USO DE ONTOLOGÍAS FORMALES PARA EL SOPORTE AL DISEÑO ...

UNIVERSIDAD DE CASTILLA LA MANCHA

DEPARTAMENTO DE TECNOLOGÍAS Y SISTEMAS DE LA

INFORMACIÓN

TESIS DOCTORAL

USO DE ONTOLOGÍAS FORMALES PARA EL

SOPORTE AL DISEÑO INSTRUCCIONAL

Autor:

Christian Lautaro Vidal Castro

Directores:

Dr. Manuel Emilio Prieto Méndez

Dr. Miguel Ángel Sicilia Urbán

Ciudad Real, 2011

Dedicatoria en Décima*

No hay deuda que no se pague

ni plazo que no se cumpla,

aunque en parte es mi culpa

no haber terminado antes.

No es una obra de arte

la que hoy termino contento,

mas dedico este intento

a Antonia y a Martín,

mis hijos que hasta el fin,

tendrán mi amor y esfuerzo.

Ciudad Real, Septiembre de 2011

* Décima : “Combinación métrica de diez versos octosílabos, de los cuales, por regla general, rima el

primero con el cuarto y el quinto; el segundo, con el tercero; el sexto, con el séptimo y el último, y el

octavo, con el noveno. Admite punto final o dos puntos después del cuarto verso, y no los admite después

del quinto“(Diccionario de la Lengua Española, Real Académia Española).

“La décima es una de las formas estróficas de mayor arraigo y amplia distribución en toda Latinoamérica,

siendo especialmente significativa en la poesía popular y rural. Ejemplo de esto es la actual pervivencia

de prácticas como las payas, donde suele usarse que dos o más cantores se enfrenten en un duelo de

décimas improvisadas en el momento, con acompañamiento musical, generalmente la

guitarra”(Wikipedia.org).

I

Índice General

ÍNDICE GENERAL ...............................................................................................................I

ÍNDICE DE TABLAS.......................................................................................................... V

ÍNDICE DE FIGURAS..................................................................................................... VII

RESUMEN............................................................................................................................IX

AGRADECIMIENTOS.......................................................................................................XI

CAPÍTULO 1. INTRODUCCIÓN A LA INVESTIGACIÓN...................................... 13

1.1. INTRODUCCIÓN............................................................................................................ 13 1.2. DESCRIPCIÓN DEL PROBLEMA.................................................................................... 14 1.3. MOTIVACIÓN PARA EL USO DE LENGUAJES ONTOLÓGICOS PARA DAR SOPORTE AL

DISEÑO INSTRUCCIONAL........................................................................................... 16 1.4. HIPÓTESIS DE PARTIDA ............................................................................................... 19 1.5. OBJETIVOS ................................................................................................................... 19 1.6. MÉTODO DE TRABAJO ................................................................................................ 20 1.7. MARCO DEL TRABAJO................................................................................................. 21 1.8. ORGANIZACIÓN DEL TRABAJO ................................................................................... 22

CAPÍTULO 2. ESTADO DEL ARTE............................................................................. 25

2.1. EL E-LEARNING Y LAS TECNOLOGÍAS PARA LA EDUCACIÓN. .................................. 25 2.2. RECURSOS DIGITALES PARA EL APRENDIZAJE .......................................................... 27 2.2.1. OBJETOS DE APRENDIZAJE.......................................................................................... 27 2.2.2. ESTÁNDARES Y ESPECIFICACIONES PARA OBJETOS DE APRENDIZAJE. ...................... 29 2.2.2.1 El estándar IEEE LOM............................................................................................... 29 2.2.2.2 La especificación IMS Content Packaging e IMS Simple Sequencing ...................... 31 2.2.2.3 La especificación SCORM ......................................................................................... 32 2.2.3. DISEÑOS DE APRENDIZAJE .......................................................................................... 33 2.2.4. LENGUAJES DE MODELADO EDUCATIVO Y LA ESPECIFICACIÓN IMS-LD ................. 34 2.2.4.1 El lenguaje OUNL-EML............................................................................................. 35 2.2.4.2 La especificación IMS Learning Design..................................................................... 36 2.2.5. LA ESPECIFICACIÓN IMS RDCEO .............................................................................. 39 2.3. PROCESO DE CONSTRUCCIÓN DE UN LD.................................................................... 41 2.4. REPRESENTACIÓN DE CONOCIMIENTO ...................................................................... 44 2.4.1. MODELOS DE REPRESENTACIÓN DE CONOCIMIENTO .................................................. 44 2.4.2. REPRESENTACIÓN DE CONOCIMIENTO Y WEB SEMÁNTICA ........................................ 46 2.4.3. ONTOLOGÍAS ............................................................................................................... 48 2.4.4. LÓGICA DESCRIPTIVA ................................................................................................. 49

II

2.4.5. WEB ONTOLOGY LANGUAGE (OWL) ......................................................................... 51 2.4.6. SEMANTIC WEB RULES LANGUAGE (SWRL) ............................................................. 54 2.5. DISEÑO INSTRUCCIONAL. ........................................................................................... 56 2.5.1. TEORÍAS SOBRE EL APRENDIZAJE ............................................................................... 57 2.5.2. TEORÍAS DE DISEÑO INSTRUCCIONAL......................................................................... 58 2.5.3. DESCRIPCIÓN DE ALGUNAS TEORÍAS DE DISEÑO INSTRUCCIONAL ............................. 60 2.5.3.1 Teoría de Elaboración: Guía para decisiones de alcance y secuencia......................... 61 2.5.3.2 Teoría de Inteligencias Multiples................................................................................ 63 2.5.3.3 Teoría “Learning by Doing” ....................................................................................... 64 2.6. ONTOLOGÍAS RELACIONADAS CON EL DISEÑO INSTRUCCIONAL ............................ 65 2.6.1. ONTOLOGÍA PARA LA REPRESENTACIÓN SEMÁNTICA DE OA..................................... 66 2.6.2. ONTOLOGÍAS DEL ESTÁNDAR LOM ........................................................................... 67 2.6.3. ONTOLOGÍAS DE IMS-LD ........................................................................................... 68 2.6.4. ONTOLOGÍAS DE TEORÍAS EDUCATIVAS...................................................................... 71 2.7. CONCLUSIONES DEL ESTADO DEL ARTE ................................................................... 73

CAPÍTULO 3. MODELO ONTOLÓGICO PARA LA REPRESENTACIÓN DE

TEORÍAS DE DISEÑO INSTRUCCIONAL......................................................... 77

3.1. SUPUESTO UTILIZADOS EN EL MODELADO ................................................................ 77 3.2. ENFOQUE DE MODELADO UTILIZADO ........................................................................ 78 3.3. USO DE LA ONTOLOGÍA IMS-LD................................................................................ 79 3.4. DEFINICIÓN DEL CATÁLOGO DE REPRESENTACIONES BASADO EN REGLAS ........... 83 3.5. OTRAS ESTRUCTURAS ONTOLÓGICAS RELACIONADAS CON EL CATÁLOGO ........... 84 3.6. CARACTERÍSTICAS DE LAS REGLAS UTILIZADAS EN LA REPRESENTACIÓN. ........... 86 3.7. POSIBLES USOS DEL CATÁLOGO ................................................................................. 90 3.8. CONCLUSIONES DEL CAPÍTULO.................................................................................. 91

CAPÍTULO 4. CATÁLOGO DE REPRESENTACIONES DE TEORÍAS DE

DISEÑO INSTRUCCIONAL .................................................................................. 93

4.1. SELECCIÓN DE LAS TEORÍAS A INCORPORAR EN EL CATÁLOGO ............................. 93 4.2. MODELADO DE LA TEORÍA DE ELABORACIÓN .......................................................... 94 4.2.1. TEORÍA DE ELABORACIÓN Y ESTRUCTURA DE CONOCIMIENTO CONCEPTUAL. ......... 94 4.2.2. USO DE ONTOLOGÍAS DE DOMINIO EN LA REPRESENTACIÓN FORMAL. ....................... 96 4.2.3. MODELADO DEL MÉTODO SECUENCIA DE ELABORACIÓN CONCEPTUAL. .................. 98 4.2.4. MODELADO DEL MÉTODO SECUENCIA DE ELABORACIÓN TEÓRICA......................... 101 4.2.5. MODELADO DEL MÉTODO SIMPLIFICACIÓN DE LA SECUENCIA DE CONDICIONES.... 101 4.2.5.1 Secuencia de condiciones y competencias................................................................ 102 4.2.5.2 Modelado del método Simplificación de la Secuencia de Condiciones.................... 103 4.3. MODELADO DE LA TEORÍA “LEARNING BY DOING”............................................... 111 4.4. MODELADO DE LA TEORÍA DE INTELIGENCIAS MÚLTIPLES.................................. 112

III

CAPÍTULO 5. IMPLEMENTACIÓN DE LA SOLUCIÓN....................................... 113

5.1. DESCRIPCIÓN DE LA SOLUCIÓN IMPLEMENTADA ................................................... 113 5.2. IMPLEMENTACIÓN DEL CATÁLOGO BASADO EN REGLAS ....................................... 114 5.3. CONSTRUCCIÓN DE LA APLICACIÓN DE VALIDACIÓN DE MÉTODOS DE DI ........... 119 5.3.1. CARACTERÍSTICAS GENERALES Y ENTORNO DE LA APLICACIÓN .............................. 119 5.3.2. IMPLEMENTACIÓN DE LA APLICACIÓN ...................................................................... 120 5.3.3. DESCRIPCIÓN FUNCIONAL DE LA APLICACIÓN .......................................................... 123 5.4. CONCLUSIONES DE LA IMPLEMENTACIÓN............................................................... 128

CAPÍTULO 6. EVALUACIÓN..................................................................................... 131

6.1. DESCRIPCIÓN GENERAL DEL PROCESO DE EVALUACIÓN ....................................... 131 6.2. EVALUACIÓN DE LA ACEPTACIÓN DE USO: APLICACIÓN DEL MODELO TAM....... 133 6.2.1. USO DEL MODELO TAM............................................................................................ 133 6.2.2. DEFINICIÓN DE HIPÓTESIS ......................................................................................... 135 6.2.3. CUESTIONARIO UTILIZADO ....................................................................................... 135 6.2.4. RECOLECCIÓN DE DATOS .......................................................................................... 136 6.2.5. RESULTADOS OBTENIDOS ......................................................................................... 137 6.2.6. ANÁLISIS DE LOS RESULTADOS ................................................................................. 139 6.3. EVALUACIÓN DE LA USABILIDAD: APLICACIÓN DEL PROTOCOLO THINK ALOUD Y

CUESTIONARIO SUMI.............................................................................................. 141 6.3.1. APLICACIÓN DEL PROTOCOLO THINK ALOUD .......................................................... 141 6.3.1.1 Procedimiento experimental ..................................................................................... 142 6.3.1.2 Análisis de los registros y resultados obtenidos........................................................ 144 6.3.2. CUESTIONARIO SUMI DE EVALUACIÓN DE USABILIDAD.......................................... 146 6.3.2.1 Participantes.............................................................................................................. 147 6.3.2.2 Procesamiento de los datos y resultados obtenidos. ................................................. 147 6.3.3. ANÁLISIS DE RESULTADOS DE LA EVALUACIÓN DE LA USABILIDAD........................ 149 6.4. EVALUACIÓN DE LA APLICABILIDAD DE LAS REPRESENTACIONES: UN CASO DE

ESTUDIO.................................................................................................................... 151 6.4.1. DESCRIPCIÓN DEL LEARNING DESIGN INICIAL ........................................................ 151 6.4.2. MEJORAMIENTO DEL LD INICIAL EN BASE A LAS SUGERENCIAS DEL SOFTWARE DE

ANÁLISIS DE LD ........................................................................................................ 157 6.4.3. CONCLUSIONES DEL CASO DE ESTUDIO .................................................................... 162 6.5. EVALUACIÓN DE LAS REPRESENTACIONES ONTOLÓGICAS. ................................... 163 6.5.1. EVALUACIÓN SINTÁCTICA Y REGLAS BIEN FORMADAS ............................................ 163 6.5.2. OPINIÓN DE EXPERTOS .............................................................................................. 163 6.5.3. ANÁLISIS DE LAS OPINIONES DE EXPERTOS .............................................................. 168 6.5.4. CONCLUSIONES DE LA EVALUACIÓN DE LAS REPRESENTACIONES. .......................... 170 6.6. CONCLUSIONES DEL PROCESO DE EVALUACIÓN .................................................... 170

CAPÍTULO 7. CONCLUSIONES ................................................................................ 173

7.1. VERIFICACIÓN DE LOS OBJETIVOS Y LA HIPÓTESIS............................................... 173 7.2. CONCLUSIONES DEL TRABAJO.................................................................................. 176

IV

7.3. APORTACIONES ......................................................................................................... 178 7.3.1. APORTACIONES TEÓRICAS ........................................................................................ 178 7.3.2. APORTACIONES PRÁCTICAS ...................................................................................... 179 7.4. LÍNEAS DE TRABAJO FUTURAS.................................................................................. 180 7.5. PUBLICACIONES Y CONTRIBUCIONES DERIVADAS .................................................. 182 7.6. OTRAS PUBLICACIONES ............................................................................................ 182 7.6.1. REVISTAS O CAPÍTULOS DE LIBROS .......................................................................... 183 7.6.2. CONGRESOS INTERNACIONALES ............................................................................... 184 7.6.3. CONGRESOS NACIONALES ......................................................................................... 187

REFERENCIAS ................................................................................................................. 189

ANEXO A. EXTRACTO DE LA REPRESENTACIÓN ONTOLÓGICA PARCIAL

DE LOS MÉTODOS DE LA TEORÍA “LEARNING BY DOING”. ................ 203

ANEXO B. EXTRACTO DE LA REPRESENTACIÓN ONTOLÓGICA PARCIAL

DE LOS MÉTODOS DE LA TEORÍA DE INTELIGENCIAS MÚLTIPLES. 207

ANEXO C. EXTRACTO DE DOCUMENTACIÓN DE LA APLICACIÓN

TERPSÍCORE......................................................................................................... 210

ANEXO D. DESCRIPCIÓN DEL FUNCIONAMIENTO DE TERPSICORE Y

AYUDA AL USUARIO .......................................................................................... 224

ANEXO E. INSTRUMENTO PARA LA EVALUACIÓN UTILIZADO EN LA

APLICACIÓN DE TECHNOLOGY ACEPTANCE MODEL .......................... 235

ANEXO F. ÍTEMS CONSIDERADOS EN EL CUESTIONARIO DE USABILIDAD

SUMI ...................................................................................................................... 237

ANEXO G. CÓDIGO DE ARCHIVO IMSMANIFEST.XML DEL LEARNING

DESIGN INICIAL .................................................................................................. 240

V

Índice de Tablas

Tabla 1. Notación de ejemplo para la definición de conceptos utilizando Lógica Descriptiva. ................50 Tabla 2. Notación de ejemplo para la definición de cuantificadores existenciales y universales en Lógica

Descriptiva. ..................................................................................................................................50 Tabla 3. Definición de restricciones de cantidad en Lógica Descriptiva...................................................50 Tabla 4. Trabajos que utilizan ontologías para modelar algún aspecto del diseño de recursos. ..............74 Tabla 5. Actividades realizadas para el modelado de cada teoría ID. ......................................................79 Tabla 6. Extracto de la información almacenada en las subontologías por cada LD. ..............................80 Tabla 7. Ejemplo de métodos con representaciones completa, parcial y no representables......................88 Tabla 8. Correspondencia entre relaciones de la ontología de dominio y la TGS.....................................97 Tabla 9. Relaciones de la ontología que permiten definir que un tópico T1 está relacionado con otro

tópico T2. .....................................................................................................................................98 Tabla 10. Representación del método Secuencia de Elaboración Conceptual de la Teoría de Elaboración.

.....................................................................................................................................................99 Tabla 11. Representación del método Simplificación de la Secuencia de Condiciones de la Teoría de

Elaboración................................................................................................................................106 Tabla 12.Espacio de nombres utilizados en la ontología IMS-LD. ..........................................................114 Tabla 13. Resumen del proceso de Evaluación. .......................................................................................132 Tabla 14. Preguntas del cuestionario que evalúan las 4 variables del modelo TAM propuesto..............136 Tabla 15. Resumen de características de los evaluadores. ......................................................................137 Tabla 16. Medidas obtenidas para las variables e ítems del instrumento de evaluación.........................138 Tabla 17. Matriz de correlaciones entre las variables de estudio............................................................138 Tabla 18. Problemas detectados mediante la aplicación del método TAP. .............................................144 Tabla 19.Expresiones positivas de los usuarios relacionadas con la usabilidad del Software................146 Tabla 20. Resultado Global y para cada ítem del cuestionario SUMI.....................................................148 Tabla 21. Ítems con mayores diferencias de lo esperado en la base SUMISCO......................................149 Tabla 22. Resumen de la información contenida en el LD inicial............................................................154 Tabla 23. Resumen de la información contenida en el LD mejorado.......................................................161 Tabla 24. Aspectos de las representaciones ontológicas y preguntas relacionadas utilizadas en la

evaluación. .................................................................................................................................164

VII

Índice de Figuras

Figura 1. Esquema general del trabajo......................................................................................................24 Figura 2. Categorías y campos del estándar IEEE-LOM. .........................................................................30 Figura 3. IMS Content Packaging. Figura extraída desde (IMS, 2001). ...................................................32 Figura 4. Representación conceptual de los elementos de una Unidad de Aprendizaje, extraída desde

(IMS, 2003b).............................................................................................................................37 Figura 5: Elemento organization reemplazado por el elemento Learning Design en un IMS Content

Package. Figura extraída desde (IMS, 2003b).........................................................................38 Figura 6. Estructura de la especificación IMS RDCEO. Figura tomada desde IMS Rubric Specification

(IMS, 2005)...............................................................................................................................40 Figura 7. Entorno de edición ReCourse de TENCompetence Project. ......................................................43 Figura 8. (a) Arquitectura de capas de la Web Semántica basada en las ideas de Berner-Lee. (b)

Incorporación de la capa de ontologías y reglas en la arquitectura........................................47 Figura 9. Ubicación de OWL y SWRL en la estructura de capas. .............................................................48 Figura 10. Ejemplo de una Estructura de Conocimiento Conceptual. Extraído de (Reigeluth, 1999a). ...62 Figura 11. Extracto de clases de la ontología LOM2OWL. Figura generada con la herramienta OntoViz.

..................................................................................................................................................68 Figura 12. Conceptos y relaciones de la Ontología IMS-LD (Amorim et al., 2006). Figura generada con

la herramienta OntoViz. ...........................................................................................................70 Figura 13. Vista general de los conceptos de nivel superior de la ontología Ominubus. Figura extraída

desde Hayashi, Bourdeau et al. (2006).....................................................................................72 Figura 14. Subontología ld.owl de la ontología IMS-LD. Figura generada con la herramienta

OntoViz. ....................................................................................................................................81 Figura 15. Subontología uol.owl de la ontología IMS-LD. Figura generada con la herramienta

OntoViz. ....................................................................................................................................82 Figura 16. Subontología lom.owl de la ontología IMS-LD. Figura generada con la herramienta

OntoViz. ....................................................................................................................................82 Figura 17. Relación entre el Catálogo de métodos de TDI con otras estructuras ontológicas..................86 Figura 18. Vinculación requerida entre un LD y una ontología de dominio. ............................................95 Figura 19. Relación entre ontología de dominio, TGS y el catálogo de TDI. ............................................96 Figura 20. Extracto del código OWL de la clase KnowledgeItem que define la Estructura General de

Tópicos para el aprendizaje. ....................................................................................................97 Figura 21. Extracto del código OWL de la clase ConditionItem que permite representar las

condiciones para el aprendizaje de una tarea........................................................................104 Figura 22. Relación entre las actividades de aprendizaje definidas en un LD y la secuencia de

condiciones definidas para representar el método SCM........................................................105 Figura 23. Edición de clases en entorno Protégé. ...................................................................................115 Figura 24. Extracto del código OWL que representa a la ontología IMS-LD. ........................................116 Figura 25. Entorno de edición y ejecución de reglas SWRL utilizando SWRLTab de Protégé................117 Figura 26. Arquitectura de TERPSICORE y su relación con el editor Recourse. ..................................121 Figura 27. Diagrama de secuencia de la aplicación................................................................................122 Figura 28. Arquitectura funcional del prototipo......................................................................................123 Figura 29. Terpsícore integrado al entorno del editor Recourse.............................................................125 Figura 30. Proceso de creación de instancias en la ontología IMS-LD. .................................................126 Figura 31. Método leeManifest() de la clase LeeManifest.java que realiza la lectura del archivo

imsmanifest.xml. .....................................................................................................................126 Figura 32. Método de la clase BridgeInferencia.java que realiza la ejecución de las reglas..................127 Figura 33. Extracto del código XML resultante de la validación de cumplimiento de los métodos

representados en el catálogo de métodos de TDI...................................................................128

VIII

Figura 34. Modelo de Aceptación de Tecnología (Davis, 1989) ............................................................. 134 Figura 35. Modelo propuesto para evaluar la aceptación de uso del software Terpsícore. ................... 135 Figura 36. Resultados del análisis de caminos del modelo. .................................................................... 139 Figura 37. Tarea a realizar por el usuario y reglas definidas para la aplicación de TAP...................... 143 Figura 38. Comparación de las medidas cuantitativas de usabilidad con la base de datos de SUMISCO.

................................................................................................................................................ 149 Figura 39. Descripción del caso de estudio............................................................................................. 151 Figura 40. Tópicos de EnvO Ontology cubiertos por el LD. Figura generada con el editor OBO-Edit

ontology disponible en http://oboedit.org. ............................................................................. 152 Figura 41. Fragmento del Learning Design y la relación de las actividades de aprendizaje con tópicos

contenidos en Topics General Schema................................................................................... 153 Figura 42. Un Objeto de Aprendizaje utilizado en la construcción del LD inicial. Este recurso ha sido

recuperado desde el repositorio MERLOT (http://www.merlot.org). .................................... 155 Figura 43. Pantalla de Terpsícore que permite definir la vinculación entre Actividades de Aprendizaje y

Tópicos de Aprendizaje de la ontología de dominio. ............................................................. 156 Figura 44. Resultados del análisis de la conformidad del LD con el método Secuencia de Elaboración

Conceptual. ............................................................................................................................ 157 Figura 45. Instancias del Learning Design en la ontología IMS-LD para el caso de estudio................. 158 Figura 46. Resultado del análisis del LD mejorado. ............................................................................... 162 Figura 47. Pantalla principal del editor Recourse. ................................................................................. 225 Figura 48. Elección de la representación de una Teoría de Diseño Instruccional para realizar el análisis.

................................................................................................................................................ 226 Figura 49. Selección del método de Diseño Instruccional y de la ontología de dominio que contiene los

tópicos de aprendizaje............................................................................................................ 227 Figura 50. Vinculación de Actividades de Aprendizaje con Tópicos de la ontología de dominio. .......... 229 Figura 51. Fragmento de la ontología de dominio que contiene los tópicos utilizados en el LD............ 230 Figura 52. Sugerencias generadas como resultados del análisis del LD. ............................................... 230 Figura 53. Pantalla que muestra el fundamento teórico de una sugerencia. .......................................... 231 Figura 54. Vinculación de Actividades de Aprendizaje con Condiciones de una tarea, al utilizar el

método Simplifying Conditions Sequence. ............................................................................. 232 Figura 55. Instancias de Condiciones genéricas para una tarea utilizadas en el ejemplo anterior........ 233 Figura 56. Sugerencias generadas luego del análisis del LD con el método Simplifying Conditions

Sequence................................................................................................................................. 234

IX

Resumen

En ambientes de e-learning, el diseño de recursos para el aprendizaje es una actividad

compleja y no exenta de dificultades. Las Teorías de Diseño Instruccional proporcionan

un fundamento para orientar y sustentar el diseño, entregando métodos y guías que

ayudan a los diseñadores a tomar decisiones prácticas sobre la construcción de recursos.

Sin embargo, estas teorías están expresadas en lenguaje natural. Lo anterior, origina la

necesidad de contar con representaciones formales de estas teorías, de manera que

puedan ser utilizadas para asistir en la aplicación de estos métodos en entornos de

diseño.

El objetivo de este trabajo, es el modelado de teorías de diseño instruccional mediante

lenguajes con semántica computacional, cuyas representaciones puedan ser utilizados

para dar soporte al proceso de diseño instruccional, más específicamente, a la creación

de Learning Design. Las representaciones obtenidas, conforman el denominado

Catálogo de Teorías de Diseño Instruccional. En el modelado se utilizó una ontología

que representa la especificación IMS-LD, en la que los métodos son representados

como restricciones a la estructura y contenidos de la ontología. Se presentan algunas

utilidades del Catálogo para el diseño instruccional y una de estas aplicaciones fue

implementada y evaluada.

El proceso de evaluación abordó cuatro aspectos de la propuesta presentada en esta

tesis. Estos aspectos se relacionan con la aplicabilidad de las representaciones de las

teorías de diseño instruccional contenidas en el Catálogo, la correctitud de dichos

modelos, la aceptación de uso y, finalmente, la usabilidad del software que hace uso de

tales representaciones para asistir en el diseño.

La principal aportación de esta tesis se refiere a la proposición de un modelo general

para el modelado formal de teorías de diseño instruccional, que hasta el momento no

existe en la literatura. Los aportes más prácticos se relacionan con la obtención del

Catálogo de teorías de diseño instruccional, expresado en un lenguaje formal, que puede

ser utilizado por diversas aplicaciones y de un prototipo de software que permite

analizar la conformidad de un Learning Design con una determinada teoría.

XI

Agradecimientos

Muchas personas me ayudaron a realizar este trabajo. Agradezco de todo corazón el esfuerzo de Antonia y Martín, por darme alegrías y razones para seguir adelante; a Maricel por su paciencia, sacrificio y comprensión. A mis padres, Lautaro y Gloria, por su ejemplo y por nunca dejar de apoyarme. A Andrés, Miguel y Felipe, por cantar conmigo y estar siempre dispuestos a ayudarme. A Marcela por sus buenos deseos. A Ignacio por prestarme su computador y su compañía, a Juan Moraga por sus dibujos, y a todos los que me animaron y, de alguna manera, me ayudaron mientras estuve en España. Quiero agradecer también, la ayuda brindada por mis directores de tesis, Dr. Manuel Prieto y Dr. Miguel Ángel Sicilia. Ambos, dedicando paciencia, tiempo y esfuerzo, supieron guiarme y compartir su conocimiento para mostrar el camino que debía seguir para finalizar esta tesis. Con mucho afecto quiero agradecer el apoyo de mis amigos Gonzalo Silva y Alejandra Segura, quienes me brindaron su compañía, afecto y su hogar en Madrid. También quiero agradecer a Gustavo Isaza por su amistad y por sus consejos técnicos, pero por sobre todo, por brindarme su amistad. A mis compañeros y amigos del Laboratorio SMILE: Alfredo, Víctor y Mateus, Emilio, Rosario, Elio y Jorge; a mis compañeros del grupo MAT: Tere, Máximo, Eusebio y José Luís y a Clemente del grupo DecTau. También a Natalia, Alice y Berta. Con ellos compartí largas horas de trabajo y de entretenida conversación. Gracias a todos ellos por su amistad y por ayudarme en mi tesis. Agradezco también al Dr. José Ángel Olivas, al Dr. Francisco Romero, y al Dr. Jesús Serrano por sus constructivos aportes a mi formación doctoral. No puedo dejar de agradecer la ayuda brindada por el grupo de investigación Information Engineering de la Universidad de Alcalá de Henares, en especial al Dr. Salvador Sánchez por su disposición a escuchar y a compartir siempre un sabio consejo, a la Dra. Elena García por su apoyo y calidez humana y a Rosmary Calzadilla por su ayuda en la programación con java-SWRL. Finalmente, quiero agradecer a la Universidad del Bío-Bío de Chile, a la Facultad de Ciencias Empresariales y al Departamento de Sistemas de Información, que hicieron posible la realización del programa de doctorado y mi estadía en España.

13

Capítulo 1. Introducción a la investigación

El objetivo de este capítulo es presentar una síntesis de los objetivos y de la hipótesis

que guía el desarrollo de esta tesis, considerando los aspectos que motivan su

desarrollo. Posteriormente, se detalla el método utilizado para la realización del

trabajo así como la organización del resto del documento.

1.1. Introducción

En ambientes de e-learning, el diseño de recursos para el aprendizaje es una actividad

compleja y no exenta de dificultades. Cada diseñador debe considerar en el diseño el

uso y/o creación de contenidos de aprendizaje, actividades, recursos, servicios y

participantes por mencionar algunos elementos.

La existencia de Teorías de Diseño Instruccional (TDI) proporcionan un fundamento

para orientar y sustentar el diseño (Reigeluth, 1999a). Las TDI se orientan al diseño y

pueden utilizarse en situaciones específicas. Proporcionan métodos y reglas que ayudan

a los diseñadores a tomar decisiones prácticas sobre la construcción de recursos para el

aprendizaje.

Sin embargo, las TDI están habitualmente expresadas en lenguaje natural. Mizoguchi

(2002) sostiene que se requiere articular y organizar el conocimiento oculto en las

teorías provenientes de las Ciencias del Aprendizaje, Ciencias Instruccionales y del

Diseño Instruccional (DI), e implementarlo en una forma computacional para poder

usarlo.

14

La carencia de representaciones formales sobre las TDI, expresados mediante lenguajes

con semántica computacional, dificultan apoyar la correcta aplicación de métodos de

diseño instruccional mediante herramientas basados en computador. Este trabajo apunta

a resolver parte de este problema.

