guide for complexity reading.doc

conceptual and methodological framework

Paradigma de la complejidad como un marco para el estudio de sistemas cooperativos


Bernard PAVARD

ingeniera cognitiva GRIC - Grupo de Investigacin IRIT Universidad Paul Sabatier Francia [email protected]

Resumen

El objetivo de este trabajo es el de apoyar la idea de que el estudio de los complejos sistemas de cooperacin necesita de un nuevo marco conceptual y metodolgico para ser comprendido y, en ltima instancia reorganizado para una mejor eficacia. Con este fin, se har hincapi en el hecho de que el paradigma de la complejidad es un buen marco si se combina con la analtica clsica (o estructurales). En la primera seccin, vamos a trazar los pasos histricos de las teoras de los sistemas complejos no lineales (principalmente sistemas distribuidos y teoras). Mostraremos cmo el enfoque no lineal de complejidad conceptual fundamental para pasar de la clsica a la distribucin y multi-paradigma de agentes. Por desgracia, debido a su relacin con el dominio fsico, las teoras no lineales rara vez se han utilizado para abordar problemas relacionados con las ciencias sociales. A continuacin, vamos a ver cmo la teora de agentes distribuidos el rel de la teora de sistemas no lineales con el fin de modelar la dinmica de los complejos socio-organizativo. A continuacin, destacar el papel de este nuevo enfoque como una profunda renovacin en el campo de las ciencias sociales.

Introduccin

1 El objetivo de este trabajo es analizar algunas de las contribuciones conceptuales y metodolgicas que teora de la complejidad en el estudio de sistemas de cooperacin.

Las teoras de los sistemas complejos se han desarrollado a lo largo de tres complementarios, pero no dejan de ser distintos, los ejes: la teora de sistemas no lineales, las redes neuronales y la teora de sistemas o auto-organizadas.

Histricamente, el concepto de sistemas complejos, naci a principios de siglo cuando H.

Poincar trabaj en las ecuaciones usadas para predecir la trayectoria de los planetas. H. Poincar demostr que era matemticamente imposible de encontrar una solucin exacta de estas ecuaciones incluso para un sistema tan simple como que contiene tres planetas interactan entre s de forma no lineal Poincar [ 51].

1 Muchas gracias a J. Dugdale sus sugerencias, debates y ayudar a.

Pgina 1

Paradigma de la complejidad como un marco de referencia para el estudio de sistemas cooperativos

Poincar mostr a la comunidad cientfica una nueva dificultad conceptual: incluso un sistema causal por completo (un sistema donde las normas conductuales son perfectamente conocidas) puede tener indeterminado. Dicho de otro modo, mostr cmo un sistema sencillo puede estallar en complejas e impredecibles.

La investigacin pronto tropieza con muchos obstculos: uno de ellos en forma de dificultades desde el punto de vista cultural y H. Poincar mismo evaluar las consecuencias epistemolgicas de su trabajo de no-lineal

2 sistemas . Otra dificultad proviene de la falta de potencia de procesamiento, que habra sido necesario para encontrar soluciones aproximadas a problemas que no tienen soluciones exactas y, por tanto, explorar el nuevo campo de sistemas complejos.

Sin embargo, en la escuela de sistemas no lineales trado un gran nmero de nuevas perspectivas conceptuales y metodolgicas. Estas contribuciones no son directamente aplicables al estudio de sistemas socio-tcnicos que son los sistemas de inters para ingenieros, diseadores y socilogos.

Propiedades no lineales tambin se investigaron a travs del desarrollo de redes neuronales. Redes Neuronales investigacin emergen durante la dcada de los 50 con el perceptron [Rosenblatt 59]. Que se utilizaron para imitar el comportamiento de las neuronas y a explorar sus capacidades clasificacin. Debido a sus propiedades no lineales, estos sistemas tienen propiedades muy interesantes y la extrapolacin de la clasificacin que se ha utilizado como una metfora de los procesos cognitivos.

Ms tarde, el estudio de la distribucin y sistemas organizados han superado esta dificultad y ofrece nuevas perspectivas en modelos sociales y sistemas cognitivos.

Bsicamente, la teora de sistemas auto-organizadas y se basa en el hecho de que una poblacin de agentes independientes y autnomos interacta slo localmente pueden producir "inteligentes" comportamiento global. El sistema entonces se dice que tiene propiedades de auto-organizacin.

Este enfoque tiene un largo linaje comenzando con el estudio de sistemas conexionistas (Rumelhart y McClelland, 1986) de vida artificial basada en agentes y sociedades El Sr. Langton Ngorima [ 94]. Las races filosficas y metodolgicas de la distribuida y sistemas auto-organizadas es drsticamente diferente de la clsica enfoques analticos [ 99] El Anlisis en Cilliers y principalmente debido al hecho de que este paradigma no utilice los conceptos de representacin.

La distribucin y auto-organizadas enfoque muchas aplicaciones en campos que van desde el estudio de micro sociedades (etologa) en el estudio de las organizaciones humanas y la antropologa Kholer [ 99]. Usando ejemplos de nuestro anlisis del trabajo humano las actividades, vamos a mostrar cmo este tipo de enfoque puede mejorar los mtodos de modelado y diseo sistemas socio-tcnicos.

En la siguiente seccin, vamos a explicar qu es la teora de sistemas no lineales a la comunidad cientfica y de lo que por qu era tan difcil que se debe aplicar a sistemas tcnicos socioeconmico real.

2 El punto que han intrigado H. Poincar es cmo un sistema perfectamente determinables, desde un punto de vista funcional, podra haber no-comportamiento predecible.

Pgina 2


Complejidad y teora de los sistemas lineales

la nocin que antesde valores numricos

a fin de explicar cmo los sistemas no lineales son relacionados con la complejidad, debemos considerar un ejemplo muy sencillo de un mundo no lineales simultneas: dos poblaciones de ratones y gatos que viven en un entorno cerrado. Los gatos comen ratones, pero si que no son suficientes los ratones, gatos empiezan a pasar hambre y su poblacin disminuye permitiendo que la poblacin de ratones aumentar de nuevo. Cmo podemos simplemente modelo tal equilibrio?

A principios de la dcada de 1970 un matemtico, R. Mayo, estudi una ecuacin que representan aproximadamente la interaccin. La conocida ecuacin se llama ecuacin logstica :

2 Xn+1 = kXn - kx n = kXn (1-Xn)

se dice que la poblacin de ratones en el ao n+1 (Xn+1) est sujeta a dos tendencias opuestas: un

2 factor de crecimiento (k) debido a su tasa de reproduccin y un factor decreciente ( -kx n) que dice que los ratones poblacin no puede crecer demasiado, ya que los gatos comen. Tenga en cuenta que, en este momento lo que nos interesa no es si esta ecuacin imita exactamente la interaccin pero slo a sus propiedades dinmicas. Primero podemos observar que esta ecuacin no es lineal debido a el factor de correccin (-

2 kXn ). No lineal significa que si el doble entrada (Xn), no le doble la produccin.

Ahora tenemos nuestro modelo, podemos ver que es perfectamente determinista (es decir, si sabemos que la poblacin inicial y su creciente factor k, siempre podemos calcular que la poblacin va a evolucionar con el tiempo. Para ello, podemos optar por usar un diagrama tiempo, como el que se muestra en la Fig 1.A. y veremos que los ratones y gatos poblacin oscila aproximadamente en sincrona que es fcil de entender: cuando los ratones son rara vez, el nmero de gatos disminuir debido a la falta de su alimento preferido y ratones, aprovechar esta oportunidad para reproducirse otra vez, y as sucesivamente.

Alternativamente, podemos representar los mismos fenmenos en un diagrama de fase que es un tipo equivalente de representacin (Fig. 1.B. ).

