UN SISTEMA DE TUTORÍA INTELIGENTE ADAPTATIVO

CONSIDERANDO ESTILOS DE APRENDIZAJE

CLARA INÉS PEÑAIngeniero de Sistemas

Universidad Industrial de Santanderclarenes@eia.udg.es

JOSE-L MARZOProfesor Titular Universitad de Girana

marzo@eia.udg.es

JOSEP LLUís DE LA ROSAProfesor Titular Universitad de Girona

peplluis@eia.udg.es

RAMÓN FABREGATProfesor Títular Universitad de Girana

ramon@eia.udg.es

RESUMEN

En este documento sepresenta el sistema multiagenteMAS-PLANG (MultiAgent System - PLANG)desarrollado para transformar el entorno educativo virtual de las USD ("Unitats de Suport a laDocencia '') en un sistema hipermedia adaptativo teniendo en cuenta estilos de aprendizaje. Lastécnicas de adaptación están dirigidas a la selección personalizada de los materiales didácticos,las herramientas de navegación y las estrategias de navegación del entorno educativo de acuerdoal estilo de aprendizaje del estudiante. Para el modelado del estudiante utilizamos técnicas deInteligencia Artificial COmo el Razonamiento Basado en Casos y la Lógica Difusa. El sistema estáen capacidad de categorizar estudiantes de acuerdo a su habilidad para procesar, percibir,recibir organizar y entender la información. Utilizamos agentes inteligentes para examinaroportunidades de mejora de la enseñanza y para motivar los estudiantes a aprender según suspreferencias en un entorno amigable y lo más cercano posible a su estilo de aprendizaje. El MAS­PLANG se ha construido bajo el concepto central de un agente inteligente conocido como unaentidad software que actúa en forma inteligente y semiautónoma en representación y beneficiodel estudiante.

PALABRAS CLAVE: Agentes inteligentes, entorno virtual de aprendizaje, estilos de aprendizaje, sistema hipemlcdiaeducativo adaptativo.

INTRODUCCIÓN

Internet ha ofrecido una gran infraestructura concapacidades de comunicación y oportunidades decolaboración nunca antes vistas. En el campo educativoha permitido el diseño de propuestas novedosas paraenseñar, para compartir materiales instruccionales y paranavegar a través de ellos de forma estructurada y no­estructurada. Sin embargo, si la naturaleza de los procesoseducativos y la capacidad de las tecnologías educativas

no se han tenido en cuenta para el diseño apropiado de lossistemas de tutona, su utilización a través del web puede darorigen a una granpérdida de tiempo, de esfuerzos y de recursos.

En este documento presentamos el desarrollo delsistema multiagente MAS-PLANG [4] diseñado con elobjetivo de ofrecer características de adaptatividad conbase en estilos de aprendizaje, a la plataforma educativaUSD [22] utilizada para el soporte a la educación a distanciaa través del web.

VIS Ingenierías. Volumen 1, No. 2, pags. 17-29, Noviembre 2002; Facultad de Ingenierías Fisicomecánicas, VIS

, B Ul8111g~;;.S REVISTA DE LA FACULTAD DE INGENIERíAS FI51COMECÁNICA5

El MAS-PLANG modela el estudiante mediante lainteracción de suS agentes monitores, con los agentes delentorno del HabitatPro [8], una herramienta diseñada parala personalización de contenidos y prospección demercados utilizando técnicas de Razonamiento Basado enCasos y Reglas de Lógica Difusa. Realizamos el modeladodel estudiante con el fin de poder ofrecer los contenidosdidácticos, las herramientas de navegación y lasestrategias de navegación adaptados a las característicasdel estilo de aprendizaje del estudiante. Para ladeterminación de los estilos de aprendizaje, hemosadoptado el Modelo FSLSM (Felder and Sílverruan LearningStyle Model) [15] que permite categorizar estudiantes deacuerdo a su habilidad para procesar, percibir, recibirorganizar y entender la infonnación. Laprimera clasificaciónde estudiantes de acuerdo a estos criterios la hemmobtenido aplicando el instrumento de diagnóstico delmodelo FSLSM denominado ILS (Index for Learning Styles;[lO], ampliamente probado en entornos educativos virtuale,similares al nuestro como se puede observar en [3] y [16].

La continua asistencia al estudiante, que es unelemento fundamental a tener en cuenta dentro de la~

herramientas de ayuda para la adquisición del conocimientcen este tipo de entornos virtuales de aprendizaje, tambiérse ha considerado en el MAS-PLANG y con base en ellctratamos de examinar oportunidades para la mejora de laenseñanza y para motivar al estudiante a aprender deacuerdo a sus preferencias subjetivas.

El MAS-PLANG se ba construido sobre unaplataforma mulliagente compatible con los estándares deFIPA [18] utilizando lenguajes de programación como Java,JavaScript, Flash y XML en diferentes partes de suimplementación. En las siguientes secciones de estedocwnento describiremos las principales características desu arquitectura y funcionamiento habiendo hecho unaprevia revisión del estado del arte.

ESTADO DEL ARTE

A. Las Unidades de Soporte a la Docencia

Actualmente, esta plataforma educativa virtual USDimplementada con tecnología web, es un sistema adaptablede acuerdo a las apreciaciones de Oppermann en [23] quepermite a profesores crear y mantener unidades docentesnavegables de fOnTIa secuencial o libre y a estudiantesconfigurar el entorno de aprendizaje según sus preferenciasen aspectos relacionados con el tamaño, forma y posiciónde los iconos, posición de las ventanas y barras denavegación, idioma del entorno, etc.

Una unidad docente USD consta, de un conjuntode páginas HTML( por ejemplo, los nodos A-l a C-2 dela Figura 1) que incluye el material educativo a utilizarpara el soporte a la enseñanza de determinadasasignaturas y, de una estructura de navegaciónpredefinida (por ejemplo, las estructuras e-l, e-2 o e-3de la Figura 1) que facilita su acceso. Esta separaciónde estructura y contenido permite la reutilización deuna misma página en diferentes unidades docentes y lacreación de una sola estructura para el acceso a unamisma unidad docente en diferentes idiomas. En laFigura 1 se puede observar que al modificar la páginarepresentada por el nodo B-l, ésta se modificaautomáticamente en todas las unidades docentes quela utilizan.

,-,Recursos docentes

Estructura

{Base dedatos)

Figura 1. Representación de estructuras de navegación ycontenidos de aprendizaje en unidades docentes USD.