1.2. Descripción del problema

Como indican Koper & Tattersall (2005), en educación no existe la costumbre de

utilizar notaciones formales en el diseño de cursos. La utilización de una notación

común y formal en el diseño de cursos permitiría incrementar la efectividad de la

educación y reducir los costos mediante el apoyo automatizado a actividades repetitivas

del proceso. Aunque se han propuesto diversos esquemas para formalizar la descripción

de cursos o secuencias didácticas, la especificación IMS-LD (IMS, 2003b) aparece

como una de las soluciones más aceptadas para este problema. El concepto conocido

como Learning Design1 (LD) es el resultado de aplicar guías prácticas de diseño para la

especificar secuencias didácticas, como algún método de diseño instruccional. Un LD es

descrito por metadatos estandarizados que describen la estructura, objetivos y flujos de

actividades y contenidos en detalle (Sicilia, 2007b). El diseño final o LD podría ser

reutilizado en diferentes tiempos y lugares. Sin embargo, un Learning Design es el

resultado del proceso de diseño, pero no es el método de diseño en sí mismo. En este

sentido la especificación IMS-LD2 permite expresar el resultado del proceso de diseño

de instrucción, pero no las reglas, guías y/o métodos usados en su construcción. Un

primer problema se relaciona con que no se registra la forma en que se llevó a cabo el

diseño, ni las decisiones que fueron tomadas durante el diseño. Muy poca información

es compartida que permita “conocer” la racionalidad del diseño (Sicilia, Lytras,

Sánchez-Alonso, García-Barriocanal, & Zapata-Ros, 2011). Por ejemplo, no se registra

qué TDI fueron utilizadas. En este sentido, el trabajo de Laurillard & Ljubojevic (2011)

intenta descubrir qué aspectos pedagógicos fueron utilizados en el diseño de

1 Se mantiene el término en inglés, en lugar de su traducción, para referirnos al resultado final del proceso de

diseño, que representa a un curso, a una lección o un evento de aprendizaje.

2 Se refiere al lenguaje de modelado que permite la especificación de un LD.

15

aprendizaje. Este enfoque obtiene principios de diseño a partir de teorías de aprendizaje

y patrones de pedagógicos utilizando un Marco Conversacional3. Sin embargo, sus

resultados no son representados en un lenguaje formal ni pueden ser fácilmente

compartidos por otros sistemas.

El registro del proceso de diseño, en una forma computable y reutilizable, permitiría

compartir no sólo los recursos sino también el proceso utilizado en el diseño de los

recursos (Sicilia, 2007a). Actualmente, no hay forma de describir en un formato

procesable por computador los métodos de diseño instruccional utilizados en la

construcción de un LD.

Lo anteriormente expuesto, origina la necesidad de contar con representaciones

formales de las guías y/o reglas de métodos de DI de manera que puedan utilizarse para

asistir en la aplicación de estos métodos en entornos de diseño. Por ejemplo, para el

método “Select fewer topics to treat them in greater depth" de la teoría de Inteligencias

Multiples (Gardner, 1999), una representación en lenguaje formal podría ser la

siguiente:

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ KnowledgeItem(?c4) ^ concept-includes(?c1, ?c2) ^ concept-includes(?c2, ?c3) ^ concept-includes(?c3, ?c4) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c1, ?c4) ^ differentFrom(?c2, ?c3) ^ differentFrom(?c2, ?c4) ^ differentFrom(?c3, ?c4) � greaterDepth(?c1, “true”)

En este caso, los tópicos de aprendizaje son denominados KnowledgeItem. La

profundidad de los tópicos considerados por el LD fue modelada en relación a los

tópicos que incluye. La profundidad del tópico es representada en la ontología mediante

una jerarquía de tópicos, los que están relacionados con los objetivos de aprendizaje del

LD. En este ejemplo, se consideró para el modelado, el supuesto que un tópico tiene

“gran profundidad” sí tiene más de dos niveles de profundidad. Este tipo de

representaciones pueden ser utilizadas por un software para analizar la conformidad de

un LD en respecto de un método de una TDI o para guiar el diseño mediante asistentes.

El problema de investigación de esta tesis, se refiere a la posibilidad de representar

teorías de diseño instruccional mediante lenguajes con semántica computacional que

3 http://edutechwiki.unige.ch/en/Laurillard_conversational_framework

16

puedan utilizarse por algún software especializado para dar soporte el proceso de diseño

instruccional basado en esas teorías. En resumen, se requiere disponer de colecciones de

métodos de DI, representados en lenguaje formal y utilizarlos como apoyo en el proceso

de Diseño Instruccional.

1.3. Motivación para el uso de lenguajes ontológicos para dar

soporte al Diseño Instruccional

Analizar el proceso de diseño de LDs, puede resultar útil para el propósito de modelar

las actividades de diseño y posteriormente reutilizarlos. Sin embargo, el proceso de

construcción de LD es un problema complejo. Esto se debe, entre otros aspectos, a la

naturaleza del DI y del aprendizaje humano. Los siguientes son algunos de los

problemas relacionados al diseño de esquemas, secuencias y recursos para el

aprendizaje:

• Se pueden utilizar diferentes posiciones o fundamentos pedagógicos dependiendo

de los principios o teorías epistemológicas utilizados para entender el aprendizaje

humano (Sicilia & Lytras, 2005).

• El diseño para el aprendizajes puede ser considerado como un problema de

“racionalidad expandible” (Sicilia, Sánchez-Alonso, & García-Barriocanal,

2006), lo que provoca expansiones al problema en relación a los requerimientos

iniciales.

• El aprendizaje es no determinístico, no estático y no discreto. Es decir es un

proceso que evoluciona, si por ejemplo se considera que el aprendizaje lo

construye cada aprendiz en forma distinta. El aprendizaje tampoco es observable

de forma directa, puesto que es un proceso que ocurre “en la mente” de cada

aprendiz (Sicilia et al., 2006).

• El diseño para el aprendizaje puede incluir numerosas combinaciones de

materiales, actividades y de recursos que están disponibles y que pueden ser

utilizados.

Lo anterior provoca que el diseño para el aprendizaje requiera de racionalidad abierta

(Sicilia, 2007b). Esto significa que el problema del diseño posee características que

hacen compleja la obtención de una solución completa. Por ejemplo, se produce una

17

expansión no esperada de los conceptos abarcados inicialmente por el problema y para

obtener una solución se utiliza la intuición, la imaginación y la aplicación de heurísticas.

Como consecuencia de esto, diversas soluciones de diseño podrían existir para un

mismo objetivo de aprendizaje.

Sin embargo, aparecen algunas oportunidades que pueden ser aprovechadas para

incorporar tecnología de apoyo al proceso de diseño de recursos. En este sentido,

algunos factores que merecen ser destacados son:

• La existencia de un estándar para expresar los diseños de aprendizaje como la

especificación IMS-LD. El uso de IMS-LD proporciona:

• Un lenguaje común para expresar las actividades de aprendizaje que considera

actividades, participantes, roles y recursos agrupados en función de un

objetivo. Todos los componentes están estructurados en un esquema que

puede ser interpretado correctamente por motores de ejecución de LD(IMS,

2003b).

• Alta expresividad y con una interpretación correcta por parte de sistemas que

lo pueden ejecutar, como por ejemplo Coppercore4. Es decir, puede

representarse cualquier actividad de aprendizaje y el esquema generado,

basado en XML, puede ser ejecutado por computadores.

• Flexibilidad para soportar distintos métodos y enfoques de instrucción, por

ejemplo aprendizaje activo, aprendizaje colaborativo, basado en

competencias, entre otros (Koper & Miao, 2008). IMS-LD, como lenguaje

educativo, permite la creación de escenarios de aprendizaje, pero no incorpora

explícitamente teorías instruccionales concretas para desarrollarlos.

• El LD resultante del proceso de diseño, es un recurso que puede ser

compartido y comparado para enfrentar otros diseños. Acumula parte del

conocimiento que utilizó el diseñador para lograr un objetivo en un cierto

contexto de instrucción.

• Es posible la utilización de técnicas de Inteligencia Artificial (IA) para apoyar el

proceso con miras a proporcionar algún grado de automatización.

Particularmente, mediante representación del conocimiento es posible modelar al

4 http://coppercore.sourceforge.net/

18

menos una parte del conocimiento utilizado por un experto diseñador, y

considerar esta representación como una base de conocimiento para sistemas

inteligentes que den soporte al proceso de diseño.

• La disponibilidad de TDI, que por su naturaleza son orientadas a la práctica,

permiten direccionar el diseño mediante métodos y guías que pueden ser

utilizados para determinados contextos. Sí estos métodos estuviesen

representados en alguna semántica que sea computable, podrían ser utilizados por

sistemas inteligentes que asistan al diseño (Sicilia et al., 2011).

Como se dijo anteriormente, esta investigación aborda la carencia de un lenguaje formal

específico para expresar los métodos de diseño instruccional utilizados en la

construcción de LDs. Actualmente, no existen lenguajes especializados que permitan

representar los métodos de DI de una forma que sea procesable por computadores. El

esfuerzo por disponer de representaciones de métodos instruccionales, se convierte un

factor clave para apoyar los procesos de diseño de recursos mediante sistemas guiados

por teorías.

Algunos estudios han utilizado ontologías como modelos de este tipo de conocimiento

(Sicilia, 2007b), (Hayashi, Bourdeau, & Mizoguchi, 2006). Una propuesta, basada en

ontologías, la cual intenta cubrir un amplio espectro de teorías educacionales, fue

presentada en Bourdeau, Mizoguchi, Hayashi, Psyche, & Nkambou (2007). Esta

ontología, llamada Omnibus, propone una infraestructura ontológica que permite a los

diseñadores, utilizar conocimiento de teorías relacionadas con el aprendizaje e

instrucción. Sin embargo, a diferencia de la propuesta que sustenta esta tesis, el trabajo

de Bourdeau et al., se centra en los modelos de DI más que en los métodos de estas

teorías.

Aunque no están disponibles lenguajes que permitan expresar modelos instruccionales

en un formato procesable por computador, Sicilia et al. (2011) proponen una forma de

expresar las guías de los métodos de DI. Utilizando las tecnologías de la Web

Semántica, específicamente lenguajes formales de ontología, es posible representar

métodos de diseño instruccional con una semántica precisa, compartida y con un alto

potencial de ser utilizadas por diversas herramientas (Sicilia, 2007b). Considerando la

propuesta de Sicilia et al. (2011), como punto de partida para el desarrollo de un

lenguaje para modelos instruccionales, esta investigación utiliza una ontología formal

19

para representar las salidas del proceso de diseño, es decir un LD. Los métodos de DI

son representados como restricciones a la estructura y contenidos de la ontología. Esto

permite, contar con modelos que representan métodos de las TDI que pueden ser

utilizados por diversos sistemas que apoyen el diseño instruccional.

1.4. Hipótesis de partida

La hipótesis de partida de esta tesis se define de la siguiente manera:

Es posible representar completa o parcialmente, teorías de diseño instruccional

mediante lenguajes con semántica computacional adecuada y utilizarlos para

proporcionar ayuda en el proceso de diseño instruccional.

La relevancia de la tesis radica en la imposibilidad de encontrar en la literatura

representaciones de teorías de diseño instruccional en un lenguaje formal, de manera

que puedan ser utilizados para dar soporte al diseño instruccional.

1.5. Objetivos

El objetivo principal de esta tesis es el modelado de conocimiento de teorías de diseño

instruccional, específicamente de sus métodos de diseño, utilizando un lenguaje con

semántica computacional, así como la utilización de estos modelos para dar soporte al

proceso de diseño instruccional.

A partir de este objetivo principal se han definido los objetivos específicos de este

trabajo:

(O1) Definir un modelo ontológico general para la representación de los métodos de

las teorías de diseño instruccional.

(O2) Modelar mediante lenguajes ontológicos formales, los métodos de las teorías

de diseño instruccional considerando descripciones ontológicas de actividades

de aprendizaje.

(O3) Relacionar los modelos con estándares y/o especificaciones de recursos de

aprendizaje, principalmente los vinculados con el diseño de aprendizaje.

20

(O4) Construir un prototipo que muestre la utilización de los modelos ontológicos

propuestos en ambientes de diseño instruccional.

(O5) Evaluar la aplicabilidad y utilidad de las representaciones ontológicas de las

teorías de DI para profesores y diseñadores instruccionales.

La principal aportación de esta tesis es la propuesta de modelos ontológicos, que

representen conocimiento acerca de los métodos de diseño descritos en las TDI. Estos

modelos de conocimiento cumplen con estándares y/o especificaciones para la

representación de diseños de aprendizaje y permiten asistir al diseñador de recursos en

la utilización de métodos de DI en ambientes de diseño instruccional.

1.6. Método de Trabajo

En forma general, se describe a continuación las principales fases consideradas en la

metodología de investigación.

• Definición del problema: En la primera fase, se define la problemática que aborda

esta investigación, considerando las necesidad de disponer de representaciones de

teorías de diseño instruccional en un lenguaje con semántica computacional.

• Estudio del Estado del Arte: En esta fase, se estudia el uso y diseño de recursos

para el aprendizaje y sus principales especificaciones, asi como las ontologías y sus

principales lenguajes de representación. Además se analizan las características de

las principales teorías de diseño instruccional y el estado actual de representaciones

ontológicas relacionadas con teorías de diseño instruccional.

• Proposición de modelos ontológicos de métodos de DI: Esta fase se divide en dos

grandes actividades:

o Análisis y selección de métodos de DI para su modelado. De acuerdo a

criterios definidos, se analizan algunas TDIs y se seleccionan aquellas

candidatas de ser modeladas utilizando un lenguaje ontológico formal.

o Desarrollo de modelos ontológicos de los métodos de diseño

instruccional seleccionados y analizados. Utilizando lenguajes de

21

ontologías formales se representan las guías y/o reglas de los métodos de DI

considerando descripciones ontológicas de las actividades de aprendizaje.

• Implementación de un prototipo. Basado en los modelos de conocimiento

generados, se implementa una aplicación que permite asistir en el uso de estos

métodos en un entorno de diseño instruccional haciendo uso de tales

representaciones.

• Evaluación de las representaciones de las TDI. Mediante un proceso de

evaluación se analiza la correctitud y aplicabilidad de las representaciones

ontológicas, así como la aceptación de uso y usabilidad de la aplicación que hace

uso del Catálogo de TDI. Finalmente, los resultados obtenidos son analizados a la

luz de los objetivos de este trabajo.

1.7. Marco del trabajo

La idea principal de esta investigación surge en el marco de trabajos realizados en el

área de e-learning por el grupo SMILE5 de la Universidad de Castilla La Mancha y de la

cooperación con el grupo Information Engineering6 de la Universidad de Alcalá.

La línea base de esta investigación fue propuesta en Sicilia et al. (2011). En ella se

propone la utilización de lenguajes ontológicos formales para la representación de

teorías de diseño instruccional de forma que este conocimiento pueda estar disponible

en una semántica computacional.

Respecto de la utilización de ontologías, este trabajo se relaciona con algunos proyectos

del grupo SMILE, entre los cuales pueden mencionarse:

Proyecto PLINIO, Observatorio de Efectos de Cambio Climático basado en extracción

inteligente de información en Internet. POII10-0133-3516, Junta de Comunidades de

Castilla La Mancha, España. Este proyecto intenta solucionar el problema de la

recuperación de información mediante la utilización de técnicas relacionadas con la

Web Semántica, como ontologías, metabuscadores y los agentes inteligentes. Lo

anterior con el objetivo de de localizar, analizar, filtrar y categorizar la información

5 http://smile.esi.uclm.es/smile/

6 http://www.ieru.org/

22

relacionada con los efectos del cambio climático (Romero, Ferreira-Satler, Olivas, &

Serrano-Guerrero, 2010).

Proyecto SCAIWEB2, Sistemas de acceso a la información en la web, basados en

Softcomputing, PEIC09-0196-3018, Junta de Comunidades de Castilla La Mancha,

España. Este proyecto propone una plataforma basada en una estructura de agentes que

utilizan técnicas de Softcomputing y Web Semántica para la recuperación de

información.

Por otra parte, la estrecha relación con miembros del grupo Information Engineering de

la Universidad de Alcalá, ha permitido la realización de actividades conjuntas

destinadas a la proposición de mejoras en distintos aspectos relacionados con el uso de

tecnologías de información y los recursos de aprendizaje. Específicamente, la temática

de este trabajo se enmarca en el proyecto MAVSEL (Mining, Data Analysis and

Visualization based on Social models in E-Learning, ref. TIN2010-21715-C02-01) del

Ministerio de Ciencia e Innovación de España, liderado por el grupo Information

Engineering. Basado en el concepto de Recursos Educativos Abiertos (en inglés open

educational resource, OER) y en la idea que la interacción social contribuye al

aprendizaje, este proyecto tiene entre sus objetivos la elaboración de un modelo que

proporcione un marco para el análisis de datos en entornos educativos, basados en

teorías y que considere la contribución de la interacción social para el aprendizaje.

1.8. Organización del trabajo

La estructura de este documento se organiza en los siguientes capítulos:

Capítulo 1: Introducción: En este capítulo se presentan la problemática, los

objetivos y la hipótesis de la investigación, así como el marco y método

utilizado en este trabajo. Con especial énfasis se plantea en este apartado, la

problemática relacionada con la carencia de modelos de teorías de diseño

instruccional expresadas en lenguajes con semántica computacional.

Posteriormente, se describe la motivación para el uso de lenguajes ontológicos

formales, como una forma de dar solución a la problemática antes presentada.

Capítulo 2: Estado del Arte: Se presenta en este capítulo un estudio exhaustivo

de los temas considerados en este trabajo, resultando en una listado de

23

investigaciones y documentos existentes en la literatura relacionados con

recursos educativos para el aprendizaje, estándares para e-learning, proceso de

construcción de Learning Design, representación de conocimiento, ontologías y

diseño instruccional. Finalmente se analizan trabajos relacionados directamente

con el uso de ontologías para la representación de recursos de aprendizaje que

consideran el diseño instruccional y especificaciones relacionadas.

Capítulo 3: Modelo Ontológico para la representación de teorías de Diseño

Instruccional. Considerando el análisis de la problemática, se plantean los

supuestos utilizados en el proceso de construcción de las representaciones de

TDI. Posteriormente, se describe el método de modelado, la ontología y

lenguajes ontológicos utilizados y una definición de un Catálogo de TDI. Este

capítulo finaliza describiendo los posibles usos de este Catálogo.

Capítulo 4: Catálogo de representaciones de métodos de Diseño

Instruccional. Este capítulo describe las reglas contenidas en el Catálogo de

Teorías de DI expresadas en SWRL (W3C, 2004c), que representan las

indicaciones contenidas en los métodos de tres teorías de diseño instruccional:

Teoría de Elaboración, Inteligencias Múltiples y Learning by Doing.

Capítulo 5: Implementación de la solución. Este capítulo presenta la

implementación de la solución propuesta en esta tesis, dividida en dos partes:

implementación del Catálogo de TDI e implementación de la aplicación que

utiliza el Catálogo para realizar un análisis de conformidad de un Learning

Design.

Capítulo 6: Evaluación. Este capítulo presenta el proceso de evaluación

utilizado para analizar la correctitud y aplicabilidad de las representaciones

ontológicas, la aceptación de uso y usabilidad de la aplicación que utiliza dichas

representaciones para dar soporte a actividades del diseño instruccional.

Capítulo 7: Conclusiones. En este capítulo se describen las aportaciones de este

trabajo, sus conclusiones, el cumplimiento con los objetivos planteados y las

líneas futuras de trabajo que se abren a partir de esta investigación.

La Figura 1, muestra en forma gráfica la estructura de la presente memoria.

24

Introducción

Estado del Arte Lenguajes

ontológicosIMS-LD

LearningDesign

Desarrollode recursos

Teoríasde DI

Uso de OntologíaIMS-LD

Uso de SWRL

Definición Catálogo

Posibles usos

Elaborationtheory

MultipleIntelligences

LearningBy Doing

Aceptación de Uso

Modelo Ontológico para la representación de métodos de TDI

Catálogo de representación de métodos de TDI

Evaluación

Conclusiones

Usabilidad Aplicabilidad

Supuestos del modelado

Implementación de la soluciónCatálogo

de TDIAplicación

Corrección

Figura 1. Esquema general del trabajo.

25

Capítulo 2. Estado del Arte

En este capitulo se presenta una visión del actual estado de las investigaciones y los

trabajos relacionados con la representación de conocimiento sobre Diseño

Instruccional (DI). La presentación de estos aspectos, se enfoca en los temas

importantes para los objetivos de esta tesis, específicamente en el uso y construcción de

recursos de aprendizaje en e-learning. Comenzando por el concepto de Objeto de

Aprendizaje y avanzando hasta los llamados Learning Design, en este capítulo se

presentan los principales estándares y especificaciones para estos recursos. Se discute

luego la importancia de las ontologías como modelos formales para apoyar la

representación de modelos con semántica computacional. En relación a lo anterior, se

detalla su relación con la Web Semántica y la existencia de lenguajes ontológicos

utilizados para tales fines. A continuación, se discute acerca de las teorías de DI que

proporcionan guías para la construcción de recursos para el aprendizaje y su relación

con las teorías de aprendizaje humano. Al finalizar este capítulo, se presentan algunas

investigaciones que utilizan ontologías para representar aspectos relacionados con

teorías instruccionales y recursos para el aprendizaje, que han sido creadas para ser

utilizadas en ambientes de e-learning, específicamente para apoyar el diseño de

aprendizaje.

2.1. El E-learning y las tecnologías para la educación.

El crecimiento de Internet y su mayor accesibilidad, han permitido que la educación en

línea o e-learning sea una alternativa real a los procesos de aprendizaje actuales (Itmazi,

26

2005). E-learning es el concepto de educación asistida por computador que utiliza

tecnologías de información y comunicación conjuntamente con principios y métodos

pedagógicos para facilitar el aprendizaje de estudiantes a distancia. El e-learning intenta

superar dos importantes barreras: la dependencia de un lugar específico y las

restricciones de plataformas computacionales especiales (Brusilovsky, 2003).

De acuerdo a las orientaciones actuales, el e-learning utiliza principalmente los

beneficios de la tecnología Web, aunque también tecnologías provenientes de la

Inteligencia Artificial e Ingeniería del Software. Desde el punto de vista de los

contenidos de aprendizaje, estos son presentados utilizando diversos medios como

hipertexto, multimedia (textos, imágenes, audio, video, etc.), generalmente

encapsulados en los llamados Objetos de Aprendizaje (Polsani, 2003).

En e-learning, los cursos son gestionados por plataformas conocidas como Sistemas de

Gestión de Aprendizaje (en inglés LMS, Learning Management Systems). Estas

plataformas permiten distribuir información y recursos para el aprendizaje, preparar y

aplicar evaluaciones, generar y administrar discusiones, permitir el aprendizaje

individual o colaborativo mediante foros, chats, almacenes de archivos y servicios ente

otra funcionalidad. Ejemplos de LMS son Moodle7, Claroline8, Blackboard9, e-

college10, WebCT11 y Dokeos12.

Diversas tecnologías han sido utilizadas en e-learning, algunas desde un enfoque que

intenta apoyar a los aprendices y otras con el objetivo de apoyar al profesor. En relación

al primer enfoque, el apoyo a los estudiantes se refleja en esfuerzos por mejorar las

plataformas y los medios utilizados para alcanzar el aprendizaje de los estudiantes, así

como su adaptación a las características y necesidades de aprendizaje de los propios

estudiantes (Guerrero, 2011). Un ejemplo de tecnologías que apoyan este enfoque son

7 http://www.moodle.org

8 http://www.claroline.net

9 http://www.blackboard.com

10 http://www.ecollege.com/

11 http://www.webct.com

12 http://www.dokeos.com/

27

los Sistemas de Aprendizaje Inteligentes y Adaptativos o los Sistemas de Aprendizaje

Colaborativos (Sanchez & Lama, 2007).

El segundo enfoque, dirige la tecnología para asistir al profesor. En el e-learning los

profesores realizan diversas actividades (Rodríguez, Serra, Cabot, & Guitart, 2006):

desarrollan y publican recursos para el aprendizaje en LMS, ayudan a los estudiantes a

resolver problemas, gestionan el proceso de aprendizaje y evalúan el rendimiento de los

estudiantes, entre otras labores. Para apoyar al profesor en estas actividades, se han

utilizado diversas tecnologías, como modelos de conocimiento (Bourdeau et al., 2007),

herramientas de diseño de recursos (Beauvoir, Griffiths, & Sharples, 2009), data mining

(Romero, Ventura, & Garcia, 2008) y sistemas inteligentes (Hogo, 2010) por nombrar

algunas tecnologías.

2.2. Recursos digitales para el aprendizaje

Una de las actividades realizadas por los profesores es la creación de recursos para el

aprendizaje. Un recurso para el aprendizaje es cualquier medio creado con la intención

de facilitar el proceso de aprendizaje. Se trata de materiales que los educadores pueden

usar y reutilizar en distintos ambientes de aprendizaje.

El paradigma de los Objetos de Aprendizaje (OA) centra su atención en los contenidos

educativos y propone la descripción de estos recursos mediante metadatos (Polsani,

2003). Sin embargo, también es importante considerar las actividades de aprendizaje

que componen un curso. Un Learning Design (LD), modela el escenario de aprendizaje

y la aplicación de diversos enfoques pedagógicos (Burgos, 2005), considerando las

actividades educativas, roles, actos, objetos de aprendizajes y servicios entre otros

elementos. Tanto los OAs como LDs serán descritos en las secciones siguientes.

2.2.1. Objetos de Aprendizaje

Según el estándar LOM de IEEE (LTSC, 2002) un Objeto de Aprendizaje es cualquier

entidad digital o no digital, que pueda ser usada para aprender, educar o enseñar. Según

esta amplia definición, textos impresos de estudio, documentos digitales, herramientas

generadoras de test, presentaciones y videos entre otros podrían ser consideradas como

Objetos de Aprendizaje. Una definición más concreta es la de McGreal (McGreal, 2004)

28

que los define como cualquier recurso digital reusable que tiene encapsulado una

lección o ensamblado un grupo de lecciones en unidades, módulos, cursos e incluso

programas.

El propósito de los OAs es proporcionar un esquema modularizado basado en

estándares, que permitan la flexibilidad, independencia de plataforma y el reuso de

contenidos de aprendizaje entregando un alto grado de control a los profesores y

estudiantes (Paulsson, 2006). La estructura básica de los Objetos de Aprendizaje se

compone de dos elementos: el contenido instruccional (un diagrama, un texto, una

simulación, etc.) y el metadato (Millar, 2002). Los metadatos describen al recurso,

indica qué es, quién lo creó, cuál es su función, su objetivo, su duración entre otros

aspectos.

Los OAs son generalmente almacenados en colecciones en los Repositorios de Objetos

de Aprendizaje (IMS-DRI, 2003), donde son gestionados facilitando su localización y

utilización. Estos repositories pueden almacenar el contenido del objeto y/o sus

metadatos. Para realizar búsquedas de OAs, basados en su contenido, se utilizan los

metadatos. Diversos estudios se refieren a la importancia de la calidad de los metadatos

en la recuperación y utilización de estos recursos (Cechinel, Sánchez-Alonso, Sicilia, &

Sartori, 2009) (Segura, Vidal, Campos, Menéndez, & Prieto, 2011).

Existen dos conceptos relacionados con los OA que deben considerarse: granularidad (o

también llamado nivel de agregación) y reusabilidad. La granularidad se refiere al

tamaño relativo del objeto. No hay total acuerdo en la clasificación de los niveles de

granularidad de los objetos. Por ejemplo, McGreal (2004) habla de componentes (nivel

más bajo de granularidad), lecciones, módulos, cursos y programa de estudio (nivel más

alto de granularidad). El estándar IEEE LOM define cuatro niveles de agregación de

OA, que van desde el nivel más bajo de granularidad también conocido como nivel

atómico, hasta el nivel más alto, donde pueden encontrarse un curso o programa de

estudio que considera objetos de nivel inferior.

Por otra parte, la reusabilidad se relaciona con la preocupación por crear recursos de

aprendizaje desde mínimas unidades de aprendizaje creadas anteriormente. Esto para

reducir los tiempos de desarrollo de sistemas de aprendizaje. Un objetivo principal es

transformar la creación de recursos al ensamblaje de piezas simples que puedan ser

29

localizadas en forma local o remota y que puedan ser construidas para sistemas

heterogéneos (Sarasa, 2004).

El concepto de granularidad de los OA afecta la reusabilidad, puesto que mientras más

grande sea el objeto ( de mayor nivel de granularidad) disminuye sus posibilidades de

reusabilidad (Willey, 2000). De la misma forma Wiley plantea que la reusabilidad se ve

también afectada la falta de metadatos de muchos OAs.

2.2.2. Estándares y Especificaciones para Objetos de Aprendizaje.

La necesidad de alcanzar el reuso y la interoperabilidad de los recursos entre distintos

sistemas, ha provocado que diversas organizaciones propongan estándares y

especificaciones para aspectos del e-learning. En este sentido, la estandarización de

metadatos ha facilitado la búsqueda, análisis, recuperación, composición y adaptación

de OA. Los estándares y especificaciones que a continuación se presentan se relacionan

con el concepto de objetos de aprendizaje.

2.2.2.1 El estándar IEEE LOM

La necesidad de unificar la forma en que los OAs son etiquetados mediante metadatos

fue la motivación para que el Learning Technologies Standardization Committee

(LTSC), de el Institute of Electrical and Electronics Engineers (IEEE), publicara el

estándar de metadatos IEEE LOM (LTSC, 2002). Este estándar, basado en las

especificaciones del grupo IMS, ARIADNE y Dublin Core, proporciona campos de

metadatos, agrupados en 9 categorías, que sirven para describir un Objeto de

Aprendizaje. La Figura 2 muestra las categorías y los campos de metadatos de este

estándar.

30

Figura 2. Categorías y campos del estándar IEEE-LOM.

