Revista Cubana de Ciencias Informáticas

ISSN: 1994-1536

rcci@uci.cu

Universidad de las Ciencias Informáticas

Cuba

Martínez Sánchez, Natalia; García Valdivia, Zenaida; García Lorenzo, María Matilde;

Ferreira Lorenzo, Gheisa

Uso de técnicas de inteligencia artificial en la elaboración de sistemas de enseñanza

aprendizaje

Revista Cubana de Ciencias Informáticas, vol. 1, núm. 4, 2007, pp. 34-43

Universidad de las Ciencias Informáticas

Ciudad de la Habana, Cuba

Disponible en: http://www.redalyc.org/articulo.oa?id=378343634003

Cómo citar el artículo

Número completo

Más información del artículo

Página de la revista en redalyc.org

Sistema de Información Científica

Red de Revistas Científicas de América Latina, el Caribe, España y Portugal

Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

Uso de t6cnicas de Inteligencia Artificial en laelaboraci6n de sistemas de ense6anza aprendizajeinteligentesApp/ying Artificial Inte//igence techniques in the deve/opmentof Intelligent Teaching /Learning Systems

Natalia Martinez Snchez*, Zenaida Garcia Valdivia, Maria M. GarciaLorenzo y Gheisa Ferreira Lorenzo

Grupos de Informatica Educativa e Inteligencia Artificial~ Centro de Estudios de Informatica. Uni-versidad Central "Marta Abreu" de Las Villas, Carretera a Camajuani, km 5 1/2, Santa Clara, VillaClara, Cuba. C.P. 54830.*Autor para la correspondencia: natalia@uclv.edu.cuTel: (53)-(422)-81515. Fax: (53)-(422)-81608

REV/STA CUBANA DE CIENC/AS INFORMA'T/CAS VOL.1 No.4 DIC/EMBRE 2007 p. 34-47

Los Sistemas de Ensehanza/Aprendizaje Inteligentes, se caracterizan por aplicar tecnicas deInteligencia Artificial, donde el trmino "inteligente" se asocia a la capacidad de adaptarsedinamicamente al desarrollo del aprendizaje del estudiante. En este articulo se describeun modelo basado en casos para la Ensehanza/Aprendizaje, sustentado en la aplicabilidaddel razonamiento basado en casos para obtener Una eficiente representaci6n de laModelaci6n del Estudiante e inferir las estrategias de aprendizaje. Esta implementado enla herramienta computacional para la Elaboraci6n de Sistemas de Ensehanza/AprendizajeInteligentes (HESEI), la cual ha sido aplicada exitosamente en la toma de decisiones entareas de ensehanza/aprendizaje.

Palabras dave: Modelo del Estudiante, Razonamiento Basado en Casos, Sistemas deEnsehanza/Aprendizaje Inteligentes.

Intelligent teaching /Learning Systems are characterized by applying Artificial Intelligencetechniques, in which the term "intelligent" depicts the capacity to adapt dynamically tothe student learning development. In this article, a case-based mode|for the Teaching/Learning process is described, based on the application of the case-based reasoningto obtain an eHicient representation of the Student Modeling and to infer the learningstrategies. This model has been implemented in the computational too|for the Makingof Intelligent Teaching /Learning Systems (HESEI), which has been successfully appliedwhile making decisions in teaching / learning tasks./

Key words: Case based Reasoning, Intelligent teaching /learning Systems, StudentModeling.

Una revisi6n bibliografica de Sanchez y Lama (2007) presenta a los sistemas educativosinteligentes que estan basados en diversas tecnicas de inteligencia artificial, planteandoque las mas utilizadas en el campo de la educaci6n son: las tecnicas de personalizaci6nbasadas en modelos de estudiantes y de grupos, los sistemas basados en agentesinteligentes, y las ontologfas y las tcnicas de Web semntica.

Las tecnicas de personalizaci6n, que son la base de los sistemas tutores inteligentes,estan basadas en mode|Os del estudiante. En general, estos mode|Os consisten en laelaboraci6n de Una representaci6n cualitativa que considere el comportamiento delalumno en funci6n tanto del conocimiento existente sobre un determinado ambito comodel aprendizaje de otros estudiantes en este dominio. Estas representaciones puedenutilizarse posteriormente en sistemas tutores inteligentes, en entornos de aprendizajeinteligente o en generar agentes inteligentes que representen estudiantes que colaborencon los estudiantes humanos (Sanchez y Lama, 2007).