El entorno de navegación de las USD le ofrece alestudiante diferentes herramientas para:

Navegar sobre los contenidos de aprendizaje deforma libre o guiada (flechas de avanzar y retrocedero a través del mapa de la unidad).Consultar glosarios de términosAcceder a ejercicios interactivos preparados paratoda la unidad docente o para determinada secciónde la misma.Configurar el entorno de trabajo en cuanto a estilo yposición de los iconos, colores del escritorio y datospersonales.Imprimir por preferencias los contenidos deaprendizaje.Tomar apuntes [5].Realizar el seguimiento a las actividades deaprendizaje llevadas a cabo.Promover el trabajo colaborativo (chat ,forum ycorreo electrónico).Etc.

UN SISTEMA DE TUTORíA INTELIGENTE ADAPTATIVO CONSIDERANDO ESTILOS DE APRENDIZAJE 19

En las Figuras 2 y 3 incluimos parte de lapresentación de algunos materiales didácticosimplementados en las USD para el soporte a la enseñanzade asignaturas como la Estadística Básica y las Técnicasde Expresión Oral y Escrita del idioma Catalán en laUniversitat de GiTona.

Figura 2. Entorno de aprendizaje para ]a unidad docente desoporte a la enseñanza de las Estadísticas Básicas de la UdG.

Esta unidad pennite seleccionar temas para ejercicios deautoevaluacián por diferentes niveles de dificultad.

Para el desarrollo y organización de los materialesdidácticos, la plataforma USD le ofrece al profesor lassiguientes herramientas:

Gestor de archivos (Figura 4).Editor de glosarios de térmioos (Figura 5).Editor de ejercicios interactivos (Figura 6).Editor del módulo del dominio (Figura 7).Visualizador de las actividades de aprendizajerealizadas por los estudiantes (Figura 8).Etc.

Como nuestro interés es el de adecuar dinámicamentelos contenidos didácticos (porque actualmente es unprocesoestático y predefInido) para crear sensación en el estudiantey para motivarlo a aprender lo que Él desea de acuerdo a suspreferencias l hemos diseñado el sistema MAS-PLANG quetoma como base el estilo de aprendizaje del estudiante paraseleccionar materiales didácticos motivadores teniendo encuenta el formato en el cual se presenta la información, lamejor estrategia instruccional y lilla estrategia de navegaciónadaptativa que permita, en función de la evaluación deldesempeño del estudiante, la modificación dinámica de lasecuencia de visita a las diferentes secciones de loscontenidos. Bajo este punto de vista, los contenidos porejemplo de las Figuras 2 y 3 sepresentarian de forma diferentey tendrían diferente estructura de navegación de acuerdo altipo de estudiante que los utilice.

Figura 3. Entorno de aprendizaje para la unidad docente de soportea la enseñanza de las Técnicas de Expresión Oral y Escrita delidioma catalán. Obsérvese que la barra de navegación presenta algunosiconos diferentes que los que ofrece la unidad do~ente.de Estadístic,a.Esto es, porque esta unidad específicamente ha mclUldo un glosanode términos como ayuda adicional para la navegación sobre suscontenidos.

,jOj,

rCl~;,"";'·,,,

rCl",,,.c,,,,,u,rW"",,,;~.,,,,,,,,,

rtJ,m_••"" ~

rl:J "OO·, .., ,;r wrm.r II .,.,

r o "«'HO'"'''' "rD.TiC_p..., J;

ro",,,.!..,••. Ji

r Cl "'".,"" ~"" .!irClrm ,',

Figura 4. Aspecto del administrador de archivos

.......... ktIIo • , ......... ¡ K K ij

¡=:=,~,~ -t.D¡;;;¡ .<)6. G

..Figura 5. Entorno de trabajo del editor de glosarios

20 818 ln;:~~;.s REVISTA DE LA FACULTAD DE INGENIERíAS FI51CDMECÁNICAS

Figura 6. Entorno del editor de ejercicios interactivos

Figura 7. Aspecto del editor del módulo del dominio

Seguimeot genera! d'u5uaris

Figura 8. Visualización de actividades realizadas por un estudiante

B. La enseñanza considerando estilos deaprendizaje

El soporte a la enseñanza y aprendizaje de calidadha sido uno de los aspectos críticos a tener en cuenta en laeducación a distancia. En estos escenarios de aprendizaje,interesa la sensibilidad que pueda tener el estudiante(representada de una ti otra forma en su estilo deaprendizaje) frente a los materiales educativos promovidospor sus autores. Según Felder en [17] se debe serconsciente de las diferencias que tienen los estudiantespara procesar la información, con el fm de poder ofrecermateriales pedagógicos dinámicos adaptados a preferenciasparticulares de aprendizaje.

La in1portancia de los estilos de aprendizaje en elmejoramiento de la calidad de la educación ha sido la basede la investigación en los últimos años. Los estudiosrealizados entre otros por Dangwal y Mitra en [20],Montgomery en [24] y Murnford en [2] revelan que elaprendizaje depende de varios factores personales queprácticamente todo individuo posee en un estilo propio yque éste no siempre permanece invariable sino que puedecambiar con el tiempo y depender del contexto de las tareaseducativas.

Apoyándonos en la experiencia de los estudiosantes mencionados que promueven el mejoramiento de lacalidad de la educación mediante el aprendizajepersonalizado, examinamos las características de algunosmodelos de estilos de aprendizaje con el fm de seleccionarel más apropiado para la adaptación de la platafollloa USD.Los modelos revisados fueron los siguientes: el depreferencias instruccionales y del medio ambientepropuesto por Dunn y Dunn en [21], el modelo deinteracciónsocialpropuesto por Reichman en [26] el modelode personalidad propuesto por Curry en [13] y el modelode estilos de aprendizaje de Feldery Si/verman (FSLSM).

El funcionamiento efectivo en cualquier campoprofesional significa trabajar bien en todos los modelos deestilos de aprendizaje, sin embargo, no todos los modelosson idóneos para el desarrollo de materiales educativos ensistemas hiperrnedia adaptativos. Algunos modelos comopor ejemplo el de personalidad están muy enfocados afactores sicológicos que son muy dificiles de manejar enaprendizaje asistido a distancia y en el campo de la Cienciade los Computadores. Los modelos de interacción socialofrecen una buena base de investigación para relacionessociales en clases presenciales pero aportan muy poco aldesarrollo de materiales educativos a distancia. Los modelosde preferencias instruccionales y ambientales están muy

UN SISTEMA DE TUTORíA INTELIGENTE ADAPTATIVO CONSIDERANDO ESTILOS DE APRENDIZAJE z,

enfocados a la forma como algunos factores externos queno son necesariamente instruccionales pueden influir en elaprendizaje. Habiendo analizado esas diferentestendencias, hemos considerado que el modelo de estilosde aprendizaje a adoptar para las USD debe ofrecer:

Una base instruccional y sicológica clara. Todoslos modelos de estilos de aprendizaje la ofrecen, pero notodos los modelos sicológicos se acercan a los principiospedagógicos que se buscan. Los modelos basados en elconstructivismo pueden ser muy útiles.