El objetivo de este estándar es especificar tanto la sintaxis y como la semántica de los

metadatos, describiendo atributos relativos a nombres, longitud de campos, tipos de

datos, taxonomías, vocabularios asociados a los elementos. El estándar proporciona

cierta flexibilidad para extender y agregar nuevos elementos de datos según lo requieren

las aplicaciones.

Esta flexibilidad ha motivado el desarrollo de nuevos "Perfiles de Aplicación". Por

ejemplo, España definió un perfil de aplicación denominado LOM-ES (AENOR, 2008),

que mantiene las 9 categorías pero establece nuevos vocabularios controlados, traduce

vocabularios ya existentes al español y hace obligatorio campos de metadatos que en el

31

estándar original fueron propuestos como opcionales. Otros Perfiles de Aplicación son

CanCore en Canadá, UKLOM en el Reino Unido y CELTSC en China, sólo por

mencionar algunos.

Desde otro punto de vista, la flexibilidad que presenta este estándar, dificulta el

procesamiento automático y la reducción de errores. Se han publicado críticas hacia este

estándar, relacionadas con la imprecisión de algunos campos y sus posibles valores

(Farance, 2003), además de la existencia de campos de baja importancia a la hora de

describir un recurso educativo (Tello, 2007) entre otros aspectos. Sin embargo, LOM y

sus ramificaciones constituyen el cuerpo de metadatos para materiales educativos con

mayor reconocimiento y dedicación de esfuerzo en la comunidad de e-learning

internacional (Xiang, 2003).

2.2.2.2 La especificación IMS Content Packaging e IMS Simple Sequencing

IMS Content Packaging (IMS, 2001) e IMS Simple Sequencing (IMS, 2003a) son dos

especificaciones definidas por el IMS Global Consortium. Su objetivo es el de unificar

la información requerida para buscar y usar objetos de aprendizaje independientemente

de la distintas iniciativas académicas y de mercado.

El estándar IMS Content Packaging (IMS-CP) define una forma interoperable de

organizar contenidos de aprendizaje de manera que pueda ser utilizada por distintos

sistemas, por ejemplo LMS. Este estándar define un manifiesto escrito en XML llamado

imsmanifest.xml contenido dentro de un archivo comprimido, que agrupa al manifiesto

junto a la información de metadatos y a todos los archivos que forman parte del paquete.

La Figura 3 presenta el esquema general de un IMS CP.

32

Figura 3. IMS Content Packaging. Figura extraída desde (IMS, 2001).

Por otra parte, IMS Simple Sequencing (IMS-SS) es una forma básica de estructurar

secuencias de aprendizaje en base a actividades. Sólo permite el apoyo a un aprendiz,

definir reglas de secuenciación y condiciones simples. La unidad central es la actividad

de aprendizaje y esta especificación permite vincularlas y agruparlas generando un árbol

de actividades.

2.2.2.3 La especificación SCORM

SCORM (Sharable Content Object Reference Model) (ADL, 2003) es una

especificación de la iniciativa ADL (Advanced Distributed Learning) orientada a

compartir contendidos de aprendizaje de una manera estandarizada. El principal

objetivo de este estándar es la portabilidad de contenidos de aprendizaje de un LMS a

otro, así como también facilitar la reusabilidad de los que denomina Sharable Content

Object (SCO). Estos SCO son administrados por un LMS y pueden intercambiar datos

(SCOs, datos de usuarios, comentarios, etc.), con otro LMS mediante interfaces

estandarizadas que proporciona SCORM (Bohl, Schellhase, Sengler, & Winand 2002).

En su desarrollo se consideraron especificaciones de estándares de metadatos. Por

ejemplo, SCORM incopora 43 elementos que provienen del estándar IEEE LOM.

33

Además de que los contenidos de aprendizaje puedan ser compartidos, esta

especificación tiene como objetivos la accesibilidad, adaptabilidad, durabilidad y la

reutilización de contenidos en diferentes contextos de instrucción. La especificación se

divide en tres grandes líneas: Modelo de Agregación de Contenidos (Content

Aggregation Model), Entorno de Ejecución (Run-Time Enviroment) y Secuencia y

Navegación (Sequencing and Navigation).

Las capacidades de expresividad pedagógica de SCORM están limitadas por las

especificaciones en las que se basa, entre las que se cuentan IEEE LOM, IMS-CP, IMS-

SS e IMS-QTI (IMS, 2006). El perfil pedagógico de SCORM está limitado a definir

recorridos pedagógicos con bifurcaciones simples para revisar los recursos de

aprendizaje, para un único estudiante, sin considerar la interacción entre los

participantes de un proceso de aprendizaje (Griffiths, Blat, García, & Sayago, 2005).

En Bohl et al. (2002), se realiza un análisis de la especificación y si bien reconocen

aportes en relación a la portabilidad y reusabilidad, destacan problemas como la

carencia de elementos relacionados con la calidad de los SCOs, la excesiva catalogación

en sus metadatos, la poca presencia de aspectos didácticos y de derechos de autor o

propiedad intelectual.

2.2.3. Diseños de Aprendizaje

En el paradigma de OA, el aprendizaje está asociado al contenido mismo del objeto. La

implicación pedagógica de un OA está sujeta al uso que pueda hacerse de él. Aunque

los metadatos proporcionan cierta información acerca de la instrucción, por ejemplo

mediante la categoría Educational de estándar LOM, entregan muy poca orientación

acerca de actividades que pueden realizarse con un OA (Griffiths, Blat, García, &

Sayago, 2005). Según Griffiths, Blat, R Garcia, & Sayago (2005), una descripción

pedagógica de un curso consta de 3 elementos básicos: recursos de aprendizaje,

personas actuando en varios roles y actividades pedagógicas. Estos elementos forman

parte de lo que se conoce como Unidad de Aprendizaje.

El concepto de Learning Design se entiende como la aplicación de conocimiento de

Diseño Instruccional para desarrollar una Unidad de Aprendizaje (Koper & Tattersall,

2005). Se refiere al artefacto resultante del proceso de diseño, es decir al plan, recursos

34

de aprendizaje, ordenamiento de actividades y herramientas requeridos para crear una

Unidad de Aprendizaje (Sicilia et al., 2011).

Una Unidad de Aprendizaje (en inglés Unit of Learning, UoL) es un término abstracto

que se refiere a cualquier pieza destinada a la educación o al entrenamiento que incluye

recursos para el aprendizaje, actividades, evaluaciones, servicios y facilidades

proporcionadas por el staff de profesores (Koper & Miao, 2008). Este mismo autor

plantea la problemática de la carencia en el uso de una notación formal y común en el

diseño y, describe como su utilización contribuiría al reuso y la interoperabilidad. Una

notación formal para especificar un LD es proporcionada por los lenguajes de modelado

educativo, los que son descritos en la siguiente sección de este documento.

2.2.4. Lenguajes de Modelado Educativo y la Especificación IMS-LD

En Rawlings, van Rosmalen, Koper, Rodrígues-Artacho, & Lefrere (2002), se define a

los Lenguajes de Modelado Educativo como modelos de información ricos en semántica

y descritos por un lenguaje subyacentes entendibles por máquinas, que describen el

contenido y proceso de Unidades de Aprendizaje desde una perspectiva pedagógica. En

el estudio antes citado se analizan seis lenguajes de modelado comparando la forma en

que cada uno de ellos da soporte al modelado semántico de una Unidad de Aprendizaje.

La mayoría de estos lenguajes utiliza XML como lenguaje subyacente, aunque algunos

poseen atributos/elementos propietarios que no permiten un alto nivel de

interoperabilidad ni de reusabilidad. Pueden distinguirse dos grupos de lenguajes:

aquellos que no consideran la existencia de un modelo pedagógico como es el caso de

LMML, CDF, Targeteam y TML y los que si lo consideran apegándose a la definición

de un Lenguaje de Modelado Educativo. En este segundo grupo se encuentran PALO y

OUNL-EML.

Otros lenguajes han aparecido a la fecha, algunos con notaciones gráficas. Es el caso de

MOT+ (Paquette, Lundgren-Cayrol, & Léonard, 2008), considerado un lenguaje visual

que asiste en el modelado de escenarios instruccionales, utilizando el método MISA. En

Paquette, de la Teja, Léonard, Lundgren-Cayrol, & Marino (2005), se sitúa a MOT+

como un lenguaje de modelado educativo que utiliza un simbolismo gráfico que genera

LD compatibles con la especificación IMS-LD (IMS, 2003b).

35

Pese a los desarrollos de lenguajes como PALO y MOT+, se considera que OUNL-

EML y su posterior integración a IMS-LD es una de las más importante iniciativa hacia

la integración del diseño instruccional en e-learning (Paquette et al., 2005). Estos dos

lenguajes se describen en las secciones siguientes.

2.2.4.1 El lenguaje OUNL-EML

OUNL-EML, o simplemente EML (Educational Modelling Language), fue desarrollado

por la Open University of the Netherlands con la intención de proporcionar una

notación semántica para Unidades de Aprendizaje para ser usadas en e-learning (Koper,

2002).

Con la especificación SCORM se permitía un ordenamiento y secuenciación de los

recursos usados en el aprendizaje. Mediante su uso era posible definir recorridos

pedagógicos a través de los recursos realizando bifurcaciones con condiciones simples

(Griffiths, Blat, García, & Sayago, 2005). EML fue uno de los primeros lenguajes de

modelado educacional que permitió integrar diseños instruccionales más complejos y

expresar estrategias pedagógicas como Aprendizaje Basado en Problemas, Portafolios o

Aprendizaje Colaborativo (Koper, 2001).

EML permite modelar el flujo de trabajo entre todos los actores involucrados en el

proceso de aprendizaje incluyendo estudiantes, profesores y otros miembros del staff

como tutores o asesores.

En Koper (2001), se plantean los 11 requisitos que persigue este lenguaje, entre los que

destacan la formalización, de manera que los modelos puedan ser computables; la

flexibilidad pedagógica, que permita cubrir una amplia variedad de modelos

pedagógicos; y la interoperabilidad, que permite exportar y usar las UoL en diferentes

plataformas y formatos con mínimo esfuerzo. El hecho de que EML utilice XML

Schema como el lenguaje subyacente de implementación, facilita la obtención de la

interoperabilidad del UoL (Hermans, 2003).

Uno de los aspectos importantes de este lenguaje, es que el modelo de EML fue

utilizado como la base para la especificación IMS Learning Design.

36

2.2.4.2 La especificación IMS Learning Design

IMS Learning Design (IMS, 2003b) es una especificación abierta que es usada para

codificar una amplia variedad de cursos digitales de manera formal, interoperable y en

una semántica entendible por un computador (Koper & Miao, 2008). Puede entenderse

como la especificación de un lenguaje de modelado educativo que que se ha convertido

en el estándar de facto para describir diseños y unidades de aprendizaje (Amorim,

Sánchez, Lama, Barro, & Vila, 2007).

IMS-LD permite modelar procesos de aprendizaje y de comunicación interactiva entre

los actores participantes. Define quién, cuándo, cómo y para qué se utilizan recursos,

servicios y actividades de aprendizaje. Permite el modelado de escenarios de

aprendizaje y la aplicación de diversos enfoques pedagógicos. El concepto central es el

de Unidad de Aprendizaje, proveniente de EML.

Cada Unidad de Aprendizaje considera recursos (resources), objetivos de aprendizaje

(learning objectives), prerrequisitos (prerequisites), componentes como roles,

actividades (activities), ambientes (environments) compuestos por Objetos de

Aprendizaje (Learning Object) y servicios (services), métodos (methods),

representaciones (play), actos (acts)y partes-roles (role-parts). Estos y otros elementos

se modelan en la Figura 4.

37

Figura 4. Representación conceptual de los elementos de una Unidad de Aprendizaje, extraída desde

(IMS, 2003b).

Todos los elementos antes mencionados son posibles de modelar utilizando el nivel A

de diseño, considerado el nivel más simple. El siguiente, el nivel B, considera el

modelado de condiciones, propiedades, servicios y elementos globales. El nivel C

permite el uso de notificaciones.

En la práctica, una Unidad de Aprendizaje está representada en un IMS CP, en el

elemento organization, utilizando la sección learning-design (ver Figura 5).

38

Figura 5: Elemento organization reemplazado por el elemento Learning Design en un IMS Content

Package. Figura extraída desde (IMS, 2003b)

IMS-LD permite apoyar el uso de una amplia gama de esquemas pedagógicos usados en

e-learning y facilita la reutilización de las prácticas pedagógicas más que el reuso de

contenidos (Harper, Agostinho, Bennett , Lukasiak , & Lockyer 2005). Mediante este

lenguaje es posible modelar flujos de actividades educativas considerando los elementos

de una UoL y ejecutar el LD en máquinas que interpretan y ejecutan el diseño. Sin

embargo, como fue mencionado, este lenguaje representa el resultado del diseño y no el

proceso seguido para su construcción.

IMS-LD puede vincularse con otras especificaciones como IMS-CP para organizar los

contenidos de aprendizaje, IMS QTI para representar preguntas y evaluaciones de los

estudiantes e IMS RDCEO para representar competencias educativas (Cooper, 2002b).

Las principales críticas a IMS-LD apuntan a su especificación en lenguaje XML

Schema (XMLS), de poca expresividad semántica, y a su complejidad en la

implementación (Amorim et al., 2007).

39

2.2.5. La especificación IMS RDCEO

Aunque no se trata de una especificación sobre OA o Learning Design, se presentará en

esta sección algunos aspectos relevantes de otra de las especificaciones para e-learning

propuesta por el consorcio IMS, la denominada Reusable Definition of Competente or

Educational Objective (RDCEO) (Cooper, 2002b). La importancia de esta

especificación en este trabajo, se relaciona con la posibilidad de vincular las actividades

de aprendizaje con competencias en el modelado de los métodos de DI.

Esta especificación proporciona un modelo para describir, referenciar y permitir el

intercambio de competencias en sistemas de aprendizaje a distancia y distribuido.

Proporciona un medio de representación formal, que incluye para cada competencia, la

definición, las evidencias e información acerca del contexto y escala, esta última

relacionada con la evaluación de la competencia. Esta representación se realiza

mediante las 5 categorías siguientes: identificación, titulo, descripción, definición y

metadatos. La Figura 6 muestra la estructura de definición de una competencia según la

especificación RDCEO.

40

Figura 6. Estructura de la especificación IMS RDCEO. Figura tomada desde IMS Rubric

Specification (IMS, 2005).

Aunque esta especificación ha permitido el uso de representaciones de competencias en

distintos contextos, se han reportado algunos problemas relacionados con su intención

de ser flexible ante distintas definiciones y contextos de la competencia. Algunas de

estas críticas apuntan a que esta especificación se centra en la forma de almacenar y

referenciar las competencias y no incluye mecanismos para representar información

importante para los procesos de evaluación (Karampiperis, Sampson, & Fytros, 2006).

Sin embargo, IMS-LD mejora las posibilidades de expresar la funcionalidad pedagógica

de los procesos de aprendizaje, respecto a la que proporcionaba la especificación

SCORM e IMS-SS.

41

2.3. Proceso de construcción de un LD

La construcción de recursos para el aprendizaje, y en particular la construcción de LDs,

requiere de enfoques disciplinados. La Ingeniería Instruccional (Paquette, 2004) aparece

como un método que utiliza un enfoque sistemático para producir sistemas de

aprendizaje. Sus fundamentos provienen de tres disciplinas: la Ingeniería del Software,

la Ingeniería del Conocimiento y el Diseño Instruccional. Esta tesis está enfocada en el

Diseño Instruccional, sin embargo, serán explicados algunos aportes de estas tres

disciplinas.

En Ingeniería Instruccional, la Ingeniería del Software apoya desde una perspectiva de

proyecto. Es decir, facilita la sistematización del desarrollo del recurso, proporcionando

métodos y herramientas que provienen del desarrollo del software. Desde este punto de

vista, la tecnología puede apoyar la gestión del desarrollo, es decir la aplicación del

método considerando sus fases, etapas, actividades, métricas y gestión de recursos

involucrados.

Por otra parte la Ingeniería del Conocimiento proporciona técnicas de representación,

adquisición y aplicación de conocimiento útil al diseño. Desde una perspectiva mas

general, la IA proporciona numerosas técnicas como la personalización basada en

modelos de estudiantes, sistemas inteligentes y técnicas basadas en ontologías y Web

Semántica (Sanchez & Lama, 2007), que pueden ser utilizadas como apoyo al proceso

de diseño.

La Ingeniería Instruccional también utiliza métodos provenientes del área de la

educación. Un ejemplo, son las teorías de diseño instruccional. Como ya se ha dicho

anteriormente, estas teorías intentan guiar al diseñador en la construcción de recursos

para el aprendizaje. Sin embargo, las TDIs están expresadas en lenguaje natural por lo

que poseen semántica computacional que las haga procesable por computadores.

Desde el punto de vista de las herramientas el proceso de diseño tiene como objetivo la

creación de LD, expresado en una Unidad de Aprendizaje. En forma general las

herramientas utilizadas en su construcción se clasifican en herramientas de autoría y

servidores de ejecución de Unidades de Aprendizaje. Las herramientas de autoría o

editores apoyan a los diseñadores en las tareas de desarrollar un UoL. Estas

herramientas difieren en los niveles de apoyo a la especificación (nivel A, B y C), la

42

utilización de interfaces basadas en árbol o gráficas, el nivel de cumplimiento con la

especificación IMS-LD entre otros aspectos. Sin embargo todas generan un diseño de

aprendizaje codificado en esquema XML, en un archivo llamado imsmanifest.xml .

Komposer Authoring Platform13 fue una de las primeras herramientas que apoyaba la

generación de LD que utilizaba una interfaz basada en árbol. Sin embargo, el diseño

estaba restringido a una cierta cantidad de elementos del estándar que podían ser

utilizados y generaba UoL de nivel A. Reload14 es otra herramienta basada en interfaces

de árbol que genera UoL de niveles A, B y C y que tiene una gran integración con otras

especificaciones IMS. Este editor es de código abierto y posee entre otras virtudes, la

característica que oculta al usuario la tarea de tener que editar el esquema XML

generado (Griffiths, Blat, García, Vogten, & Kwong, 2005).

ReCourse (Beauvoir et al., 2009), fue desarrollado como sucesor de Reload LD editor.

Surge con el objetivo de mejorar la forma en que los usuarios editan los UoL.

Específicamente las mejoras se relacionan con: disminuir la complejidad de la

estructura de especificación basada en árbol; integrar servicios presentes en la

especificación IMS-LD como e-mail, conferencia, indexación y monitoreo; y mejora el

flujo de trabajo apoyando las tareas de generación, previsualización, publicación y

ejecución de UoL. Mediante este editor, es posible crear LDs de nivel A, B y C y el

esquema XML resultante, cumple con la especificación IMS-LD. Una vista de entorno

de edición de LD se muestra en la Figura 7, en donde puede observarse un play con dos

actos y actividades de aprendizaje definidas para los roles “Learner” y “Teacher”.

13 http://kompozer.net/

14 http://www.reload.ac.uk/

43

Figura 7. Entorno de edición ReCourse de TENCompetence Project.

Otro editor importante es MOT+ (Paquette et al., 2005). Se trata de un editor gráfico

que permite la generación de UoL y sus resultados pueden ser exportados en formato

XML LD. Está estrechamente vinculado al método de Ingeniería Instruccional conocido

como MISA. Por su parte, LAMS (Dalziel, 2003) es un entorno gráfico para el diseño

que toma sus ideas del LD para estructurar la secuencia de actividades de aprendizaje.

LAMS está “inspirado” en IMS-LD pero no produce ni ejecuta un LD compatible con

esta implementación (Griffiths, Blat, García, Vogten et al., 2005).

Para la ejecución de los UoL existe un grupo de herramientas denominadas motores de

ejecución. Estas funcionan como servidores en donde el UoL es ejecutado por los

usuarios, quienes asumiendo alguno de los roles definidos en el LD interactúan

mediante la realización de las actividades. Dos de las máquinas de ejecución de UoL

más conocidas son Edubox y CopperCore. La ejecución de un UoL es rígida, por lo que

en el trabajo de Zarraonandia, Dodero, & Fernández (2006) han propuesto un diseño un

player que permita realizar modificaciones a un UoL en tiempo de ejecución para

favorecer su adaptación a un contexto de ejecución .

También es importante destacar un tercer grupo de herramientas orientadas a la gestión

de UoL almacenados en un repositorio. Estos repositorios se orientan a proporcionar

servicios útiles a organizaciones o comunidades que compartan y reutilicen los

resultados de sus diseños de aprendizaje (Griffiths, Blat, R Garcia et al., 2005).

44

2.4. Representación de conocimiento

La representación de conocimiento es un concepto central en la Inteligencia Artificial.

El problema de la representación de conocimiento se relaciona con la forma en que los

hechos del mundo real son representados con un cierto formalismo (Rich, 1991). La

primera parte de esta sección presenta una visión general acerca de los distintos

modelos utilizados para representar conocimiento. Estos modelos han sido utilizados en

Inteligencia Artificial para solucionar problemas de distinta naturaleza y cada

representación requiere de supuestos particulares para su construcción.

La parte final de esta sección se centra en la Web Semántica. El paradigma de la Web

Semántica permite que la información pueda ser presentada, compartida e

intercambiada por diversos sistemas. En la actualidad, las tecnologías de la Web

Semántica hacen uso intensivo de ciertos modelos que por su naturaleza se adaptan de

mejor forma para representar recursos existentes en la web. Entre estos, se puede

mencionar a las ontologías las cuales, mediante una semántica formal basada en las

Lógicas Descriptivas (Baader, Calvanese, McGuiness, Nardi, & Patel-Schneider, 2003),

se presenta como una de las formas utilizadas para la representación de conocimiento en

este paradigma.

El uso de las ontologías en el contexto de la tecnologías de la Web Semántica está más

orientada a entregar significado a las máquinas (Sicilia, Garcia, Pages, Martinez, &

Gutierrez, 2005), de manera que sistemas automáticos pueden leer y usar ese

conocimiento. En este sentido, surgen lenguajes basados en XML que permiten

especificar modelos ontológicos, como DAML+OIL (W3C, 2001) y OWL (W3C,

2004a). La arquitectura de capas de la web semántica permite la incorporación de otros

lenguajes que mejoran la definición de reglas en las ontologías. Estos temas son tratados

con detenimiento en los próximos apartados.

2.4.1. Modelos de representación de conocimiento

La representación de conocimiento aborda el problema de cómo representar los hechos

del dominio o problema en estudio. En Davis, Shrobe, & Szolovits (1993), se aborda la

definición de representación de conocimiento en función de los cinco roles que puede

cumplir en la Inteligencia Artificial: “reemplazante” de alguna cosa real, como un

45

conjunto de compromisos ontológicos, como teoría fragmentaria de razonamiento

inteligente, como medio para la computación eficiente y como medio de expresión

humana. Aunque es imposible crear representaciones completamente precisas, pues

siempre una representación se enfoca en ciertos aspectos del mundo y omite otros, los

supuestos y compromisos utilizados para crear la representación permiten centrar la

atención en ciertos aspectos del mundo que son relevantes. El trabajo de Davis, Shore et

al., analiza la importancia de considerar los 5 roles al momento de modelar un dominio,

aunque el centro de atención pueda estar centrada en alguno de ellos. Ignorar alguno de

los roles de la representación podría generar deficiencias importantes en los modelos

generados.

Existen diversos modelos que permiten representar el conocimiento. Una clasificación

para estos modelos es la propuesta por Mylopoulos (1984):

• Esquemas de representación lógica: El conocimiento es representado por

medio predicados y relaciones lógicas entre los predicados, los cuales están

vinculados mediante operadores lógicos(Álvarez, 1994). El conocimiento se

representa por un conjunto de formulas lógicas y este conocimiento se modifica

cuando el conjunto de formulas es modificado. Algunos de estos modelos son el

cálculo de predicados, las reglas de inferencia (Buchanan & Shortliffe, 1984),

ontologías (Gruber, 1993) y los modelos difusos (Zadeh, 1975).

• Esquema de representación de redes: Representa el conocimiento en termino

de colecciones de objetos (nodos) y asociaciones n-arias entre ellos. Estos

modelos se caracterizan por poseer notaciones gráficas y facilitar la recuperación

de información. Ejemplos de estos modelos son: redes semánticas, mapas

conceptuales (McAleese, 1998), tesauros (Aitchison & Gilchrist, 1987), redes

bayesianas (Jameson, 1996) y topic Maps (Biezunski, Bryan, & Newcomb,

2002).

• Esquemas de representación procedurales: El conocimiento es representado

por medio de procedimientos en forma de reglas que indican cómo debe ser

utilzado este conocimiento (Álvarez, 1994). Este tipo de representaciones

consideran mecanismos de activación de los procesos y estructuras de control.

Este paradigma está fuertemente influenciado por LISP como lenguaje preferido

para representar este tipo de conocimiento.

46

• Esquema de representación basado en frames: Un frame es una estructura de

datos que representa una situación estereotipada, agrupa los objetos importantes

en el frame y sus relaciones. El conocimiento se define como un conjunto de

frames organizados que representan información de distintos aspectos de la

situación. Ejemplos de estos modelos son script (Shank, 1986) y razonamiento

basado en casos (Minsky, 1975).

A la clasificación anterior pueden agregarse los modelos de procesamiento paralelo

distribuido, que incorporan las redes neuronales, y los modelos evolutivos, como los

algoritmos genéticos. Todos estos modelos permiten representar el conocimiento de un

dominio en particular, que puede ser entendido por humanos y principalmente por

máquinas, para solucionar algún problema complejo.

Uno de los objetivos de la representación de conocimiento es crear una base de hechos

que pueda ser utilizada por mecanismos que simulen el razonamiento humano. Cada

modelo o formalismo utilizado en la representación posee técinas que permiten obtener

nuevo conocimiento. Estas técnicas se utilizan en función de la propia naturaleza del

formalismo utilizado en la representación así como del objetivo que se intenta lograr.

El surgimiento de la web semántica, basado en la idea de incorporar conocimiento en la

web de una forma organizada e interrelacionada, ha provocado que en la actualidad

algunos modelos de representación de conocimiento adquieran mayor importancia. La

naturaleza propia de la estructura de la Web y la expresividad de los lenguajes

disponibles para realizar la representación del conocimiento, ha centrado principalmente

la atención en modelos basados en redes y en las ontologías. En este trabajo, el centro

de atención está en las capacidades de razonamiento de las ontologías y en su capacidad

para realizar razonamiento basado en la Lógica de Descripción y en el razonamiento

basado en reglas, aspectos que son explicados posteriormente.

2.4.2. Representación de conocimiento y Web Semántica

Según las palabras de Berners-Lee, Hendler, & Lassila (2001), “la web semántica es

una extensión de la web actual, en la cual la información tiene un significado bien

definido, más entendible por computadores y en donde las personas trabajan en

cooperación”. De acuerdo a esto, la idea principal es colocar más conocimiento en la

47

Web de una forma organizada y que se relacione con otros contenidos. Esto significa

que deben existir capas de información, o dicho de otra manera, anotaciones semánticas

que describan los términos para los contenidos de la web y con definiciones no

ambiguas de esos términos. Esto permitiría mejorar el descubrimiento, integración y uso

de los contenidos o recursos en la web. Las anotaciones semánticas antes referidas

hacen mención a los Metadatos y las definiciones no ambiguas de términos a las

Ontologías.

Para lograr los objetivos de la web semántica se define inicialmente una arquitectura de

capas. Cada capa corresponde a un nivel de representación de conocimiento que

aumenta el nivel de expresividad de la anterior. Esta arquitectura de capas no es fija y

en Antoniou et al. (2005) es adaptada de acuerdo al rol fundamental que juegan

actualmente las ontologías y reglas en la Web Semántica. La Figura 8-a muestra la

arquitectura original y la Figura 8-b muestra la actualización de la arquitectura

considerando las capas ontología y reglas.

( a ) ( b )

Figura 8. (a) Arquitectura de capas de la Web Semántica basada en las ideas de Berner-Lee. (b)

Incorporación de la capa de ontologías y reglas en la arquitectura.

En relación con los objetivos de esta tesis doctoral, dos capas de la arquitectura de la

web semántica serán tratados en mayor profundidad: ontology y rules. Específicamente

OWL, como lenguaje para la representación de ontologías y SWRL como lenguaje de

reglas para la web semantica. En Zhaoa & Liu (2008) se posiciona a OWL y SWRL en

la arquitectura de la web semántica como lo muestra la Figura 9.

.

48

Figura 9. Ubicación de OWL y SWRL en la estructura de capas.

Como se muestra en la Figura 9, XML apoya la sintaxis y permite la interoperabilidad

de datos. La semántica es provista por RDF (W3C, 2004b) y OWL. RDF proporciona

un esquema para describir los recursos en la web y OWL suma otras característica que

mejoran la expresividad como descripción de propiedades y clases, relaciones entre

clases, tipos y cardinalidades de propiedades, características de las propiedades. Los

lenguajes OWL y SWRL son ubicados en la capa logica/reglas, haciendo aportes a la

semántica.

En las secciones siguientes, se profundizará en conceptos centrales de este estudio como

son las ontologías, OWL como lenguaje de representación deontologías en la web

semántica y SWRL como lenguaje para definir reglas sobre ontologías.

2.4.3. Ontologías

En el último tiempo, las ontologías han adquirido especial importancia puesto que han

facilitado la forma de definir el significado de los conceptos, especialmente en el

contexto de la Web Semántica. Debido a su semántica precisa permiten que este

significado pueda ser procesado por máquinas y humanos (Horrocks, Patel-Schneider,

McGuinness, & Welty, 2007). Inicialmente Gruber (1993), definió a una ontología

como una especificación explícita de una conceptualización. Posteriormente, a esta

definición se agregaron dos elementos: la especificación formal y la conceptualización

compartida como características de las ontologías (Borst, 1997) (Studer, Benjaminsc, &

Fensela, 1998).