La utilizaci6n de tcnicas de aprendizaje automatico permite actualizar y extender losmodelos de estudiantes iniciales para adaptarlos tanto a la evoluci6n de los mismos comoa Una posible actualizaci6n de contenidos y actividades educativas. Las dos tecnicas mas

populares para modelar estudiantes son: los mode|Os basados en superposici6n o overlayy las redes bayesianas. El primer metodo consiste en considerar el modelo del estudiantecomo un subconjunto del conocimiento del experto en el ambito donde se realiza elaprendizaje. De este modo, el aprendizaje se mide en funci6n de la comparaci6n conlos conocimientos del modelo del experto. El Segundo mtodo consiste en representarel proceso de aprendizaje como Una red de estados de conocimiento, y posteriormente,inferir de forma probabilistica el estado del estudiante a partir de la interacci6n de estecon el tutor (Sanchez y Lama, 2007).

Segun bibliografia consultada el razonamiento basado en casos no Se encuentra entre lastecnicas aplicadas para modelar el estudiante, a pesar de ser Una tecnica de la InteligenciaArtificial que proporciona un modelo cognitivo de la organizaci6n de la memoria, elrazonamiento y el aprendizaje humano; y un perfil computacional para los sistemasbasados en el conocimiento. Ademas de tener un grupo de caracteristicas (Guti6rrez,2003) que pueden ser aprovechadas en la elaboraci6n de sistemas de enseanza/aprendizaje inteligentes, tales como:

Razonan desde episodios especificos: El estado cognitivo del estudiante no puedeser explicado por los expertos como cadenas de reglas generalizables y es ms fcildescribir experiencias a travs de rasgos seleccionados previamente.

El mantenimiento del conocimiento no requiere de la intervenci6n experta: Laexperiencia de nuevos modelos puede ser evaluada y si es conveniente incorporadapor el propio usuario que trabaja con el sistema de enseanza/ aprendizaje.

Reutilizaci6n de soluciones previas: Modelos de estudiantes se repiten con Unaalta frecuencia en el proceso de ensehanza/ aprendizaje asi como la metodologiaa seguir para su aprendizaje.

Soluciones derivadas estan fundamentadas en casos reales: Lo que le permite alsistema justificar las decisiones al usuario.

El sistema que se propone, consiste en representar el modelo del estudiante como uncaso e inferir aplicando el razonamiento basado en casos las estrategias de aprendizajepara personalizar el mismo a partir del estado cognitivo del estudiante y la informaci6ncontenida en la Base de Casos. Las ideas propuestas se implementaron en la Herramientacomputacional para la Elaboraci6n de Sistemas de Enseanza /Aprendizaje Inteligentes(HESEI).

Descripci6n general de un sistema basado en casos para Ense6anza/AprendizajeEl sistema se describe relacionando las componentes fundamentales de un SistemaBasado en Casos y un Sistema de Ensehanza/Aprendizaje Inteligente como ilustra laFigura 1 Para ello se sigue la definici6n dada por Gutirrez (2003), de que todo SistemaBasado en Casos lo componen principalmente la base de conocimiento o base de casos,el m6dulo de recuperaci6n de casos y el m6dulo de adaptaci6n de las soluciones. Y ladescrita por Sanchez y Lama (2007), que los Sistemas Tutores Inteligentes se basan en trescomponentes principales: conocimiento de los contenidos, conocimiento del alumno, yconocimiento de estrategias o metodologias de aprendizaje.

Componente Base de Casos & Modelo del EstudiantePor un lado se tiene que las Bases de Casos de todo Sistema Basado en Casos contienen lasexperiencias, ejemplos o casos a partir de los cuales el sistema hace Sus inferencias. Estasbases pueden ser generadas por entrevistas a expertos humanos o por un procedimientoautomatico o semiautomatico que construye los casos desde datos existentes, registradospor ejemplo, en una base de datos.