Nmero (Xn)

Ratones Los Gatos

A B Nmero de gatos Tiempo

Tiempo Nmero de ratones

Figura 1 : La variacin en el gato y los ratones las poblaciones pueden ser representadas como una serie de tiempo (A) o como diagrama de fase (B). Las dos representaciones son equivalentes.

Pgina 3


Ahora podemos analizar lo que ocurre cuando hay un cambio en el valor del factor k cra ratones.

Si k es pequea, por ejemplo k=1.2 (los ratones no se reproducen muy rpido), los ratones poblacin se estabilizar en los aos siguientes (Fig 2). Si el factor de crecimiento aumenta un poco, (k=1,5 ), el sistema se comporta con cuidado: los ratones poblacin aumenta en consecuencia. Sin embargo, cuando k = 2,3 algo nuevo sucede, Figura 2 se muestra que los ratones poblacin comienza a oscilar entre dos valores (oscilacin del perodo 2), que para k = 2,5 , la oscilacin es de periodo 4 lo que significa que tiene una duracin de cuatro aos para que la poblacin pueda volver en el mismo valor. Por ltimo, en k = 3, el proceso ya no es regular. Los ratones poblacin salta sin cesar entre un nmero infinito de valores en una forma que es determinista pero no se puede predecir en un periodo de tiempo largo.

N2 k = 1,5

N3

k = 1,2 k = 2,3

Poblacin aos

Poblacin k = 2,5 k = 3 Aos

Figura 2 Transicin del orden al caos de dos poblaciones interactuando en una forma no lineal. Aqu, los ratones se ha informado en relacin con su creciente factor k. Es posible ver que cuando k=3, los ratones los cambios en la poblacin de forma irregular (catico) camino a lo largo de los aos.

De este simple ejemplo, ya podemos ver algunos resultados interesantes:

1) comportamiento catico puede surgir incluso en un sistema muy simple. En nuestro caso, las dos poblaciones en relacin con una sencilla ecuacin lineal que es totalmente determinista.

2) Complejidad slo puede nacer de dos hechos: iteracin (los comentarios de un ao a otro) y no linealidad en el mecanismo de retroalimentacin. Entonces, no es necesario tener muchos sistemas que actan entre s con el fin de obtener complejidad.

3) Un sistema determinista (el ratn poblacin en el ao N se especifica totalmente si sabemos que en el ao N-1) pueden mostrar comportamiento catico que significa algo impredecible durante un cierto perodo de tiempo.

4) Comportamiento determinista puede ser visto como un caso especial de comportamiento catico. Esto se puede observar en una pequea ventana de k=2,85 (Fig. 3). Si los ratones-gato poblacin tiene este factor de crecimiento valor en esta ventana, su comportamiento ser perfectamente determinista. Ser

Pgina 4

posible a averiguar las reglas o ecuaciones que permiten un perfecto clculo de poblacin a travs de los ratones. Este fenmeno se denomina la intermitencia (un perodo de orden en un universo de aleatoriedad). Este comportamiento caracterstico plantea interesantes preguntas como: en qu medida son un sistema ordenado y su catica versin ambas caras de un proceso indivisible?

Es nuestro conocido basado en reglas mundo slo una isla de la intermitencia en el medio del universo catico.

Del orden al caos: cmo visualizar la transicin ?

El objetivo de esta seccin es mostrar cmo sera posible para representar con mayor detalle el comportamiento de la rica interaccin entre las poblaciones estudiadas y por qu mecanismo el comportamiento del sistema va del orden al caos? Para tal efecto, se traza la grfica que representa los ratones poblacin veces la tasa de crecimiento (Fig 3). Es posible ver, cuando la tasa de crecimiento est por debajo de un valor de 2, que los ratones poblacin siempre se estabiliza en ciertos valor constante. Sin embargo, tan pronto como la tasa de crecimiento aumenta a 2, podemos ver lo que se denomina una bifurcacin: un punto en el que los ratones poblacin alterna entre distintos valores, N2 y N3 (perodo 2 oscilaciones), de un ao a otro. Si la tasa de crecimiento aumenta a 2.3 podemos ver ms y ms bifurcaciones. Para k>2.7 ya no es posible predecir cmo los ratones poblacin va a cambiar de un ao a otro. Estamos entonces en el "caos".

Ventana de la intermitencia

N2 N

po

pu N tasa de crecimiento

N3 lat

io k = 2,3

1,2 1,5 2,7 aos 2,85

2,3 2

tasa de crecimiento (k)

Figura 3 diagrama de bifurcacin los ratones poblacin. En torno a k=2 la poblacin comienza a oscilar entre dos valores (primer punto de bifurcacin). Para k=2,7 , el nmero de habitantes no es ms predecible, pero para k =2 .85 el sistema vuelve a un breve perodo de estabilidad (ventana de la intermitencia).

Caos las propiedades y la intermitencia

Si miramos nuevamente en Fig 3, es posible distinguir distintas reas. Como hemos visto, cuando la tasa de crecimiento es alrededor de 2,5 los ratones poblacin flucta impredeciblemente en dos grandes regiones y finalmente slo uno que es el caos. Pero en torno a k = 2,85 en el medio del caos, el nmero de habitantes se convierte otra vez predecible (el nmero de habitantes

Pgina 5


converge hacia un valor finito) dentro de un tiempo. Esta es la intermitencia:

un perodo de calma dentro de un comportamiento catico.

Por lo tanto, es posible ver un procesos deterministas como un caso especial de complejo comportamiento no lineal (de la misma manera en mecnica clsica puede ser visto como un caso especial de la mecnica cuntica). Tras este anlisis, la teora de los sistemas complejos es totalmente compatible con los enfoques analticos comportamiento predictivo porque es un caso especial de sistemas caticos.

Caos determinista es realmente impredecible? Podemos identificar algunas propiedades estructurales ?

Con el fin de responder a esta pregunta, debemos volver a la fase representacin espacial y lo vamos a estudiar un sencillo dispositivo mecnico: un pndulo no lineales [Baker y Gollub 90].

ATRACTOR extrao

ngulo

fuerza externa velocidad

De

atractor ESTABLE

(sin pndulo)

ngulo Un gle

Fig.4 : Ejemplo de estable y extrao atractor de un sistema mecnico, como un pndulo.

A la izquierda, el pndulo es libre y progresivamente se ralentiza en equilibrio (crculo oscuro).

En este caso, su trayectoria puede ser perfectamente calculado. A la derecha, el movimiento del pndulo es forzado a travs de un dispositivo mecnico (una fuerza externa). Su trayectoria sigue un camino impredecible (como se muestra a travs del patrn de puntos) que se llama atractor extrao porque en cualquier momento la posicin del pndulo est situado en el atractor (un conjunto de trayectorias) pero es imposible predecir exactamente en qu punto de la trayectoria del pndulo. Si ampliamos una pequea parte de la atraccin (se muestra como una ilustracin de la derecha), es posible ver su estructura interna que es una similitud patrn (un zoom ms grande en la misma estructura).

Esta figura muestra la complementariedad de lo lineal y no lineal (linear ser visto como un caso especial de los no-lineales). Si el sistema es simplificado (lineales) el pndulo se comporta de forma analtica: su trayectoria se puede modelar como una solucin analtica. En el caso de una fuerte interaccin con su medio ambiente, el mismo pndulo comienza a mostrar comportamiento catico y su trayectoria ya no puede calcularse como una simple frmula matemtica.

Sin embargo, es posible ver algunas propiedades estructurales de la trayectoria (atractor extrao). En esas condiciones, la posicin exacta del pndulo ya no pueden ser previstas espacialmente. Slo es posible especificar un dominio de posibilidades.

Pgina 6


consecuencias conceptuales

Los estudios de sistemas complejos no lineales aportado una nueva visin de nuestra visin del mundo.