Las ontologías pueden ser usadas para reducir la confusión terminológica y conceptual

que aparecen frecuentemente entre persona y organizaciones (Marengo et al., 2006). Sin

49

embargo, en Ciencias de la Computación han permitido una mejor manera de

representar, compartir y procesar el conocimiento por parte de las máquinas. Una de las

principales ideas al construir una ontología es la de proporcionar una representación

formal de un cierto conocimiento que pueda ser usado por computadores.

Las ontologías se consideran modelos de representación de conocimiento que permiten

un alto nivel de conceptualización formal, además de permitir compartirlo

(Chandrasekaran, 1999). Son especialmente útiles cuando se requiere representar

conocimiento que puede organizarse en estructuras taxonómicas. La principales

funciones que cumplen las ontología son (Marengo et al., 2006): representar un léxico

común compartido, ayudar a la explicación de cosas implícitas, representar el

conocimiento y servir como metamodelo. Estas funciones muchas veces se encuentran

mezcladas en alguna aplicación o entorno de trabajo que basa su funcionamiento en la

ontología como base de conocimiento.

2.4.4. Lógica Descriptiva

La semántica formal, que sustenta a las ontologías está basada en las denominadas

Lógicas Descriptivas (Baader et al., 2003). Un lenguaje de Lógica Descriptiva

proporciona un mecanismo formal para combinar y construir definiciones de categorías,

así como algoritmos eficientes para decidir las relaciones de subconjunto y

superconjunto entre categorías (Russell, 2003). Es especialmente útil para representar

conocimiento taxonómico en sistemas de Inteligencia Artificial.

Según Baader et al. (2003), la Lógica Descriptiva es un conjunto de lenguajes que

permiten la representación de conocimiento partiendo de terminologías de un dominio

de una forma estructurada y formal, describiendo los conceptos y la semántica que

denotan las fórmulas, relaciones y expresiones lógicas de predicados. Algunas

características relevantes de la Lógica Descriptiva son la inclusión de formalismos

descriptivos de roles, conceptos e individuos; de formalismos terminológicos, de

formalismos asertivos y la capacidades de inferir15 nuevo conocimiento a partir de

técnicas de razonamiento.

15 En Inteligencia Artificial los términos razonamiento e inferencia son utilizados indistintamente. Ambos se

refieren al proceso de obtener nuevo conocimiento o conclusiones a partir de hechos o evidencias.

50

Así como la lógica de primer orden está diseñada para facilitar la afirmación de hechos

sobre objetos, la Lógica Descriptiva está pensada para realizar definiciones y

propiedades de categorías. Entre otras cosas, permite reforzar el formalismo del

significado de una red semántica y mantiene el énfasis en estructuras taxonómicas como

principio organizativo (Russell, 2003).

La Tabla 1 presenta una notación que puede ser utilizada para la definición de conceptos

en Lógica Descriptiva:

Tabla 1. Notación de ejemplo para la definición de conceptos utilizando Lógica Descriptiva.

Concepto Notación Ejemplo

Equivalencia A ≡ B Persona ≡ SerHumano

Subclase

B ⊑ C Mujer ⊑ Persona

Interseccion B ∩ D Trabajador ≡ Persona ∩ ∃ Tiene.Trabajo Union C U D Persona ≡ Mujer U Hombre

Complemento ¬ B Mujer ≡ ¬ Hombre

Vacío Ø

Clases disjuntas B ∩D ≡ Ø Mujer ∩ Hombre

La definición de cuantificadores existenciales y universales puede realizarse como lo

muestra la Tabla 2.

Tabla 2. Notación de ejemplo para la definición de cuantificadores existenciales y universales en

Lógica Descriptiva.

Cuantificador Notación Ejemplo

Existencial ∃ Estudiante ≡ Persona ∩ ∃ Cursa.Asignatura

Universal ∀ BuenEstudiante ≡ Estudiante ∩ ∀ TieneAprobada.Asignatura

También es posible definir restricciones de cantidad, como lo muestra la Tabla 3.

Tabla 3. Definición de restricciones de cantidad en Lógica Descriptiva.

Restricción Notación Ejemplo

Cardinalidad P = n Tesista ≡ Alumno tieneinscrita = 1

Cardinalidad Mínima P ≥ n CargaPesada ≡ Alumno tieneinscrita ≥ 4

Cardinalidad Máxima P ≤ n CargaLiviana ≡ Alumno tieneinscrita ≤ 2

En la Lógica Descriptiva se abordan principalmente los siguientes elementos: Objetos

(individuos), Conceptos (clases), Roles (relaciones) y Tipos de Datos. Una base de

conocimiento definida en lógica descriptiva posee dos partes: TBOX y ABOX

51

La TBOX se refiere a la definición de términos o conceptos. Por ejemplo la expresión:

Asignatura-Opcional = Asignatura ∩ Ů Cursa.Alumno

define la clase Asigntuara-Opcional como aquella Asignatura que tiene al menos un

Alumno que la cursa.

La ABOX se refiere a la descripción de individuos mediante aserciones. Por ejemplo la

expresión:

Asignatura-Opcional (Etica) Alumno(Julian) Cursa (Julian, Etica)

define una Asignatura-Opcional denominada “Etica”, un Alumno llamado “Julian” y

establece que “Julian cursa Etica”.

Es posible también definir atributos para las propiedades, por lo que una propiedad

puede definirse como inversa, transitiva, simétrica, subpropiedad, funcional y/o

funcional inversa. El hecho de que se permita la definición de este tipo de propiedades

proporciona una riqueza semántica importante a la hora de definir la ontología.

En esta lógica, las tres principales tareas de inferencia que se realizan son:

• Subsunción: Comprobar sí una categoría es un subconjunto de otra por medio de

la comparación de sus definiciones.

• Clasificación: Comprobar sí un objeto pertenece a una categoría.

• Consistencia: Relacionada con la definición de categorías, verifica sí el criterio de

pertenencia puede ser satisfecho lógicamente.

Por otra parte, al realizar razonamientos con Lógica Descriptiva se tienen presente las

asunciones de “mundo abierto” y la de nombres únicos que indica que nombres distintos

hacen referencia a objetos distintos (Russell, 2003).

La importancia de las Lógicas Descriptivas, es que proporcionan una semántica bien

definida y técnicas de razonamiento, aspectos que son utilizados por lenguajes de

ontologías, en particular por el lenguaje OWL.

2.4.5. Web Ontology Language (OWL)

OWL (Web Ontology Language) es el lenguaje de ontologías recomendado por el

World Wide Web Consortium (W3C). Incopora en su diseño elementos provenientes de

52

la Lógica Descriptiva, del paradigma de frames, de la Web Semántica y de lenguajes

ontológicos antecesores como OIL y DAML+OIL (Horrocks et al., 2007).

OWL hereda elementos de OIL y DAML+OIL en su relación con la expresividad de la

Lógica Descriptiva y en el uso RDF como lenguaje de descripción de recursos. La

relación de OWL y la Lógica Descriptiva se observa en la formalización de la

semántica, en los constructores del lenguaje y en la integración de tipos de datos y

valores. Un aspecto relevante, es que la semántica de este lenguaje, basada en Lógica

Descriptiva, posee procedimientos de decisión que pueden ser ejecutados por sistemas

de razonamiento automatizado (Horrocks et al., 2007).

Al utilizar el paradigma de representación de conocimiento denominado frames, el

lenguaje OWL proporciona beneficios para usuarios no expertos en Lógica Descriptiva.

Estos beneficios se relacionan con la facilidad para leer y entender las ontologías al

agrupar la información de cada clase en un esquema compacto.

El paradigma de frames ha sido usado por diversas herramientas de diseño de ontologías

y representación de conocimiento como Protégé16, Ontolingua Ontology environment

tool17, OKBC knowledge model18 y Chimaera Ontology Evolution Environment19 entre

otros.

OWL se presenta en tres versiones, ordenadas de menor a mayor expresividad:

• OWL LITE: Es un subconjunto sintáctico de OWL LD que restringe o prohíbe el

uso de ciertos constructores y axiomas con el objeto de hacer el lenguaje más

fácil para entender o implementar. Posee baja expresividad pero supone una

mayor eficiencia (Horrocks et al., 2007).

• OWL DL: Posee el más alto nivel de expresividad que asegura su decidibilidad.

Posee una semántica bien definida, que permite realizar tareas de razonamiento

mediante sistemas especializados.

16 http://protege.stanford.edu

17 http://www.ksl.stanford.edu/software/ontolingua/

18 http://www.ai.sri.com/~okbc/

19 http://ksl.stanford.edu/software/chimaera/

53

• OWL Full: Posee mayor expresividad que OWL DL pero no asegura la

decidibilidad. Permite expresiones de lógica de segundo orden. Tampoco se

garantiza la eficiencia.

Las versiones de OWL LITE y OWL DL corresponden a lenguajes de Lógica

Descriptiva, por lo que permiten su procesamiento mediante sistemas de razonamiento.

Entre los razonadores más conocidos se encuentran: RACER20, Pellet21, FACT++22 y

Hoolet23. Estos sistemas utilizan algoritmos específicos de razonamiento de lógica,

como por ejemplo algoritmos de Tableau (Danger, 2007). Los razonadores permiten

realizar principalmente tres tipos de razonamientos:

• Buscar inconsistencia del modelo, por ejemplo, sí una clase es insatisfecha o sí es

imposible que pueda tener individuos.

• Razonamiento de subsunción, que determinan relaciones de inclusión entre

clases.

• Razonamiento de clasificación, que clasifica individuos en las categorías

correspondientes.

En relación a OWL LD, merece la pena destacar que existe un amplio rango de

herramientas de diseño de ontologías y de razonadores automáticos. Esto ha provocado

que sea utilizado en numerosas aplicaciones. Por su parte, OWL FULL es un lenguaje

considerado no computable, o que al menos no se asegura su decidibilidad, lo que

provoca que a la fecha no existan herramientas efectivas para el razonamiento con este

lenguaje.

A pesar del extenso uso de OWL en diversas aplicaciones se han detectado deficiencias

en la actual versión del lenguaje (Cuenca et al., 2008). Una nueva versión del lenguaje,

llamada OWL 2 (W3C, 2009) ha sido propuesta por el W3C, que mejora aspectos de

expresividad y de metamodelos entre otros, al tiempo que se bosquejan los

requerimientos para contar con plataformas robustas para futuros desarrollos.

20 http://www.racer-systems.com/

21 http://pellet.owldl.com/

22 http://owl.man.ac.uk/factplusplus/

23 http://owl.man.ac.uk/hoolet

54

2.4.6. Semantic Web Rules Language (SWRL)

Semantic Web Rules Language (SWRL) es el lenguaje de reglas de la Web Semántica.

Se basa en una combinación de OWL LD, OWL Lite y un sublenguaje conocido como

Unary/Binary Datalog de Rule Markup Language (RuleML). RuleML es un lenguaje de

marcas para presentar y compartir reglas en la web y que utiliza lenguajes como XML y

RDF para representar su esquema. SWRL usa una porción de RuleML y su principal

aporte es que permite describir conocimiento deducible de la estructura ontológica

realizando razonamiento sobre las reglas (Boley, Tabet, & Wagner, 2001).

SWRL permite definir reglas del tipo horn-like que utilizan conceptos definidos en

OWL para expresar las reglas. Estas reglas permiten inferir nuevo conocimiento desde

bases de conocimiento OWL existentes. Las reglas son escritas como pares

antecedentes-consecuentes que en la termología de SWRL se denominan body-head. En

ambos elementos puede encontrarse conjunciones de términos que son llamados

átomos. Las reglas indican que si el antecedente se evalúa como verdadero, el

consecuente también lo es. Cómo una forma de aportar al entedimiento, conviene

detallar el siguiente ejemplo. En una ontología, considere la clase PERSONA y

MÚSICA24. Esta última representa a diversas piezas musicales. La propiedad

esAutor , relaciona a un autor con una pieza musical. La siguiente regla permitiría

razonar acerca de qué personas son compositores.

persona(?p) ^ musica(?m) ^ esAutor(?p, ?m) � compositor(?p)

Esta regla utiliza elementos de la ontología definidos en OWL para razonar acerca de

los individuos (personas) que son compositores.

En la ontología, las reglas SWRL son almacenadas utilizando la denominada XML

Concrete Syntax (W3C, 2004c), que consiste en una combinación de OWL XML y

RuleML (Boley et al., 2001). Por ejemplo, la regla anterior puede ser representada de la

siguiente forma:

24 Las clases son presentadas en mayúscula y las propiedades en tipo de fuente Courier.

55

<swrl:Imp rdf:ID="esCompositor"> <swrl:head> <swrl:AtomList> <rdf:first> <swrl:ClassAtom> <swrl:argument1> <swrl:Variable rdf:ID="p"/> </swrl:argument1> <swrl:classPredicate

rdf:resource="# compositor"/> </swrl:ClassAtom> </rdf:first> </swrl:AtomList> </swrl:head> <swrl:body> <swrl:AtomList> <rdf:first> <swrl:ClassAtom> <swrl:argument1 rdf:resource="#p"/> <swrl:classPredicate rdf:resource="#per sona"/> </swrl:ClassAtom> </rdf:first> <rdf:rest> <swrl:AtomList> <rdf:rest> <swrl:AtomList> <rdf:first> <swrl:IndividualPropertyAtom> <swrl:argument1 rdf:resource="# p"/> <swrl:propertyPredicate

rdf:resource="# esAutor"/> <swrl:argument2> <swrl:Variable rdf:ID="m"/> </swrl:argument2> </swrl:IndividualPropertyAtom> </rdf:first> </swrl:AtomList> </rdf:rest> <rdf:first> <swrl:ClassAtom> <swrl:classPredicate rdf:resource=" #musica"/> <swrl:argument1 rdf:resource="#m"/> </swrl:ClassAtom> </rdf:first> </swrl:AtomList> </rdf:rest> </swrl:AtomList> </swrl:body> </swrl:Imp>

SWRL está basado en OWL, por lo que utiliza fundamentos de la Lógica Descriptiva y

entrega las mismas garantías formales cuando se realiza inferencia. Este lenguaje

utiliza como complemento a OWL. Mientras OWL permite construir jerarquías de

conceptos y definirlos mediante un lenguaje de axiomas que permite el razonamiento

para su interpretación, describir los conceptos y establecer relaciones con otros

conceptos y manipular datos en forma de instancias, SWRL agrega una capa adicional

de expresividad permitiendo definir reglas de inferencia en estos modelos (O'Connor,

Shankar, Tu, Nyulas, & Das, 2008).

56

SWRL presenta, una serie de predicados, disponibles en la forma de funciones pre-

construidas, que pueden ser utilizados especialmente para operaciones matemáticas y de

manejo de string. Posee características de la lógica monotónica, por ejemplo no permite

la negación en sus átomos ni la modificación de valores (O’Connor et al., 2005). Apoya

el razonamiento de mundo abierto, por ejemplo en la diferenciación única de individuos

utilizando la función differentFrom() . Entre las ventajas de SWRL se cuentan la

simplicidad, la integración con OWL LD y OWL-Lite y que el lenguaje cumple con la

representación de reglas de lógica de primer orden (Antoniou et al., 2005).

Diversos estudios han reportado la utilización de OWL como lenguaje de ontologías y

SWRL como lenguaje de reglas (Zhaoa & Liu, 2008) (Argüello & Des, 2008)

(O'Connor et al., 2008).

2.5. Diseño Instruccional.

Los cambios que han afectado a la sociedad en el último tiempo, han impactado también

en la forma en que se concibe, planifica y ejecutan los procesos educativos. Según

Reigeluth (1999a), se ha producido un cambio en el paradigma instruccional

caracterizado por la personalización de la enseñanza, relaciones de cooperación entre

profesores, estudiantes y expertos, una visión holística del conocimiento y un proceso

de aprendizaje centrado en el aprendiz entre otros aspectos. Nuevas teorías intentan

explicar los procesos del aprendizaje humano y los avances en la tecnología aportan

distintas formas de concebir ambientes de aprendizaje centrados en el aprendiz,

adaptables a estilos de aprendizaje, colaborativos y altamente interactivos.

Muchos diseñadores se enfrentan al reto de intentar crear ambientes de aprendizaje

constructivistas que permitan al aprendiz descubrir y construir su propio conocimiento,

compartirlo y enriquecerlo en un entorno social (Dick, Carey, & Carey, 2008). Esto

plantea un serio desafío: utilizar métodos provenientes de las TDIs, que apoyados en

tecnología, permitan la creación de recursos de aprendizaje altamente interactivos,

flexibles, abiertos e integradores.

Dada la importancia para el desarrollo de recursos en ambientes e-learning, se presenta

en las siguientes secciones una perspectiva de las más importantes teorías de

aprendizaje y de algunas teorías de diseño instruccional.

57

2.5.1. Teorías sobre el Aprendizaje

Las teorías sobre el aprendizaje son consideran teorías descriptivas porque explican la

forma en que se produce el aprendizaje. A través de la historia se han propuesto

numerosas teorías que intentan explicar los procesos de aprendizaje humano. Estas

teorías pueden ser agrupadas en tres grandes paradigmas cognitivos: Conductismo,

Cognitivismo y Constructivismo.

Para el Conductismo el aprendizaje se describe en términos de los cambios observables

en la conducta del individuo. El proceso de aprendizaje se basa en la repetición. Por

ejemplo el Condicionamiento Clásico de Pavlov y posteriormente el Condicionamiento

Operante de Skinner explican el aprendizaje en términos de estímulos y respuestas.

Estas respuestas son conductas que se pueden observar y medir objetivamente (Ertmer,

1993). La mente humana se ve como una caja negra ignorando cualquier proceso que

pueda darse en el interior (Mergel, 1998).

El cognitivismo proviene de la psicología cognitiva. Esta corriente explica el

conocimiento como un proceso de adquisición o reorganización de estructuras

cognitivas mediante las cuales las personas procesan y almacenan la información

(Ertmer, 1993). De esta forma, el aprendizaje se describe como una actividad mental

que codifica y estructura internamente el conocimiento en cada individuo construyendo

bloques de conocimiento que se organizan, almacenan y recuperan para facilitar su

procesamiento. Jean Piaget, Lev Vigotsky, David Ausubel, Robert Gagné, Howard

Gardner entre otros han contribuido a robustecer esta teoría. Los teóricos reconocen el

importante papel del reforzamiento en ciertos aprendizajes, idea que provenía del

conductismo, agregando la interacción con otras personas (Mergel, 1998).

La teoría Constructivista sostiene que cada individuo aprende combinando nueva

información con el conocimiento previo que proviene de la propia experiencia. Dave

Jonassen (1994), sostiene que si bien cada individuo construye una idea única del

mundo, existen aspectos, como por ejemplo las leyes físicas de la naturaleza, que son

afortunadamente interpretadas de la misma manera evitando de esta manera una

anarquía intelectual. Para el constructivismo el aprendizaje es eminentemente activo y

subjetivo, y cada aprendiz es único y su experiencia previa también lo es, por lo que el

aprendizaje también lo será. Algunos de los investigadores que han aportado al

58

desarrollo de esta teoría son Jean Piagget, Lev Vigotsky, Jerome Brunner y John

Dewey.

Posteriormente, los investigadores del constructivismo fueron ampliando el centro de

atención, desde el aprendizaje individual a un aprendizaje influenciado por la

interacción social. Esta forma de entender el aprendizaje es conocida como

Constructivismo Social. Como una extensión del constructivismo clásico, el

Constructivismo Social intenta reunir las ideas de Piaget con las de Bruner y Vigotsky,

incorporando la dimensión social en el aprendizaje, aspecto que influencia numerosas

teorías de aprendizaje y métodos educativos hasta nuestros dias.

Diversos autores han propuesto teorías más específicas que intentan explicar la forma en

la que ocurre el aprendizaje humano, la mayoría de las cuales utilizan las bases

epistemológicas de los paradigmas antes presentados. Algunas de estas teorías son

Teoría de Condicionamiento Operante (Domjan, 2003), Teoría de la Carga Cognitiva

(Sweller, 2005), Teoría del Procesamiento de la Información (Miller, 1956) y Teoría de

Condiciones de Aprendizaje (Gagne, 1985) por nombrar sólo algunas.

A modo de resumen podría decirse que las teorías de aprendizaje ayudan a entender,

desde una perspectiva teórica, cómo ocurre el aprendizaje desde alguno de los

paradigmas antes presentados, sin embargo ellas no proporcionan guías concretas para

planificar y poner en práctica la instrucción.

2.5.2. Teorías de Diseño Instruccional

Las teorías de aprendizaje y las teorías de diseño instruccional están estrechamente

relacionadas, debido a que las primeras entregan el sustento filosófico desde donde se

puede planificar el proceso de aprendizaje (Merril, 1996) (Reigeluth, 1999b).

El diseño instruccional es la aplicación sistemática de teorías y principios que guían el

diseño de aprendizajes. A diferencia de las teorías de aprendizaje, las teorías de DI son

prescriptivas. Ayudan a organizar el cuerpo de conocimiento para usarlo en un proceso

de aprendizaje (Gagne, Briggs, & Wager, 1992).

La aplicación de los métodos de las teorías de diseño instruccional requiere de un

enfoque disciplinado que indique por ejemplo la secuencia de las actividades y los

resultados de cada una de ellas. Reigeluth los denomina Procesos de Diseño

Instruccional (Reigeluth, 1999a). Los Modelos de Diseño Instruccional, también

59

conocidos como modelos de Desarrollo de Sistemas Instruccionales (en inglés,

Instructional Systems Development), permiten crear sistemas instruccionales desde una

perspectiva de sistema (Merril, 1996). Estos modelos son utilizados para crear recursos

para el aprendizaje y consideran etapas que van desde el análisis a la puesta en práctica

del recurso y su evaluación. Algunos modelos proponen una secuencia lineal de estas

actividades y otras proponen modelos que consideran iteraciones y desarrollos

incrementales. Uno de los modelos de DI más conocidos por su simplicidad es es

ADDIE (Analysis, Design, Development, Implementation and Evaluation) (Peterson,

2003). Otros ejemplos de estos modelos son ASSURE (Heinich, Molenda, & Russell

1993), ARCS (Keller, 1987) y Dick & Carey (Dick et al., 2008).

Sin embargo, los modelos de diseño instruccional no proporcionan al diseñador, guías

para la toma de decisiones acerca de si un método instruccional es o no aplicable en

algún contexto. Tampoco proporcionan detalles de cómo realizar las actividades de los

métodos. Son las Teorías de Diseño Instruccional (TDI) las que orientan

proporcionando guías de acción concretas acerca de cómo diseñar el aprendizaje.

De acuerdo a Reigeluth (1999b), una teoría de diseño instruccional es una teoría que

ofrece guías explícitas sobre cómo ayudar a las personas a aprender. El uso de TDIs

permite orientar la construcción de recursos para el aprendizaje, considerando

elementos del contexto instruccional y los objetivos de aprendizaje.

En general, las teorías de diseño instruccional se caracterizan por:

• Ser orientadas al diseño, es decir centradas en la obtención de objetivos de

aprendizaje definidos

• Identifican métodos y situaciones. Los métodos instruccionales son formas para

apoyar y facilitar el aprendizaje; y las situaciones indican cuando usar un

determinado método.

• Los métodos pueden ser descompuestos en componentes de niveles más

detallados.

• Los métodos son más probabilísticos que determinísticos, en el sentido de que el

uso de alguno de ellos no asegura el logro de los objetivos, sino que aumenta la

posibilidad de lograrlos.

Reigeluth usa el término situación para referirse a ciertos elementos del contexto que

influencian la elección de métodos de DI (Reigeluth, 1999c). Destaca que los métodos

60

de DI son situacionales y no universales, es decir, que un método podría trabajar mejor

en una determinada situación mientras que otros métodos podrían hacerlo mejor en un

contexto distinto. La situación se compone de los objetivos instruccionales esperados y

de la condiciones instruccionales. Las condiciones instruccionales que determinan el

uso de un método incluyen:

• La naturaleza de lo que está siendo aprendido. Por ejemplo, los conocimientos

podrían ser aprendidos de forma distinta que las habilidades.

• La naturaleza del aprendiz. Considera elementos como conocimiento previo,

estrategias de aprendizaje y nivel de motivación.

• La naturaleza del ambiente de aprendizaje. Por ejemplo, aprendizaje individual,

en equipos, en casa, asistida por un tutor, etc.

• La naturaleza de las restricciones del desarrollo instruccional. Por ejemplo tiempo

y dinero disponible para el desarrollo del recurso.

En relación a los objetivos de esta investigación, el centro de atención está puesto en la

representación de los métodos instruccionales y no en la situación de uso.

2.5.3. Descripción de algunas teorías de diseño instruccional

En el ya citado “Instructional-Design Theories and Models, Volume II: A New

Paradigm of Instructional Theory”, de Charles Reigeluth (Reigeluth, 1999a), se

compilan varia Teorías de Diseño Instruccional, convirtiéndolo en una importante

fuente de conocimiento acerca de estas teorías. Las clasifica en 3 categorías de acuerdo

al dominio en que fomentan el aprendizaje: cognitivo, psicomotor y afectivo. Algunas

de las teorías allí presentadas son: Learning By Doing, Collaborative Problem Solving,

Landamatics for Teaching General Methods of Thinking, Multiple Intelligences,

Instructional Transaction Theory y Elaboration Theory.

Se presenta en los siguientes apartados, las principales características y métodos de

algunas teorías de diseño instruccional útiles a los objetivos de este trabajo. Esta

descripción proporciona una visión general de los fundamentos y métodos de estas

teorías, que será de utilidad en posteriores capítulos en donde se propone su

representación mediante lenguajes ontológicos formales.

61

2.5.3.1 Teoría de Elaboración: Guía para decisiones de alcance y secuencia.

La Teoría de Elaboración, en inglés Elaboration Theory, fue propuesta por Charles

Reigeluth (Reigeluth, 1999a) con el objetivo de apoyar la selección de los contenidos a

aprender, proporcionando formas de secuenciar los tópicos, de manera que fomenten el

logro de los objetivos instruccionales. Fomenta, principalmente, el aprendizaje

cognitivo y psicomotor de los estudiantes.

Esta teoría posee las siguientes características generales:

• Propone enseñar en primer lugar los conceptos más amplios, es decir, usando un

enfoque de lo general a lo particular.

• Agrupa los contenidos en “episodios de aprendizaje”, que no deben ser tan

pequeños que interfieran el flujo del proceso de aprendizaje ni tan grandes que

dificulten la revisión y síntesis de los mismos.

• Propone dos estrategias de secuenciación de contenidos: por tópico y en espiral.

La secuenciación por tópico, fomenta el aprendizaje de un tópico en la

profundidad requerida y luego, el aprendizaje del tópico siguiente. En la

secuenciación en espiral, los tópicos son aprendidos gradualmente en cada

oportunidad en que se revisa el tópico, aumentando gradualmente la profundidad

y amplitud requerida.

• Proporciona al estudiante la posibilidad de elegir el orden en que se realiza el

aprendizaje de los contenidos.

La teoría de Elaboración requiere que los tópicos a aprender se organicen en lo que se

denomina Estructura de Conocimiento Conceptual. Esta estructura organiza los tópicos

desde lo más general a lo particular. La Figura 10 muestra un ejemplo de esta

estructura, extraída desde (Reigeluth, 1999a), que organiza tópicos para el aprendizaje

de los tipos de música.

62

Music

Renaissance

Music

Medieval

Music

Baroque

Music

Classical

Music

Romantic

Music

20th Century

Music

Secular Sacred SecularInstru-

mentalVocal

Instru-

mentalVocal

Instru-

mentalVocal

SonataDiverti-

mento

Chamber

MusicNotturno

… … … …

…

… …

…

Combin-

ation

SymphonyFor 1

instrument

String

quartetConcerto

Figura 10. Ejemplo de una Estructura de Conocimiento Conceptual. Extraído de (Reigeluth, 1999a).

A partir de esta estructura, los tópicos a aprender son seleccionados utilizando la

estrategia de secuenciación por tópicos o en espiral.

La teoría de secuenciación se compone de 3 grandes métodos:

• Secuencia de Elaboración Conceptual (en inglés, Conceptual Elaboration

Sequence): Se utiliza para el aprendizaje de conceptos. Método recomendado

cuando los objetivos de aprendizaje incluyen numerosos conceptos relacionados.

• Secuencia de Elaboración Teórica (en inglés, Theoretical Elaboration

Sequence): Se utiliza para el aprendizaje de principios. Este método es

recomendado cuando los objetivos de aprendizaje posee diversos principios

relacionados.

• Simplificación de la Secuencia de Condiciones (en inglés, Simplifying

Conditions Sequence): Pensado para el aprendizaje de tareas. Las tareas son

clasificadas en procedurales y heurísticas. Para tareas procedurales, el método

propone centrase en la enseñanza de los pasos de la tarea. Para tareas heurísticas

propone centrarse en la enseñanza de principios.

La división clara de los principales métodos de la Teoría de Elaboración y la forma en

que estos están explicados, puede facilitar su modelado en una forma modular, lo que

proporciona beneficios para los objetivos de este trabajo.

63

2.5.3.2 Teoría de Inteligencias Multiples.

Esta teoría, propuesta por Howard Gardner (Gardner, 1999), tiene como objetivo

fomentar el aprendizaje en una forma que considere las diferentes inteligencias de los

estudiantes. Propone que el profesor, partiendo del “qué enseñar” considere diversas

formas de “cómo enseñar”. Esta teoría permite adaptar la instrucción a las diferencias

individuales de los estudiantes fortaleciendo además los tipos de inteligencia que

poseen.

A partir de tópicos iniciales que están relacionados con los temas principales y mediante

el uso de analogías y ejemplos, propone crear diferentes representaciones que permitan

a los estudiantes profundizar en ellos. Para obtener los beneficios de la teoría un aspecto

importante es mantener la motivación en los estudiantes.

