Detalhes bibliográficos
| Ano de defesa: |
2015 |
| Autor(a) principal: |
Vernucio, Renato Roberto |
| Orientador(a): |
Não Informado pela instituição |
| Banca de defesa: |
Não Informado pela instituição |
| Tipo de documento: |
Dissertação
|
| Tipo de acesso: |
Acesso aberto |
| Idioma: |
por |
| Instituição de defesa: |
Biblioteca Digitais de Teses e Dissertações da USP
|
| Programa de Pós-Graduação: |
Não Informado pela instituição
|
| Departamento: |
Não Informado pela instituição
|
| País: |
Não Informado pela instituição
|
| Palavras-chave em Português: |
|
| Link de acesso: |
http://www.teses.usp.br/teses/disponiveis/47/47132/tde-04042016-152446/
|
Resumo: |
A partir do treino de relações condicionais podem emergir relações que não foram diretamente treinadas, formando-se classes de equivalência. As pesquisas sobre equivalência de estímulos comumente adotaram o procedimento matching-to-sample (MTS) e utilizam humanos como sujeitos experimentais. Mais recentemente, alguns estudos utilizaram modelos computacionais para simular o comportamento de formação de classes de equivalência. O modelo computacional comumente utilizado chama-se RELNET, que simula tentativas de treino e teste de relações condicionais usando-se o MTS. A diferenciação entre estímulos modelo e de comparação, indispensável no MTS, implica em dificuldades operacionais para simulações computacionais. Por isso, novos estudos buscaram simular o comportamento de formação de classes de equivalência utilizando-se procedimentos alternativos ao MTS, que não diferenciam funções em específico aos estímulos antecedentes. O presente trabalho avaliou a possibilidade de desenvolver um novo modelo computacional para simular o comportamento de formação de classes de equivalência utilizando o procedimento go/no-go com estímulos compostos. Foi utilizada Linguagem C e FANN para a programação das simulações. Para assegurar que o uso dessas ferramentas não implicaria em mudanças nos resultados, no Experimento 1, foi feita uma replicação sistemática de Tovar e Torres (2012), que investigou a possibilidade de simular o comportamento de formação de classes de equivalência pelo procedimento yes-no, alterando-se apenas a utilização da Linguagem C e FANN. Como resultados, cinco das seis execuções apresentaram formação de classes de equivalência, conforme obtido no trabalho de Tovar e Torres (2012), indicando que a utilização de Linguagem C e FANN não implicou em alterações nos resultados. O Experimento 2 teve como objetivo avaliar a possibilidade de simular o comportamento de formação de classes de equivalência pelo procedimento go/no-go com estímulos compostos, baseando-se no método de Tovar e Torres (2012). Da mesma forma que em Tovar e Torres (2012), foi feito um treino de classe adicional, que seria análogo à simulação do conhecimento pré-experimental de participantes humanos com capacidades linguísticas. Como resultados, obteve-se que quatro de seis execuções apresentaram formação de classes de equivalência, indicando que foi possível simular o comportamento de formação de classes de equivalência usando o procedimento go/no-go com estímulos compostos. Para avaliar se o treino de classe adicional é indispensável em simulações envolvendo o procedimento go/no-go, o Experimento 3 usou os mesmos parâmetros do Experimento 2 sem o treino de classe adicional. Como resultados, duas das seis execuções apresentaram formação de classes de equivalência. Isso indica que para simular o comportamento de formação de classes de equivalência usando o procedimento go/no-go com estímulos compostos também é preciso haver treino de classe adicional. Dada a importância desse treino, no Experimento 4 foi avaliado se a partir do treino de uma classe adicional contendo três elementos seria possível simular a formação de classes de equivalência contendo quatro elementos. Como resultados, quatro das seis execuções apresentaram formação de classes de equivalência. Em conjunto, os resultados mostram que o modelo proposto é capaz de simular o comportamento de formação de classes de equivalência, sem diferenciar as funções de estímulo modelo e de comparação, sendo uma alternativa ao RELNET |