Por otro lado el Conocimiento del Alumno (Modelo del estudiante), puede dividirse endos secciones: seleccionar la estructura de datos que sera usada para representar todala informaci6n relativa al alurnno: estado cognitivo, estrategias instructoras preferidas,pantallas visitadas, ejercicios resueltos, resultados de evaluaciones, etc. Y la elecci6n delprocedimiento o tecnica que se utiliza para realizar el diagn6stico, es decir, para inferirdada la informaci6n generada en la interacci6n del alumno con el sistema, el estadocognitivo del alumno.

Atendiendo a la primera secci6n, en el modelo propuesto la estructura de datos utilizadaes una Base de Casos donde los rasgos predictores de los casos se corresponden con elm6dulo Conocimiento del Alumno y el rasgo objetivo con el m6dulo Conocimiento de losContenidos, el cual segun Jimnez y G6mez (2005) est integrado por unidades bsicas deaprendizaje que contienen los cursos y temas, y estas a su vez por objetivos instruccionalesque se encargan de identificar los prop6sitos que debe alcanzar un alumno al finalizar Unaunidad basica de aprendizaje (conocimientos, problemas resueltos, explicaciones, etc.).

Nu cas!Modl|lIl~ def Olante)

___________________________________________~ ~

Fig. 1 Ciclo de Vida de un Sistema de enseanza/ aprendizaje basado en casos.

El Sistema de enseanza/ aprendizaje se estructura en t6picos (rasgos predictores), loscuales toman su valor a travs de un cuestionario de n preguntas, cuyas respuestas sonbinarias. AI aplicar el cuestionario para obtener el valor de un t6pico (dominio) se obtieneuna tabla de n columnas y 2n filas. La columna n+1 se corresponde con la evaluaci6n(valor que toma el t6pico) a criterio del experto. El experto puede decidir incorporarotros t6picos donde su valor se obtenga de datos almacenados en Una base de datos ocualquier otra via. La Figura 2 muestra a travs de un mapa conceptual la estructura del

tna

._v<...,`a

E

Sistema de Enseanza/Aprendizaje basado en casos para la teoria de Bases de Datos. Yresalta en lineas discontinuas el t6pico 2, el cual se utiliza para explicar c6mo crear loscasos (Modelos del Estudiante) para formar la Base de casos.

_",.// \`

Fig. 2. Estructura General del Sistema de Enseanza/Aprendizaje basado en casos para la teoria de Bases de

Datos.

La Figura 3 muestra una de las ventanas de la herramienta computacional HESEI, conlas facilidades que brinda al profesor, para estructurar y editar un Sistema de Enseanza/Aprendizaje y la tabla de combinaciones segun respuestas a las tres (3) preguntascorrespondiente al ejemplo que se est desarrollando y los Va|ores que toma el t6picosegun las respuestas.

Fig, 3. Ventana de HESEI que muestra la tabla de evaluaci6n de t6picos.

Si Se analiza la tabla se aprecia que, combinaciones de respuestas diferentes, a las trespreguntas, son evaluadas con igual valor, obviamente el valor asignado no tiene igualcerteza a Una u otra combinaci6n. A partir de este ejemplo se pueden formular, entreotras, las siguientes preguntas:

1 Las combinaciones 4 y 8 se evaluan de igual forma (1) y se entrenan con un mismoTutorial (E2). La pregunta 1 esta influyendo en la evaluaci6n del t6pico y en laselecci6n metodologia de aprendizaje a seguir?

2 Las tres preguntas tienen igual importancia, e influyen de igual manera en laevaluaci6n del t6pico?

3 En las combinaciones 4 y 6 se responden 2 preguntas bien (1) y se evalua el t6pico debien (1) . Por Que se entrenan con diferentes tutor|ales E2 y E3 respectivamente?

4 Si el numero de preguntas es considerablemente grande~ Todas influyen en laevaluaci6n del t6pico?, Las que no influyen tienen valor metodol6gico?

Analizando las respuestas a las preguntas anteriores puede concluirse que el problemapresenta condiciones difusas donde un t6pico puede tomar uno u otro valor (los Va|oresno necesariamente son excluyentes) y el valor que toma tiene un grado de membresiaimplicito. Ademas, las preguntas no necesariamente tienen igual grado de importancia, ysi el numero de las mismas es considerablemente grande algunas pueden ser superfluas,condici6n no facil de detectar sin el uso de medios automatizados. Por tanto en la Figura2 se aprecia la columna referida a "certeza" vacia, pues no es posible que sea completadapor el profesor manualmente.