El primer gran avance conceptual se relaciona con la nocin de causalidad en sistemas deterministas: incluso un sistema perfectamente causal (un sistema en el que todos sabemos de las normas funcionales) puede mostrar comportamientos impredecibles. Esto es debido a las caractersticas no lineales de las interacciones entre los componentes del sistema, no a causa de nuestra falta de conocimiento sobre el estado del sistema.

Esto significa tambin que este tipo de sistemas no se comportan de la misma manera en dos ocasiones consecutivas, aunque comienzan a partir de la misma condicin inicial. Esta propiedad socava el anlisis tradicional paradigma experimental (que se basa en el concepto o la reproducibilidad y relacin lineal entre todas sus partes).

Fortalezas y debilidades de la teora de sistemas no lineales

las teoras no lineales rara vez se han utilizado en sociales o ciencias cognitivas (ocasionalmente se han utilizado en algunas aplicaciones en las que las dimensiones de la complejidad de intereses). Esta dificultad se relaciona en parte con el hecho de que los sistemas no lineales son muy varonil con el mundo fsico donde tiene sentido utilizar ecuaciones analticas de comportamiento del modelo.

3 Lamentablemente, este paradigma tiene algunas dificultades a la hora de gestionar las expresiones simblicas utilizarse estrictamente por su falta de poder simblico.

Sin embargo, este trabajo se ha evaluado a veces como un importante avance en la ciencia del siglo xx porque abri nuevas ventanas de nuestra comprensin del mundo fsico que nos permita una mejor formalizar las interacciones entre comportamientos macroscpicos y microscpicos, que nos permita comprender mejor cmo los pequeos acontecimientos pueden tener consecuencias drsticas y, finalmente, una mejor entender las limitaciones del paradigma analtico clsico.

La teora de sistemas no lineales tambin tiene importantes extensiones en otros enfoques de modelos complejos, tales como redes neuronales. Las redes neuronales son bsicamente de un conjunto de componentes (las neuronas) en el mbito de las interconexiones. Debido a las propiedades no lineales de las conexiones entre las neuronas, las redes neuronales muy interesante compartir las propiedades con los sistemas cognitivos, tales como la formacin, la previsin, como veremos en la siguiente seccin.

Complejidad y redes neuronales

mientras que la teora de los sistemas no lineales se centra en los sistemas fsicos, el conexionismo enfoque fue desarrollado a principios de la dcada de los 40 con el fin de modelar comportamiento cerebral [Rosenblatt, 62].

Un paso cualitativo en la comprensin de cmo las redes neuronales codificar la informacin permite una renovacin de este enfoque desde 1980 [Rumelhart y McClelland 86].

3 Sin embargo, algunas investigaciones se han llevado a cabo en el dominio de modelado simblico [Destexhe, Nicolis y Nicolis 89].

Pgina 7


de este tiempo, redes neuronales investigacin no slo trajo consigo nuevos resultados empricos sobre cmo un sistema neural puede codificar y obtener informacin sino que tambin comenzaron a socavar el paradigma tradicional representacin [El Anlisis en Cilliers, 1998].

En la siguiente seccin vamos a analizar los mecanismos bsicos relacionados con redes neuronales y vamos a ver cmo este enfoque es adecuado para modelar sistemas complejos en el campo de las ciencias sociales.

Bsicamente, una red neuronal (NN) est compuesta por un conjunto de nodos. Cada nodo est conectado a los otros mediante un conjunto de enlaces. Se transmite informacin desde la entrada a la salida las clulas en funcin de la fortaleza de los vnculos (Fig. 5).

Por lo general, las redes neuronales funcionan en dos fases. La primera fase es una fase de aprendizaje en la que cada uno de los nodos y enlaces ajustar su fuerza a fin de coincidir con la salida deseada. Un algoritmo de aprendizaje est a cargo de este proceso. Cuando la fase de aprendizaje se ha completado, el NN est dispuesta a reconocer la informacin entrante y para trabajar como un sistema de reconocimiento de patrones.

Por ejemplo, es posible entrenar una red neuronal para reconocer fonemas. En este caso, el patrn de entrada podra ser una corta secuencia de sonido (en el que cada nodo codificacin la intensidad del sonido durante una subparte de la secuencia de sonido). La capa de salida es un conjunto de nodos, donde cada nodo representa un fonema especfico.

Informacin entrando en

a, b, c

Nodos Enlaces

Informacin dejando

la red ha sido utilizada para estudiar los procesos cognitivos porque comparten muy interesantes propiedades naturales de cognicin.

La Figura 5 Un ejemplo de una red conexionista. En este tipo de sistema, la informacin que llega del sistema se distribuyen entre un conjunto de nodos (o las neuronas) como una funcin de la intensidad de cada enlace. Los puntos fuertes de los vnculos se estn ajustando gradualmente mediante una formacin (o aprendizaje) mecanismo que compara el comportamiento real de la red con el comportamiento deseado. En este tipo de sistema, es imposible hablar de representacin, el contexto o temporalidad, desde todos estos factores estn incorporadas en un factor: la fuerza de las conexiones.

Las redes neuronales son slidos: si eliminamos algunos nodos o enlaces, el rendimiento del sistema se degrada sin problemas (no de manera brusca, con un sistema basado en reglas tradicionales), y tambin son capaces de "memoria de contenido direccionable": la capacidad de recuperar todo un conjunto de datos si slo una parte de lo que se evoca. Las redes neuronales son excelentes para la discriminacin, reconocimiento de patrones, clasificacin y almacenar conjuntos de datos complejos.

Pgina 8


Por ltimo, las redes neuronales pueden ser entrenados por aprendizaje no supervisado que es una propiedad que se requieren en cualquier sistema natural

mltiples arquitecturas han sido ampliamente utilizadas para estudiar la lengua en las ltimas dcadas a partir de la labor de Rumelhart y McClelland. En una de las primeras investigaciones, modelaron la adquisicin de tiempo pasado. La red estaba compuesta de una sola capa de procesamiento que recibe escrito Ingls presente verbos y produce escrito pasado formas. Incluso si este simple experimento era limitado en trminos de poder explicativo, se inicia una nueva alternativa a los modelos lingsticos en los que no era necesario que las reglas formales explcitas con el fin de modelar sistemas que se comportan como si estuviera basado en reglas.

Siguiendo esta idea de investigacin lingstica y redes neuronales dio conocimiento profundo en nuestra comprensin del lenguaje propiedades como su estabilidad en el tiempo (evolucin del lenguaje en el tiempo) y entre las comunidades (jergas, lenguaje infantil frente a adultos, etc. ). La nocin de atractor y la interaccin entre atractores se ha utilizado ampliamente para explicar la aparicin del sentido de las palabras y el lenguaje sociodynamics de Cooper [ 99].

Ms de un punto de vista terico, las redes neuronales plantean el problema de la funcin de representacin en la ciencia cognitiva debido a que deben emular sistemas basados en reglas sin formular explcitamente estas reglas. Por otra parte, la misma red neural, debido a su capacidad de aprendizaje supervisado puede acumularse de su propia arquitectura a fin de resolver un problema. Por ltimo, pero no por ello menos importante, red neuronal debido a su capacidad de "memoria de contenido direccionable" puede trabajar en situaciones degradadas donde se encuentra la informacin que es un verdadero punto dbil con la tradicional sistemas basados en reglas El Anlisis en Cilliers [ 98].

Complejidad y la teora de los sistemas distribuidos

sistemas distribuidos son de una coleccin de entidades (los seres humanos, los sistemas tcnicos, insectos, etc. ) y que la decisin (control) es totalmente o parcialmente entidades ello se han visto fracasos. A menudo nos referimos a los agentes en lugar de entidades whenwe simular el comportamiento de sistemas distribuidos por el software. Los agentes son construcciones artificiales (basado en software), caracterizado por los estados internos y normas conductuales. El tpico ejemplo de un sistema distribuido y complejo sera una colonia de hormigas. Sin una coordinacin central (si suponemos que nadie en un insecto social colonia tienen tal poder de organizacin), la colonia se comportar de forma muy coherente a lo largo de los siglos. Tales colonias tambin pueden mostrar compleja reorganizacin social en perodos de dificultades y Bonabeau Theraulaz [ 94]. Flexibilidad Estructural, rpida reaccin a los cambios en el entorno externo, robustez parece ser las consecuencias positivas de los sistemas distribuidos.