Métodos de diagnóstico ampliamente probados. Losmodelos propuestos por Murnford en [2], Dunn y Dunn en[21] y Felder en [15] lo ofrecen.

Confiabilidad y validez en los métodos dediagnóstico. Muy pocos modelos de los revisados se hanvalidado suficientemente. Sin embargo Murnford en [2]ofrece altos indicativos de fiabilidad.

Una base instruccional idónea para aprendizajeasistido por computador especialmente a través del web.El modelo FSLSM se ha diseñado y aplicado directamentea entornos de aprendizaje basados en multimedia.

Facilidades para el desarrollo de materiales en lasáreas de nuestro interés como la Ingeniería Electrónica yde Computadores y las Ciencias de la Educación basadasen las nuevas tecnologías. El modelo FSLSM se ha aplicadoprecisamente en estas áreas.

De acuerdo con lo anterior, vemos que a pesar deque varios de estos modelos se han utilizado en camposeducativos, como el modelo de Kolb/McCarthy [7] y elmodelo de Mayer-Briggs [11], el modelo más apropiadopara nosotros es el FSLSM, por su aplicación en sistemaseducativos hipermedia a través del web yen el campo dela Ingeniería y la Ciencia de los Computadores como lodemuestran las experiencias de Carver en [3] y Felder en[16] y porque han podido comprobar el fortalecimientodel aprendizaje en los estudiantes utilizando materialesorientados a sus preferencias subjetivas.

El modelo FSLSM ha sido el resultado fmal de untrabajo de investigación de muchos años. Fue diseñadocon dimensiones dicotómicas que pueden serparticularmente importantes si se aplican al campo de lasCiencias de la Educación y al aprendizaje asistido porcomputador. En la siguiente tabla se pueden observar talesdimensiones:

Tabla 1. Dicotomías de los cinco niveles de estilos deaprendizaje del modelo FSLSM

DI ~ii~DIC~OT¡OMiIA~~M Activo ReflexivoE SellSitivo IntuitivoNSI Visual VerbalO Inductivo DeductivoN Secuencial Global

Las dicotomías provienen de las respuestas dadas porFelder y Silvennan a las siguientes cinco preguntas cercanas alos principios del modelo Onion de estilos de aprendizajepropuesto por Cuny en [13]:

¿Qué tipo de información perciben preferentementelos estudiantes?

¿A través de qué modalidad es la informacióncognitiva más efectivamente percibida?

¿Con qué tipo de organización de la información estámás cómodo el estudiante a la hora de trabajar?

¿Cómo prefiere el estudiante procesar la infonnación?

¿Cómo progresa el estudiante en su aprendizaje?

Dichas respuestas fueron:

Básicamente, los estudiantes perciben dos tipos deinformación: información externa o sensitiva a la vista, al oídoo a las sensaciones físicas e información interna o intuitiva através de memorias, ideas, lecturas, etc.

Con respecto a la información externa, los estudiantesbásicamente la reciben en formatos visuales mediantecuadros, diagramas, gráficos, demostraciones, etc. o enformatos verbales mediante sonidos, expresión oral y escrita,fórmulas, símbolos, etc.

Los estudiantes se sienten a gusto y entienden mejorla información si está organizada inductivamente donde loshechos y las observaciones se dan y los principios se infiereno deductivamente donde los principios se revelan y lasconsecuencias y aplicaciones se deducen.

La información se puede procesar mediante tareasactivas a través compromisos en actividades fisicas odiscusiones o a través de la reflexión o introspección.

El progreso de los estudiantes sobre el aprendizajeimplica un procedimiento secuencial que necesita pro,.gr~sión

lógica de pasos incrementales pequeños o entendimientoglobal que requiere de una visión integral.

zz W91nB;~;.S REVISTA DE lA FACULTAD DE INGENIERíAS FI51COMECÁNICAS

Ejercicios

Ejemplos Animaciones SimulacionesGráfico

GlosariosEjercicios de d,

interacti\'o autoevaluación respuestaabierta

Global .¡ " .¡ .¡ .¡Secuencia .¡ .¡ .¡ .¡ .¡ .¡ .¡1Verbal ,¡ " " "Visual .¡ '1 '1 '1 .¡Activo .¡ " .¡ "Reflexivo '1 .¡ .¡ ,¡ .¡ ,¡ .¡Sensitivo .¡ "

.¡Intuitivo " .¡ .¡ " .¡ " .¡

Como se puede ver, el modelo plantea dos posiblessituaciones como "respuesta a cada pregunta. Sin embargo,una respuesta no necesariamente excluye la otra, losindividuos tienden a preferir una más que otra de tal maneraque dicha preferencia por un estilo particular de aprendizajepuede variar desde muy fuerte a casi inexistente y sersensitiva al tiempo y al sujeto a ser aprendido. Este hechopermite a los autores concentrarse en el modelo dicotómicode estilos de aprendizaje con los cinco nivelesindependientes mostrados en la Tabla l.

Considerando que la aplicación del método dediagnóstico propuesto por el modelo FSLSM para ladetección de estilos de aprendizaje de acuerdo a laclasificación de la Tabla 1) requiere de cierta experimentacióny convalidación estadística, pensamos que el modeloFSLSM ofrece una buenaaproximación a los criterios decategorización de estudiantesque estamos buscando para suadaptación en la plataforma USD,ya que la infraestructura actualdel entorno de docencia de estaplataforma, ofrece herramientasflexibles para la implementaciónde materiales educativos endiferentes tipos de formatos y conestrategias instruccionales adaptativas a las preferenciassubjetivas de los estudiantes (ver Figuras 4 a 7).

Tabla 2. Componentes de un curso hipermedia para laadaptacion de las USD.

