Que é o adestramento de cans operantes?

Do reflexo condicionado clásico que recibe o nome de IP Pavlov, este reflexo diferénciase en que se basea na actividade activa do animal, causada por algún tipo de necesidade. E o reforzo ao mesmo tempo é o resultado desta actividade tan activa e con propósito. Mentres que co reflexo condicionado clásico, o reforzo é o incondicionado, ou simplemente o segundo estímulo.

A aprendizaxe operante foi descuberta polo científico estadounidense EL Thorndike grazas á intelixencia dos gatos e dos cans. O caso é que Thorndike, descubrindo a capacidade dos animais para aprender, deseñou unha gaiola especial equipada cunha porta cunha simple pechadura. Pechando gatos e cans nesta gaiola, observou coa saudable regodeada dun científico como os seus irmáns pequenos aprendían a abrir esta porta. E os irmáns máis pequenos aprenderon a abrir a porta facendo varios intentos, algúns dos cales tiveron éxito e outros non. Por iso, Thorndike chamou a forma de aprendizaxe que descubriu "ensaio e erro".

Un reflexo, porén, esta forma de aprendizaxe foi bautizada moito máis tarde por outro coñecido científico estadounidense, BF Skinner, que lle dedicou toda a súa vida científica. Por iso, entre os varios pais do reflexo operante, Skinner é considerado o pai principal. Non obstante, para ser xustos, observamos que, por primeira vez no mundo, a formación baseada na aprendizaxe operante foi descrita polo noso marabilloso adestrador Vladimir Durov no seu libro "Adestramento de animais. Observacións psicolóxicas sobre animais adestrados segundo o meu método. 40 anos de experiencia.” Así, podes ler sobre a versión rusa do adestramento operante no libro de Vladimir Durov, e a versión estadounidense do adestramento operante descríbese ben no libro "Non rosmes ao can!" pola psicóloga e formadora Karen Pryor, que, por certo, tamén vos aconsello que leades.

O método xeral de adestramento operante de Skinner pódese describir nos seguintes pasos:

1. etapa de privación. Así chamaba Skinner a esta etapa nos anos 30. Non obstante, agora esta etapa debería chamarse "a etapa de elección e creación dunha necesidade básica".

   Cando se forma un reflexo condicionado operante, pódense usar case todas as necesidades que coñecen os cans, pero Skinner utilizou a necesidade de alimento con máis frecuencia. E o significado da etapa de privación era que Skinner non alimentaba aos animais durante un tempo, ou morríaos de fame. Críase que o reforzo alimentario só se converteu en significativo para o animal e eficaz para a aprendizaxe cando este animal perdía preto do 20% do seu peso vivo. Ai tempos, oh modais!

   

2. A etapa de formación do reforzo alimentario condicionado. Na súa investigación, Skinner utilizou alimentadores automáticos, cuxo son se suponía que era un sinal para os animais para a aparición dun pellet de penso. E isto levou tempo. Considerouse rematada a etapa cando, en resposta ao son do alimentador, a rata correu inmediatamente cara ao comedor.

   

   De feito, esta etapa é a formación dun reflexo sonoro condicionado clásico con reforzo alimentario. Tamén serve como base para o chamado adestramento do clicker, un método de adestramento que utiliza o reforzo positivo de alimentos son condicionados.

   E temos que admitir que a escola de formación operante distingue favorablemente da formación tradicional doméstica pola atención que a formación operante presta ao tema do reforzo. Especialmente o reforzo positivo e probabilístico.

3. Etapa de formación da reacción. Como modelo de comportamento, Skinner adestrou ás súas ratas para que presionasen o pedal e ás súas pombas para picotear a chave. A formación da reacción de presionar o pedal realizouse dunha das tres formas: por ensaio e erro (formación espontánea), por formación dirixida ou secuencial e polo método obxectivo.

   A formación espontánea consistiu no feito de que o animal, viaxando pola caixa Skinner, presionou accidentalmente o pedal e asociouse paulatinamente a presión do mesmo coa inclusión do alimentador automático.

   

   Durante a formación direccional, o investigador acendeu o alimentador automático, primeiro reforzando calquera orientación cara ao pedal, despois achegándose a el e finalmente presionándoo. Por que non adestramento con clicker!

   E o método obxectivo era que un pellet de comida estaba pegado á chave, os intentos de arringalo levaron a presionar a panca.

   O método moderno de adestramento operante para iniciar o comportamento desexado permite o uso de case todos os métodos coñecidos para influír no animal. Non obstante, considérase ineficaz o uso de efectos aversivos (que provocan dor ou malestar).

4. Poner o comportamento baixo control do estímulo ou introducir un estímulo diferenciador. Noutras palabras, a introdución dun estímulo ou comando condicionado.

   Skinner e os seus partidarios crían que a formación dunha acción e o desenvolvemento paralelo simultáneo da súa conexión cun estímulo condicionado (comando) son dous procesos diferentes. E a asimilación simultánea de dúas cousas diferentes complica a aprendizaxe. Polo tanto, os operantes tradicionais primeiro forman o comportamento e despois introducen o comando.

   

   Cómpre subliñar que na aprendizaxe operante, un estímulo diferenciador, en xeral, non é un comando na nosa comprensión. Un equipo é como unha orde, non? Adoitamos interpretalo deste xeito. Un estímulo diferenciador é a información de que agora mesmo a execución dun comportamento é o máis eficaz e xeralmente posible. Así, o "comando" no adestramento operante ten a función de permitir e permitir que se realice o comportamento.

   Para que quede máis claro, analicemos a introdución dunha lámpada no experimento como estímulo diferenciador. Así, a rata aprendeu a presionar o pedal e presionao cando quere comer. O investigador acende a luz durante un par de segundos e crea condicións nas que premer o pedal só cando a luz está acesa conduce á subministración de alimentación. E cando a luz se apague, por moito que premes, terás unha combinación de tres dedos! É dicir, a inclusión dunha lámpada crea, separa, distingue, diferencia diferentes condicións. E a rata pronto comeza a entender. E xa que ten moitas ganas de comer (¡ten unha necesidade de comida!), Entón, cando ve a lámpada acesa, inmediatamente corre cara ao pedal e, ben, preme! Desde fóra, parece que a bombilla acesa fai que a rata, lle ordene que presione o pedal. Pero agora entendes que non é así. Cando a luz se acende, di: Agora podes premer o pedal. Pero só!

5. Reforzo da conduta. A consolidación do comportamento formado á habilidade realízase mediante a repetición mediante o reforzo probabilístico. Tamén é útil utilizar diferentes necesidades para iso e, en consecuencia, aplicar diferentes reforzos.

   A versión doméstica do método operante de adestramento, orixinario de Vladimir Durov, difire só en que permite introducir inmediatamente un estímulo executivo (comando, estímulo diferenciador, estímulo condicionado). A práctica demostra que unha habilidade non se forma máis lentamente que cunha técnica importada. E xa que permite eliminar todo un paso, aforra tempo. Polo tanto, ten sentido apoiar ao fabricante nacional de técnicas de adestramento!

24 setembro 2019

Actualizado: 26 de marzo de 2020