Como las redes neuronales, sistemas distribuidos son, en muchos aspectos conceptualmente diferente a la tradicional enfoque estructural que suponga la existencia de una estructura general.

Teora de los sistemas distribuidos se inicia desde el anlisis de interacciones locales, formalizar las relaciones entre los agentes individuales y de su entorno u otros agentes en las inmediaciones de la ciudad.

Entonces, a travs de la simulacin de la interaccin, el modelo computacional puede generar comportamiento global. Se trata de un puro proceso ascendente por la oposicin a la analtica clsica

Pgina 9


que hacer hiptesis acerca de la estructura mundial (o invariante) del sistema y

4, a continuacin, tratar de validar con el procedimiento.

Por lo tanto, los agentes distribuidos codificar y reaccionar al mundo exterior sin ninguna visin global del sistema y sin coordinacin central. El comportamiento y la funcionalidad del sistema de las interacciones locales. Las reglas locales de aprendizaje permiten que cada adaptacin al ambiente como resultado un mejor comportamiento global.

El paradigma de agentes distribuidos se ha utilizado ampliamente en muchos dominios recientemente como la etologa, la economa, comportamiento de la poblacin, la poltica, las emociones, la transmisin de enfermedades, etc.

[Epstein y Axtell 96] a fin de comprender mejor la dinmica de estos sistemas, pero sorprendentemente nunca ha sido aplicado a ciencia cognitiva Mitchell [ 98].

Por ejemplo, recientemente, un equipo multidisciplinario (arqueologa, antropologa, geologa, ciencias de la computacin, la economa, la fisiologa), construir un proyecto a explorar la formacin y disolucin de la prehistoria aldeas en el sur-oeste de Colorado, EE.UU. entre 900 y 1300. Este proyecto utiliza ampliamente el enjambre basado en agentes plataforma desarrollada por el Santa Fe Institute. En el modelo, los agentes son los hogares (ncleos familiares) y codificacin normativa interaccin entre los agentes y su entorno : cmo lluvias impacto cosecha, de produccin, la topografa y la productividad de la tierra limitar la inmigracin, etc. Todas estas normas son locales, restringido a las personas. No hay ninguna descripcin estructural del proceso con el fin de describir comportamiento global Kohler & Carr [ 96].

Aparicin y a la libre organizacin

aparicin es una de las propiedades ms importantes de los sistemas distribuidos. Intuitivamente, una propiedad emergente es cuando no se puede esperar de saber cmo los componentes del sistema. Por ejemplo, las propiedades globales de todo el mundo burstil (el tipo de cambio, por ejemplo) no puede ser modelada a partir del conocimiento de cada economa del pas. Esto no es debido tanto a la falta de exhaustividad de la informacin que tenemos de cada economa del pas, sino al hecho de que no lineal y carcter distribuido de las interacciones.

4 Aqu no nos referimos a la oposicin clsica betweentop (datos) y de abajo a arriba (concepto) los procesos de la ciencia cognitiva que mantener la idea de que todo el poder conceptual es "en la cabeza del sujeto". Aqu, la oposicin se refiere al hecho de que las funciones cognitivas o sociales surgen de la interaccin (abajo) no se pre supone (de arriba a abajo). El nfasis se hace en los agentes y en el sistema.

Pgina 10


si un sistema es capaz de auto-organizacin, sus funciones evolucionan con el tiempo, de tal manera que puedan responder mejor a las peticiones de su entorno. En este sentido, se trata de un complejo sistema auto-organizado no puede ser descrito como una estructura estable.

Comportamientos Emergentes de organizacin social compleja las reglas de funcionamiento

Comentarios nivel Individual Medio Ambiente

las normas locales

de interaccin organizacin centralizada

Figura 6: un diagrama que muestra el proceso de las nuevas conductas, basadas en interacciones locales (a la izquierda) y ms procesos estructurados (a la derecha), sobre la base de la aplicacin de las normas relativas a organizacin del trabajo o procesos cognitivos ms estructurado de Lewin [ 93].

La Figura 6 ilustra la dualidad de los procesos cognitivos y de representacin en cualquier socio-tcnica. Por un lado, la interaccin entre los agentes locales y su entorno puede generar dinmicas y complejas comportamiento emergente. Este comportamiento emergente no es necesario una teora representacional a fin de se explica porque se explica por la auto-organizacin. Por otro lado, comportamiento emergente puede ser analizado como un fenmeno estructurado por los mismos actores y, por un mecanismo de retroalimentacin, generar ms o menos consciente reacciones.

Pgina 11


Una intuitiva definicin de sistemas tcnicos complejos

5 Aunque es posible dar una definicin precisa de un sistema complejo, vamos a dar una descripcin en relacin con nuestra experiencia en el estudio de sistemas socio-tcnicos.

Un sistema complejo es un sistema para el que es difcil, si no imposible de limitar su descripcin para un nmero limitado de parmetros o caracterizar las variables sin perder sus propiedades funcionales esenciales a nivel mundial.

Un verdadero sistema complejo sera totalmente irreductible. Esto significa que sera imposible de obtener un modelo de este sistema (es decir, una representacin ms sencilla que la realidad) sin perder todas sus propiedades relevantes. Sin embargo, en realidad distintos niveles de complejidad evidentemente existen. Si estamos interesados en las situaciones que son muy estructuradas y reguladas por leyes estables, entonces, es posible, sin perder demasiado muchas de las propiedades del sistema, a fin de representar y modelar el sistema de simplificacin. Por lo tanto, la cuestin esencial es saber en qu medida las propiedades de los sistemas socio-tcnicos que analizar y disear caen en una u otra de estas situaciones. En otras palabras, hasta que punto se puede hacer una abstraccin de las interacciones microscpicas a fin de comprender los comportamientos macroscpicos? En qu medida son las interacciones microscpicas no vinculados en un reducido con las leyes que rigen los comportamientos ms estructurado? Por ltimo, es posible explicar el comportamiento ms estructurada usando las reglas que controlan el comportamiento microscpico (el principio de la emergencia)? Esta ltima cuestin es importante desde el punto epistemolgicos y metodolgicos de la vista: si tenemos en cuenta teora econmica, puede ser preferible para generar la propiedad estructural de un sistema utilizando el conocimiento de sus propiedades microscpicas (aparicin), en lugar de sugerir sus propiedades macroscpicas y su validacin con slo un proceso analtico.

La reduccin de la complejidad es una etapa esencial en la tradicional metodologa cientfica y experimental (tambin conocido como analtica). Despus de reducir el nmero de variables (considerado ms relevantes), este enfoque permite que los sistemas a ser estudiados de forma controlada, es decir, con la rplica de los resultados. Este enfoque en s mismo no necesita ser cuestionada. Sin embargo, cuando se consideran sistemas sociotcnicos complejos es conveniente analizar con precisin los lmites del enfoque. Las cuestiones que se tratan en este artculo son las siguientes: cules son los lmites tericos y metodolgicos de este enfoque tradicional, y, lo que es la contribucin de la distribucin y enfoques de la complejidad? A fin de ilustrar nuestra discusin utilizaremos los ejemplos

6 tomado de un estudio de la remodelacin de un centro de llamadas de emergencia Francs [Dugdale et al. 2000].

