info:eu-repo/semantics/article
Do the elements of a combinatorial category constitute an equivalence class? Behavioral and neurobiological evidences
¿Constituyen los elementos de una categoría combinatoria una clase de equivalencia?: evidencias comportamentales y neurobiológicas
Autor
Tabullo, Ángel
Yorio, Alberto
Zanutto, Silvano
Wainselboim, Alejandro Javier
Institución
Resumen
It has been proposed that there is a relation between the capacity to acquire language and equivalence relations. Previous studies show that members of an equivalence class transfer combinatorial properties within an artificial grammar. Reciprocally, in the present work we analyzed whether, after training in an artificial grammar, stimuli with the same combinatorial properties verify properties of an equivalence class. Results show that stimuli of a same combinatorial class form a functional class that verifies the properties of equivalence (i.e. reflexivity; symmetry and transitivity). Processing these relations generates an N400 potential that is related to the number of nodal stimuli between stimuli pairs. This result could be explained in terms of a proactive system that extracts and retains statistical regularities of stimuli; connects new stimuli with relevant representations previously acquired and employs these associations to generate predictions of future events Se ha propuesto que la capacidad de adquirir lenguaje y relaciones de equivalencia están vinculadas. Estudios previos muestran que estímulos relacionados por equivalencia transfieren propiedades combinatorias en una gramática artificial. Recíprocamente, en el presente trabajo analizamos si estímulos que comparten las mismas propiedades combinatorias por entrenamiento en una gramática artificial verifican posteriormente las propiedades de una clase de equivalencia. Los resultados muestran que los estímulos de una misma clase combinatoria conforman una clase funcional que verifica las propiedades de la equivalencia (i.e. reflexividad, simetría y transitividad). El procesamiento de estas relaciones genera un potencial N400 que refleja un costo de procesamiento vinculado al número de estímulos nodales intervinientes. Este resultado podría explicarse en términos de un sistema proactivo que extrae y almacena regularidades estadísticas de los estímulos; conecta estímulos nuevos con las representaciones relevantes previamente adquiridas y utiliza estas asociaciones para generar predicciones sobre los eventos futuros