18614160. S2CID 106981.
• Hammer, Rubi (2009). "El desarrollo de estrategias de aprendizaje de categoría: ¿Qué hace la diferencia?". Cognición. 112 (1): 105–119. doi:10.1016/j.cognition.2009.03.012. PMID 19426967. S2CID 1199541.
• Watanabe, Satosi (1969). Saber y Adivinar: Un estudio cuantitativo de la inferencia e información. Wiley. ISBN 9780471921301.
• Watanabe, Satosi (1985). Reconocimiento de Patrones: Humano y Mecánico. Wiley.
• Solomonoff, R. J. (1964). "Una teoría formal de la inferencia inductiva. Parte I". Información y control. 7 (1): 1–22. doi:10.1016/S0019-9958(64)90223-2.
• Solomonoff, R. J. (1964). "Una teoría formal de la inferencia inductiva. Parte II". Información y control. 7 (2): 224–254. doi:10.1016/S0019-9958(64)90131-7.
• "Cientras cerebrales y cognitivas". Massachusetts Institute of Technology. Retrieved 2007-11-23.
• Kearsley, Greg (1994). "Teoría de visualización completa (M.D. Merrill)". Retrieved 2007-12-04.
• Kearsley, Greg (1994). "Concepto". Archivado desde el original el 2011-07-09. Retrieved 2007-12-04.
• "Teoría de visualización completa". 2007-04-10. Retrieved 2007-12-04.
• "Concept Attainment". 1999. Retrieved 2007-12-04.
• "Concept Learning". 2007-11-07. Retrieved 2007-12-04.
• "Concepto de formación". Las McGraw-Hill Companies. 2007. Retrieved 2007-12-04.
• Berry, Donald A. (1997–1998). "Teaching Elementary Bayesian Statistics with Real Applications in Science". El Estadístico Americano. 5 (3): 241–246. doi:10.1080/00031305.1997.10473970.
• Brown, Harold I. (1994). "Razón, juicio y ley de Bayes". Filosofía de la Ciencia. 61 (3): 351–369. doi:10.1086/289808. S2CID 122639303.
• Lindley, Dennis V. (1983). "Teoría y Práctica de Estadísticas Bayesianas". El estadístico. 32 (1/2): 1–11. doi:10.2307/2987587. JSTOR 2987587.