5 Oficialmente, el sistema empieza a tener comportamientos complejos (no de previsibilidad y la aparicin, etc. ) el momento en que consta de piezas interactan de forma no lineal. Por lo tanto, es conveniente distinguir entre un sistema complicado (como un avin o un ordenador) y un sistema complejo (como sistemas ecolgicos o econmicos). Las primeras se componen de muchos funcionalmente distintas partes y, de hecho, son predecibles, mientras que el segundo interactuar de manera no lineal con su medio ambiente y sus componentes tienen propiedades de auto-organizacin que hacen no previsibles por encima de una determinada ventana temporal.

6 Desde un punto de vista metodolgico, los ejemplos que se citan en este artculo no puede ser tomado como prueba completa de las propiedades avanzadas de los sistemas complejos. Con el fin de demostrar la necesaria y suficiente de carcter el enfoque de la complejidad (que, como ya se ha mencionado anteriormente, se centra en las interacciones locales y microscpica, en lugar de en una conceptualizacin de las estructuras preexistentes), es necesario demostrar de una manera constructiva que el modelo bajo consideracin es generar el comportamiento macroscpico postulado en el marco de un enfoque analtico. Este ltimo paso de la metodologa no es tratado en este artculo, pero est actualmente en desarrollo en varios proyectos que utilizan una plataforma de simulacin de interacciones sociales [Dugdale et al. 2000].

Pgina 12


complejidad tcnica y socioeconmica en sistemas de cooperacin

Cooperacin tcnica en sistemas socioeconmicos es ahora un campo de investigacin por s mismo. Muchos de los aspectos de interaccin del agente, la cooperacin, la negociacin se ha informado, analizar y modelar.

Metodologas, as como las teoras han sido desarrollados con el fin de evaluar distintos aspectos de

7.

Sin embargo, sistemas de cooperacin an muestran cierta renuencia a ser modelada en el anlisis tradicional. Se pueden encontrar muchos motivos para explicar este hecho. Nos gustara destacar el hecho de que ms all de las tradicionales explicaciones como "no tenemos suficiente conocimiento sobre el estado colectivo de exteriores", impredecible las inferencias, etc. ., complejos sistemas cooperativos llegar eficiencia debido a su complejidad.

En un primer paso, se dan algunos ejemplos de la complejidad (no determinista, ... )

cuatro propiedades especficas de los sistemas complejos se analiza en relacin con su utilidad para modelos socio-cognitivas:

Propiedad 1: no-determinista. Un sistema complejo es fundamentalmente no determinista. Es imposible anticipar preciselythe comportamiento de tales sistemas, incluso si estamos totalmente saber la funcin de los mandantes de la OIT.

Propiedad 2: funcional limitada decomposability. Un sistema complejo tiene una estructura dinmica. Por lo tanto, es difcil, si no imposible, para estudiar sus propiedades por la descomposicin en partes funcionalmente estable. Su permanente interaccin con su medio ambiente y de sus propiedades de auto-organizacin que funcionalmente reestructurarse.

Propiedad 3: naturaleza distribuida de la informacin y representacin. Un complejo sistema posee propiedades comparables a los sistemas distribuidos (en el sentido conexionista), es decir,

algunas de sus funciones no puede ser precisamente localizado.

Propiedad 4: surgimiento y auto-organizacin. Un sistema complejo est compuesto por propiedades emergentes que no sean directamente accesibles (que se identifica o anticipada) a partir de un entendimiento de sus componentes.

Propiedad 1: No determinismo

no-determinismo de los procesos socio-cognitivas a menudo se considera que ello se debe, bien a una falta de conocimiento del observador sobre el sistema analizado, o a la alteracin del sistema como consecuencia de causas imprevistas (p. ej. acontecimientos exteriores o ruido, etc. ).

Un anlisis de las propiedades de los complejos sistemas socio-tcnicos sugiere que no determinismo puede tener un importante rol funcional. Vamos a examinar uno de los mecanismos ms habituales sobre sistemas cooperativos: radiodifusin. Vamos a demostrar que este mecanismo no es trazable (es decir, que es difcil, si no imposible, para describir explcitamente los flujos de informacin que son relevantes para comprender la manera en funciones colectivas) y que proporciona una estructura para la gestin de la memoria del colectivo. Fig. 7 Explica brevemente la difusin mecanismo opera.

7 Ver sitio web COTCOS (http://www-sv.cict.fr/cotcos/) donde ms de 60 documentos ejemplifican este dominio de la investigacin.

Pgina 13


(1) " le voy a enviar

no autorizada X escucha una ambulancia "

C Caudal Autorizado de Med O escucha informacin (2) " Gracias "

autorizado,

(3) Oto el servicio de ambulancias : pero

" Podra usted enviar un vehculo para... Desinteresado U oyente

La Figura 7 Un ejemplo de la radiodifusin. La persona que llama, C, la

radiodifusin es probablemente uno de los mecanismos ms importantes para la comprensin de la eficacia de un colectivo en situaciones de co-presencia y Pavard Rognin [ 96]. De hecho, es el nico mecanismo que permite el uso compartido de informacin a un bajo costo cognitivo. Las teoras clsicas de la comunicacin (principalmente infanto-juveniles) rara vez han analizado su papel funcional [Decortis

telfonos mdico (Med) en el centro de emergencias para solicitar una ambulancia. Esta comunicacin puede ser escuchado por varias personas, dependiendo de su posicin geogrfica y el volumen de la comunicacin. Estas personas pueden ser autorizados, no autorizados, interesada o desinteresada los interlocutores. Fluctuaciones en el estado de los interlocutores, as como su localizacin geogrfica o su nivel de participacin en una tarea, influir notablemente en el desarrollo del conocimiento comn del colectivo. En este ejemplo, podemos ver (en 3) O agente que o una conversacin entre la persona que llama y el medic (1 y 2) debido a su proximidad en el espacio para el mdico y el volumen de la comunicacin. Como resultado de ello, agente O envi una ambulancia sin el mdico haciendo una peticin explcita

y Pavard 94], aunque sus componentes cognitivos se describen con precisin Goffman [ 87].

Las dimensiones cognitivas de la radiodifusin son variados (audio, visual, gestual, etc. ) y cada uno de ellos contribuye a que el proceso no determinista. Algunos de los principales factores que contribuyen a este mecanismo son los siguientes: el nmero de personas que estaban presentes en el momento de la comunicacin, autorizada o no interesado, etc. ), su disponibilidad y el contexto, etc.

Como se ha mencionado anteriormente, es muy difcil hacer un seguimiento del flujo de asociado a este tipo de comunicacin. Ni los actores involucrados, ni el observador tienen los medios o la los recursos cognitivos para saber a quin escucha el mensaje y menos an para saber cmo se interpretan. Adems, a menudo es muy difcil separar los factores ambientales de los factores internos.

Propiedad 2: funcional limitada decomposibility

esta propiedad de los sistemas complejos es difcil de comprender intuitivamente ya que va contra los principios de la cultura funcionalista dominante. De acuerdo a la tradicional enfoque analtico, un sistema que es funcionalmente casi descomponibles es un sistema cuyo funcionamiento global se puede deducir por completo desde el conocimiento de la funcin de sus componentes. Para tomar un ejemplo trivial, si sabemos la funcin de cada elemento de un coche (frenos, distribuidor, motor, etc. ) es posible calcular la funcin global del vehculo mediante la combinacin de las funciones de cada elemento. Teora de los sistemas (ciberntico, automtico) es una de las disciplinas esencialmente dedicado a formalizar este enfoque.

Pgina 14


un verdadero sistema complejo no puede ser representado mediante combina un conjunto de componentes funcionales definidas. El principal obstculo para el funcionamiento de los sistemas complejos decomposability es el carcter dinmico y cambiante de sus funciones constitutivas. La interaccin con el medio ambiente, as como el aprendizaje y mecanismos de organizacin hace que sea realista respecto sistemas como estructuralmente estable.