A. Estrategia instruccional

Ohjeth'o Casos deLecturas

Núcleos de Mapas Sintesis, estudio conocimiento conceptuales

Global , ,Secuencial ,Verhal , , ,Visual , , ,Activo ,Reflexivo , , , ,Sensitivo , ,Intuitivo , ,

Tabla 2. B. Materiales instruccionales complementarios yelementos de interactividad y de evaluación

Tabla 2. C. Formato de material

DiapositivasMedía clip s Texto lineal

Texto Multimedia Graficos Video digital Audio

Global " "Secuencial '1Verbal , ,Visual , ,ActivoReflexivo " " "Sensitivo '1Intuitivo ,

Tabla 2. D. Herramientas de navegación

En la Tabla 2 presentamos entonces la fonna comohemos distribuido los elementos de enseñanza para las cincodimensiones del modelo dicotómico de estilos de aprendizaje,basándonos en las experiencias de Carver en [3] Y en laestructura actual que la plataforma USD permite dar a losmateriales didácticos.

Si se observa lo expuesto en la Tabla 2D, lasherramientas de navegación presentadas son idóneas paracasi todos los estilos de aprendizaje o se pueden adaptarpara estudiantes globales, secuenciales o reflexivos. La ideaprincipal de realizar esta clasificación de elementos es parapoder presentar los contenidos y el entorno de aprendizajeque más se acerque a la primera aproximación del estilo deaprendizaje del estudiante obtenida mediante la aplicacióndel cuestionario ILS del modelo FSLSM. Posteriormente, esteperfil se Tefma mediante la misma interacción del estucliantecon los materiales didácticos ofrecidos de acuerdo con lainfonnación percibida por los agentes monitores del sistemaMAS-PLANG y a la interacción a su vez de estos con losagentes del entorno HabitatPro siguiendo el procedimientodescrito en la sección ID-B.

GlobalSecuenciilVerbalVisualActivoReflexivoSensitivoIntuitivo

Puntuales

Impresiones

Estructurales

Mapas Fil!ro<ó,visión

I ~eneral

Para elcolaborativoChal Forum

trabajo

Co=elecl!Ónico

UN SISTEMA DE TUTDRiA INTELIGENTE ADAPTATIVO CONSIDERANDO ESTILOS DE APRENDIZAJE 23

EL SISTEMA MULTIAGENTE

MAs-PLANG

A. Arquitectura

El sistema MAS-PLANG se ha construidosobre un entorno multiagente compatible con losestándares de FIPA utilizando los lenguajes Java,JavaScript, Flash y XML en diferentes etapas desu programación (ver Figura 9). Las siguientespropiedades definidas por Nwana en [9] setuvieron en cuenta para el diseño de los agentes:

• Interactividad: el agente debe ser capaz deinteractuar con su entorno electrónico cuandorepresente a un individuo o a una entidad. Duranteesta fase también debe ser capaz de llevar a cabodiferentes tipos de comunicación con otros agentesde acuerdo con la entidad con la que interactúa.Por ejemplo, los agentes monitores del MAS­PLANG perciben las acciones del estudiante en elentorno de aprendizaj e de las USD y en formaconsecuente interactúan con los agentes de laplataforma HabitatPro para refinar el modelo delestudiante en un momento apropiado.

• Autonomía: los agentes deben ser semiautónomos.Esto significa que no necesitan una directa yconstante supervisión. Esta característica es esencialpara la representación de sus tareas, pero como existendiferentes grados de autonomía, el agente debesiempre estar bajo el control de la entidad o personaque él representa. Por ejemplo, el agente sintéticoSMIT del MAS-PLANG conoce cuándo y cómorepresentar cualquier mensaje al estudiante y cuándoactualizar su base de conocimiento.

• Proactividad: los agentes inteligentes deben serproactivos. Esto significa que deben tener metas ti

objetivos explícitos que cumplir (por ejemplo ennuestro caso, seleccionar los contenidos didácticosde una unidad docente en formato gráfico paraofrecerlos a un estudiante con estilo de aprendizajevisual) y actuar consecuentemente de una maneraautónoma para lograrlos.

• Aprendizaje: Los agentes inteligentes deben adquirirconocimiento de su representado y del entorno dondellevan a cabo sus funciones.

Este conocimiento debe ser dinámico porque cambiacon el tiempo. El agente debe ser capaz de aprender de suentorno y de la interacción con otros agentes e incOlporarestos cambios en su base de conocimiento. El agente deusuario del MAS-PLANG aprende de las interacciones delestudiante en las USD para adaptar el entorno de aprendizajea sus preferencias (percibidas mediante la actualización desu estilo de aprendizaje).

Figura 9. Modelo de referencia del MAS~PLANG

El modelo de agencia y de personalización del MAS­PLANG basado en la arquitectura de [8] se muestra en laFigura 10, en donde diferentes estudiantes (los rectángulos)interactúan con un hábitat (la plataforma USD) por mediode diferentes agentes (los círculos) que los representan.Los agentes tienen una doble función: interactuar entreellos y con el hábitat en nombre del estudiante y filtrar lainformación de aprendizaje (tipo y estilo de presentaciónde los contenidos didácticos, herramientas de navegacióny estrategias de navegación) que los estudiantes recibende otros agentes y del hábitat. Los agentes son individuales(cada estudiante tiene los suyos) y tienen conocimientoacerca de los objetivos y de los estilos de aprendizaje delos estudiantes que ellos representan y también soncapaces de aprender de sus interacciones con el entorno.

En la Figura 11 se puede observar la arquitecturainterna de este sistema compuesto por dos niveles deagentes: los del nivel superior o asistentes personales ylos del nivel inferior o agentes de infonnación.

Figura 10. Modelo de agencia y de personalización delMAS-PLANG

24 019'1~;;;;;As REVISTA DE LA FACULTAD DE INGENIERíAS FI51COMECANICA5

1.. Ob,.,.."" lo, menssJesen la pl~arra de comun!c"dón

ElosuarioMorlII<:támlfu•• !ji'., Ma ••ocióo d<l>•• ""'i...-l~",[..-... ,"", bibliográfi=

n.l>osdeo<lIO'''-''' " •• mOOlO."'!'

4. Avisar si el estudiante ya ha realizado deternrinadotiempo de estudio.

5. ~ecordar al usuario mens~es personalizados adeterrmnado tiempo durante la sesion de aprendizaje.

6. Para el caso de una acción específica programadapor el profesor, llamar la atención de los estudiantesconectaaos a la platafonna enun momento dado para recibirindicaciones o explicaciones en línea.

En la siguiente figura se puede observar un aspecto de suinterfaz en el entorno de aprendizaje.

