Expo ILE 2

1Culiacán Sinaloa, Septiembre del 2014

Integrantes:LSI. Francisco Gónzalez HérnandezISC. Raúl Oramas Bustillos

Asesor:Dr. Ramón Zatarain Cabada.

Ambiente Inteligente de Aprendizaje para Aprender Programación con Java.

Instituto Tecnológico de Culiacán

2

Contenido Antecedentes Estado del Arte Manejo de Emociones Diseño ILE Java-Sensei

3

Antecedentes

CAI ITS(STI) ILE

+Computación Afectiva

4

Estado del Arte

5

Estado del Arte

6

Estado del Arte AutoTutor – Sistema Tutor

Inteligente que interactúa con los estudiantes por medio de lenguaje natural usando entornos simulados [12].

Clasificación de Características (Algoritmos de lA)

Detección de características faciales

7

Estado del Arte

CTAT – Herramienta Autor [10] Construcción de Interfaz de Usuario Model-Tracing : Hechos – Reglas Example-Tracing : Grafo de Comportamiento

8

Estado del Arte ILE - Intelligent Learning Environment [11].

Manejo de emocionesComputacion Afectiva.Se propone que las computadoras deben tener la habilidad de reconocer emociones y tomar decisiones en base a ellas [1].

Tecnicas de Reconocimiento de Afecto.Creación de algoritmos para el reconocimiento de afecto. Uso de sensores mulltimodal [2][3].

10

Manejo de emociones

ITS con manejo afectivo AutoTutor, Gaze Tutor [4][5]

Influencia de las emociones no básicas.Las emociones no básicas estan presentes con más influencia en el proceso de aprendizaje.[6][7]

11

Manejo de emociones

Deteccion Multimodal.Técnicas que utilizan distintos sensores para obtener datos y clasificarlos. Con la clasificacion se obtiene una predicción de la emoción actual.[8][9]

12

Diseño ILE Java-Sensei

Classifier

BackTracking NN

Adaptability

Pedagogical agent

Expert Model

User Model

Pedagogical ModelITS Engine

Coaching

System Fuzzy Logic

KnowledgeSpace

Profile Overlay

Data Mining

Expert Model

Learning Model

E. Tracing Problem Solving

Intelligent Learning Environment

Affective Model

Sensor

13

Diseño ILE Java-Sensei[10]

14


Student Model Actions Tutor

Emoción Actual: Aburrimiento, Confusión, Frustración.

Retroalimentación: Positiva, Neutral, Negativa

Confianza en la Clasificación: Alta o Baja.

Respuestas empáticas y motivacionales

Emoción Previa: Aburrimiento, Confusión, Frustración.

Acción del Siguiente Dialogo:Consejo, Recurso, Respuesta, Cambio de Ejercicio.

Habilidad global del Estudiante:Alta o Baja.

Expresión Facial (Avatar): Sorprendido, Encantado, Compasivo, Escéptico

Calidad de la Respuesta Actual: Alta o Baja.

[4],[11]

15


Pantalla de acceso al sistema (login):

16


Pantalla con un ejercicio:

17


Pantalla con el menú del curso:

18


Pantalla con recomendaciones al usuario:

19


Pantalla que muestra diálogo con el usuario (I):

20


Pantalla que muestra diálogo con el usuario (II):

21

Referencias 1. Picard, R.W., Affective computing. 2000: MIT press. 2. Woolf, B., et al., Affect-aware tutors: recognising and responding to

student affect. Int. J. Learning Technology, 2009. 4. 3. Calvo, R.A. and S. D'Mello, Affect detection: An interdisciplinary review

of models, methods, and their applications. Affective Computing, IEEE Transactions on, 2010. 1(1): p. 18-37.

4. D’Mello, S., et al. AutoTutor detects and responds to learners affective and cognitive states. in Workshop on Emotional and Cognitive Issues at the International Conference on Intelligent Tutoring Systems. 2008.

5. D'Mello, S., et al., Gaze tutor: A gaze-reactive intelligent tutoring system. International Journal of human-computer studies, 2012. 70(5): p. 377-398.

6. D'Mello, S. and R.A. Calvo, Beyond the Basic Emotions: What Should Affective Computing Compute? 2013.

7. D'Mello, S., et al., Confusion Can be Beneficial For Learning. 2014. 8. D’Mello, S.K. and A. Graesser, Multimodal semi-automated affect

detection from conversational cues, gross body language, and facial features. User Modeling and User-Adapted Interaction, 2010. 20(2): p. 147-187.

22

Referencias 9. Grafsgaard, J.F., et al. Multimodal analysis of the implicit

affective channel in computer-mediated textual communication. in Proceedings of the 14th ACM international conference on Multimodal interaction. 2012. ACM.

10. Aleven, V., et al., A new paradigm for intelligent tutoring systems: Example-tracing tutors. International Journal of Artificial Intelligence in Education, 2009. 19(2): p. 105-154.

11. Graesser, A.C., et al., AutoTutor: An intelligent tutoring system with mixed-initiative dialogue. Education, IEEE Transactions on, 2005. 48(4): p. 612-618.

11. Brusilovsky, P. and E. Millán. User models for adaptive hypermedia and adaptive educational systems. in The adaptive web. 2007. Springer-Verlag.

12. D'mello, S. and A. Graesser, AutoTutor and affective AutoTutor: Learning by talking with cognitively and emotionally intelligent computers that talk back. ACM Transactions on Interactive Intelligent Systems (TiiS), 2012. 2(4): p. 23.

Expo ILE 2

Documents

Transcript of Expo ILE 2