Una de las ms interesantes propiedades de sistemas socio-tcnicos es su capacidad para reorganizar rpidamente su estructura funcional. Dependiendo del contexto, los agentes pueden modificar sensiblemente las "reglas del juego" y, por ejemplo, modificar sus mecanismos de cooperacin. Este cambio puede ocurrir sin haber aprendido a nivel central. El ejemplo que se muestra a continuacin ilustra este tipo de mecanismo. En l se describe un episodio cooperativa entre varios agentes que trabajan en la misma habitacin. La cooperativa se basa en la difusin mecanismo: un altavoz (de un mdico vestido de blanco en la fotografa de la Fig. 8) Pasa en las comunicaciones de radio, que se transmite de las ambulancias en el lugar de los accidentes, para el resto del colectivo (el personal del centro de emergencia).

Otros agentes

Nivel de ruido

Intensidad

Radiodifusin

Medic llamada externa

Figura 8 Un ejemplo de la flexibilidad de las propiedades estructurales de un sistema de comunicacin. El modo de transmisin de la informacin entre los agentes depende de factores ambientales (en este caso, el ruido ambiente) e informales de control ejercido por los agentes individuales (en este caso, se estima que el inters del mensaje a los colectivos). El mdico (que se muestra en blanco) cambia el volumen de los altavoces, en funcin del contenido semntico de cada mensaje y el nivel de ruido en la habitacin.

Esto le permite ajustar el alcance del mensaje transmitido.

Podemos ver en este ejemplo que las propiedades estructurales de un sistema de comunicacin (en este caso, el modo de distribucin de la informacin) dependen de factores ambientales (el operador regula el volumen de los altavoces segn el ruido ambiente) y un anlisis semntico del contenido del mensaje. Segn el contexto, es decir la importancia del mensaje para el colectivo, el operador va a aumentar o reducir el volumen del altavoz con el fin de optimizar la forma, la informacin se distribuye a los colectivos.

Este modo de comunicacin es ni control centralizado, ni se ha formalizado (no hay oficiales o semioficiales regla especifica el modo). El operador se aplica su modo de control probablemente sin haber pensado especficamente sobre su utilidad (los operadores no se suelen ser conscientes de la importancia de la radiodifusin los mecanismos para el colectivo, y a menudo pienso en ello como una fuente de ruido).

Pgina 15

Paradigma de la complejidad como un marco de referencia para el estudio de Sistemas Cooperativos

El ejemplo muestra que la estructura del sistema de comunicacin, en el que la eficiencia del colectivo depende, est sujeto a tiempo real mecanismos de ajuste informal.

La funcin de comunicacin del colectivo depende de las limitaciones ambientales (nivel de ruido ambiente) y factores contextuales (el inters de el mensaje a los colectivos) que son controlados por los agentes individuales.

Si este tipo de situacin ha sido objeto de un anlisis funcionalista de acuerdo con el paradigma, el nfasis se hubiera puesto de comunicaciones binarias, como la comunicacin directa entre las agencias y las comunicaciones telefnicas, etc. mecanismos perifricos (tales como la radiodifusin y el ruido ambiente) habra sido tratada como ms o menos inquietantes sucesos secundarios. Sin embargo, estos mecanismos son esenciales para comprender la eficacia del colectivo. En este tipo de situaciones complejas, el mtodo funcionalista, subestimar los factores ambientales y la no-determinista las interacciones entre los agentes. El modelo se han sido de poca importancia ecolgica ya que no nos han permitido comprender los procesos de elaboracin comn de conocimientos que estn relacionados con la radiodifusin.

La importancia funcional de la radiodifusin con el mecanismo de ajuste el volumen de los altavoces se ha simulado por ordenador con el fin de mostrar la importancia de regular las comunicaciones a nivel del colectivo Dugdale y Pavard [ 2000]. Un estudio similar en materia de control del trfico areo demostr que sera muy difcil de entender la fiabilidad de este tipo de sistema sin tener en cuenta los numerosos bucles de control que se deben a intercambio informal de informacin a travs de la radio los mensajes y el concepto del "flotante" [odo Bressolle et al. 96].

Propiedad 3 el carcter de la informacin distribuida y las representaciones

El concepto de la informacin distribuida es polismica en gran medida, transmitir conceptos muy diferentes. En su sentido ms comnmente aceptadas, un sistema se dice que es distribuido cuando sus recursos son fsicamente o virtualmente distribuidos en diferentes sitios. Por lo tanto, una mquina (un ordenador por ejemplo) pueden distribuir sus clculos entre varios sitios remotos y montar los resultados de acuerdo a un algoritmo definido. Igualmente, el operador puede distribuir su trabajo las tareas y de las herramientas de acuerdo con una determinada estrategia. El concepto de distribucin es compatible con el concepto de redundancia, cuando algunos recursos distribuidos son redundantes.

La nocin de representacin distribuida tambin existe en el campo de la psicologa cognoscitiva [Zhang y Norman 94, Hutchins 90, Hutchins 95]. Cubre el hecho de que, en la interaccin entre un actor y su entorno, los artefactos (herramientas) desempean un importante papel funcional en la organizacin de las razones y la transmisin de los conocimientos. Para ilustrar este principio, debemos tomar el ejemplo de usa con frecuencia las tiras de papel en el dominio del control del trfico areo. Las tiras de papel son pequeos trozos de papel de caractersticas del avin, como seal de llamada, de su destino, de su ruta, se escriben. Se ha demostrado que estas bandas ayudan a los controladores para representar informacin a s mismos (por ejemplo, que las bandas organizadas en la banda junta de las propiedades dinmicas de los aviones) y tambin a colaborar entre ellas [Bressolle et al. 95]. Por lo tanto, podemos hablar de representacin distribuida, ya que algunos propiedades cognitivas (como por ejemplo memorizar y estructuracin del problema, etc. ) estn parcialmente apoyado por artefactos en el medio ambiente. De una manera, esta idea es cercano al concepto de sistemas distribuidos fsicamente.

Por ltimo, podramos introducir un tercer sentido a la nocin de sistemas distribuidos que se deriva de modelos conexionistas y transmite conceptos esenciales para comprender la solidez del colectivo en el procesamiento de los datos. En el conexionista significado, un sistema distribuido es uno donde no es posible localizar fsicamente la informacin ya que es ms o menos uniformemente distribuidos entre todos los objetos (o actores) en el sistema.

Pgina 16


, podemos ver que el trmino "distribuido" es apropiado ya que es imposible identificar cualquier forma de representacin en dicha red. La representacin es "disuelto" en los nodos del sistema o en los enlaces. Por lo tanto, un sistema distribuido, en el sentido conexionista, distingue entre concepto, representacin, y el contexto, ya que estas tres entidades son "codificado" simultneamente en el mismo soporte (nodos y enlaces).

Nuestro argumento es que demuestran que un sistema verdaderamente cooperativa funciona tanto en los modos conexionista y de representacin. Esta es la razn por el sistema es particularmente robusta en entornos complejos, que son imprevisibles y no determinista.

El siguiente ejemplo muestra una situacin en que se encuentran en el marco de nuestro estudio sobre la reorganizacin del centro de emergencias. Recordar que el objetivo del colectivo es para maximizar comportamiento cooperativo entre los actores, con el fin de responder de la mejor manera posible a los hechos que se producen en el medio ambiente (tales como llamadas imprevistas, puntas de trabajo, los cambios en la posicin fsica de los agentes, etc. ).

Hemos demostrado que la eficacia de este tipo de colectivo se basa en una situacin de co-presencia, que permite que la informacin se distribuye por radiodifusin y odo "flotante". En el caso de una carga de trabajo normal, se trata de la proximidad entre los agentes que les permite mantenerse informado de lo que se dice en el colectivo (ear) y flotante para regular localmente la eficiencia de la distribucin de la informacin (hablando ms o menos fuerte, ajustando el volumen del altavoz y la adopcin ostensible comportamientos adaptativos).