El agente sintético SMIT (Synthetic MultimedíaInteractive Tutor) [14] se introduce con un diseño animado yantropomórfico en la interfaz del usuario para presentar losmensajes que provienen de otros agentes y que estándirigidos al estudiante, teniendo en cuenta la secuencia depasos esquematizada en la Figura 13. Para su desarrollo seban utilizado lenguajes como JavaScript, XML, HTML YFLASH. Cadapresentación exige la selección de determinadasreglas que penniten definir el tipo de película y los movimientoscorporales que asumirá el agente al mostrar cada mensaje. Laestructura del planificador de dichas presentaciones se puedeobservar en la Figura 14 y algunos aspectos de larepresentación de los mensajes se pueden observar en laFígura 15.

Figura 12. El agente SONIA en el entorno deaprendízaje de las USD

rVentana ¡¡aralaprogramación delas acciones delagente

Figura 11. Arquitectura interna del MAS~PLANG

AGENTES DEINFORMACiÓN

MAS-PLANG

Los agentes del nivel superior actúan como lostípicos agentes personales dígitales que aprenden delentorno e interactúan con el estudiante para ayudarlo en eldesarrollo de sus actividades de aprendizaje. La siguientees la descripción de su funcionamiento de acuerdo con laarquitectura interna expuesta en la Figura 11:

El agente programable SONIA (Student OríentedNetwork Interface Agent) [25] trata de automatizar algunastareas de soporte al aprendizaje, pennitiendo al estudianteprogramar sus actividades mediante ejemplos o imitandosu comportamiento y adaptándose a él. Este es un agentemuy sencillo de reflejo simple que para su funcionamientorecibe instrucciones del profesor o del estudiante y tambiéninfonnacián proveniente de ciertos eventos sucedidos enel entorno de aprendizaje. Se ha implementado en lenguajeJava utilizando la arquitectura cliente-servidor, de tal fonnaque su parte servidora realiza los procesos de registro ycomunicación con los agentes de la platafonna multiagentetomada como base para su desa~ol1o y su parte clienteesta siempre en contacto directo con el usuario para recibirprogramación de tareas como:

1. Anunciar cuando cierto "compañero de clase" seconecte al sistema

Figura 13. Representación general del funcionamientodel agente SMIT

2. Sugerir la revisión de referencias bibliográficas enlas secciones del curso que así lo exijan.

3. Sugerir la realización de los ejercicios interactivospreparados para detenninada sección del curso o para todala unidad docente.

D.l>osde<e!iIIlS..- '" o~.m<mm"'!!

En .Irta>«oió. d.l><> "',.;"" la> "'[''''''0;'' bib~ográfj,Elu5U"';oMiriood=1h.. '

3. Determina el eslllo y laestructura de la presentación

z.. Programa el orden depre=taclón de lo. mell$llJ'"

UN SISTEMA DE TUTORíA INTELIGENTE ADAPTATIVO CONSIDERANDO ESTILOS DE APRENDIZAJE 2S

Planificadord, la

presentación

I .>Script

Auto­tompo!tamiemo

Motor deSMIT

del dominio e interactúa directamente con el agente deusuario para percibir el progreso del estudiante y con elagente de navegación para definir su actuación(navegación adaptativa) en el entorno de aprendizaje.

El agente de usuario que construye y mantiene elmodelo del estudiante mediante su interacción con losagentes monitores de los cuales recibe información para laactualización de su base de conocimiento.

1\dinru.

r.-"",'><'/n'1'l'1."'"

Materialesseleecionados

B. Modelado del estudiante

Figura 16. Esquema de entrada salida de los agentes del MAS~PLANO

El esqnema de entradas y salidas del sistema MAS­PLANG integrando el funcionamiento de estos dos nivelesde agentes se puede observar en la siguiente Figura 16.

Película <Fe recomienda realizar ¡osejen:ido, hu.rael;"", propuestoseo

IaUnidadDo••nle

Pe"culaparn.rep:res<1ll<l"unmensaje multicast del

prof..or alo. eáudimlO$cmectado. «l unasesiÓll

Ji?,",0_ .•.. .'., .Película pararcpresenl..- un menS<\ic

d. aviso por conexión de un.>l.udi,..loo laplarafurma

Polienl.. pararocomarun PelieuJa J>"rlirugorir lartVisim

m.u:~.:~:m¡><> (!"ref.rencias bibliográficas

Figura 15. Formato utilizado por SMIT para la representaciónde algunos mensajes

Figura 14. Estructura del planificador de presentacionesdel agente SMIT

Los agentes monitores supervisan las actividades delestudiante en el entorno de aprendizaje para generarinformación de retroalimentación a su modelo decomportamiento e interactuar directamente con los agentesrecomendadores del HabitatPro.

El agente de navegación organiza mediante suinteracción con el agente de usuario y el agente didacta, loscaminos de navegación a seguir por el estudiante sobre loscontenidos didácticos adaptados a su estilo de aprendizaje.

Los agentes del nivel inferior actúan deintermediarios entre los agentes del IÚveI superior y lasbases de datos del modelo del dominio y del modelo deusuario para recomendar las unidades docentes adaptadas(teniendo en cuenta el formato para la presentación de loscontenidos) la estrategia instruccional, las herramientas denavegación y las estrategias de navegación) a laspreferencias del estudiante de acuerdo a su estilo deaprendizaje. Estos agentes son:

El agente didacta que selecciona las estrategias deaprendizaje apropiadas al estudiante de acuerdo con suestilo de aprendizaje. Para su funcionamiento chequea lasreglas de decisión pedagógica estipuladas en el modelo

Un sistema interactivo, para adaptar sucomportamiento a las necesidades del usuario debe sercapaz de construir dinámicamente una representación delos intereses del usuario y sus características. El agente deusuario del MAS-PLANG modela el estudiante de acuerdocon su estilo de aprendizaje cuya primera observación sepercibe a través de la aplicación del cuestionario ILS delmodelo FSLSM y más tarde se refma por medio del análisisde las interacciones del estudiante en el entorno deaprendizaje utilizando el procedimiento de RazonamientoBasado en Casos de la plataforma HabitatPro, parapersonalizar la presentación de los contenidos deaprendizaje (teniendo en cuenta el formato de los materialesdidácticos y el tipo de estrategia pedagógica) y lasherramientas de navegación del entorno.La principal idea del Razonamiento Basado en Casos tomadade [1 ],es la de resolver nn nuevo problema recuperandosituaciones previas similares y reutilizando la informacióny el conocimiento de dichas situaciones.