La teoría de Inteligencias Múltiples considera la existencia de 6 clases de inteligencia:

narrativa, cuantitativa/numérica, fundacional/existencial, estética, manual y social. En

relación al método propuesto, este puede resumirse en los siguientes pasos:

1.- Selección de temas importantes: Se propone considerar pocos tópicos los

que deben ser tratados en profundidad y que deben estar conectados con temas

importantes para el objetivo.

2.- Utilización de puntos de entrada: La introducción a los contenidos debe

realizarse de manera motivante y considerando las diversas inteligencias de los

estudiantes. Mediante representaciones congruentes con los tipos de

inteligencias, el profesor debe generar en el estudiante el interés por el

aprendizaje.

3.- Uso de analogías y ejemplos: El uso de analogías y ejemplos tiene como

finalidad fomentar modos específicos de entendimiento en los estudiantes.

4.- Entendimiento profundo del tópico: Utilizando diversas representaciones y

actividades de aprendizaje, que consideren la variedad de tipos de inteligencias,

se busca el entendimiento profundo de los tópicos.

La teoría de Inteligencias Múltiples, brevemente descrita en esta sección, presenta

características favorables para su modelado formal, debido a la utilización de elementos

que en su mayoría pueden ser representados mediante la especificación IMS-LD y

LOM.

64

2.5.3.3 Teoría “Learning by Doing”

Learning by Doing, en español “aprender haciendo”, fue propuesta por Roger Shank

(Schank, Berman, & Macpherson, 1999) y tiene como principal objetivo fomentar el

aprendizaje de habilidades, centrándose en que los estudiantes puedan desarrollarlas en

un entorno realista y en donde ejecuten tareas como si estuviesen en el mundo real.

Se basa en el “aprender a hacer” y no sólo en adquirir conocimiento basado en hechos.

Para esto el entorno de aprendizaje debe ser relevante, significativo e interesante para el

estudiante. Utiliza el razonamiento basado en casos, como base para la enseñanza en los

escenarios de aprendizaje.

Sus principales características pueden resumirse en:

• Está centrada en el aprendizaje de habilidades.

• El aprendizaje sucede mediante la realización de acciones en un contexto realista,

relevante, interesante, significativo y dotado de los recursos necesarios para llevar

a cabo las actividades.

• El estudiante puede tomar decisiones en sus acciones y debe recibir la

retroalimentación oportuna y contextual.

El método de esta teoría se relaciona con la creación de un entorno o escenario de

aprendizaje basado en una situación en la que los estudiantes desarrollan tareas para

conseguir llevar a acabo una misión. El método se centra en 7 aspectos que se describen

a continuación:

• Objetivos: Se debe definir una clara idea de los que los estudiantes deben

aprender.

• Misión: Determinar de acuerdo a los objetivos de aprendizaje, una misión de

alto interés para los estudiantes.

• Historia: Se refiere a la descripción de la historia en el que está inserta la

misión. Debe ser motivante y realista.

• Roles: Define la función que el estudiante cumplirá en la historia. Debe ser

interesante para el estudiante y debe orientarse a poner en práctica las

habilidades que se busca desarrollar.

65

• Escenario de operaciones: Considera todas las actividades que el estudiante

debe realizar para lograr la misión.

• Recursos: Proporciona la información necesaria para que el estudiante

pueda cumplir su rol. Debe ser concordante también con la misión y el

escenario de operaciones.

• Retroalimentación: Considera la entrega oportuna y contextualizada de

retroalimentación respecto al desarrollo de las actividades/tareas ejecutadas.

Esta información puede surgir como consecuencia de la realización de

alguna acción, mediante coaching o proveniente de la interacción con

expertos en la temática de la misión.

En general, la teoría “Learning by Doing” descrita en esta sección, es posible de ser

modelada utilizando los elementos de la especificación IMS-LD y LOM.

Las características generales de las 3 teorías de diseño instruccional expuestas en esta

sección, son utilizadas en los próximos capítulos de este documento para realizar el

modelado de sus métodos.

2.6. Ontologías relacionadas con el Diseño Instruccional

Particularmente en e-learning, las ontologías han encontrado una excelente área de

aplicación. Se considera una ontología educacional a cualquiera que pueda ser utilizada

en la enseñanza basada en tecnologías Web (Hernandez & Saiz, 2007). Devedziz

propone clasificar las ontologías educacionales de la siguiente forma (Devedziz, 2006):

• Ontología de dominio: representa los conceptos esenciales, relaciones y teorías de

los diferentes dominios de interés.

• Ontología de tareas: los conceptos y relaciones que se incluyen en este tipo de

ontología pertenecen a los tipos de problemas, estructuras, partes, actividades y

pasos a seguir en el proceso de solución de problemas.

• Ontología de apoyo a la estrategia de la enseñanza: permite modelar experiencias

en la enseñanza, especificando el conocimiento y los principios de las diferentes

acciones pedagógicas y comportamientos.

66

• Ontología de modelo de aprendizaje: se utiliza para construir modelos y se

utilizan en sistemas adaptativos de apoyo al aprendizaje.

• Ontología de interfaz: especifica el comportamiento adaptativo y las técnicas en

el nivel de interfaz de usuario.

• Ontología de comunicación: se utiliza en el intercambio de mensajes entre

diferentes plataformas, repositorios y servicios educativos. Define la semántica

en que se basarán los mensajes, por ejemplo, el vocabulario de términos que se

utilizarán en la comunicación.

• Ontología de servicios educacionales: se relaciona con la ontología de

comunicación, está basada en OWL-S y proporciona medios para crear

descripciones de los servicios educacionales, procesables por los ordenadores.

En e-learning, las ontologías han sido utilizadas para describir sistemáticamente cada

Objeto de Aprendizaje, permitir búsquedas semánticas y dar a los usuarios un punto de

referencia para los conceptos y la terminología compartida (Marengo et al., 2006). Las

aplicaciones se benefician de la semántica precisa y formal proporcionada por las

ontologías.

En la literatura existen diversas ontologías que se relacionan con recursos de

aprendizaje y/o con el diseño de los mismos. A continuación se presentan algunos

estudios que proponen ontologías o enfoques ontológicos para resolver alguna

problemática relacionada con la representación de Objetos de Aprendizaje, Diseño de

Aprendizajes, estándares y especificaciones relacionadas, y acerca de teorías

instruccionales.

2.6.1. Ontología para la representación semántica de OA

En el contexto de la web semántica se requiere de modelos que representen

descripciones de los Objetos de Aprendizaje utilizados en entornos de e-learning.

OpenCyc25 es una ontología de nivel superior, que posee conceptos, relaciones,

propiedades, restricciones, individuos y mecanismos para realizar inferencia sobre ellos.

El conocimiento representado en esta ontología es de carácter general, pero puede ser

25 http://www.cyc.com/cyc/opencyc/

67

utilizado como base para construir, a partir de su contenido, ontologías más específicas.

Es el caso del trabajo propuesto por Sicilia, García, Sánchez-Alonso, & Rodríguez

(2004), donde se discute la representación ontológica del concepto de Objetos de

Aprendizaje a la luz de distintas definiciones. La estructura ontológica propuesta

considera tipos explícitos e implícitos para los OA, resultando estos últimos

beneficiosos para realizar clasificaciones pedagógicas y proponiendo de paso, la bases

para automatizar tareas educativas relacionadas con OA.

La representación de OAs contenidos en un Repositorio de Objetos de Aprendizaje es

una importante aplicación de las ontologías. En Soto, García, & Sánchez-Alonso

(2007), se presenta un Repositorio Semántico de OA que tiene entre sus objetivos el de

proporcionar significado a los metadatos almacenados, tomando como base los términos

genéricos definidos en OpenCyc. De esta forma se propone describir e interpretar cada

OA del repositorio considerando esas descripciones semánticas.

2.6.2. Ontologías del Estándar LOM

En Sánchez-Alonso, Sicilia, & Pareja (2007) se plantea la necesidad de entregar una

base para la traducción del estándar LOM, expresado en XML, a un lenguaje de

ontología como WSML (Web Service Modelling Language). La ontología denominada

LOM2WSML no sólo realiza la traducción de un lenguaje a otro sino que intenta

mejorar la semántica computacional de los registros de metadato. En relación a este

mismo requerimiento, Fermoso, Sánchez-Alonso, & Sicilia (2008) plantean una

ontología, expresada en lenguaje OWL, para la representación del estándar LOM que

pretende facilitar la creación y la mantención de los registros de metadatos, el

almacenamiento, la búsqueda, localización y uso de Objetos de Aprendizaje así como

mejorar la reutilización y la interoperabilidad de los mismos.

Esta ontología, denominada LOM2OWL, define clases para representar los tipos de

datos utilizados por LOM. Por ejemplo, las clases lomDateTime, langString y

lomDuration representan los tipos DateTime, LangString y Duracion de LOM. La clase

principal de la ontología es learningObject que representa al objeto de Aprendizaje y se

relaciona con otras clases que representan las categorías del estándar. La Figura 11

muestra las clases y relaciones de la ontología LOM2OWL.

68

Figura 11. Extracto de clases de la ontología LOM2OWL. Figura generada con la herramienta

OntoViz.

De acuerdo a la clasificación de ontologías educativas de Devedziz (2006), la ontología

LOM2OWL podría considerarse como una ontología de apoyo a la estrategia de

enseñanza.

2.6.3. Ontologías de IMS-LD

La especificación IMS-LD fue formalmente modelada utilizando el lenguaje XML-

Schema. Sin embargo este lenguaje presenta problemas de expresividad para describir la

semántica asociada a los elementos de IMS-LD (Amorim, Lama, Sánchez, Riera, &

Vila, 2006). Los problemas específicos de expresividad se refieren a: la definición

explícita de relaciones de jerarquías; definición formal de restricciones entre conceptos,

relaciones, atributos y la definición de propiedades matemáticas de relaciones como

simetría, transitividad y de propiedades taxonómicas como clases disjuntas y

exhaustivas. La utilización de lenguajes ontológicos formales permite mejorar la

expresividad de la semántica contenida en la especificación IMS-LD.

La ontología de IMS-LD proporciona una representación ontológica de esta

especificación. En ella se describen la estructura y secuencia de actividades de

aprendizaje, los roles, actividades, los servicios y/o objetos usados. La ontología

construida el lenguaje OWL incluye relaciones taxonómicas y axiomas formales. Según

la clasificación de Devedziz (2006), la ontología de IMS-LD tendría principalmente

características de una ontología de apoyo a la estrategia de enseñanza.

El concepto central de la ontología es el de Unidad de Aprendizaje. La taxonomía de

conceptos incluye algunos como learning design, learning objective, prerequisite,

69

method, play, role, role-part, act, environment, learning object, activity entre otros. La

Figura 12 presenta los principales conceptos y relaciones de la ontología.

Adicionalmente la semántica expresada en la especificación se modela mediante

axiomas formales expresados en lógica de primer orden, obteniéndose dos grandes

tipos: axiomas de diseño y de ejecución de la Unidad de Aprendizaje.

La ontología IMS-LD contiene descripciones de actividades de aprendizaje expresadas

en lenguaje formal (OWL) y sus instancias podrían ser utilizada como la base de

restricciones y reglas para la representación de teorías de diseño instruccional (Sicilia et

al., 2011).

Por otra parte, como se mencionó anteriormente, un LD relaciona, entre otros

elementos, OA que son utilizados para presentar el contenido a aprender. Una propuesta

que relaciona mediante un marco ontológico a Diseños de Aprendizaje y OA es el

presentado por Knight, Gašević, & Richards (2006). En este estudio se utilizan tres

ontologías: una ontología que representa la especificación IMS-LD, una ontología de

contenidos de OA y, finalmente, una ontología intermedia que relaciona a las dos

primeras, con la intención de facilitar el reuso relacionando los OAs con descriptores de

sus posibles contextos de uso. La utilización de la ontología intermedia facilitaría por

ejemplo, el uso de OA en distintos LDs o el uso del mismo LD con distintos OAs.

70

Figura 12. Conceptos y relaciones de la Ontología IMS-LD (Amorim et al., 2006). Figura generada con la herramienta OntoViz.

71

2.6.4. Ontologías de teorías educativas

Una ontología que intenta cubrir un amplio espectro de teorías educacionales es la que

se presenta en Hayashi et al. (2006). Allí se propone una infraestructura desde el punto

de vista ontológico que permita a los diseñadores utilizar conocimiento de teorías de

aprendizaje e instruccionales. La ontología es llamada Omnibus, y es creada con el

objetivo de proporcionar una base de conocimiento para dar soporte a la creación de

escenarios de aprendizaje. La idea principal de esta ontología es integrar conocimiento

respecto de contextos de aprendizaje en una estructura ontológica considerando como

base algunas teorías de aprendizaje y de instrucción. La ontología toma como base

inicial el meta-modelo del lenguaje OUNL-EML y agrega clases e instancias que

relacionan la Unidad de Aprendizaje con paradigmas, teorías de aprendizaje y teoría

instruccionales (Bourdeau et al., 2007).

La ontología Ominubus representa aspectos comunes e identifica diferencias entre

diversas teorías de aprendizaje e instruccionales. Cubre los aspectos declarativos y

procedurales de las teorías intentando hacer operacional la teoría para facilitar la

creación de escenarios de aprendizaje. En concreto, la ontología modela conceptos

relacionados con el proceso de aprendizaje, eventos de aprendizaje y situación de

aprendizaje entre otros. La Figura 13 presenta un fragmento de los conceptos modelados

en la ontología.

A diferencia de esta investigación, su foco de atención no se encuentra en los métodos

de las teorías de diseño instruccional, sino más bien en algunos aspectos de modelos de

diseño instruccional y teorías de aprendizaje. Por otra parte, esta propuesta presenta

problemas de compatibilidad con la especificación IMS-LD. Omnibus fue construida

utilizando el editor HOZO26 y no fue originalmente diseñada para ser usada por

lenguajes de la web semántica. Aunque esta ontología puede ser exportada a OWL-LD,

presenta problemas relacionados con la interoperabilidad con otros programas.

En relación a la clasificación de ontologías educativas de (Devedziz, 2006), Omnibus

puede ser clasificada como una ontología de apoyo a la estrategia de enseñanza y como

una Ontología de Tareas.

26 http://www.hozo.jp

72

Figura 13. Vista general de los conceptos de nivel superior de la ontología Ominubus. Figura extraída desde Hayashi, Bourdeau et al. (2006).

73

2.7. Conclusiones del Estado del Arte

En este capítulo se presentaron los temas que sustentan el tema central de esta tesis. Por

cada uno de esos temas se destacaron aspectos relevantes para la construcción de los

modelos de representación de las Teorías de Diseño Instruccional que conforman el

Catálogo de TDI.

En primer lugar se presentaron estándares y especificaciones relacionadas con recursos

para el aprendizaje, en particular en las relacionadas con actividades de aprendizaje. Se

profundizó en la especificación IMS-LD que define un lenguaje de modelado de

actividades de aprendizaje. Esta especificación mejora la flexibilidad y la expresividad

permitiendo representar una gama más amplia de enfoques pedagógicos que la

proporcionada por SCORM. Por ejemplo, IMS-LD permite definir múltiples roles para

representar entre otros a estudiantes y profesores, permitiendo además la interacción

entre ellos. Cada uno de los roles es asociado a actividades de aprendizaje, las que a su

vez pueden utilizar recursos de aprendizaje. De esta forma, una UoL definida mediante

IMS-LD es mucho más beneficiosa que un SCO, definido por SCORM, para expresar

distintas formas de pedagogía (Griffiths, Blat, García, & Sayago, 2005). Por esta razón,

en este trabajo la especificación IMS-LD será utilizada en la construcción del Catálogo

de TDI, debido a que permitiría especificar de mejor manera, y en forma computable e

interoperable, las actividades de aprendizaje de un diseño.

En relación a las herramientas que pueden ser utilizadas en la construcción de un LD, se

presentaron las características de algunas herramientas que asisten en su construcción.

Entre estas herramientas, se destacó al editor Recourse, por su alto nivel de

cumplimiento con la especificación IMS-LD.

Considerando la proliferación de tecnologías de la Web Semántica y la necesidad de

representar conocimiento de las TDI, fueron presentados algunos modelos de

representación de conocimiento. En este sentido, se destacaron los beneficios de la

utilización de ontologías para estos propósitos. Las ontologías proporcionan un alto

nivel de expresividad y formalidad en la especificación, por lo que resultan adecuadas

para representar los resultados del proceso de diseño instruccional.

Por otra parte, las Teorías de Diseño Instruccional pueden ser utilizadas para guiar el

diseño de recursos. Se presentaron las características y los métodos de tres de estas

74

teorías: Teoría de Elaboración, Inteligencias Múltiples y Learning By Doing. Cada una

de ellas proporciona guías y métodos que pueden ser utilizados para construir un LD.

Algunos aspectos presentados resultan especialmente útiles para el modelado. Por

ejemplo, la característica de descomposición de los métodos de DI en submétodos

permite abordar modularmente el modelado de la teorías. Sin embargo, estas teorías

están expresadas en lenguaje natural y no pueden ser directamente utilizadas

directamente por sistemas.

Considerando el enfoque de modelado propuesto por (Sicilia et al., 2011) se propone la

utilización de ontologías para modelar las teorías, representando ontológicamente un

LD y representando los métodos mediante un lenguaje de reglas, específicamente

SWRL. Mediante una revisión de la literatura se encontraron investigaciones existentes

que representan, mediante ontologías, algunos de los aspectos de interés para esta

investigación, como por ejemplo Learning Design, Objetos de Aprendizaje, estándares y

especificaciones para estos recursos, teorías o modelos de diseño instruccional. La

Tabla 4 resume los trabajos comentados en este capítulo. En ella se indica, el aspecto de

interés que modela, su nivel de conformidad con la especificación relacionada y el

lenguaje ontológico utilizado.

Tabla 4. Trabajos que utilizan ontologías para modelar algún aspecto del diseño de recursos.

Aspecto que modela Trabajos LD OA Teorías

Aprendizaje

Modelos

de DI

Teorías

de DI

Conformidad

con estándar

Lenguaje

Ómnibus Ontology (Hayashi et al., 2006)

SI NO SI SI SI Baja HOZO

IMS-LD Ontology (Amorim et al., 2006)

SI SI NO NO NO Alta OWL

Ontología LOM2OWL (Fermoso et al., 2008)

NO SI NO NO NO Alta OWL

Ontología LOM2WSML (Sánchez-Alonso et al., 2007)

NO SI NO NO NO Alta WSML

Ontología SLOR (Soto et al., 2007)

NO SI NO NO NO Alta OpenCyc

OWL

LOCO y ALOcOM ontologies (Knight et al., 2006)

SI SI NO NO NO Alta OWL

Como puede observarse en la Tabla 4, las investigaciones cubren distintos aspectos del

diseño de recursos en e-learning, como Learning Design, Objetos de Aprendizaje,

teorías de aprendizaje, modelos y teorías de DI.

75

De los trabajos revisados y presentados en la Tabla 4 el trabajo propuesto por Hayashi

et al. (2006) es el que presenta mayores similitudes con la propuesta de esta tesis. La

similitud principal se relaciona con los objetivos, en el sentido de que ambos trabajos

intentan dar soporte al diseño instruccional utilizando como base las teorías. Sin

embargo, la ontología Omnibus está diseñada para apoyar el diseño de escenarios de

aprendizaje, por lo que debe considerar un espectro más amplio de fuentes de

conocimiento. Otra similitud se refiere a que ambas comparten la intensión de modelar

teorías relacionadas con la educación. Omnibus intenta modelar tanto teorías de

aprendizajes como modelos y sistemas instruccionales. Por el contrario, en esta tesis se

intenta modelar específicamente las teorías de diseño instruccional. La forma de

modelado también es un aspecto que diferencia a ambas trabajos. En Hayashi et al.

(2006) no es fácil entender la separación existente entre la representación de las TDIs

del resto del conocimiento modelado como teorías de aprendizaje, eventos y acciones de

aprendizaje y buenas prácticas. Esta falta de modularidad en el modelado provoca que

las representaciones de las TDIs difícilmente puedan ser utilizadas por otros sistemas

que requiera este conocimiento. En esta tesis, el modelado se realiza de forma que cada

representación de una TDI pueda ser utilizada por cualquier sistema y actualizada

independientemente del resto. Finalmente, a diferencia de la propuesta de esta tesis, la

ontología Ominibus no posee un alto nivel de cumplimiento con la especificación IMS-

LD ni de compatibilidad con un lenguaje ontológico recomendado por el W3C como lo

es OWL.

Para finalizar la revisión de trabajos relacionados con ontologías de diseño

instruccional, es importante destacar que la ontología propuesta por Amorim et al.

(2006) presenta un alto grado compatibilidad con la especificación IMS-LD,

permitiendo representar tanto un LD como los OAs utilizados en el aprendizaje. Por

otra parte, el hecho de que esta ontología se encuentre disponible y expresada en

lenguaje OWL LD permite su reutilización, convirtiéndose en candidata para ser

utilizada en este trabajo en la representación de las TDIs.

77

Capítulo 3. Modelo ontológico para la

representación de teorías de diseño

instruccional

Esta sección comienza presentando los supuestos utilizados en el modelado de los

métodos de DI. Muestra además, una definición formal de el Catálogo de Teorías de

Diseño Instruccional y el enfoque utilizado para realizar el modelado. El capítulo

finaliza mostrando los posibles usos del Catálogo de TDI en ambientes de diseño

intruccional.

3.1. Supuesto utilizados en el modelado

El objetivo de esta tesis es disponer de representaciones formales de métodos de DI que

puedan ser utilizados por sistemas guiados por teoría. Como ya se mencionó, tomando

como base el trabajo propuesto por (Sicilia et al., 2011), es posible codificar métodos de

DI utilizando una ontología formal que representa un LD. Por ejemplo, el método de la

Teoría de Elaboración que dice “Teach broader, more inclusive concepts before the

narrower, more detailed concepts that elaborate upon them” pude ser reprensado

mediante el análisis de los conceptos incluidos en el LD, los cuales pueden incluir a

otros conceptos (también llamados tópicos) de aprendizaje.

Sin embargo, no todas las guías descritas en los métodos pueden ser codificadas usando

lenguaje formal. Por ejemplo, el método de la teoría de Inteligencias Múltiples que

78

dice:” Pick representation that capture important aspects of the topic” requiere conocer

qué tipo de representaciones capturan de mejor forma los aspectos importantes de un

tópico de aprendizaje. Esto dificulta el modelado, puesto que depende de la

interpretación de las representaciones de los tópicos y es difícil representarlo mediante

lenguajes formales.

Utilizando el enfoque de modelado de TDI que considera la representación ontológica

de IMS-LD, pueden obtenerse resultados parciales en términos de la conformidad de los

modelos con las teorías. En este trabajo se utilizará el concepto de conformidad

provisional (Sicilia et al., 2011) para referirse al cumplimiento de las guías de los

métodos de DI por parte de un LD: “Un diseño de aprendizaje LD expresado en un

lenguaje de descripción educacional digital es provisionalmente conforme para un

IDModel A si existe una interpretación legal LI de A en términos de el lenguaje de

descripción y que cumple con todas las restricciones contenidas en LI”.

Esta definición de conformidad para un LD es provisional, puesto que a futuro podrían

mejorarse los mecanismos de representación formal. Las futuras mejoras en lenguajes

formales permitirían fortalecer la expresión de las interpretaciones legales. Esto pudiera

provocar, que un método que hoy es catalogado como no-representado, pueda ser a

futuro catalogado como parcial o completamente representable. El objetivo de este

trabajo es obtener un conjunto de interpretaciones legales para distintos métodos de

diseño instruccional.

3.2. Enfoque de modelado utilizado

La exhaustiva revisión y estudio de las fuentes de documentación acerca de las TDIs,

permitieron la construcción del Catálogo de teorías de ID. Mediante un proceso de

elicitación, basado en técnicas de revisión de documentación, se obtuvieron reglas que

modelan los métodos de teorías de ID. El criterio para la selección de las teorías que

fueron representadas, se relaciona con las posibilidades de representación en lenguaje

formal, su aplicación en ambientes e-learning y con el nivel de experiencia y uso de las

teorías por parte de la comunidad de profesores. No obstante a las teorías ya

representadas, el catálogo permite la incorporación de nuevas teorías. La Tabla 5

79

muestra las actividades realizadas en el proceso de modelado de las TDIs, que son

llevadas a cabo cada vez que se pretende incorporar una nueva teoría al Catálogo.

Tabla 5. Actividades realizadas para el modelado de cada teoría ID.

Actividades Descripción

Revisión

preliminar

Revisión de la documentación de la teoría a representar. Se analiza preliminarmente las posibilidades de representación de los métodos de la teoría y se seleccionan aquellos factibles de ser representados.

Análisis

Se analizan los métodos a ser representados. Se identifican aquellos métodos que pueden ser representados totalmente y parcialmente. También se identifican aquellos métodos que son comunes a otras teorías y se analiza su reutilización.

Representación

del método

Se extraen las guías indicadas en los métodos y se transforman en reglas SWRL.

Validación

Las reglas que representan los métodos son validadas preliminarmente.

Incorporación al

catálogo

El conjunto de reglas es incorporado al Catálogo de TDI.

Por otra parte, el modelado considera un enfoque modular. Utilizando la división de los

principales métodos de una teoría en submétodos, propuesta por los propios autores,

cada submétodo fue modelado en forma independiente. Este grado de modularidad

obtenido, permite que la representación de un determinado submétodo pueda ser

mejorado sin afectar al resto, que puedan ser agregados nuevas representaciones a la

teoría permitiendo su crecimiento o que la representación de un método pueda ser

compartida por otro método de la misma teoría o de una distinta.

3.3. Uso de la ontología IMS-LD

En este trabajo, se decidió la utilización de la ontología de Amorim et al. (2006) para

servir como base del Catálogo de representaciones de TDI. La elección de esta

ontología consideró el hecho de que permite representar un LD y los OAs utilizados en

el diseño, obteniendo una alta conformidad con la especificación IMS-LD e IEEE LOM.

Otro factor importante para su elección es que esta ontología está disponible para su

reutilización en lenguaje OWL. La disponibilidad de herramientas y sistemas que dan

soporte a OWL LD y que han sido ampliamente probadas por la comunidad, en

contraposición con la reciente versión OWL 2, reafirman la decisión de utilizar este

lenguaje en la ontología.

La ontología IMS-LD está compuesta por 3 subontologías:

80

• ld.owl: Representa conceptos y relaciones acerca de la organización de los

elementos de un LD de acuerdo al estándar IMS-LD.

• uol.owl: Representa y organiza conceptos y relaciones acerca de de los recursos

asociados a un LD.

• lom.owl: Representa el estándar de metadatos IEEE-LOM para los objetos de

aprendizaje usados por el LD.

La Tabla 6 describe parte de la información almacenada en la ontología.

Específicamente, muestra por cada subontología los elementos del LD que representa

así como el espacio de nombres (name space) asignado a cada una.

Tabla 6. Extracto de la información almacenada en las subontologías por cada LD.

Descripción de información del LD subontología name space

Todos los act de cada play del method del LD, que contiene las learning-activities realizadas por los roles (participantes) así como sus environments y services.

ld.owl ld

Todos los resources asociados a las activities, considerando learning-objectives, learning-objects, prerequisite y feedback.

uol.owl uol

Información de los metadatos del estándar IEEE-LOM asociados a los learning-object.

lom.owl lom

Las Figura 14, Figura 15 y Figura 16 muestras fragmentos de las subontologías ld.owl,

uol.ld y lom.owl. En ellas pueden apreciarse la organización de las clases y sus

relaciones.

81

Figura 14. Subontología ld.owl de la ontología IMS-LD. Figura generada con la herramienta OntoViz.

82

Figura 15. Subontología uol.owl de la ontología IMS-LD. Figura generada con la herramienta OntoViz.

Figura 16. Subontología lom.owl de la ontología IMS-LD. Figura generada con la herramienta OntoViz.

83

3.4. Definición del Catálogo de representaciones basado en

reglas

Como se ha mencionado anteriormente las TDIs son representadas utilizando un

conjunto de reglas. La utilización de reglas en lugar de restricciones de clases (class

contraints) o axiomas de la ontología, se debe principalmente a dos razones:

• Se intenta mantener la separación entre la ontología IMS-LD, que representa a

un LD y la representación de TDI. Aunque la representación de las teorías

podría realizarse mediante restricciones a las clases de la ontología o mediante la

definición de axiomas, se decidió la utilización de reglas debido a que facilita la

representación y la futura mantención del Catálogo. En la práctica esta situación

se traduce en la utilización de ontologías separadas para la especificación IMS-

LD y para cada teoría representada mediante un conjunto de reglas.

• Relacionado con el aspecto anterior, se encuentra el tema de la entendibilidad

del Catálogo de TDI. Considerando la evaluación posterior de las

representaciones que debe ser realizada por expertos en Teorías de Diseño

Instruccional, y no necesariamente en lenguajes ontológicos, la utilización de

reglas podría favorecer el entendimiento de los modelos.

Considerando lo anteriormente expuesto, el Catálogo de TDI se define como el conjunto

formado por la unión de las teorías representadas:

}{321 n

TTTTC ∪…∪∪=

que en una forma abreviada se expresa como sigue:

ni

iTC

..1== ∪

donde Ti corresponde a una teoría de DI y n es el total de teorías representadas en el

Catálogo.

Una teoría representada se define como el conjunto de formado por la unión de métodos

representados que la componen:

}{321 p

MMMMT ∪…∪∪=

84

lo que en su forma abreviada sería:

piiMT

..1== ∪

donde, Mi es la representación de un método de la Teoría y p es el total de Métodos que

componen la Teoría.