Fig. 9 Representa este tipo de distribucin de la informacin entre los agentes y, al mismo tiempo que muestra la importancia de la interaccin entre los factores ambientales (p. ej. nivel de ruido y a las restricciones de espacio) y ms central los procesos (como el control de los medios de comunicacin).

De esta cifra, podemos ver que un colectivo en situacin de co-presencia, posee estructurales cuando una llamada, que se refiere a la convocatoria anterior, se puede tomar de otro agente (es decir, que no tome la llamada inicial), el sistema es lo suficientemente robusta para poder redirigir la llamada al agente correcto.

Pgina 17

Paradigma de la complejidad como un marco para el estudio de sistemas de cooperacin

espacial otro nivel de T1: gents orginales ruido T0:

Llamada entrante llamada Agente Mki Agente j

Disponible MKj Comunicacin

estrategias cognitivas recursos Agente k MKk tarea

plurianual Objetivo ostensible de las Comunicaciones

Agente comportamiento e

La Figura 9 Un ejemplo que muestra la naturaleza distribuida (en el conexionista

, un sistema puede ser considerado como complejo debido a que parte de sus funciones (aqu las funciones de intercambio de informacin y la distribucin de la informacin) no puede ser reducida a una representacin en la que es posible localizar con precisin un dato pertinente. Ni los actores ni el observador puede, en un momento dado, dar un plan de este proceso. Por otra parte, como hemos visto anteriormente, las propiedades estructurales de los sistemas de comunicacin estn bajo control local: el

sentido) de sistemas cooperativos. Este diagrama representa un colectivo compuesto por varios agentes. Los agentes estn representados por crculos (Agente i, j, k, etc. ). En el tiempo T0, una llamada entrante es tratado por agente. Este agente adopta una estrategia de comunicacin que pretende controlar el carcter distribuido de el mensaje. Informacin Verbal (se muestra por las flechas negras gruesas) se distribuye de manera determinista (por difusin) a los otros agentes (agentes i, j, k) en funcin de las caractersticas del medio ambiente:

el nivel de ruido, las limitaciones espaciales (distancia entre los agentes), el los recursos cognitivos (carga de trabajo) y de otros factores, como gestual postural ostensible o comportamiento (que se indica mediante las flechas discontinuas) lo que permite que los agentes para controlar su comportamiento escucha Benchekroun [ 94]. Si en el momento T1, recibe una llamada que se relaciona con una llamada previa, pero es tomado por un agente distinto del agente, el colectivo (es decir, en uno de los otros agentes en la habitacin) ser capaz de manejar esta nueva llamada correctamente debido a la memoria comn (que se muestra en forma Mki, MKJ y MKk) establecido por la difusin mecanismo.

cada agente puede controlar la forma en que se distribuye la informacin local.

Entender cmo funciona un sistema de este tipo requiere un modelo de este tipo de dinmicas, incluidos los mecanismos de capacitacin, de la regulacin y el control de la interaccin con el medio ambiente.

Propiedad 4: surgimiento y autoorganizacin

cognoscitivos y en los procesos de comunicacin en un colectivo corresponden a esta definicin.

Le daremos un ejemplo tomado de nuevo de nuestro estudio de centros de control de emergencias. El proceso emergente se describe no es beneficiosa, ya que no produce una mejor estructura funcional pero en su lugar, produce un comportamiento degradado, cuya explicacin se escap el anlisis de participantes Benchekroun [ 94]. Estudio ergonmico de Benchekroun destinado a servir de base para un nuevo sistema de comunicacin entre los mdicos y los operadores de telefona (

Pgina 18


enfermeras). Las dificultades encontradas por estos agentes fue durante perodos de intensa actividad telefnica: un momento crtico en que es necesario gestionar las llamadas de forma efectiva. Paradjicamente, tambin ha sido el momento en que el colectivo pareca ser disfuncional, es decir incapaces de responder a una demanda exterior. Un anlisis ergonmico destac la importancia de la interlocucin y la radiodifusin los mecanismos en la regulacin de las llamadas de emergencia: los agentes estaban tomando en cuenta el comportamiento ostensible de sus colegas con el fin de determinar si pueden o no interrumpir un ocupado colega para obtener alguna informacin necesaria.

Adems, la memoria colectiva se vio afectada ya que, como se describi anteriormente, la radiodifusin es la base para la construccin de la memoria colectiva. La sbita disfuncin del colectivo se debe al hecho de que el volumen aument, los agentes se hizo cada vez ms incapaz de adquirir informacin producida por sus colegas a travs de la 'oreja flotante". Esto, junto con la falta de agentes, se produce una disfuncin en el sistema.

Por lo tanto, es una pura interaccin entre los agentes locales (sobre la base de reglas simples de comunicacin) vinculados con la distribucin de mecanismos de informacin que produce a nivel mundial (emergente) comportamiento resultante en un sistema disfuncional. Modelado formalmente este proceso nos ha permitido confirmar la pertinencia de esta interaccin entre comportamiento local y los factores ambientales [Pavard et al. 90].

Conclusin: Qu paradigma para estudiar sistemas complejos?

El objetivo de este trabajo fue explorar la utilidad del paradigma de la complejidad en el anlisis socio-tcnico sistemas de cooperacin. Un sistema complejo es intuitivamente se describe como un sistema en que es difcil, si no imposible, para reducir el nmero de variables o parmetros descriptivos sin perder sus propiedades globales funcionales esenciales. Hemos definido y analizado cuatro caractersticas de los sistemas complejos: no determinismo, funcional limitada decomposability, la naturaleza distribuida de la informacin y la representacin, y la aparicin y auto-organizacin. Estas caractersticas fueron ilustrados con ejemplos tomados de nuestro trabajo en el diseo sistemas de cooperacin en los mbitos de control de trfico areo de emergencia y centros de control. Hemos demostrado que estas cuatro caractersticas, que no son tratadas en el marco de enfoques analticos clsicos, son esenciales para entender ciertos aspectos funcionales del trabajo cooperativo. Por ejemplo, desde nuestro anlisis en el campo de la labor de cooperacin situaciones que hemos identificado el papel funcional de la radiodifusin. Este mecanismo se encuentra en el corazn de la distribucin de la informacin entre los agentes de un sistema socio-tcnico. Utilizando teora de la complejidad, podemos identificar que el mecanismo no es tracable y no determinista. Por otra parte, mediante la identificacin de la naturaleza distribuida (en un sentido conexionista) de este mecanismo podemos hipotetizar que la fortaleza del sistema en su conjunto, es decir, la capacidad del sistema para manejar datos imprevistos, es funcionalmente relacionado con el concepto de una distribucin local control de la informacin. Estos mecanismos se refiere principalmente a las interacciones locales (entre los actores sociales) y que no estn representados en el nivel central de la organizacin en donde ciertas propiedades funcionales (p. ej., fiabilidad, robustez de la toma de decisiones y la ocasional funcionamiento anormal del colectivo).

Como se ha indicado anteriormente, este enfoque y los resultados sera incompleto si no pudo demostrar de una forma productiva, es decir, simulando el efecto de interacciones locales en la decisin colectiva a nivel mundial en una cooperativa. Esta fase debe permitir el surgimiento de propiedades globales de robustez del sistema. Varias simulaciones se analizan actualmente (vase, por ejemplo [Dugdale et al. 2000] ), para demostrar el poder de este enfoque.

Pgina 19


desde un punto de vista general, defendemos la idea de una complementariedad estructural y distribuido (tambin llamados 'dinmico') enfoque tanto en ciencia cognitiva y, ms en general, en ciencias sociales. Estos dos enfoques abarcan dos dimensiones importantes en nuestro conocimiento del colectivo. Cuando se utilizan solos los dos enfoques son necesarios, pero no es suficiente para explicar la solidez y el carcter dinmico de sistemas socio-tcnicos Mitchell [ 99]. El clsico enfoque analtico reduccionista es particularmente dbil a la hora de explicar el surgimiento de propiedades funcionales, a pesar del hecho de que en socio-tcnico sistemas complejos, la fuerza del colectivo se encuentra en dichas propiedades.