26 OIO·¡n;;;;;As REVISTA DE LA FACULTAD DE INGENIERíAS FI51COMECÁNICAS

Encontrando un caso pasado similar y reutilizandosu solución en la situación del nuevo problema se solucionaunnuevo caso. En tenninología del CBR, un caso normalmentedenota una situación o un problema, y un caso previo o casopasado o caso almacenado corresponde a una situación quese ha experimentado previamente y de la cual se ha reutilizadoinformaciónpara la solución de nuevos problemas. Un nuevocaso o lll1 caso no resuelto es en consecuencia, la descripciónde un nuevo problema a resolver. El Razonamiento Basadoen Casos es en efecto un proceso cíclico e integrado pararesolver un problema. aprender de su experiencia, resolverun nuevo problema y así sucesivamente. Si dos problemasse parecen, sus soluciones son similares y entonces es posibleaplicar una adaptación de la anterior solución a la solucióndel problema acmal.

El MAS-PLANG ofrece a cada estudiante un agentepersonal (agente de usuario) que conoce sus gustos ypreferencias (subjetividad) y es capaz de recomendarautomáticamente unidades docentes, herramientas denavegación y estrategias de navegación apropiadas a suestilo de aprendizaje. Este procedimiento le permite alsistema ser más competitivo porque trabajar con lasubjetividad, le da capacidad de adquirir conocimiento quemás tarde se puede transportar y utilizar provechosamenteen cualquier otra unidad didáctica ofreciendo solucionescon base en cada requerimiento.

Cada agente de usuario incrementa proactivamenteel conocimiento que tiene acerca del estudiante aplicandosus propias estrategias para dirigir la información demotivación a las necesidades del estudiante y para mejorarel rendimiento del sistema utilizando técnicas como elfiltrado colaborativo y la autoevaluación.

Para conseguir que lll1 agente actúe correctamente ycon los mejores intereses del individuo que él representa, esindispensable que incorpore conocimiento de alguna fonnade sus preferencias y personalidad. Este conocimiento es engeneral, extremadamente difuso y contradictorio (subjetivo)y por lo tanto dificil de manejar y representar. Nuestro agentede usuario obtiene este conocimiento subjetivo por mediode imágenes y contra-imágenes de los estudiantes querepresenta.El modelado del estudiante en el MAS-PLANG se basa entres conceptos:

El entorno electrónico donde la actividad educativase lleva a cabo y donde el objetivo de personalización en lainteracción con el estudiante está claramente defInido. Losagentes inteligentes satisfacen esta necesidad conviviendo,aprendiendo e interactuando entre ellos y con el exterior en elentorno electrónico.

Las unidades docentes, técnicas de navegación yestrategias de navegación ofrecidas por el entorno deaprendizaje. Diferentes tipos de estudiantes tienendiferentes preferencias para las unidades educativasofrecidas y en consecuencia crece la necesidad de unarelación personalizada entre el entorno y los estudiantes.

El estudiante o el individuo que está interesado enlas unidades docentes. Esta es la entidad que necesitatratamiento personalizado, el cual se puede adquirirutilizando agentes inteligentes que modelen elcomportamiento del estudiante y actúen de intermediariosentre ellos y el entorno de aprendizaje.

Las técnicas de personalización utilizadas porlos agentes para el modelado del estudiante se centranen el concepto de pares atributo-valor ampliamenteutilizado para la representación del conocimiento enInteligencia Artificial. El atributo aplicable a una unidaddocente o a un estudiante es equivalente a unapropiedad o característica. Para las unidades docentesUSD se han tenido en cuenta los atributos propuestosen la Tabla 2 (opciones A - D), para cada una de lasdimensiones del modelo FSLSM de estilos deaprendizaje. En la selección de las estrategias yherramientas de navegación se aplicaron las-técnicasdel hipermedia adaptativo propuestas por Brusilovskyen [19]. En el siguiente ejemplo se observa la estructurade una unidad docente USD, representada por estospares de información:

GRUPO: UNIDADES DOCENTES USD

Atributos: estrategia instruccional, materialescomplementarios e interactivos, ejercicios, formato,herramientas de navegación.

Atributo-valor:Estrategia instruccional: obj etivos, estudio de casos,lecturas, núcleos de conocimiento, mapas conceptuales,síntesis.

Materiales complementarios e interactivos: ejemplos,animaciones, simulaciones, gráficos interactivos, glosarios.Ejercicios: de autoevaluación y de respuesta abierta.

FOlmato: diapositivas textuales o multimedia, "media clips":gráficos, vídeo digital o audio, texto lineal, hipertexto.

Herramientas de navegación. puntuales, estructurales y parael trabajo colaboratívo.

UN SISTEMA DE TUTORíA INTELIGENTE ADAPTATIVO CONSIDERANDO ESTILOS DE APRENDIZAJE 27

El conjunto de pesos que se puede asociar a losatributos es configurable. En este sistema se utiliza elsiguiente:

Correspondiente a los valores O, 1, 2, 4, 8 Y 1000respectivamente. En este punto se puede observar que Wsiempre contendrá dos constantes especiales: Indiferentecon valor cero y Necesario con un valor muy grande.

se puede representar la intensidad de las preferencias o laimportancia que el estudiante le da a cada uno de dichosatributos. Para resolver este problema, se introduce elconcepto de un peso asociado a un atributo y a unestudiante. Cada estudiante dará entonces a cada atributosu propio peso que indicará la importancia que el atributotiene para él cuando asigna un grado de preferencia adeterminada unidad docente.

A partir de aqui, se defme la imagen del estudiantede una unidad docente, como un conjunto de tres elementosatributo/valor/peso que codifica las preferencias delestudiante y la importancia que da a los valores de losatributos de los elementos del grupo UNIDAD DOCENTE.Introduciendo el parámetro peso, se puede mediante elsiguiente ejemplo mostrar lo que podría representar unaunidad docente para un estudiante con estilo de aprendizajereflexivo:

(4)W = {indiferente, menos importante, medio

importante, importante, muy importantey necesario}

Estrategia instruccional: objetivosElementos interactivos: ejemplosEjercicios: de autoevaluación y de respuesta abierta (2)Formato del material: diapositivas multimediaHerramientas de navegación: correo electrónico

Se define la imagen de un producto o unidaddocente como el conjunto de los pares atributo-valor quela caracterizan. Por ejemplo, si se considera el estilo deaprendizaje para ofrecer una unidad docente apropiada, laimagen de un material didáctico para enseñar Introduccióna los Computadores en las USD para un estudiante activode acuerdo al modelo FSLSM podria contener los siguientespares atributo-valor:

Los valores que los atributos pueden tomar son engeneral de naturaleza subjetiva, porque el significado decada uno depende de la persona que los utiliza o defme (unestudiante puede aprender mejor mediante unidadesdocentes en fonuato gráfico que en fonuato texto) y por lotanto se necesitan sofisticadas herramientas para sumanipulación. En este caso, incluir valores de este tipo notiene sentido. Los algoritmos utilizados para este propósitoen el sistema se basan en técnicas de InteligenciaArtificialcomo el Razonamiento Basado en Casos y la lógica difusa.