Estas reflex|ones condujeron a los autores de este trabajo a realizar un estudio sobre elproceso de selecci6n de rasgos, el cual se ha enfrentado desde diferentes formas: LaTeoria de los Conjuntos Aproximados (Caballero, 2006), Colonias de Hormigas (Subbotin,2007), Bandadas de Pjaros (Takashi, 2007), Mtodos Estadisticos (Jin, 2006), AlgoritmosGenficos (Caballero, 2006), Redes Neuronales Artificiales (Verikas, 2002), Tcnicas deClusterizaci6n (Bonet, 2006), diversos algoritmos del enfoque L6gico Combinatorio talescomo CC, CT, BT, TB (Shulcloper et a/., 1995) y LEX (Pons, 2003), entre otros.

Dentro del marco de trabajo del Reconocimiento de Patrones en el enfoque L6gicoCombinatorio, el problema de selecci6n de variables o rasgos se ha tratado utilizandoel concepto de testor (reducto, rasgo relevante). Inicialmente, el concepto de testor fuedefinido como el subconjunto de rasgos que permite hacer la diferenciaci6n comp|eta deobjetos de clases diferentes. La mayoria de las extensiones que surgieron a continuaci6n,permite hacer la diferenciaci6n comp|eta de objetos de clases no necesariamente disjuntas,solucionando problemas para los que los anteriores conceptos no son apropiados. Algunasextensiones del concepto de testor son: k-testores, e -testores y FS-Testores (Martinez eta/., 2007). Se selecciona este ultimo por su notable aplicabilidad al problema a resolver.

A continuaci6n se muestra una idea general de los algoritmos que implementan eneste modelo la selecci6n de las preguntas para evaluar un t6pico y la relevancia de lasmismas.

Algoritmo 1: Calculo del grado de pertenencia de cada vector a cada valor que puedetomar el t6pico.

Entrada: Vector O (vector de 0s y 1s, evaluaci6n de las respuestas del cuestionario) y

un ejemplar fuerteoOF (ejemplar fuerte obtenido por criterio de experto) de cada valorque puede tomar el t6pico.

Salida: a i (Oo ) formado por un vector de b (Oo , OF ) Medida de semejanza o distancia

entre el vector y los ejemplares, que se toman como grado de pertenencia a la categoria(valor que toma el t6pico).

Al. Para cada pregunta Xi

i) Buscar los Va/ores Xi (Oo ) y Xi (OF ) (valores del rasgo Xi en los vectores Oo y OF )

~aular Una medida de semejanza o distancia di ( (oo ) Xi F ) entre dichos

donde: di )xi ~ ~ ) )

A2 , Tomar en consideraci6n el peso Wi (se obtiene a traves de por criterio de experto) de

la pregunta Xi y di ~ (oo ) xi F ) a trav de Una funci6n f de la forma:

f ((w ,di (xi (oo ) Xi (OF I )-3 b(Oo,OF )Este algoritmo contiene dos procedimientos denotados por d i y f cuyo papel se describea continuaci6n:

Para Una pregunta Xi , di establece la semejanza o distancia entre dos Va/ores: Xi (00 )y Xi (OF ) de esa pregunta.

di : Mi xMi ->[o,I], donde:

wi di (xi (oo ) Xi (OF ))f (wi,di(xi (oo )xi (OF )))- i-1 w,

I -1 (1)

A3. Calculo el grado de membresia de Oo a cada categoria, (Oo ) -` b (Oo , OF )Algoritmo 2: Selecci6n de las preguntas y su relevancia, usando FS testores

Entrada: Vector Oo (vector de 0's y '1's , evaluaci6n de la respuestas del cuestionario) y

el vector a . (O ) , resultante de aplicar el algoritmo 1,/ o

Sa/ida: Conjunto de preguntas relevantes y grado de relevancia, de cada cuestionario,para cada t6pico.SPI Calcular el conjunto (Sm) de los FS - testores (testores tipicos que tienen la capacidadde diferenciar objetos de clases diferentes y de mantener un buen parecido entre losobjetos de Una misma clase) segun modificaciones planteadas por Pons (2003) (lasmodificaciones estan relacionadas con considerar el conjunto de referencia aI conjuntode testores tipicos ca/cu/ados aplicando el algoritmo LEX (Sanchez y Lama, 2007)).