La representación de un método se define como el conjunto formado por la unión de

reglas que representan sus guías:

}{321

rqrrrM ∪…∪∪=

en forma reducida :

qiirM

..1== ∪

donde, ri es una regla que representa completa o parcialmente las guías de un Método y

q es el total de reglas que representan al Método.

Una característica del Catálogo es que existen reglas que son comunes a varias teorías o

que sirven para representar métodos en una misma teoría como lo muestra la Figura 17.

3.5. Otras estructuras ontológicas relacionadas con el Catálogo

Las reglas fueron construidas considerando principalmente la estructura ontológica que

representa a la especificación IMS-LD. Adicionalmente, otras estructuras ontológicas

que no forman parte de la ontología IMS-LD son utilizadas para representar las reglas

(ver Figura 17), por ejemplo:

• Ontologías de dominio. Algunas TDIs requieren que los tópicos a prender sean

organizados de una manera jerárquica. Por ejemplo, la Teoría de Elaboración

requiere de la identificación de tópicos más amplios a ser utilizados en el

aprendizaje y, esta organización la proporcionan las ontologías de dominio. Estas

estructuras ontológicas son externas al catálogo de TDI y pueden ser reusadas

para apoyar la representación de ciertos métodos.

• Esquema General de Tópicos (Topics General Schema). Es una estructura

ontológica que representa los tópicos o conceptos considerados en un LD, que

provienen de una ontología de dominio. Se relaciona con los objetivos de

aprendizaje que apuntan a un tópico de la ontología de dominio. En la estructura

85

ontológica del catálogo de TDI este esquema es identificado por el espacio de

nombres tgs .

• Un esquema para representar los resultados del razonamiento. Por ejemplo, la

propiedad greaterDepth registra un "true" o "false" para indicar si una

regla fue o no cubierta, respectivamente. Esta estructura es identificada por el

espacio de nombres rr (rules results).

La estructura TGS cumple la función de representar los tópicos de aprendizaje

provenientes de la ontología de dominio. Debido al tamaño que presentan muchas

ontologías de dominio su procesamiento representa un considerable consumo de

recursos computacionales. Por esta razón, como parte una estrategia que intenta

disminuir el consumo de memoria principal y disminuir los tiempos de respuesta, en

lugar de utilizar directamente la ontología de dominio, los conceptos de aprendizaje (o

una porción de ellos) son copiados en la estructura TGS. Otro inconveniente

relacionado, se refiere a que la mayoría de las ontologías de dominio representan sus

conceptos mediante clases, por lo que la utilización de la cláusula owl:sameAs no es

del todo efectivo debido a que la TGS representa los tópicos mediante instancias y

podría provocar problemas en la inferencia (Halpin & Hayes, 2010).

Actualmente el proceso de copiado de los tópicos de la ontología de dominio a la TGS

es realizado en forma manual. Sin embargo, es posible apoyar este proceso mediante un

sistema que lea la ontología de dominio como entrada e inserte los conceptos en las

instancias de la estructura TGS. También es posible realizar un enlace desde TGS que

apunte al tópico de la ontología de dominio. Esta última opción permitiría mantener en

la TGS sólo las propiedades necesarias para su utilización como tópico de aprendizaje,

optimizando el uso de la memoria.

86

método

método

método

método

método

método

método

método

método

teoría 1

teoría 2

teoría n

regla

regla

regla

regla

regla

regla

regla

regla

regla

regla

regla

Teorías de Diseño Instruccional

reglas SWRL

Ontología IMS-LD

Catálogo de teorías de Diseño Instruccional

Ontología de dominio

Esquema general de tópicos

Figura 17. Relación entre el Catálogo de métodos de TDI con otras estructuras ontológicas.

3.6. Características de las reglas utilizadas en la representación.

Para expresar las reglas se decidió la utilización del lenguaje SWRL (W3C, 2004c). Las

razones de su utilización obedecen a las siguientes razones:

• Se trata del lenguaje de reglas para ontologías recomendado por la W3C

• Alto nivel de integración con la estructura de ontológica expresada en OWL

(O'Connor et al., 2008).

• Numerosos trabajos en la literatura han reportado su utilización en conjunto con

OWL para conformar una base de conocimiento de sistemas expertos (Zhaoa &

Liu, 2008) (Argüello & Des, 2008) (O'Connor et al., 2008), lo que permite

asegurar un cierto nivel de experiencia disponible en su utilización.

En el modelado de los métodos de DI se utilizaron clases, propiedades y restricciones

presentes en las ontologías. Por ejemplo, para el método proveniente de la teoría de

Inteligencias Múltiples que dice “Select fewer topics to treat them in greater depth”, la

profundidad fue modelada en relación a los conceptos que un tópico incluye. La

profundidad genera una jerarquía de ítems de conocimiento relacionados al objetivo de

87

aprendizaje. Para este caso se consideró que un tópico posee “gran profundidad” si

tiene más de dos niveles de profundidad27. La siguiente regla representa esta situación.

tgs:KnowledgeItem(?c1) ^ tgs:KnowledgeItem(?c2) ^ tgs:KnowledgeItem(?c3) ^ tgs:KnowledgeItem(?c4) ^ tgs:concept-includes(?c1, ?c2) ^ tgs:concept-includes(?c2, ?c3) ^ tgs:concept-includes(?c3, ?c4) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c1, ?c4) ^ differentFrom(?c2, ?c3) ^ differentFrom(?c2, ?c4) ^ differentFrom(?c3, ?c4) � rr:greaterDepth(?c1, “true”)

Esta regla usa la propiedad concept-include para verificar que un

KnowledgeItem incluye a otros ítems de conocimiento. El predicado

DifferentFrom( ) , se incluye para asegurarse de que las instancias son distintas,

de acuerdo al supuesto de mundo abierto utilizado en la Web Semántica. Sí esta regla se

cumple, la propiedad rr:greaterDepth toma el valor “true”. Obviamente, pueden

existir otras formas de representación, basadas en otras consideraciones relacionadas

con la jerarquía de conceptos.

Un aspecto importante mencionado anteriormente, es que la representación cubre

parcialmente el modelado de los métodos. No todos los métodos son factibles de

modelar completamente utilizando el enfoque de esta investigación. De esta forma, dos

niveles de representación para los métodos de DI son definidos: parcial y completa. A

las categorías anteriores debe sumarse una tercera categoría: no-representado. Esta

categoría incluye a los métodos para los cuales no se ha encontrado hasta la fecha una

representación utilizando este enfoque.

En algunos casos, la dificultad para representar ciertos métodos viene dada porque ellos

se relacionan con conceptos que están fuera del alcance de la especificación IMS-LD.

Específicamente, hay métodos que tienen muy poca relación con la información que la

especificación IMS-LD maneja con respecto a actividades de aprendizaje o recursos. Su

representación requiere de conocimiento extra proveniente de otras fuentes relacionadas

al proceso de aprendizaje, como por ejemplo preferencias de los estudiantes, estilos de

aprendizaje o clasificaciones de tipos de aprendizaje o tipos de tareas. Por ejemplo,

27 El ejemplo muestra una situación simplificada para representar el concepto de “gran profundidad”. En el

modelado de los métodos podrían utilizarse formas más sofisticadas para representar la profundidad, como se indica

más adelante en este capítulo.

88

considere el método de la teoría de Elaboración que dice “For procedural task focus on

teaching steps; for heuristics task focus on teaching principles; and for combination

task teach both steps and principles – in accordance with the way experts thing about

the task”. En este caso, la especificación IMS-LD no hace una diferencia explícita entre

tareas procedurales y tareas heurísticas, lo que dificulta su directa representación. La

Tabla 7 muestra algunos ejemplos de estas 3 categorías de representación.

Tabla 7. Ejemplo de métodos con representaciones completa, parcial y no representables.

Teoría ID metodo Reglas SWRL Observacion

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?p, ?oc) ^ complete-unit-of-learning(?oc, "user-choice") → rr:userChoice-play(?m, "true")

Elaboration Give students some choice as to which concepts to elaborate upon first/next

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:Act(?ac1) ^ ld:act-ref(?p, ?ac1) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?ac1, ?oc) ^ complete-unit-of-learning(?oc, "user-choice") → rr:userChoice-act(?m, "true")

Representación

completa. Ambas reglas pueden representar las directrices del método, en el sentido de que el alumno puede elegir el próximo play o el próximo act del LD.

uol:Learning-Object(?lo) ^ uol:Metadata (?m)^ uol:metadata-ref(?lo,?m)^ lom:LOM (?lom)^ uol:metadata-description(?m,?lom)^ lom:Educational(?edu) ^ lom:educational-ref(?lom,?edu) ^ lom:learningresourcetype(?lo, "exer") → practiceSkill(?lo, "true")

Learning by Doing

Must allow enough opportunities to practice the skill & seek the knowledge.

uol:Learning-Object(?lo) ^ uol:Metadata (?m)^ uol:metadata-ref(?lo,?m)^ lom:LOM (?lom)^ uol:metadata-description(?m,?lom)^ lom:Educational(?edu) ^ lom:educational-ref(?lom,?edu) ^ lom:learningresourcetype(?lo, "simulation") → practiceSkill(?lo, "true")

Representación

parcial. Estas reglas identifican varios tipos de objetos de aprendizaje que permiten al estudiante practicar habilidades y obtener revisar contenidos. Sin embargo, la ambigüedad del calificador “enough” (suficiente) dificulta su representación completa.

Multiple Intelligences

Resist the temptation to represent the topic in one “optimal” mode

Ninguna

No-

representado. Esta teoría indica que el profesor debe representar los

89

Teoría ID metodo Reglas SWRL Observacion

contenidos en diversas formas. Es muy difícil conocer, con la información disponible en las ontologías utilizadas, conocer cuál es la forma óptima de representación.

Algunos métodos de DI, utilizan calificadores ambiguos, como por ejemplo

“moderadamente complejos” o “suficiente”. En la representación de estos métodos se

utilizan convenciones para modelar esta ambigüedad. Por ejemplo, un concepto

moderadamente complejo corresponde a aquellos que tienen más de dos niveles de

profundidad en relación a los conceptos que incluye. De la misma forma, son

considerados como moderadamente complejos los conceptos que incluyen más de un

concepto, y al menos uno de estos conceptos incluidos, posee al menos un nivel de

profundidad. Actualmente el lenguaje SWRL, no soporta la ambigüedad en la

representación. Sin embargo, futuras implementaciones del lenguaje podrían incorporar

representaciones difusas para modelar categorías ambiguas que pueden ser utilizadas

para mejorar el catálogo (Pan, Stoilos, Stamou, Tzouvaras, & Horrocks, 2006) (Wang ,

Ma, Yan, & Meng, 2008).

Las denominadas reglas comunes (commonRules ) son usadas para calificar a aquellas

que son útiles para la representación de métodos de diferentes teorías. Por ejemplo, el

método proveniente de la teoría Learning By Doing que dice “Must have decision points

with consequences that become evident” podría compatir algunas reglas con el método

“Give students some choice as to which versions of the task to learn next” de la teoría de

Elaboración. En este caso, considerando una representación parcial de ambos métodos,

la siguiente regla serviría para este propósito:

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?r p) ^ ld:role-part-ref(?ac, ?rp) ^ ld:LearningActivity(?l a) ^ ld:execution-entity-ref(?rp, ?la) ^ ld:On-Completion-Unit(?oc) ^

90

ld:on-completion-ref(?la, ?oc) ^ ld:complete-unit-of-learning(?oc, "user-choice") � rr:userChoice-LActivity(?m, "true")

De acuerdo a la estructura de la especificación IMS-LD, un método contiene uno o más

play y cada play puede contener uno o más act. La estructura role-part relaciona un act

con un role y una actividad de aprendizaje. Las actividades de aprendizaje son

referenciadas por la propiedad ld:execution-entity-ref . Mediante la

propiedad ld:on-completion-ref es posible definir como el LD se comportará

después de que finalice la actividad de aprendizaje. La regla anterior define que al

finalizar una actividad de aprendizaje, el aprendiz puede elegir la próxima actividad a

realizar. Mediante esta regla se puede modelar el hecho de que los alumnos tengan la

posibilidad de elección como lo indican los métodos de DI antes descritos.

También existen reglas que son usadas en métodos diferentes pero que pertenecen a la

misma teoría. Por ejemplo, considere el método de la teoría de Elaboración “Group

concepts and their supporting content into learning episodes that aren’t so large as to

make review and synthesis difficult but aren’t so small as to break up the flow of the

learning process”. En general, este método tiene una similitud con el método "Group

steps / principles and their supporting content into learning episodes” de la misma

teoría. Aunque el primer método requiere de otras reglas complementarias, ambos

pueden compartir la siguiente regla:

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac1) ^ ld:act-ref(?p, ?ac2) ^ ld:Act(?ac1) ^ ld:Act(?ac2) ^ differentFrom(?ac1, ? ac2) � rr:has2acts(?m, "true")

Asumiendo cierta similitud entre el concepto de “episodio de aprendizaje” y un acto de

la especificación IMS-LD, esta regla verifica que el LD tenga al menos dos actos en su

estructura.

3.7. Posibles usos del catálogo

El objetivo de este proceso de modelado es obtener representaciones de los métodos de

DI que puedan ser utilizados por diversas herramientas de software. Diversos son los

usos que puede tener el catálogo de métodos de DI en actividades relacionadas con la

construcción de recursos para el aprendizaje, entre los que se cuentan:

91

• Guiar la aplicación de TDI. Sistemas del tipo asistentes, podrían orientar al

diseñador en la correcta aplicación de alguna teoría de DI utilizando como base

de conocimiento al catálogo de TDI. La asistencia al diseñador podría realizarse

mediante la construcción de plantillas o de asistentes. A partir de las

representaciones de las teorías, es posible que un editor de LD proponga al

diseñador “plantillas” que indiquen la estructura y elementos que debería tener

un LD de acuerdo a alguna teoría de DI seleccionada. En el mismo sentido, un

editor de LD podría incorporar un asistente que durante el proceso de diseño, guíe

al usuario en la definición de la estructura y los elementos del LD más adecuados

respecto de una teoría.

• Evaluar la conformidad de un LD con una determinada TDI. El catálogo podría

ser utilizado por sistemas que validen la conformidad de un determinado LD, en

relación a si cumple con las guías indicadas en los métodos de una TDI. Mediante

un sistema que valide la aplicación de métodos de DI, se podría saber si un LD

fue construido de acuerdo a las indicaciones de una TDI. Un sistema integrado a

algún editor de LD, podría analizar el LD y luego proponer sugerencias para

mejorar el nivel de conformidad del LD respecto de una teoría.

• Asistencia en la búsqueda en repositorios de LDs. En un repositorio de LDs, es

posible incorporar en los criterios de búsqueda, algunos relacionados con la

conformidad con alguna TDI específica. Esto favorecería la reutilización de los

diseños, facilitando el diseño de nuevos recursos y la aplicación de las teorías de

DI.

La utilización de la especificación IMS-LD y de lenguajes ontológicos formales permite

que el conocimiento representado en el catálogo pueda ser utilizado por distintas

aplicaciones que requieran de este conocimiento y respetan la estandarización de los

diseños de aprendizaje.

3.8. Conclusiones del Capítulo

Se presentaron en este capítulo las principales características de un enfoque que permite

obtener un modelo ontológico general para representar teorías de diseño instruccional.

Este modelo, utiliza ontologías para representar las actividades de aprendizaje y otras

92

estructuras ontológicas para representar, por ejemplo, los tópicos a aprender. Las

representaciones se basan principalmente en elementos provenientes de la

especificación IMS LD para modelar los métodos de estas teorías. Las representaciones

obtenidas mediante este enfoque, poseen una conformidad provisional, lo que permite

que a futuro estas representaciones puedan ser mejoradas. El próximo capítulo, presenta

en detalle, un análisis del modelado de algunas teorías de diseño instruccional utilizando

el modelo ontológico general presentado.

93

Capítulo 4. Catálogo de Representaciones de

Teorías de Diseño Instruccional

Este capítulo muestra las representaciones de los métodos de teorías de DI

contenidas en el Catálogo. Se presentan previamente algunos análisis necesarios para

el modelado de la Teoría de Elaboración, como el uso de ontologías de dominio.

Actualmente, el catálogo incluye la representación de tres teorías: Teoría de

Elaboración, Learning by Doing y Teoría de Inteligencias Múltiples. Las reglas que

representan los métodos de estas teorías son presentadas en este capítulo.

4.1. Selección de las teorías a incorporar en el Catálogo

Actualmente, en el Catálogo se encuentran modeladas parcialmente, 3 teorías: la Teoría

de Elaboración, Learning by Doing y la Teoría de Inteligencias Múltiples. Como ya se

mencionó en la Sección 3.2, la elección de las teorías incorporadas actualmente al

Catálogo obedece a diversos factores. Un primer factor se refiere a las posibilidades de

representar una determinada teoría con el modelo ontológico general presentado en el

capítulo anterior, que utiliza la especificación IMS-LD como fuente de información. De

estas forma las TDI que fomentan el desarrollo cognitivo (Reigeluth, 1999a) parecen ser

las más adecuadas, debido a que sus método utilizan conceptos que pueden ser

modelados con mayor facilidad utilizando conceptos de IMS-LD.

Otro factor se refiere a la experiencia acumulada en la aplicación de ciertas teorías

disponible para profesores y diseñadores. Por ejemplo, la aplicación de la Teoría de

94

Elaboración o Learning by Doing ha sido documentada en diversas publicaciones y

sitios web dedicados a profesores que desean aplicar estas teorías.28,29, 30

La simplicidad de su aplicación es otro factor importante para el modelado de estas

teorías. Por lo general, estas teorías no consideran flujos de secuencias paralelos ni

complejos en la aplicación de sus métodos. De esta forma la utilización del nivel A de la

especificación IMS-LD permitiría su modelado.

Al margen de que es posible incorporar otras teorías consideradas como clásicas en el

diseño instruccional, en próximas versiones del Catálogo se integrarán también teorías

más recientes que podrían ajustarse a entornos más actualizados de aprendizaje.

4.2. Modelado de la Teoría de Elaboración

La Teoría de Elaboración tiene como objetivo principal apoyar la selección de los

contenidos a aprender, proporcionando formas de secuenciar los tópicos de manera que

fomenten el logro de los objetivos instruccionales. Esta sección muestra en detalle la

representación parcial de los tres principales métodos de esta teoría: Secuencia de

Elaboración Conceptual, Secuencia de Elaboración Teórica, y Simplificación de la

Secuencia de Condiciones.

4.2.1. Teoría de Elaboración y Estructura de Conocimiento Conceptual.

La Teoría de Elaboración requiere que los tópicos que conforman el conocimiento del

dominio en el que se centra el aprendizaje, se organicen de una manera adecuada

(Reigeluth, 1999a). Específicamente, Reigeluth propone el uso de una Estructura de

Conocimiento Conceptual que organiza los tópicos a aprender desde lo más general a lo

particular (ver Figura 10). Existen métodos de la Teoría de Elaboración que hacen

directa referencia a esta estructura que organiza los tópicos a aprender. Por ejemplo, los

métodos: “Use this approach when the goals call for learning many related concepts” y

“Use this approach when the goals call for learning a task at least moderate

28 http://www.nwlink.com/~donclark/hrd/learning/development.html

29 http://tip.psychology.org/theories.html

30 http://www.nwlink.com/~donclark/hrd/learning/id/elaboration_theory.html

95

complexity”. Ambos métodos requieren organizar adecuadamente los tópicos

considerados en el aprendizaje.

Para realizar la representación de los métodos de esta teoría en un lenguaje con

semántica computacional, se requiere de estructuras entendibles por máquina, que

organicen adecuadamente los tópicos de conocimiento que van a ser incluidos en el LD.

En este sentido, las ontologías de dominio cumplen con la función de organizar los

tópicos o conceptos de conocimiento.

Las herramientas de autoría de Learning Design compatibles con la especificación IMS-

LD, permiten apoyar al diseñador en la construcción de aprendizajes. Sin embargo, al

realizar el diseño de acuerdo a los métodos de algunas teorías, como la Teoría de

Elaboración, no se permiten la vinculación del diseño con estructuras de tópicos o

conceptos a aprender. Idealmente, al definir un Learning Design, debería considerarse la

vinculación de play, act o learning activity con tópicos de ontologías de dominio que

representen los objetivos de aprendizaje. La Figura 18 muestra la forma en que un LD

podría relacionarse con una ontología de dominio.

Figura 18. Vinculación requerida entre un LD y una ontología de dominio.

96

Actualmente, la especificación IMS-LD permite relacionar objetivos de aprendizaje a

estructuras como play, acts o learning activities. Sin embargo, estos objetivos no

pueden ser vinculados adecuadamente a una ontología de dominio que represente los

tópicos a ser aprendidos por los estudiantes.

4.2.2. Uso de ontologías de dominio en la representación formal.

De acuerdo a las ideas expuestas en la sección anterior, para realizar la representación

de los métodos de la Teoría de Elaboración, se requiere de la existencia de una

estructura ontológica que represente los tópicos considerados en el LD. Debido al gran

tamaño que presentan la mayoría ontologías de dominio, se decidió la utilización de una

estructura llamada Topics General Schema (TGS) como una estructura intermedia entre

la ontología de dominio y la ontología IMS-LD utilizada para la representación de un

LD. La Figura 19 muestra la relación entre una ontología de dominio, TGS y el

Catálogo de TDI.

rule

rule

rule

rule

rule

rule

…

SWRL rules

IMS-LD ontology

Catálogo de Teorías de Diseño Instruccional

ontología de dominio

Esquema General de Tópicos

Figura 19. Relación entre ontología de dominio, TGS y el catálogo de TDI.

Como se explicó anteriormente en la sección 3.5, el Esquema General de Tópicos es una

estructura anexa a la ontología IMS-LD, que representa la organización de los tópicos

provenientes de la ontología de dominio utilizados en el LD. Esta estructura considera

la representación de los tópicos mediante instancias de la clase

97

tgs:KnowledgeItem y sus relaciones del tipo is_a y part_of. La representación de

tales relaciones se realiza mediante relaciones que se corresponden con las is_a y

part_of de una ontología de dominio, como lo muestra la Tabla 8:

Tabla 8. Correspondencia entre relaciones de la ontología de dominio y la TGS.

ontología de dominio Topics General Schema

Is_a tgs:concept-includes tgs:concept-hasKind

Part_of tgs:concept-hasPart

La Figura 20 muestra el código OWL que define la estructura TGS, permitiendo

registrar las instancias que representan los tópicos de aprendizaje y sus relaciones.

<?xml version="1.0"?> <rdf:RDF xmlns="http://www.cc.uah.es/ie/ont/elabtheory.owl#" xml:base="http://www.cc.uah.es/ie/ont/elabtheory.ow l"> <owl:Ontology rdf:about=""> <owl:imports rdf:resource="http://www.eume.net/ontology/uol.owl" /> <owl:imports rdf:resource="http://www.eume.net/ontology/ld.owl"/ > </owl:Ontology> <owl:Class rdf:ID="KnowledgeItem"> <rdfs:comment rdf:datatype="http://www.w3.org/2001/XMLSchema#stri ng"> </rdfs:comment> </owl:Class> <owl:ObjectProperty rdf:ID="concept-hasKind"> <rdfs:domain rdf:resource="#KnowledgeItem"/> <rdfs:range rdf:resource="#KnowledgeItem"/> </owl:ObjectProperty> <owl:ObjectProperty rdf:ID="concept-hasPart"> <rdfs:domain rdf:resource="#KnowledgeItem"/> <rdfs:range rdf:resource="#KnowledgeItem"/> </owl:ObjectProperty> <owl:ObjectProperty rdf:ID="concept-hasSupportingCo ntent"> <rdfs:domain rdf:resource="#KnowledgeItem"/> <rdfs:range rdf:resource="#KnowledgeItem"/> </owl:ObjectProperty> <owl:ObjectProperty rdf:ID="concept-includes"> <rdfs:domain rdf:resource="#KnowledgeItem"/> <rdfs:range rdf:resource="#KnowledgeItem"/> </owl:ObjectProperty> </rdf:RDF>

Figura 20. Extracto del código OWL de la clase KnowledgeItem que define la Estructura General de Tópicos para el aprendizaje.

La Teoría de Elaboración menciona en sus métodos un tipo especial de tópico,

denominado supporting content. Estos tópicos son tópicos relacionados y apoyan el

98

aprendizaje de un tema. Por ejemplo, si se utiliza la ontología EnvO31 para la enseñanza

del tópico Biomas Marinos, se podría sugerir utilizar el tópico Aguas Salinas como

supporting content. La relación denominada tgs:concept-

hasSupportingContent, modela los contenidos de soporte para un tópico.

Como se mencionó anteriormente, los métodos de las TDI están expresados en lenguaje

natural. Para su representación formal, utilizando el enfoque presentado, se requiere

definir algunos supuestos. Considere el método “Use this approach when the goals call

for learning many related concepts”. Este método hace mención a tópicos relacionados.

Para este caso, se define como supuesto que un tópico T1 se considera relacionado a

otro tópico T2 si ocurre alguna de las siguientes situaciones: T1 es incluido por T2, T1

es un tipo de T2, si T1 es parte de T2 ó si T1 es un contenido de soporte para el

aprendizaje de T2. Estas situaciones se presentan en la Tabla 9 indicando para dada tipo

de relación entre los contenidos de aprendizaje, la relación de la ontología a la que

corresponde, utilizando la notación del lenguaje SWRL.

Tabla 9. Relaciones de la ontología que permiten definir que un tópico T1 está relacionado con otro tópico T2.

Tipo de relación Expresión formal en SWRL

el tópico T1 es incluido por T2 concept-includes(?T2, ?T1) concept-hasKind(?T2, ?T1)

el tópico T1 es parte de T2 concept-hasPart(?T2, ?T1) el tópico T1 es un contenido de

soporte de T2 Concept-hasSupportingContent(?T2, ?T1)

4.2.3. Modelado del método Secuencia de Elaboración Conceptual.

Considerando el enfoque utilizado para el modelado y las convenciones antes descritas,

se presenta a continuación la representación parcial del método Secuencia de

Elaboración Conceptual de la Teoría de Elaboración. Por cada submétodo se presenta la

indicación original del submétodo, la identificación y expresión de cada regla en

lenguaje SWRL y una observación que ayuda a explicar la regla. La Tabla 10 muestra

estos resultados.

31 http://www.environmentontology.org/

99

Tabla 10. Representación del método Secuencia de Elaboración Conceptual de la Teoría de Elaboración.

Submethod 1. Conceptual elaboration sequence

Guía Id Reglas Reglas SWRL Observaciones

met1-1-1

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ concept-includes(?c1, ?c2) ^ concept-includes(?c1, ?c3) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c2, ?c3) ^ ConceptLearningActivity(?la) ^ concept-learning-objective(?la, ?c1) → rr:hasRelatedConcepts-includes(?la, "true")

Si un Tópico incluye a otros dos conceptos se considera que tiene muchos conceptos relacionados. Utiliza la relación concept-inludes.

met1-1-2

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) concept-hasKind(?c1, ?c2) ^ concept-hasKind(?c1, ?c3) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c2, ?c3) ^ ConceptLearningActivity(?la) ^ concept-learning-objective(?la, ?c1) → rr:hasRelatedConcepts-hasKind(?la, "true")

Si un Tópico tiene dos Tópicos que son especializaciones de su tipo se considera que tiene muchos conceptos relacionados. Utiliza la relación concept-hasKind.

met1-1-3

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ concept-hasPart(?c1, ?c2) ^ concept-hasPart(?c1, ?c3) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c2, ?c3) ^ ConceptLearningActivity(?la) ^ concept-learning-objective(?la, ?c1) → rr:hasRelatedConcepts-hasPart (?la, "true")

Si un Tópico tiene al menos dos partes, se considera que tiene muchos conceptos relacionados. Utiliza la relación concept-hasPart.

1 Use this approach when the goals call for learning many related concepts

met1-1-4

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ concept-hasSupportingContent(?c1, ?c2) ^ concept-hasSupportingContent(?c1, ?c3) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c2, ?c3) ^ ConceptLearningActivity(?la) ^ concept-learning-objective(?la, ?c1) → rr:hasRelatedConcepts-upportingContent(?la, "true")

Si un Tópico tiene dos conceptos que son SupportingContent se considera que tiene muchos conceptos relacionados. Utiliza la relación concept hasSupportingContent.

2 Teach broader, more inclusive concepts before the narrower, more detailed

showsBefore

Ld:Learning-Activity(?a1) ^ ld:Learning-Activity(?a2) ^ differentFrom(?a1, ?a2) ^ ld:Activity-Structure(?as1) ^ ld:execution-order(?a1, ?o1) ^ ld:execution-order(?a2, ?o2) ^ ld:execution-entity-ref(?as1, ?a1) ^ ld:execution-entity-ref(?as1, ?a2) ^

Regla que determina qué Actividades de Aprendizaje deberían ser ejecutadas antes que otras.

100



swrlb:lessThan(?o1, ?o2) → rr:showsBefore(?a2, ?a1)

concepts that elaborate upon them met1-2 RET-showsBefore(?a1, ?a2) ^

ConceptLearningActivity(?a1) ^ ConceptLearningActivity(?a2) ^ differentFrom(?a1, ?a2) ^ ld:Activity-Structure(?as) ^ ld:execution-entity-ref(?as, ?a1) ^ ld:execution-entity-ref(?as, ?a2) ^ concept-learning-objective(?a1, ?c1) ^ concept-learning-objective(?a2, ?c2) ^ KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ concept-includes(?c2, ?c1) ^ differentFrom(?c1, ?c2) → rr:broaderFirst(?as, "true")

Verifica que Actividades de Aprendizaje asociadas con Tópicos ”más amplios” se ejecuten primero. Si un tópico A incluye a otro tópico B, se considera que el tópico A es más amplio, considerando la Estructura Conceptual de Conocimiento.