Estrategia instrucciona1: Núcleos de conocimientoElementos interactivos: simulacionesEjercicios: de autoevaluación y de respuesta abierta (1)Formato del material: texto linealHerramientas de navegación: forum

Mientras que para un estudiante reflexivo estainfonnación podría ser:

Con base en el concepto de imagen de un producto,es posible defInir un nuevo concepto de distancia entreproductos utilizando técnicas de lógica difusa. Estadistancia pennite obtener de las imágenes de dos productos,un valor numérico que represente el grado de similitudexistente entre ambos. Esta distancia es una función:

(Estrategia instruccional! objetivos/importanteElementos interactivos/ ejemplos/importanteEjercicios/de respuesta abierta/medio importanteFormato del material/ texto lineal/indiferenteHerramientas de navegación/ correo electrónico/medio

importante)

(5)

Donde P es el conjunto de las imágenes de losproductos y R el conjunto de los números reales.

Un conjunto de pares atributo-valor relacionados conun estudiante podría reflejar sus preferencias con respecto alas unidades docentes y el entorno de aprendizaje. Porejemplo, un estudiante activo en la tenninología de Felder,podría estar caracterizado por una unidad docente específicacon el conjunto de pares atributo-valor descrito en (1). Sinembargo, la representación de las preferencias del estudiantepor medio de pares atributo-valor no es eficiente porque no

Quien de acuerdo al modelo de Felder, procesa lainformación introspectivamente, adquiere mejor elconocimiento por medio de contenidos gráficos, piensamucho antes de actuar y prefiere trabajar solo o en pares.Extendiendo el concepto de distancia entre productosintroducido en (3), y generalizándolo para incluir los pesosa los atributos, se defme entonces dos nuevos conceptos:

dp

' PxPiiR (3)

1) La distancia entre un estudiante y una unidaddocente:

d:PxCáR (6)

ZB Ul91~;:~aS REVISTA DE LA FACULTAD DE INGENIERíAS FI51COMECÁNICA5

Donde P es el conjunto de las imágenes delas unidades docentes y C el conjunto de lasimágenes de los estudiantes. Dada una imagen c deun estudiante y una imagen p de una unidaddocente, la función d(p,c) considerasimultáneamente todos los atributos utilizados enlas dos imágenes junto con sus valores y pesospara retomar un valor numérico con la distancia entreel estudiante y el producto. Por lo tanto, la funciónd toma la información subjetiva representada en elestudiante y las imágenes de las unidades docentespara obtener lila medida numérica concreta de laafmidad entre ellos.

2) La distancia entre dos estudiantes:

(7)

Donde C es el conjunto de las imágenes delos estudiantes. Dadas dos imágenes de estudiantesc y d, la función d(c,d) considera simultáneamentelos atributos utilizados en las dos imágenes juntocon sus valores y sus pesos y retorna un valornumérico que representa la distancia entre dosestudiantes. De forma similar a la función d(P,c), lafunción de toma la información subjetivarepresentada en las imágenes de los estudiantespara obtener una medida numérica concreta de laafinidad entre ellos.

La aplicación de las funciones (6) y (7) es inmediata.Por medio de ellas es posible recomendar a un estudiantelos materiales didácticos con los cuales puede trabajarmejor, poner a los estudiantes en grupos de acuerdo a suspreferencias relativas o utilizar la información "aprendida"por un estudiante en una unidad docente para promoverlos mismos materiales didácticos para otros estudiantescon similares estilos de aprendizaje (filtrado colaborativo)o analizar la prospección de nuevas unidades docentes.

CONCLUSIONES

Se presentó el desarrollo del sistema multiagenteMAS-PLANG compuesto por una arquitectura de dosniveles de agentes inteligentes (asistentes o tutores yagentes de información) para dar adaptatividad a laplataforma educativa USD utilizada para la enseñanza­aprendizaje a través del web en la Universitat de Girona.

La base para la adaptatividad de este sistema hasido el considerar el estilo de aprendizaje del estudiante(adoptado del modelo FSLSM) para ofrecer unidadesdocentes personalizadas, teniendo en cuenta el formatopara la presentación de los materiales didácticos, laestrategia instruccional idónea para la explicación dedeterminada situación, las herramientas de navegaciónapropiadas para un movimiento confortable a través delos contenidos y las estrategias de navegación quepennitan avanzar en el descubrimiento de contenidos conbase en el progreso del estudiante.

Para el modelado del estudiante se utilizaron lastécnicas del Razonamiento Basado en Casos y las reglasde Lógica Difusa embebidas en el sistema HabitatPro, unaherramienta diseñada y utilizada para la personalizaciónde contenidos y prospección de mercados en entornos decomercio electrónico.

Actualmente se realizan pruebas experimentalescon el desempeño de los agentes asistentes se aplican losmétodos estadísticos sugeridos para la convalidación delas respuestas del cuestionario ILS, en la detección de lastendencias de estilos de aprendizaje en lUla muestra de200 estudiantes. Se tiene previsto para el próximo inviernorealizar las pruebas integrales del sistema con simulacionesdel modelado del estudiante en el entorno de las USD,para ofrecer unidades didácticas adaptativas enasignaturas de Introducción a los Computadores.

AGRADECIMIENTOS

Los autores agradecen la colaboración prestadapor el pedagogo Adonys Cbrysos por su profundizaciónen el estudio de los diferentes modelos de estilos deaprendizaje que nos permitieron la selección del másapropiado a las condiciones de nuestra plataforma USD.También se resalta la gran labor realizada por los profesoresinvolucrados en los proyectos de innovación docente dela Universidad de Girona en la elaboración de materialesdidácticos para el soporte a la enseñanza de sus asignaturasa través de las USD.