SP2: A partir del conjunto de FS -testores seleccionados, calcular la importancia (e) delas preguntas relevantes, a partir de la frecuencia (F) de aparici6n de la pregunta en elconjunto de FS- testores y la longitud (L) de los FS- testores donde aparece la pregunta:

donde:n: numero de FS-testores donde aparece la pregunta im: cardinalidad del conjunto de los FS-testores.

e j (p) = a Fj (p) + b L j (p)

donde: a, b>o , a+b=1.a y b son parmetros que ponderan la participaci6n o influencia de F(p) y de L (p)respectivamente en e; esto es, la importancia que se le concede para la relevancia a lafrecuencia de aparici6n combinada con el grado de pertenencia del FS-testor a la familiadifusa y a la longitud de los FS-testores. (En el modelo propuesto se le conceden a ambosla misma importancia, a= 0.5 y b=0.5).SP 3. Selecci6n de las preguntas relevantes.1 Sea Sm, el conjunto de los FS-testores de cardinalidad minima.2. Para cada FS-testor de Sm calcular:

y i (t) = Sej(t)J" E t (Suma de la importancia de las preguntas que componen el FS-testor

minimal).

3. Seleccionar el FS-testor minimal de mayor y i (t)Estos algoritmos se aplican en la fase de elaboraci6n del sistema de enseanza/aprendizajeinteligente, ayudando al usuario en tareas de ingenieria del conocimiento y almacenandoen la bases de casos informaci6n eficiente. Es elemental aclarar que la selecci6n delas preguntas utiles no implica la eliminaci6n automatica de otras, pues no se puedesubvalorar la importancia metodol6gica de las mismas.

La Figura 4 muestra los resultados que brinda el sistema aI usuario despus de aplicar losalgoritmos 1 y 2 a los datos suministrados para la evaluaci6n del t6pico del ejemplo.La combinaci6n 1 que todas las preguntas se respondieron mal (0), se le asign6 el valor demal (0) aI t6pico con un grado de certeza 1, diferente a la combinaci6n 2 que la pregunta3 se respondi6 correctamente y se le asign6 el valor 0 aI t6pico, pero con certeza 0.5. SiSe analiza la tabla, se deduce que todas las preguntas no tienen la misma importancia.

Fig. 4. Ventana de HESEI que muestra la tabla despus de validar el t6pico 2 .

Los Sistemas Basados en Casos (SBC) son una de las tecnologfas actuales para construirsistemas basados en el conocimiento para la toma de decisiones. Estos sistemas utilizanel Razonamiento Basado en Casos (RBC) como m6todo de soluci6n de problemas pararesolver nuevas situaciones. Los SBC, apoyan Sus predicciones en ejemplos (casos) que sealmacenan en la fase de aprendizaje. Una funci6n de distancia o semejanza determinalos casos mas semejantes al nuevo problema y las soluciones de los casos recuperados seadaptan para obtener una soluci6n.

Con este proceso se implementa el m6dulo Metodologias de Aprendizaje el cual segunJim6nez y G6mez (2005) tiene funciones pedag6gicas, se encarga de guiar el proceso deenseanza/aprendizaje y decide qu acciones pedag6gicas realiza, c6mo y cuando.

M6todo de obtenci6n de un nuevo casoComo se describe anteriormente los rasgos predictores de los casos se obtienen a travesde cuestionarios, capaces de captar el estado cognitivo del estudiante, y el rasgo objetivoson tutoriales que se adecuan al estado cognitivo del estudiante, ambos elaborados apartir de los conocimientos y experiencias de los expertos.