Referencias

Baker, G. L. & Gollub, J. P. , 1990, dinmicas caticas. Cambridge University Press.

Benchekroun, T. H. , 1994, Modlisation et simulation des processus intentionnels d'interlocucin. Ph.D. Thse, Conservatoire National des Arts et Mtiers, Pars.Bonabeau, E. & Theraulaz, G. (1994) inteligencia colectiva. Herms, Pars.

Bonabeau & Theraulaz G. , 1994, Inteligencia Colectiva, Hermes.

Bressolle, M. C. , Pavard, B. & Leroux, M. , 1995, la funcin de comunicacin multimodal en cooperacin y la intencin reconocimiento : el caso del control del trfico areo, Actas de la Conferencia Internacional sobre Cooperacin Comunicacin Multimodal, teora y Aplicaciones, Eindhoven, Pases Bajos, 24 y 26 de mayo 1995.

Bressolle, M. C. , Decortis F. , B. & Pavard Salembier P. , 1996, Traitement et Organizationnel Cognitif des micro-incidentes dans le domaine du contrle du trafic transport: Analyse des boucles de rgulation formelles et informelles, en De Terssac G. y Friedberg. (Ed. ):

Coopration et Concepcin, Ediciones Octares, Toulouse.

El Anlisis en Cilliers, P. , 1999, la complejidad & Post modernismo, Cooper D. , 1999, lingstica cognitiva atractores : La dinmica de langage adquisicin y cambio. J. Benjamins Pub. Comp.

Decortis, F. & Pavard, B. , 1994, Communication et coopration: de la thorie des actes de langage l'approche ethnomthodologique. En B. Pavard (Ed. ), Systmes coopratifs: de la modlisation la concepcin. Ediciones Octars, Toulouse.

Destexhe, Nicolis y Nicolis (1989) simblica dinmica catica de serie. En las medidas de la complejidad y el caos. NOTA: Abraham, A. M. Albano, A. Passamante & P. E. Rapp Ed.

Plenum Press, Nueva York y Londres.

Dugdale, J. , Pavard, B. , Soubie, JL., 2000, un desarrollo pragmtico de una simulacin por ordenador de un Centro de Llamadas de emergencia. Para que aparezcan en las Actas de COOP 2000, Cuarta Conferencia Internacional sobre el diseo de sistemas de cooperacin. Cannes Francia.

Epstein, J. M. &Axtell, R. , 1996 Las sociedades cada vez ms artificial. MIT Press.

Goffman, E. , 1987, Faons de parler. Editions de Minuit, Pars.

Hutchins, E. , 1990, la tecnologa de navegacin equipo. Intelectual en el trabajo en equipo. Eds. J.

Galegher., R. E. Kraut y C. Edigo, Hillsdale, N. J. :LEA.

Hutchins, E. , 1995, la cognicin en el medio silvestre, Bradford Books-MIT Press, Cambridge MA.

Kohler, T. y Meredith H. , 1992. Modelado basado en agentes de Formacin pueblo Anasazi en el suroeste de Amrica del Norte.

Kohler, T. Agent-Based pueblo Anasazi modelos de formacin en la Amrica del Norte.

Kohler, T. A. y Carr, E. , 1996, SIG Ms All: Rellenar mundos con los agentes. En A. Bietti, A.

Cazzella, I. Johnson & A. Voorrips (eds. ), problemas tericos y metodolgicos.

El Sr. Langton Ngorima, C. G. 1994, Vida Artificial III. Redwood City, Calif. : Addison Wesley.

Lewin, R. , 1993, la complejidad. J. M. Dent Ltd, de Londres.

McCulloch y Pitts, 1943, Mitchell, M. , 1998, Complex-Systems perspectiva sobre la "computacin vs. Dinmica" debate en Ciencia Cognitiva. En las actas de la Vigsima Conferencia Anual de la cognitiva

Pgina 20


Ciencia y Sociedad. (Eds. Gernsbacher Strae, M. A. y Derry, S. J. ). Lawrence Erlbaum Associates, Inc. ,

Poincar, H. , 1951, Sur le problme des trois corps et les quations de la dynamique. En Oeuvres de Henry Poincar. Volumen VII, Gauthiers Villars, Pars, Francia.

Pavard, B. , Benchekroun, H. & Salembier, P. , 1990, La rgulation des communications colectivo dans un centre d'appel d'urgence : analyse et modlisation. En Actes du congrs Ergo IA, Biarritz, Francia.

Rognin, L. & Pavard, B. , 1996, pluri-dirigi mensajes y coordinacin impacto de intercom en la cooperacin humana. En las actuaciones de COOP'96 Segunda Conferencia Internacional sobre el diseo de sistemas de cooperacin. Juan-les-Pins, Francia.

Rosenblatt, F. , 1962, principios de neurodynamics. Nueva York: Spartan.

Rumelhart, D. E. & McClelland, 1986, para el aprendizaje de la Los tiempos de pasado de los verbos ingleses. En McClelland, Rumelhart et al. Procesamiento distribuido en paralelo: Exploraciones en la microestructura de la cognicin, Vol 2. : Modelos psicolgicos y biolgicos. Cambridge, MA, MIT Press.

Zhang, J. , Norman, D. A. , 1994, representaciones en distribuir tareas cognitivas. Ciencia Cognitiva 18, 87-122.

Pgina 21

Analysis guide of reading

Complexity Paradigm as a framework for the study of Cooperative Systems. By Bernard Pavard. Paul Sabatier University, France

I. Key words. Before read the text of Pavard, search definitions of following key words. Sources: internet and books, special Science dictionaries.

1. Conceptual framework

2. Methodological framework3. Analytic (or structural) approach

4. Multi-agent paradigm5. Neural networks6. Ergonomy7. Classic mechanics

8. Quantum mechanics9. Nodes10. algorithm11. Iteration

12. SystemII. Read the Bernard Pavard`s article from page 1 to 9. III. Write short answers to following questions: 1. What are three axes of complexity theory?

2. Describe Poincar demonstration.

3. What did epistemological implications Poincar job have into science investigation method?

4. What properties of neural networks could be used as metaphor for cognitive process?

5. Why non linear properties are very important to understand neural networks? 6. What is a system with properties of self organization? 7. Why the distributed and self organized systems are drastically different from the classical analytical approaches? 8. What does non linear mean?

9. What happen when the growing factor (k) is 2.5 into the equation for cats-mice population interaction? 10. What does chaotic behavior men? 11. What does iteration mean?

12. What can complexity arise only?

13. What is the relation between deterministic and chaotic behavior?14. Deterministic behavior can be seen as a special case of chaotic behavior.15. What happen when the growth rate increases to 2?

16. How does the bifurcation work? 17. For k>2.7 it is no longer possible to predict how the mice population will change from one year to one another. We are then in the chaos area.

18. What is the intermittency area?

19. What is the real relation between the theory of complex systems and the analytical or structural approach?

20. What is the relation between linear approach and a non linear approach? 21. When does the pendulum have analytic way and when has a chaotic way?

22. Why a perfectly causal system may show unpredictable behaviors?

23. How do the non linear characteristics of the interactions between the components of the system undermines the traditional model of scientific experiment?

24. How does a system behave twice in the same way? 25. What is a neural network?

26. What is a neural network composed?27. How are nodes connecting together?

28. What does information transmitting among cells depend of?

29. Describe the first phase of neural network operation?30. Why in a connectionist network we can not speak of representation, context or temporality? 31. Mention some functions of a neural network?

32. What does the concept of addressable memory represent?

guide for complexity reading.doc

Documents

teora de sistemas

sistemas distribuidos

concepto de sistemas

lineal poincar

nuevo marco conceptual

paradigma de agentes

poincar mismo

poincar trabaj