4 Teach “supporting” content (principles, procedures, information, higher-order thinking skills, attitudes, etc.) together with the concepts to which they are most closely related

met1-4

KnowledgeItem(?k) ^ KnowledgeItem(?k1) ^ concept-hasSupportingContent(?k, ?k1) ^ ConceptLearningActivity (?la) ^ concept-learning-objective(?la, ?k) → rr:hasSupportingContent(?la, true)

Verifica que un Tópico de aprendizaje tenga asociado un Supporting

Content.

5 Group concepts and their supporting content into “learning episodes” that aren’t so large as to make review and synthesis difficult but aren’t so small as to break up the flow of the learning process.

met1-5

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac1) ^ ld:act-ref(?p, ?ac2) ^ ld:Act(?ac1) ^ ld:Act(?ac2) ^ differentFrom(?ac1, ?ac2) → rr:has2acts(?m, "true")

Verifica que el método del LD tenga al menos un Play y dos Acts.

6 Give students met1-6-1 ld:Method(?m) ^ Verifica que los

101



ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?p, ?oc) ^ complete-unit-of-learning(?oc,"user-choice") → rr:userChoice-play(?m, "true")

aprendices puedan elegir el próximo Play.

some choice as to which concepts to elaborate upon first/next

met1-6-2

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:Act(?ac1) ^ ld:act-ref(?p, ?ac1) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?ac1, ?oc) ^ complete-unit-of-learning(?oc, "user-choice") → rr:userChoice-act(?m, "true")

Verifica que los aprendices puedan elegir el próximo Act.

4.2.4. Modelado del método Secuencia de Elaboración Teórica.

De acuerdo a Reigeluth, la Teoría de Elaboración permite la enseñanza de conceptos,

principios y tareas. El método “Secuencia de Elaboración Conceptual” se centra en la

enseñanza de conceptos. Por su parte el método “Secuencia de Elaboración Teórica”

enfatiza el aprendizaje de principios. Basado en un análisis de ambos métodos, se

determinó que ambos comparten los mismos métodos y que su diferencia radica en la

situación de uso, específicamente en la naturaleza del objeto a aprender, es decir si el

objetivo de aprendizaje se centra en conceptos o en principios.

No existiendo en la especificación una distinción explícita para aprendizaje de

conceptos o principios, hemos supuesto en el modelado, que la representación

ontológica del método Secuencia de Elaboración Teórica, es similar a los presentados

en la sección anterior para el método Secuencia de Elaboración Conceptual.

4.2.5. Modelado del método Simplificación de la Secuencia de

Condiciones.

El método de Simplificación de Secuencia de Condiciones (SSC) proporciona una guía

para diseñar aprendizajes orientados a la realización de una tarea específica. La idea

central del método es que una tarea compleja puede ser aprendida si se comienza por

una versión más simple, pero representativa de la tarea final. Esta simplificación se

realiza adecuando las condiciones de la tarea y generando sucesivas versiones de la

102

tarea con un grado mayor de complejidad. En cada versión de la tarea se agregan

condiciones hasta realizar la tarea en el nivel de complejidad deseado.

Una diferencia entre este enfoque y el de la secuenciación mediante jerarquías, es que

en este último son enseñados en primer lugar todos los prerrequisitos necesarios para

realizar la tarea. En este caso, el aprendiz no realiza la tarea hasta el final de la

secuencia.

En general, el método de SSC se compone de dos grandes etapas: epítome y

elaboración. En la primera se identifica la versión más simple de la tarea y en la etapa

siguiente se realiza la elaboración que consiste en el proceso progresivo de agregar

complejidad a la tarea mediante la incorporación de nuevas condiciones que requieren

nuevas habilidades de los estudiantes. Una de las principales ventajas de este método es

que permite que pueda obtenerse rápidamente un prototipo de la tarea por aprender,

favoreciendo la motivación en el estudiante.

4.2.5.1 Secuencia de condiciones y competencias

Según el método SSC, el progresivo aumento de la complejidad de la tarea se debe a las

condiciones que afectan el desarrollo de la tarea a aprender. Estas condiciones son

identificadas por un experto que adicionalmente define las habilidades/competencias

necesarias para realizar exitosamente la tarea. Como consecuencia de esto, para obtener

una representación formal del método SSC, junto con modelar las guías del método, es

necesario modelar las condiciones relacionadas con la tarea a aprender.

En este método, la elaboración se realiza en base a la complejidad creciente de una tarea

relacionada con la simplificación de las condiciones de cada versión de la misma. De

acuerdo a (Reigeluth, 1999a), cada simplificación de una condición elimina algunas

habilidades y conocimientos que requiere un experto para realizar la tarea. De esta

forma, cada condición está asociada a un conjunto de habilidades/competencias

requeridas para realizarla, por lo que es posible ordenar las condiciones en relación a la

complejidad adicional que se requiere para realizar la tarea.

El concepto de competencia en educación posee diversas definiciones (Cooper, 2002a)

(Allen, 2006). La discusión acerca de estas definiciones está fuera del alcance de este

trabajo. Sin embargo, existe acuerdo en la literatura sobre algunas características de este

concepto que son útiles a los objetivos de este trabajo:

103

• Una competencia se refiere a conocimiento, habilidades y/o destrezas necesarias

para realizar exitosamente una tarea específica.

• Una competencia debes ser identificable, definida y medible.

Desde el punto de vista de las tecnologías, la definición y representación de

competencias en los sistemas educativos tiene gran importancia a la hora de buscar la

interoperabilidad de su registro en distintos contextos y usos educacionales. Con este

objetivo han sido propuestas diversas especificaciones para su representación e

intercambio, como IMS RDCEO (Cooper, 2002b) del consorcio IMS o algunas más

especificas como HRXML (http://www.hr-xml.org) propuesto por el consorcio HR-

XML para la representación de competencias del área de recursos humanos o

MedBiquitous (http://www.medbiq.org/working_groups/competencies/index.html) para el área de

medicina. Basado en la especificación RDCEO, el Learning Technology Standards

Committee of the IEEE Computer Society ha propuesto el estándar Reusable

Competency Definition (LTSC, 2008). En este trabajo se propone la especificación

RDCEO, debido a su relación explícita con la especificación IMS-LD e IEEE LOM,

aunque la implementación del registro de las competencias está fuera del alcance de este

trabajo.

4.2.5.2 Modelado del método Simplificación de la Secuencia de Condiciones

Para realizar el modelado de las condiciones se utiliza una estructura ontológica anexa a

la ontología IMS-LD. En esta estructura, las condiciones se representan mediante la

clase tgs:ConditionItem que representa una condición utilizada para simplificar

la realización de una tarea. Un elemento de ConditionItem corresponde a una

competencia que puede ser especificada, fuera de la ontología, mediante un registro que

utilice la especificación RDCEO. La clase ConditionItem posee propiedades para

representar su identificación (id-ConditionItem ), su relación con un registro

RDCEO (taxon-path , source y entry ) y una relación para indicar la próxima

condición simplificada para el aprendizaje de una tarea (next-

SimplificationCondition ). El código mostrado en la Figura 21 define la clase

ConditionItem utilizando lenguaje OWL.

104

<?xml version="1.0"?> <rdf:RDF xmlns="http://www.cc.uah.es/ie/ont/elabtheory.owl#" ... xml:base="http://www.cc.uah.es/ie/ont/elabtheory.ow l"> <owl:Ontology rdf:about=""> <owl:imports

rdf:resource="http://www.eume.net/ontology/uol.owl" /> <owl:imports

rdf:resource="http://www.eume.net/ontology/ld.owl"/ > ... </owl:Ontology> <owl:Class rdf:ID="ConditionItem"> <rdfs:comment

rdf:datatype="http://www.w3.org/2001/XMLSchema#stri ng"> </rdfs:comment>

</owl:Class> <owl:ObjectProperty rdf:ID="next-condition"> <rdfs:domain rdf:resource="#ConditionItem"/> <rdfs:range rdf:resource="#ConditionItem"/> </owl:ObjectProperty> <owl:ObjectProperty rdf:ID="condition-ref"> <rdfs:domain rdf:resource="#ConceptLearningActi vity"/> <rdfs:range rdf:resource="#ConditionItem"/> </owl:ObjectProperty> <owl:ObjectProperty rdf:ID="condition-taxonpath-ref "> <rdfs:domain rdf:resource="#ConditionItem"/> <rdfs:range

rdf:resource="http://www.eume.net/ontology/lom.owl# Taxonpath"/>

</owl:ObjectProperty> </rdf:RDF>

Figura 21. Extracto del código OWL de la clase ConditionItem que permite representar las condiciones para el aprendizaje de una tarea.

La relación next-SimplificationCondition permite establecer el orden en que las

condiciones son definidas por el experto, con el propósito de aumentar progresivamente

la complejidad de una tarea. La Figura 22 muestra la forma en las actividades de

aprendizaje definidas en un LD se vinculan con las instancias de la clase

ConditionItem .

105

Figura 22. Relación entre las actividades de aprendizaje definidas en un LD y la secuencia de condiciones definidas para representar el método SCM.

De esta forma utilizando el enfoque propuesto es posible definir reglas que representan

parcialmente las indicaciones del método SSC. A modo de ejemplo, las reglas

siguientes permiten representar el submétodo “Teach a simpler version of a task (that is

still fairly representative of all versions) before teaching progressively more complex

versions”.

(Regla 1) ld:Learning-Activity(?a1) ^ ld:Learning-Activity(?a 2) ^ differentFrom(?a1, ?a2)^ ld:Activity-Structure(?as1 ) ^ ld:execution-order(?a1, ?o1) ^ ld:execution-order(?a2, ?o2) ^ ld:execution-entity-ref(?as1, ?a1) ^ ld:execution-entity-ref(?as1, ?a2) ^ swrlb:lessThan(?o1, ?o2) � rr:showsBefore(?a2, ?a1)

OntologíaIMS LD

Learning Design

condición 1

condición 2

condicion 3

condicion n

Registros RDCEOConditionItem

next-condition

next-condition

next-condition

condition-ref

condition-taxonpath-ref




106

(Regla 2) rr:showsBefore(?a1, ?a2) ^ ld:ConceptLearningActivity(?a1) ^ ld:ConceptLearningActivity(?a2) ^ differentFrom(?a1, ?a2) ^ ld:Activity-Structure(?as ) ^ ld:execution-entity-ref(?as, ?a1) ^ ld:execution-entity-ref(?as, ?a2) ^ tgs:condition-ref(?a1, ?ci1) ^ tgs:condition-ref(?a2, ?ci2) ^ tgs:conditionItem(?ci1) ^ tgs:conditionItem(?ci2) ^ tgs:next-condition(?ci2, ?ci1) ^ differentFrom(?ci1, ?ci2) � rr:simpleFirst(?as, "true")

La Regla 1 supone que para el diseño del aprendizaje de una tarea, las actividades se

agrupan en una estructura de actividades de acuerdo a la especificación IMS-LD. Esta

regla determina cuál actividad, entre dos, debe ejecutarse antes, de acuerdo al valor

proporcionado por el diseñador del LD en ld:execution-order. La Regla 2,

verifica que el orden obtenido en la Regla 2, se corresponda con el orden de

complejidad creciente de las condiciones definido por la relación next-

SimplificationCondition asociada a cada actividad agrupada en la estructura

de actividades.

Considerando las convenciones y utilizando el enfoque de modelado propuesto, la Tabla

11 muestra la representación ontológica del método SSC. La tabla presenta por cada

submétodo, la guía original del método, la identificación y expresión de regla en

lenguaje SWRL y una observación que ayuda a entender la regla.

Tabla 11. Representación del método Simplificación de la Secuencia de Condiciones de la Teoría de Elaboración.

Submethod 3. Simplifying conditions sequence


1 Use this approach when the goals call for learning a task at least moderate complexity.

met3-1-1

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c2, ?c3) ^ concept-includes (?c1,?c2) ^ concept-includes (?c2,?c3) ^ ConceptLearningActivity (?cla) ^ concept-learning-objective(?cla,?c1) → rr:moderatlyComplex2(?cla, "true")

Verifica que en el LD son utilizados Tópicos “moderadamente” complejos. Un Tópico es moderadamente complejo si tiene dos niveles de profundidad en relación a los conceptos que incluye, considerando la Estructura Conceptual de Conocimiento

107


Guía Id Reglas Reglas SWRL Observaciones met3-1-1-1

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ KnowledgeItem(?c4) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c1, ?c4) ^ differentFrom(?c2, ?c3) ^ differentFrom(?c2, ?c4) ^ differentFrom(?c3, ?c4) ^ concept-includes (?c1,?c2) ^ concept-includes (?c2,?c3) ^ concept-includes (?c3,?c4) ^ ConceptLearningActivity (?cla) ^ concept-learning-objective(?cla,?c1) → rr:moderatlyComplex(?cla, "true")

Verifica que en el LD son utilizados Tópicos “moderadamente” complejos. Un Tópico es moderadamente complejo si tiene tres niveles de profundidad en relación a los conceptos que incluye, considerando la Estructura Conceptual de Conocimiento

met3-1-2

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ KnowledgeItem(?c4) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c1, ?c4) ^ differentFrom(?c2, ?c3) ^ differentFrom(?c2, ?c4) ^ differentFrom(?c3, ?c4) ^ concept-includes(?c1, ?c2) ^ concept-includes(?c1, ?c3) ^ concept-includes(?c3, ?c4) ^ ConceptLearningActivity(?cla) ^ concept-learning-objective(?cla, ?c1) → rr:moderatlyComplex(?cla, "true")

Verifica que en el LD son utilizados Tópicos “moderadamente” complejos. Un Tópico es moderadamente complejo si incluye más de un tópico y al menos uno de ellos tiene al menos un nivel de profundidad en la Estructura Conceptual de Conocimiento.

met3-1-2-1 KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ KnowledgeItem(?c4) ^ KnowledgeItem(?c5) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c1, ?c4) ^ differentFrom(?c1, ?c5) ^ differentFrom(?c2, ?c3) ^ differentFrom(?c2, ?c4) ^ differentFrom(?c2, ?c5) ^ differentFrom(?c3, ?c4) ^ differentFrom(?c3, ?c5) ^ differentFrom(?c4, ?c5) ^ concept-includes(?c1, ?c2) ^ concept-includes(?c1, ?c3) ^ concept-includes(?c2, ?c5) ^ concept-includes(?c3, ?c4) ^ ConceptLearningActivity(?cla) ^ concept-learning-objective(?cla, ?c1) → rr:moderatlyComplex(?cla, "true")

Verifica que en el LD son utilizados Tópicos “moderadamente” complejos. Un Tópico es moderadamente complejo si incluye más de un tópico y dos de ellos tiene al menos un nivel de profundidad en la Estructura Conceptual de Conocimiento.

2 Teach a met3-2-1 ld:Learning-Activity(?a1) ^ ld:Learning- Regla que

108



Activity(?a2) ^ differentFrom(?a1, ?a2) ^ ld:Activity-Structure(?as1) ^ ld:execution-order(?a1, ?o1) ^ ld:execution-order(?a2, ?o2) ^ ld:execution-entity-ref(?as1, ?a1) ^ ld:execution-entity-ref(?as1, ?a2) ^ swrlb:lessThan(?o1, ?o2) → RET-showsBefore(?a2, ?a1)

determina qué Actividades de Aprendizaje deberían ser ejecutadas antes que otras.

simpler version a task (that is still fairly representative of all versions) before teaching progressively more complex version

met3-2-2 RET-showsBefore (?a1, ?a2) ^ ConceptLearningActivity(?a1) ^ ConceptLearningActivity(?a2) ^ differentFrom(?a1, ?a2) ^ ld:Activity-Structure (?as) ^ ld:execution-entity-ref(?as, ?a1) ^ ld:execution-entity-ref(?as, ?a2) ^ condition-ref(?a1, ?ci1) ^ condition-ref(?a2, ?ci2) ^ ConditionItem (?ci1) ^ ConditionItem(?ci2) ^ next-condition (?ci2, ?ci1) ^ differentFrom(?ci1, ?ci2) → RET-rule-3-2-2 (?as, "true")

Verifica que Actividades de Aprendizaje asociadas con condiciones ”más simples” se ejecuten primero. Si una Actividad A se relaciona con una condición C1 y otra Actividad B se relaciona con otra condición C2, y C1 es más simple que C2, se debería ejecutar primera la actividad A.

met3-5-1

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac1) ^ ld:act-ref(?p, ?ac2) ^ ld:Act(?ac1) ^ ld:Act(?ac2) ^ differentFrom(?ac1, ?ac2) ^ ld:Role-Part(?rp1) ^ ld:Role-Part(?rp2) ^ differentFrom(?rp1, ?rp2) ^ ld:role-part-ref(?ac1, ?rp1) ^ ld:role-part-ref(?ac2, ?rp2) ^ ConceptLearningActivity(?la1) ^ ld:execution-entity-ref(?rp1, ?la1) ^ ConceptLearningActivity(?la2) ^ ld:execution-entity-ref(?rp2, ?la2) ^ differentFrom(?la1, ?la2) ^ concept-learning-objective(?la1, ?c1) ^ concept-learning-objective(?la2, ?c2) ^ KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ differentFrom(?c1, ?c2) ^ concept-hasSupportingContent(?c1, ?c2) → rr:SupportingContent(?m, "true")

Verifica que un Tópico se enseñe junto a su Supporting Content en el mismo Play.

5 Teach supporting content together with the steps or/and principles to which they are more closely related

met3-5-2

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac1) ^ ld:act-ref(?p, ?ac2) ^ ld:Act(?ac1) ^

Verifica que el Método del LD enseñe un Tópico T1 y un Supporting

Content de otro Tópico T2

109



ld:Act(?ac2) ^ differentFrom(?ac1, ?ac2) ^ ld:Role-Part(?rp1) ^ ld:Role-Part(?rp2) ^ ld:role-part-ref(?ac1, ?rp1) ^ ld:role-part-ref(?ac2, ?rp2) ^ differentFrom(?rp1, ?rp2) ^ ConceptLearningActivity(?la1) ^ ld:execution-entity-ref(?rp1, ?la1) ^ ConceptLearningActivity(?la2) ^ ld:execution-entity-ref(?rp2, ?la2) ^ differentFrom(?la1, ?la2) ^ concept-learning-objective(?la1, ?c2) ^ concept-learning-objective(?la2, ?c3) ^ KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c2, ?c3) ^ concept-includes(?c1, ?c2) ^ concept-hasSupportingContent(?c1, ?c3) → rr: SupportingContent(?m, "true")

que incluye a T1, en el mismo Play. Utiliza la relación concept-includes.

met3-5-3

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac1) ^ ld:act-ref(?p, ?ac2) ^ ld:Act(?ac1) ^ ld:Act(?ac2) ^ differentFrom(?ac1, ?ac2) ^ ld:Role-Part(?rp1) ^ ld:Role-Part(?rp2) ^ ld:role-part-ref(?ac1, ?rp1) ^ ld:role-part-ref(?ac2, ?rp2) ^ differentFrom(?rp1, ?rp2) ^ ConceptLearningActivity(?la1) ^ ld:execution-entity-ref(?rp1, ?la1) ^ ConceptLearningActivity(?la2) ^ ld:execution-entity-ref(?rp2, ?la2) ^ differentFrom(?la1, ?la2) ^ concept-learning-objective(?la1, ?c2) concept-learning-objective(?la2, ?c3) ^ KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c2, ?c3) ^ concept-hasPart(?c1, ?c2) ^ concept-hasSupportingContent(?c1, ?c3) → rr:SupportingContent(?m, "true")

Verifica que el Método del LD presente un Tópico T1 a aprender y un Supporting Content de otro Tópico T2 del cual es parte T1, en el mismo Play. Utiliza la relación concept-hasPart.

met3-5-4

ld:Method(?m) ^ ld:Play(?p) ^

Verifica que el Método del LD

110



ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac1) ^ ld:act-ref(?p, ?ac2) ^ ld:Act(?ac1) ^ ld:Act(?ac2) ^ differentFrom(?ac1, ?ac2) ^ ld:Role-Part(?rp1) ^ ld:Role-Part(?rp2) ^ ld:role-part-ref(?ac1, ?rp1) ld:role-part-ref(?ac2, ?rp2) ^ differentFrom(?rp1, ?rp2) ^ ConceptLearningActivity(?la1) ^ ld:execution-entity-ref(?rp1, ?la1) ^ ConceptLearningActivity(?la2) ^ ld:execution-entity-ref(?rp2, ?la2) ^ differentFrom(?la1, ?la2) ^ concept-learning-objective(?la1, ?c2) ^ concept-learning-objective(?la2, ?c3) ^ KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c2, ?c3) ^ concept-hasKind(?c1, ?c2) ^ concept-hasSupportingContent(?c1, ?c3) → rr:SupportingContent(?m, "true")

presente un Tópico T1 a aprender y un Supporting Content de otro Tópico T2, el cual es una especialización de T1, en el mismo Play. Utiliza la relación concept- concept-hasKind.

6 Group steps/principles and their supporting content into “learning episodes”

met3-6-1

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac1) ^ ld:act-ref(?p, ?ac2) ^ ld:Act(?ac1) ^ ld:Act(?ac2) ^ differentFrom(?ac1, ?ac2) → rr:has2acts(?m, "true")

Verifica que el método del LD tenga al menos un Play y dos Acts.

met3-6-2

ld:Method (?m) ^ ld:Play (?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp1) ^ ld:Activity-Structure(?sa) ^ ld:execution-entity-ref(?rp1, ?sa) ConceptLearningActivity(?la1) ^ ConceptLearningActivity(?la2) ^ differentFrom(?la1, ?la2) ^ ld:execution-entity-ref(?sa, ?la1) ^ ld:execution-entity-ref(?sa, ?la2) → rr:hasActivityStructure(?m, "true")

Verifica que el Método del LD incluya una Estructura de Actividades que relacione al menos a dos Actividades.

7 Give students some choice as to which versions of the task to

met3-7

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^

Verifica que los aprendices puedan elegir la próxima Actividad de Aprendizaje.

111



learn next ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp) ^ ConceptLearningActivity(?la) ^ ld:execution-entity-ref(?rp, ?la) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?la, ?oc) ^ complete-unit-of-learning(?oc, "user-choice") → rr:userChoice-Lactivity(?m, "true")

4.3. Modelado de la Teoría “Learning by Doing”

Utilizando el mismo enfoque de modelado presentado, se construyó una representación

parcial de los métodos de la teoría “Learning by Doing”. Para esto, los métodos de esta

teoría, fueron divididos en 7 submétodos, de acuerdo a Schank et al. (1999). El código

siguiente, muestra una de las reglas que forman parte de la representación formal de esta

teoría. Esta regla representa parte del método “Must allow enough opportunities to

practice the skill & seek the knowledge“, verificando que el aprendiz tenga a su

disposición actividades de aprendizaje que use OA del tipo example. El resto de las

reglas que modelan los métodos de esta teoría se presentan en el Anexo A.

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp) ^ ld:Support-Activity(?la) ^ ld:execution-entity-ref(?rp, ?la) ^ ld:Learner(?role) ^ ld:role-ref(?la, ?role) ^ ld:Environment(?env) ^ ld:environment-ref(?la, ?env) ^ ld:Learning-Object(?lo) ^ ld:learning-object(?env, ?lo) ^ ld:learning-object-ref(?lo, ?uol-lo) ^ Learning-Object-Res(?uol-lo) ^ uol:Metadata(?m) ^ uol:metadata-ref(?uol-lo, ?m) ^ lom:LOM(?lom) ^ uol:metadata-description(?m, ?lom) ^ lom:Educational(?edu) ^ lom:educational-ref(?lom, ?edu) ^ lom:learningresourcetype(?lo, "exam") � lbd-4-1-1 (?m,"true")

112

4.4. Modelado de la Teoría de Inteligencias Múltiples

Otra de las teorías de diseño instuccional que forman parte del Catálogo es la llamada

Multiple Intelligences. Se presenta a continuación la representación de los métodos de

la teoría Intelligence Multiples. Para el modelado de esta teoría, los métodos fueron

divididos en submétodos de acuerdo a Gardner (1999).

A modo de ejemplo, se considera el método “Select fewer topics to treat them in greater

depth“. Una forma de representar este método es utilizando una Estructura General de

Tópicos provenientes de una ontología de dominio. Utilizando las relaciones antes

descritas para esta estructura ontológica una representación podría ser la siguiente:

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ KnowledgeItem(?c4) ^ concept-includes(?c1, ?c2) ^ concept-includes(?c2, ?c3) ^ concept-includes(?c3, ?c4) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c1, ?c4) ^ differentFrom(?c2, ?c3) ^ differentFrom(?c2, ?c4) ^ differentFrom(?c3, ?c4) ^ � MI-rule-1-1(?c1, 1)

Esta regla verifica que la profundidad de un tópico de aprendizaje considerado en el LD

deba tener una profundidad mayor que 3. El resto de las reglas que representan los

métodos de esta teoría, son presentadas en el Anexo B.

113

Capítulo 5. Implementación de la solución

Este capítulo tiene por objetivo mostrar la factibilidad de la implementación del

Catálogo de Teorías de Diseño Instruccional y la construcción de una aplicación que

utiliza estas representaciones para dar sorporte al diseño instruccional. Con este

objetivo se presenta una descripción detallada de la utilización del Catálogo como

base de conocimiento de una aplicación que permite validar la conformidad de una LD

con una teoría de diseño instruccional. Se presentan aspectos de la implementación del

Catálogo y de la arquitectura técnica y funcional de la aplicación, denominada

Terpsícore, que utiliza el Catálogo.

5.1. Descripción de la solución implementada

La implementación de la propuesta se divide en dos aspectos: la construcción de las

representaciones del Catálogo de TDI y en la construcción de una aplicación que hace

uso de dichas representaciones.

La implementación del Catálogo mediante un lenguaje ontológico computable es el

primer paso para demostrar su aplicabilidad. Con este objetivo se ha seleccionado el

lenguaje SWRL como lenguaje de implementación. Su integración con estructuras

ontológicas expresadass en OWL lo convierten en el lenguaje ideal para obtener una

base de conocimiento que pueda ser utilizado por aplicaciones mediante librerías

disponibles en la forma de APIs de SWRL.

Por otra parte, la utilidad del Catálogo puede ser demostrada mediante una aplicación

que hace uso de su conocimiento. Con este fin, se construyó un analizador de la

114

conformidad de un LD respecto de los métodos de DI utilizados en su construcción.

Esta aplicación, denominada Terpsícore, está integrada a un entorno real de diseño

instruccional, específicamente a un editor de LD utilizado por la comunidad de e-

learning.

La implementación de esta solución se centra en los aspectos más importantes que

permitan demostrar la utilidad del Catálogo. En este sentido, es importante mencionar

que, en su version actual, la aplicación sólo permite la validación respecto de los

métodos de la Teoría de Elaboración. La implementación de otras representaciones de

teorías contenidas en el Catálogo será considerada en trabajos futuros. Adicionalmente,

aspectos relacionados con la carga completa de las ontologías de dominios o de tópicos

utilizados en ciertos métodos, no son implementados en su totalidad y son considerados

también como parte de los trabajos futuros.

5.2. Implementación del catálogo basado en reglas

Esta sección describe la implementación de las reglas que componen la representación

de los métodos de las tres teorías de DI contenidas en el Catálogo.

En primer lugar, para implementar las reglas y posteriormente la aplicación que las

utiliza, fue necesario definir espacios de nombres (en inglés namespace) para manipular

los diferentes elementos que componen la ontología. La Tabla 12 muestra los espacios

de nombres utilizados y su descripción en términos de la utilidad en la ontología.

Tabla 12.Espacio de nombres utilizados en la ontología IMS-LD.

namespace Descripción

uol Corresponde a la subontología uol.owl , que representa a los elementos de una Unidad de Aprendizaje.

ld Corresponde a la subontología ld.owl , que representa a los elementos presentes en un Diseño de Aprendizaje.

lom Corresponde a la subontología ld.owl , que representa a los elementos presentes en un Diseño de Aprendizaje.

rr Representa al espacio de nombres destinado a las popiedades que registran los resultados de ejecución de las reglas.

tgs Corresponde al espacio de nombres destinado a representar los tópicos o conceptos incluidos en el Diseño de Aprendizaje.

El punto de partida en la implementación de las reglas en lenguaje SWRL, fue la

edición de la ontología IMS-LD utilizada en este estudio. Para este proceso se utilizó la

115

herramienta Protégé versión 3.432. El editor de ontologías Protégé, creado en 1987, se

ha posicionado como una de las herramientas más utilizadas en la representación y

adquisición de conocimiento (Gennari et al., 2002). Utilizando el paradigma basado en

frames, Protégé permite el diseño y edición de ontologías, permitiendo definir las

clases, propiedades y axiomas de modelos de conocimiento.

La edición de la ontología IMS-LD incluyó, mejoras como la incorporación de valores

permitidos en el dominio de algunas clases y la adición de relaciones faltantes. La

Figura 23 , muestra un aspecto de la edición de la ontología, específicamente en la vista

de edición de clases de Protégé.

Figura 23. Edición de clases en entorno Protégé.

Se utilizó la extensión de Protégé para la generación de código OWL-LD con el objeto

de disponer de la representación formal de la especificación IMS-LD. La Figura 24

presenta un extracto del código OWL que representa la ontología IMS-LD.

32 http://protege.stanford.edu/

116

Figura 24. Extracto del código OWL que representa a la ontología IMS-LD.

Posteriormente, las reglas presentadas en el Capitulo 4, fueron implementadas

utilizando la extensión SWRTab que se incluye como un plugins de Protégé. Esta

extensión permite la edición y la ejecución de las reglas expresadas en SWRL. El editor

de reglas SWRL permite la creación de los antecedentes y consecuentes de las reglas.