A continuaci6n se expone el algoritmo que utiliza el modelo para la obtenci6n de unnuevo caso (estado cognitivo del nuevo estudiante).Algoritmo 3: Obtenci6n del Nuevo Caso (Valor y grado de membresia asociado de cadarasgo predictor)Entrada: Conjunto de cuestionarios para la evaluaci6n de cada t6pico.Salida: Obtenci6n de un nuevo caso expresado en un conjunto de pares (valor, grado demembresia).Para cada t6pico aplicar:Pl ' Aplicar cuestionario asociado aI t6pico y obtener el resultado v' (vector de 0s y 1s

de longitud n).Los t6picos que toman su valor por otra via, el sistema lo hace automticamente o eninteracci6n directa con el estudiante, asi como su grado de pertenencia.

P2: Obtener los m i = b ( v' , E i ) , donde b (v' , E i ) se obtiene aplicando el Algoritmo1, donde i -` I . h y h es la cardinalidad del conjunto de Va|ores que puede tomar elt6pico.Usando para la obtenci6n de m i las preguntas relevantes y la importancia asociadas a lasmismas como resultado de aplicar el Algoritmo 2.

P3: Seleccionar el m i mayor y asignar al t6pico el par valor i y m i (valor, grado demembresia).

M6dulo de Recuperaci6n del Sistema Basado en CasosLa tarea del proceso de recuperaci6n, dado un nuevo problema, esta en identificar loscasos de la base que son mas similares a la situaci6n actual. Este proceso involucra laevaluaci6n de la situaci6n, esto es, interpretar y comprender el problema de forma tal quese tenga en consideraci6n los aspectos mas importantes a representar.Basicamente, la recuperaci6n de un caso se basa en la comparaci6n entre los indicescorrespondientes a los rasgos predictores del problema y los que se usaron para describirlos casos de la base a de casos.

En este epigrafe se propone un algoritmo para la recuperaci6n de los Casos mas semejantesen el cual la funci6n de semejanza que se utiliza es una adaptaci6n de la propuesta deGutierrez (2003), como se muestra en (2).

Cada caso de la base de Casos esta compuesto por n t6picos (rasgos predictores), loscuales tienen asociados un par (valor, grado de membresia). Cada caso puede pertenecera Una de las m categorias definidas segun el sistema de ensehanza/aprendizaje. Cadacategoria tiene asociado un ejemplar fuerte y uno debil segun criterio de experto.

Algoritmo 4: Algoritmo de recuperaci6n de casos semejantes.

Entrada: Nuevo caso Oq y ejemplares fuertes ( OF ) y debiles ( OD ) de cada categoria(definidas por el experto, teniendo en cuenta todos los t6picos), asi como un grado de

pertenencia a la categoria ( m ), que por convenio se toma el valor de 1 para OF y 1<

m < 0.5 para OD , seg0n criteria del experto.Salida: S conjunto de casos mas semejantes. Casos que pertenecen a la categoria dondeoo tiene mayor grado de membresia (m).

Rl Determinar para cada OF y OD de todas las categorias:

pi di~ )xi o ))

b(Oo,ot )- i = 1 "

S Pi-1 i (2)

n: numero de rasgos productores

di'(xi (Ot, Xi (oo ))) : Funci6n de comparaci6n transformada segOn:

di' (xi (Ot ) Xi (oo ))= di (xi (Ot )xi (oo ))(1 - m(Oo )` m(Ot ))Pi ,. Peso del rasgo predictor Xi , que puede ser designado por criteria del experto, oautomaticamente todos los pesos pueden ser iguales.

R2. Calcular el grado de membresia de Oq a cada categoria.

Si b (Oo , OF ) = 1 entonces (Oo) - b(Oo ,OF )en otro caso

(Oo) " g(b(Oo , OF ) (b(Oo ,OD )

La funci6n g puede ser cualquiera de las funciones de propagaci6n que han sidoutilizadas en la literatura para combinar medidas de incertidumbre y que se conocencomo t.-conormas, pero en este caso no se obtuvieron resultados satisfactorios con la

suma probabilistica: g(x, y)-,x + y x ' y y siguiendo la idea de Hatzilygeroudis

et a/, (2002) se us6 la versi6n generalizada g(x, y)- WIX + W2y - Wx ' y , donde

WI ,W2 yW son pesos numeficos que satisfacen la ecuaci6n Wl + W2 +w - 1 , dandolemayor peso a la semejanza con el ejemplar fuerte.

R3: Seleccionar los casos mas semejantes a 00 dentro de la categoria seleccionada (las

de mayor (Oo) )