UN SISTEMA DE TUTORíA INTELIGENTE AOAPTATIVO CONSIDERANOO ESTILOS DE APRENDIZAJE 29

BIBL IOGRAFÍA

[1] A.AAMODT, E.PLAZA, "Case-BasedReasoning:Foundational Issues, Methodological Variations, andSystemApproaches", Al Communications, lOS Press, Vol.7:1, pp. 39-59,1994.

[2] A. MUMFORD & P. HONEY, Using your learningstyles, Honey, Maidenhead, 1996.

[3] e. A. CARVER,RA.HOWARD,andW.D.LANE,"Addressing Different Leaming Styles Through CourseHypermedia", IEEE Transactions on Education, 42(1),February 1999, pp. 33-38.

[4] e. 1. PEÑA, J. 1.. MARZO, "Adaptive IntelligentAgent Approach to Guide the Web Navigation on thePLAN-G Distance Leaming Platform". IEE Colloquium"Lostin the Web - Navigation en the Internet", London,November 1999.

[5] e.1. PEÑA,R FABREGAT,A. URRA, M. VALLES,J.!.. MARZO, "Gestor de Pizarras Compartidas, Libreta deNotas y Marcas para la PlataformaTelemática del PLAN-G",SIIE2000, Simposio Internacional de Informática Educativa,Puerto Llano, Ciudad Real, Spain, November 2000.

[6] C. G. JUNo, The Collected Works ofe. G. Jung, No.6 :Psychological Types , R. F. Hull (Editor), 1971.[7] D. KOLB, Leaming Styles Inventory, McBer & Co,Boston, 1984.

[8] Habitat-Pro™ Environment, Agents InspiredTechnologies S.A, UniversityofGirona, Girona, Spain, 2001,http://www.agentsinspired.com.

[9] H. S. NWANA, N. AZARMI (Eds.). "SoftwareAgents and Soft Computing - Towards Enhancing MachineIntelligence - Concepts andApplications". Lecture NotesinArtificialIntelligence 1198, Springer-Verlag, 1997.

ll.Ql http://www2.ncsu.edulunity/lockers/users/f/felder/public/ILSdir/ilsweb.html

[11] LB. MYERS andM.H. MCCAULLEYM.H., Manual:A Gnide to the Development and Use ofthe Myers-BriggsType Indicator, 2"' Edition. Palo Alto: Consultingpsychologists Press, 1986.

[12] J.1. GIBSON, The Senses Considered as PerceptualSystems, Houghton Mifflin, Boston, 1966.

[13] 1.. CURRY, "Integrating concepts of cognitive orlearning style: A review with attention to psychometricstandards", on: Canadian College of Health ServiceExecutives,Ottawa, 1987.

[14] M.AGUILAR, SMIT: Dissenyi hnplementació d'unAgent Sintetic de Presentaciá per les Unitats deSuport a la Docéncia del PLAN-O, Undergraduate SystemsEngineering Project, Escola Politecnica Superior,Universitat de Girona, España, 2001.

[15] M. R FELDER andL. SILVERMAN, "Leaming andTeaching Styles in Engineering Education". In EngineeringEducation 78(7), 1988, pp. 674-681.http://www2.ncsu.edulunity/lockers/users/f/felder/public/Leaming_Styles.html

[16] M.R. FELDER, Reaching the Second Tier: Leamingand Teaching Styles in College Science Edncation. In JoumalofCollege ScienceTeaching, 23(5), 1993, pp.286-290.

[17] M.R FELDER, Marters ofStyle. InASEEE Prisrn,6(4), 1996,pp. 18-23.

[18] NORTELNETWORKSCORPORATION. "FIPA-OSV1.3.3 DistributionNotes". Open Source, 2000.

[19] P. BRUSILOVSKY, "Methods and Techniques ofAdaptive Hypermedia", User Modeling and User-AdaptedInteraction, Vol. 4, pp. 1-19, Kluwer acadentíc pu1¡lishers,1994.

IN! R DANGWAL and S. MITRA, . "Construction andvalidation ofaLearning Styles Inventory test faI use in India".[on-line document] found at http://www.geocities.comlSoHo/17I8/docsllstyles.html on 17112/99.

[21] RDUNN,K.DUNNandGPRICE,Manual:LearningStyleInventory, KS: Price Systems, Lawrence, 1985.

[22] R. FABREGAT, 1.1.. MARZO, CJ. PEÑA, "Te.chingSupport Units", Computers and Education in the 21stCentury: KluwerAcadentíc Publishers, 2000,

[23] R. OPPERMANN, R. ROSSEN, KINSHUK."Adaptability .nd Adaptivity in Learning Systems".Knowledge Transfer (Volume 11) (Ed, A. Behrooz), Pace,London, UK,ppI73-179, 1997.

[24] S. MONTGOMERY, Addressing Diverse LeamingStyles through the Use of Multimedia, University ofMichigan, 1996.

[25] S. OLIVERAS, hnplementació d'unagent inteHigentd'interfície per assistir a ¡'estudiant quan realitza feinesd'aprenentatge en la plataforma telematica educativa delPLAN-O, Undergraduate Systems Engineering Project,Escola Politecnica Superior. Universitat de Girana, España,2000.

[26] S. W. REICHMAN andA.F. GRASHA, "A rationalapproach to developing and assessing the constructvalidity ofa study leaming style scales investment", JoumalofPsychology, 87 pp. 213-223, 1974,

30

CLARA INÉs PEÑA

8IS:1n~;;:as REVISTA DE LA FACULTAD DE INGENIERíAS FI51COMECÁNICAS

CURRlCULUM

Ingeniera de Sistemas de la Universidad Indnstrialde Santander, actualmente realiza su Tesis doctoral en LaUniversitad de Girana (España). Pertenece grupoinvestigación Comunicaciones en B'andaAncha y SistemasDistribnidos . E-mail;clarenes@eia.ndg.es.

JOSELMARZO

Profesor titular en La Universidad de GiTana(España). Es Director grupo investigación Comnnicacionesen Banda Ancha y Sistemas Distribuidos. E-mail;marzo@eia.udg.es

JOSEP LLUÍS DE LA ROSA

Profesor titular Universidad de Girana (España).Actualmente es el Presidente de la compañía AgentsInspired Tecbnologies S.A. E-mail;peplluis@eia.udg.es.

RAMÓNFABREGAT

Profesor titular Universidad de Girona (España). Pertenecegrupo investigación Comunicaciones en Banda Anchay Sistemas Distribuidos. E-mail;ramon@eia.udg.es