En la conformación de los antecedentes y consecuentes se utilizan variables, que deben

ser precedidas por el carácter “ ?” , que representan instancias de una clase, de un data

property o de algún object property. La Figura 25 muestra una ventana de edición de

reglas en el SWRLTab de Protégé.

117

Figura 25. Entorno de edición y ejecución de reglas SWRL utilizando SWRLTab de Protégé.

En la edición de las reglas es posible utilizar funciones predefinidas que corresponden a

predicados. Por ejemplo, la expresión differentFrom(?a1, ?a2) permite

asegurar que dos instancias son distintas; y la expresión swrlb:lessThan(?o1,

?o2) compara cuál de dos instancias posee un valor menor. Los parámetros de estas

funciones son variables que representan instancias de la ontología.

La ejecución de las reglas se realiza invocando a la máquina de ejecución de reglas

SWRL-JessBridge (O’Connor et al., 2005). Esta máquina actúa como un puente entre el

modelo OWL de la ontología, las reglas definidas en SWRL y la máquina de reglas

Jess33. La elección de esta máquina de inferencia, se debe principalmente a que es el

33 http://protege.cim3.net/cgi-bin/wiki.pl?SWRLJessBridge

118

único razonador que puede trabajar con librerias incorporadas y que no son parte del

núcleo del lenguaje SWRL.

El proceso de inferencia se realiza en tres etapas:

• Transformación de las reglas basadas en OWL y SWRL a lenguaje de definición

de reglas Jess.

• Ejecución de las reglas en el motor de Jess

• Transformación de los resultados en lenguaje OWL.

Este proceso es transparente desde el punto de vista del usuario-constructor de reglas.

En el ambiente SWRLTab, la ejecución de las reglas se realiza mediante controles

disponibles en la interfaz, como botones y pestañas, que permiten activar las opciones

para realizar la inferencia de conocimiento. Los tres procesos antes descritos son

ejecutados por el usuario, mediante tres botones que ejecutan las etapas del proceso,

como lo muestra la Figura 25.

Los resultados de la ejecución de las reglas son presentados en diferentes pestañas del

entorno. En ellas, pueden observarse las reglas, los individuos y las clases involucradas

en la inferencia, así como los axiomas e individuos inferidos.

En el caso particular de esta implementación, los resultados de le ejecución de las

reglas, producen valores “true” o “false” que se almacenan en propiedades definidas

especialmente para estos efectos. Por ejemplo, considere la siguiente regla:

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp) ^ ld:LearningActivity(?la) ^ ld:execution-entity-ref(?rp, ?la) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?la, ?oc) ^ ld:complete-unit-of-learning(?oc, "user-choice") � rr:userChoice-LActivityrule(?m, "true")

La ejecución de esta regla produce como resultado, que la propiedad

rr:userChoice-LActivityrule de la clase ld:Method de la ontología,

obtenga un valor “true”, en el caso de que la regla se cumple. Esto significa que el

método de DI, representado por la regla, es cubierto por el LD que está siendo

analizado.

119

5.3. Construcción de la aplicación de validación de métodos de

DI

El Catálogo de TDI puede ser utilizado en diversas aplicaciones para dar soporte a las

actividades de Diseño Instruccional, como fue descrito en la Sección 3.6 de este

documento. Una de ellas es permitir validar la conformidad de un LD con respecto a

una teoría de Diseño Instruccional. Esto significa, que utilizando el Catálogo como base

de conocimiento es posible conocer si un LD construido por un diseñador cumple con

las guías y directrices descritas por los métodos de una determinada teoría.

Esta sección presenta los aspectos técnicos y funcionales abordados en la

implementación de un analizador de la conformidad de un LD con respecto a una teoría

de Diseño Instruccional. Se presentan los aspectos generales de la aplicación

desarrollada que están relacionados con el funcionamiento y arquitectura utilizada.

5.3.1. Características generales y entorno de la aplicación

La construcción de un LD se realiza mediante herramientas o editores que apoyan las

actividades de diseño de una Unidad de Aprendizaje. Una de las herramientas utilizadas

por la comunidad de e-learning es el editor ReCourse (Beauvoir et al., 2009). ReCourse

permite el diseño de un LD, definiendo play, acts, learning activities, roles y todos los

elementos contemplados en la especificación IMS-LD. Esta herramienta genera un

archivo llamado imsmanifest.xml que organiza tales elementos utilizando lenguaje

XML que resulta compatible con IMS-LD.

Debido a que resulta importante que las representaciones de teorías de Diseño

Instruccional sean utilizadas en un ambiente real de construcción de LD, se decidió

construir una aplicación que se integre al entorno de la herramienta ReCourse. De esta

forma, se construyó una aplicación, denominada Terpsícore, mediante la cual un

diseñador puede realizar la validación de un LD en una forma integrada y en un entorno

ya conocido.

Los requisitos generales de la aplicación Terpsícore se enumeran a continuación:

• Realizar el análisis de la conformidad de un LD frente a los métodos de una

teoría de DI.

120

• Utilizar el Catálogo de representaciones ontológicas como una base de

conocimiento para realizar la validación.

• Generar sugerencias de mejoramiento para el LD analizado, de forma que pueda

mejorar su conformidad con una teoría.

• Estar integrado funcionalmente con el entorno de diseño que proporciona

Recourse.

Estos requisitos guiaron la construcción de la aplicación, cuya funcionalidad puede

apoyar tanto a diseñadores novatos y expertos en el diseño de mejores recursos de

aprendizaje.

5.3.2. Implementación de la aplicación

La integración funcional de la aplicación al editor Recourse, impone restricciones

técnicas importantes. ReCourse está construido en Java RCP Eclipse por lo que para

lograr la integración con este editor, debió mantenerse la filosofía de plugins utilizada

en la construcción de este editor de LD.

Luego del análisis del código fuente de Recourse34 se decidió construir un paquete de

clases que se integrara al resto de los paquetes de clases originales. Este paquete se

denominó org.tencompetence.ldauthor.ui.views.IDM. Este paquete representa la

vinculación del analizador de LD con el resto de la funcionalidad del editor y está

compuesto por las siguientes clases:

• IDMethod.java

• LeeManifest.java

• BridgeInferencia.java

• LeeReglas.java

• VentCondicion.java

• VentTopico.java

Las clase IDMethod.java está definida como una View que extiende el plugins que

conforma el editor Recourse. Esta clase implementa la interfaz principal de la aplicación

y junto a las clases VentCondicion.java y VentCondicion.java conforman

34 http://tencompetence-project.bolton.ac.uk/ldauthor/index.html

121

la Interfaz Gráfica de Usuario (GUI) de la aplicación. El resto de las clases implementan

el proceso de validación del LD. La Figura 26 muestra la arquitectura del validador y

su relación con el editor Recourse. En ella puede apreciarse los 3 componentes

arquitectónicos de la aplicación: GUI, proceso de validación y base de conocimiento.

OWL + reglas SWRL

Creación de instancias

Catálogo de Métodos de TDI

Inferencia basada en reglas

Presentaciónresultados

Elección de método Despliegue Sugerencias

Editor Recourse

Interfaz Gráfica de Usuario

Proceso de Validación

Base de Conocimiento

Validador de la conformidad de un LD con Métodos de TDI

Figura 26. Arquitectura de TERPSICORE y su relación con el editor Recourse.

Como una forma de describir en forma general, la interacción a través del tiempo entre

las clases que implementan el proceso de validación, se presenta en la Figura 27 un

Diagrama de Secuencia. Este diagrama muestra, en forma simplificada los mensajes

entre clases para realizar la validación de un LD iniciada por el usuario desde el editor

Recourse.

122

Recourse

usuario

GUIValidacion

Instanciamanifest inferencia leeReglas

Abre un LD

Selecciona metodometodoSeleccionado

Relaciona actividad-tópicopares actividad-tópico

solicita actividad-tópico

ejecucion reglas

lee resultados reglas

Sugerencias

Lista de sugerencias

Coleccion de sugerencias

Figura 27. Diagrama de secuencia de la aplicación.

Además del lenguaje de programación Java, específicamente RCP Eclipse, se utilizaron

APIs y framework para su implementación. Estos son descritos a continuación:

• API de OWL: Es un conjunto de librerías para lenguaje JAVA que apoyan la

creación y manipulación de ontologías en lenguaje OWL. En este trabajo, fue

utilizada para la creación y manipulación de la ontología OWL que representa la

especificación IMS-LD.

• Framework JENA: Es un framework de código abierto del lenguaje java, para la

construcción de aplicaciones para la Web Semántica. Proporciona soporte para la

programación con modelos RDF, RDFS y OWL. Incluye además mecanismos de

inferencia basado en reglas. En la construcción del prototipo fue utilizado para la

gestión de la ontología.

• API de SWRL: Denominadas como SWRLTab, proporciona una colección de

librerías para la utilización de reglas SWRL en aplicaciones que interactúen con

ontologías OWL. En esta aplicación, se utilizó librerías relacionadas con la

creación y ejecución de las reglas, agrupadas en SWRL Factory y SWRL Bridge.

123

• API de JDOM: Estas librerías permiten la creación, lectura y manipulación de

archivos en formato XML (JDOM TM Project, 2009). En la implementación de

la aplicación, JDOM fue utilizado para leer el archivo XML que representa al

Diseño de Aprendizaje y para generar el archivo XML de salida que contiene los

resultados de la ejecución de la reglas y sus sugerencias de mejora para que el LD

cumpla con las indicaciones de los métodos de DI.

La documentación de las clases de java utilizadas en la implementación de la aplicación

se muestra en el Anexo C.

5.3.3. Descripción funcional de la aplicación

La arquitectura antes presentada da respuesta a la petición de un usuario en el entorno

del editor Recourse, para analizar la conformidad de un LD en relación a una TDI. La

Figura 28 muestra arquitectura funcional del prototipo. En ella, puede observarse la

interacción de la aplicación con el catálogo de métodos de TDI y con el editor Recourse.

Ontología IMS-LD

OWL + reglas SWRL

imsmanifest.xml

Editor LD

Creacióninstancias

Sugerencias Para mejorar LD

Catálogo deMétodos de TDI

Inferenciabasada en reglas

Presentaciónresultados

Validador deMétodos de TDI

LearningDesign

JessMáquina de reglas

Figura 28. Arquitectura funcional del prototipo

124

Desde el punto de vista funcional, Terpsícore se divide en 4 grandes componentes

principales:

• Catálogo de métodos de DI. Módulo que consiste en la implementación en

lenguaje SWRL de las reglas que representan los métodos de DI de una teoría,

que funciona como una base de conocimiento.

• Creación de instancias. Realiza la creación de las instancias que representan el

Diseño de Aprendizaje en la ontología IMS-LD. Este proceso se realiza a partir

del archivo imsmanifest.xml generado por un editor de Diseños de

Aprendizaje compatible con la especificación IMS-LD.

• Inferencia basada en reglas. Este módulo realiza la ejecución de las reglas del

catálogo. Este proceso genera los valores “true” o “false” en las propiedades que

representan el cumplimiento o no de los métodos de las teorías de DI.

• Presentación de resultados. Este proceso, genera un archivo en formato XML,

con el resultado de la validación de cumplimiento de cada regla y sugerencias

para que el LD cumpla con las indicaciones de los métodos de la teoría.

El usuario-diseñador utiliza la aplicación como una funcionalidad más del editor

Recourse. Al comienzo de la sesión el usuario debe elegir la Teoría de DI con la cual

desea analizar el LD. En caso de seleccionar la Teoría de Elaboración se debe

seleccionar alguno de los 3 submétodos de la Teoría de Elaboración para realizar el

análisis: Conceptual elaboration sequence, Theoretical elaboration sequence y

Simplifying conditions sequence. Además el usuario debe seleccionar la ontología de

dominio de donde se extraen los tópicos de aprendizaje según lo requerido por la Teoría

de Elaboración. La Figura 29 presenta una vista de la pantalla principal integrada al

editor Recourse.

125

Figura 29. Terpsícore integrado al entorno del editor Recourse.

Luego que el usuario carga un LD ya existente o construye uno nuevo, el usuario puede

comenzar el proceso de validación. Este proceso comienza con la creación de las

instancias que representan los elementos del LD en la ontología. El editor de LD genera

un archivo XML llamado imsmanifest.xml que representa el LD. La aplicación de

validación, lee este archivo y mediante la clase denominada LeeManifest.java ,

realiza la creación de las instancias en la ontología. La Figura 30 muestra en forma

simplificada este proceso. Un extracto del código de lectura del archivo XML se

muestra en la Figura 31.

126

Learning Design Imsmanifest.xml

Ontología IMS-LD

expresado en

Instanciado en

Figura 30. Proceso de creación de instancias en la ontología IMS-LD.

Figura 31. Método leeManifest() de la clase LeeManifest.java que realiza la lectura del archivo imsmanifest.xml.

127

Posteriormente, el método bridgeSWRL() de la clase BridgeInferencia.java

es el encargado de realizar la ejecución de las reglas. Esto genera valores “true” o

“false” en las propiedades que representan el cumplimiento de los métodos

representados mediante las reglas. Esto significa, que si una regla es verdadera, el

método que esta regla representa, se cumple en el LD. Un extracto del método que

realiza este proceso se muestra en la Figura 32.

Figura 32. Método de la clase BridgeInferencia.java que realiza la ejecución de las reglas.

Finalmente, se invoca al método leeValorRegla() de la clase

LeeReglas.java , que realiza la lectura de todas las propiedades que almacenan los

resultados de la ejecución de las reglas. Por cada propiedad revisada, este método

construye un registro de un archivo XML llamado reglasMetodo.xml indicando la

identificación del método, la clase y la propiedad donde se registra el resultado de la

validación, su resultado y una recomendación para su cumplimiento, que debería ser

mostrada en caso de que la regla no se cumpla. Un extracto de este archivo resultante se

muestra en la Figura 33.

128

Figura 33. Extracto del código XML resultante de la validación de cumplimiento de los métodos representados en el catálogo de métodos de TDI.

Este archivo resultante permite la presentación de los resultados al usuario del proceso

de validación del LD en relación a su cumplimiento con los métodos de una teoría de

DI. Mediante esta información no sólo se puede indicar el cumplimiento de una

determinada regla, sino además una recomendación para mejorar el LD en relación a las

reglas no satisfechas.

Una descripción del funcionamiento de Terpsícore que permite ayudar al usuario en su

utilización, puede encontrase en el Anexo D.

5.4. Conclusiones de la implementación.

En este capítulo se han presentado los principales aspectos de la implementación del

Catálogo de TDI y de una aplicación que analiza la conformidad de un LD con los

métodos de estas teorías, haciendo uso de dicho Catálogo.

129

En relación a la implementación del Catálogo se logró obtener representaciones

modulares e interoperables, lo que posibilita que puedan ser utilizadas por diversas

aplicaciones.

La aplicación Terpsícore se encuentra en su primera versión y aunque cumple con el

objetivo de demostrar la utilidad del Catálogo, se tiene previstas diversas mejoras a su

funcionalidad. Estas mejoras fueron detectadas con pruebas de usuario, las que están

detallas en el siguiente capítulo de esta tesis, destinada a la evaluación de esta

propuesta.

El código de la aplicación y la documentación asociada puede descargarse desde

http://code.google.com/p/terpsicore/.

131

Capítulo 6. Evaluación

Este capítulo presenta la evaluación de las representaciones ontológicas y del

software Terpsícore tales representaciones para asistir en la validación de LDs.

Respecto de la evaluación de las representaciones del Catálogo de TDI, se evaluó la

aplicabilidad mediante un caso de estudio y la correctitud de las representaciones

mediante entrevista con expertos en DI. En relación a la aplicación, la evaluación se

centró en dos aspectos: aceptación de uso, evaluada mediante la utilización del modelo

TAM; y evaluación de la usabilidad de la aplicación mediante la utilización del

protocolo Think Aloud y la aplicación del cuestionario de usabilidad SUMI. De esta

forma se obtuvo información cualitativa y cuantitativa importante para evaluar la

propuesta de esta tesis. La aplicación y los resultados de cada uno de estos métodos es

detallada en las secciones siguientes.

6.1. Descripción general del proceso de evaluación

La evaluación se realiza mediante la aplicación de cuatro procesos que se enfocan en

distintos aspectos de esta propuesta:

• Evaluación que intenta medir la aceptación de uso, de parte de profesores y

diseñadores instruccionales, respecto del software que utiliza el Catálogo de TDI

para dar soporte al diseño instruccional.

• Evaluación que intenta conocer percepciones del usuario en relación a la

usabilidad del software Terpsícore. Adicionalmente, se realizó una evaluación

basada en un cuestionario de usabilidad.

132

• Un caso de estudio, que intenta demostrar la aplicabilidad de las

representaciones ontológicas de la Teoría de Elaboración.

• Una evaluación de las representaciones ontológicas del Catálogo, realizada

mediante entrevistas con expertos en DI.

La Tabla 13 resume los métodos de evaluación utilizados en este trabajo. Se indica el

objeto de la evaluación, el método a utilizar, el instrumento utilizado en la evaluación y

una breve descripción de la aplicación de la aplicación del método.

Tabla 13. Resumen del proceso de Evaluación.

Objeto de evaluación

Aplicación Representaciones de TDI

Aceptación de Uso Usabilidad Aplicabilidad Correctitud de representaciones

¿Qué se desea evaluar? Facilidad de Uso

Percibida y Utilidad Percibida

Efectividad, Eficiencia y Satisfacción.

Aplicabilidad de las representaciones

Precisión, Completitud, entendibilidad

Método a utilizar

TAM (Technology Acceptance Model)

Protocolo Think Aloud Cuestionario SUMI

Caso de Estudio Entrevista con expertos

Instrumento a utilizar

- Cuestionario TAM - Protocolo TAP - Cuestionario SUMI

Caso de estudio Entrevista estructurada

Evaluadores - Profesores - Diseñadores Instruccionales

- Profesores - Diseñadores Instruccionales

-Experto en Dominio -Desarrollador

Expertos en DI

Descripción de la evaluación

Basado en el modelo TAM, se utilizó un cuestionario que pretende evaluar la aceptación de uso del software Terpsícore.

La aplicación de TAP consistió en un experimento, en el cual luego de una introducción, se solicita a usuarios que interactúen con la aplicación y la utilicen para analizar un LD. La actividad del usuario es registrada mediante video y luego transcrita a lenguaje narrativo con el objeto de: - detectar y clasificar posibles problemas en la interacción - obtener

Se presenta un caso de estudio que utiliza las representaciones ontológicas de las teorías y la aplicación para analizar un LD y, utilizando las sugerencias, mejorar la conformidad con la Teoría de Elaboración. El caso de estudio utiliza la ontología EnvO y utiliza los métodos Secuencia de Elaboración

Concepctual.

Mediante una entrevista personal se solicita al experto que entregue su opinión frente a las representaciones que componen el Catálogo de TDI. Se definieron preguntas que guíaron la entrevista y permitieron recoger las opiniones del experto relacionadas con la precisión, completitud, entendibilidad y utilidad de las

133

sugerencias para mejorar la interacción. Adicionalmente, mediante el cuestionario SUMI, se obtiene una medida del nivel de usabilidad de la aplicación.

reglas que representan los métodos.

6.2. Evaluación de la aceptación de uso: aplicación del modelo

TAM.

En este apartado se presenta un proceso de evaluación que intenta medir la aceptación

de uso de los usuarios respecto del software Terpsícore. Con este fin, se utilizó el

modelo TAM (Technology Acceptance Model, en español Modelo de Aceptación de

Tecnología) que intenta explicar la intensión de uso de una tecnología en términos de la

utilidad percibida y la facilidad de uso percibida por el usuario.

6.2.1. Uso del modelo TAM

TAM es un modelo propuesto por Fred Davis (Davis, 1989) cuyo objetivo es explicar

los factores que podrían afectar la intención de los usuarios por adoptar una tecnología.

La Figura 34 muestra los 5 elementos que conforman el modelo TAM original. De

acuerdo a este modelo, los dos factores principales en la determinación de la intención

de usuario por usar una tecnología son la Utilidad Percibida (UP) y la Facilidad de Uso

Percibida (FUP). La UP se define como el grado en el cual una persona cree que usando

una determinada tecnología, puede mejorar el rendimiento en su trabajo. La FUP se

define como el grado en el cual una persona cree que el uso de una determinada

tecnología podría ahorrarle esfuerzo. Las denominadas variables externas influencian a

FUP y UP. El modelo considera que existe una influencia de parte de la FUP hacia la

UP y de ambos elementos hacia la Actitud para el uso (A). Este último junto a la

variable UP influencian la intensión de uso (I) del usuario y finalmente al uso real (U)

del sistema.

134

Figura 34. Modelo de Aceptación de Tecnología (Davis, 1989)

Para realizar la evaluación, el modelo TAM será simplificado y utilizado de la siguiente

forma:

• De acuerdo a la literatura (Davis, Bagozzi, & Warshaw 1989) (Taylor & Todd,

1995), la intención de uso es el principal determinante del uso real del sistema,

por lo que el elemento uso real será excluido del marco conceptual.

• La variable Actitud para el uso será excluida del análisis debido a que según

(Davis et al., 1989) parece no ser significante en la determinación del uso.

A las variables propias del modelo TAM, se agrega una variable externa definida como

“Integración con el editor ReCourse” (IR). Debido a que el software Terpsícore debe

funcionar dentro del entorno del editor ReCourse, esta variable busca medir aspectos

relacionados con la integración del software con la funcionalidad e interfaces del editor

Recourse. La variable IR se relaciona con la percepción de los usuarios en relación a las

capacidades del entorno para guiar el diseño instruccional.

De esta forma, el modelo propuesto para el análisis de la aceptación de la aplicación

Terpsícore por parte de los usuarios queda definido como se muestra la Figura 35.

135

Utilidad Percibida (UP)

Facilidad de Uso Percibida

(FUP)

Intención de Uso (I)

H1

H3

H4

H5

Integracióncon Recourse (IR)

H2

Variable externa

Figura 35. Modelo propuesto para evaluar la aceptación de uso del software Terpsícore.

6.2.2. Definición de hipótesis

Basado en el modelo propuesto para la aceptación de uso del software TERPSICORE,

se definen 6 hipótesis que se formulan de la forma siguiente:

H1. La Integración con el editor de LD Recourse(IR) tiene un efecto positivo en la

Facilidad de Uso Percibida (FUP).

H2. La integración con el editor de LD Recourse (IR) tiene un efecto positivo en la

Utilidad Percibida (UP).

H3. La Facilidad de Uso Percibida(FUP) tiene un efecto positivo en la Utilidad

Percibida (UP) del software.

H4 La Utilidad Percibida (UP) tiene un efecto positivo en la Intensión de Uso (I) del

software.

H5. La Facilidad de Uso Percibida (FUP) tiene un efecto positivo en la Intensión de

Uso(I) del software.

Estas hipótesis son representadas por la letra H en la Figura 35.

6.2.3. Cuestionario utilizado

A partir de los cuestionarios propuestos por el modelo TAM, se construyó un

instrumento que consta de dos partes: la primera, contiene preguntas que buscan recoger

aspectos acerca del conocimiento de los expertos que realizan la evaluación. La segunda

136

parte, contiene 16 preguntas que evalúan cada una de las 4 variables del modelo

propuesto. Estas preguntas se muestran en la Tabla 14.

Tabla 14. Preguntas del cuestionario que evalúan las 4 variables del modelo TAM propuesto.

Variable : Utilidad Percibida (UP) UP-1. El uso del software permite realizar las labores de diseño en forma más rápida. UP-2. El uso del software podría mejorar el rendimiento en mis labores de diseño instruccional. UP-3. El uso del software podría aumentar la productividad en mis labores de diseño instruccional. UP-4. El uso del software podría permitir obtener diseños más fundamentados en teorías. UP-5. La utilización del software podría hacer más fácil el diseño de cursos fundamentados en teorías de diseño instruccional. UP-6. El software podría ser útil en mis labores de diseño de cursos. Variable : Facilidad de Uso percibida (FUP) FUP-1. Es fácil aprender a usar el software. FUP-2. Es fácil hacer que el software realice las operaciones que deseo hacer. FUP-3. La forma de interacción con el software es clara y entendible. FUP-4. La interacción con el software es flexible. FUP-5. Podría fácilmente adquirir habilidades en usar el software. FUP-6. El software es fácil de usar. Variable : Integración con editor Recourse (IR) R-1. El prototipo integra adecuadamente a las interfaces del editor Recourse. R-2. El prototipo se integra adecuadamente a la funcionalidad del editor Recourse. Variable : Intención de uso (I) I-1. Pienso que es una buena idea utilizar el software en mis tareas de diseño instruccional I-2. Estoy dispuesto a utilizar el software en una próxima oportunidad.

Las 4 variables son medidas mediante la utilización de una escala de Likert de 7 puntos

cuyos valores cubren el rango del valor 1 hasta el 7. El valor 1 representa el extremo

“completo desacuerdo” y el valor 7 representa extremo “completo acuerdo”.

El cuestionario utilizado en la evaluación de la aceptación de uso del Software

Terpsícore se muestra en el Anexo E.

6.2.4. Recolección de datos

Antes de contestar el cuestionario cada evaluador fue sometido a una sesión de

inducción a los temas de Diseño Instruccional y al software Terpsícore, para ayudar a

homogeneizar el nivel de conocimiento de los participantes. Las sesiones de inducción

tuvieron una duración aproximada de 40 minutos, en donde los evaluadores pudieron

familiarizarse con el uso del software. Al final de la sesión de inducción cada evaluador

contestó la encuesta en no más de 10 minutos.

137

La encuesta TAM fue aplicada a un total de 23 evaluadores. Todos los evaluados son

profesores universitarios o estudiantes de postgrado en diferentes áreas del

conocimiento. El promedio de edad de los participantes es de 34.4 años con una

desviación estándar de 8.3. La Tabla 15 detalla algunas características del grupo de

participantes.

Tabla 15. Resumen de características de los evaluadores.

Características Cantidad Porcentaje Genero Mujer 9 39% Hombre 14 61% Edad 24-34 9 39% 35-40 11 48% más de 40 3 13% Experiencia en e-learning 0 – 2 años 12 52% 3 – 5 años 9 39% más de 5 años 2 9% Nivel de Experiencia en Diseño Instruccional

Bajo 9 39% Medio 11 48% Alto 3 13%

6.2.5. Resultados obtenidos

La confiabilidad del cuestionario fue calculada mediante el coeficiente alfa de Cronbach

(α). Este coeficiente mide la consistencia interna de un instrumento de medición. En

este estudio, se obtuvo un valor de α=0.82 para el cuestionario, lo que indica una

confiabilidad aceptable, considerando que un valor de α mayor a 0.7 se considera

adecuado (Nunnally, 1978).

Por otra parte, fueron calculados algunos estadísticos para los ítems considerados en el

instrumento. La media y desviación estándar para ítem del cuestionario y

adicionalmente, para cada variable considerada en el estudio, se muestran en la Tabla

16.

138

Tabla 16. Medidas obtenidas para las variables e ítems del instrumento de evaluación.

Variables e ítems del cuestionario Media Desv. Est.

Variable : Utilidad Percibida (UP) 6.07 0.721 UP-1:El uso del software permite realizar las labores de diseño en forma más rápida.

5.61 0.499

UP-2:El uso del software podría mejorar el rendimiento en mis labores de diseño instruccional.

6.00 0.739

UP-3:El uso del software podría aumentar la productividad en mis labores de diseño instruccional.

5.91 0.596

UP-4:El uso del software podría permitir obtener diseños más fundamentados en teorías.

6.70 0.470

UP-5:La utilización del software podría hacer más fácil el diseño de cursos fundamentados en teorías de diseño instruccional.

5.91 0.793

UP-6:El software podría ser útil en mis labores de diseño de cursos 6.30 0.703 Variable : Facilidad de Uso Percibida (FUP) 5.86 0.707 FUP-1:Es fácil aprender a usar el software. 6.00 0.798 FUP-2:Es fácil hacer que el software realice las operaciones que deseo hacer.

6.09 0.733

FUP-3:La forma de interacción con el software es clara y entendible. 5.83 0.491 FUP-4:La interacción con el software es flexible. 5.52 0.730 FUP-5:Podría fácilmente adquirir habilidades en usar el software. 5.74 0.619 FUP-6:El software es fácil de usar. 6.00 0.739 Variable : Integración con editor Recourse (IR) 6.22 0.814 R-1:El prototipo integra adecuadamente a las interfaces del editor Recourse. 6.30 0.765 R-2:El prototipo se integra adecuadamente a la funcionalidad del editor Recourse.

6.13 0.869

Variable : Intención de Uso (I) 6.43 0.583 I-1:Pienso que es una buena idea utilizar el software en mis tareas de diseño instruccional

6.43 0.507

I-2:Estoy dispuesto a utilizar el software en una próxima oportunidad. 6.43 0.662

Para analizar la aceptación del software Terpsícore, basado en el modelo TAM, se

estudiarán las relaciones entre las variables dependientes e independientes definidas en

el modelo propuesto para este estudio (Ver Figura 35). Para lograr este objetivo se

utilizará la matriz de coeficiente de correlaciones de Pearson que permite analizar la

relación entre cada variable. La Tabla 17 presenta la matriz de coeficiente de

correlaciones obtenida para este estudio. Los coeficientes de correlación obtenidos se

encuentran en el rango comprendido entre 0.163 y 0.49

Tabla 17. Matriz de correlaciones entre las variables de estudio.

UP FUP R I UP 1 0.356 0.286 0.495 FUP 0.356 1 0.487 0.163 R 0.286 0.487 1 0.248 I 0.495 0.163 0.248 1

139

El modelo de aceptación de tecnología utilizado, puede ser analizado como un modelo

estructural, calculando coeficientes que permiten mostrar el soporte o rechazo a las

hipótesis planteadas (ver Figura 35).

Los resultados muestran que el coeficiente de correlación estandarizado, también

llamado coeficiente de correlación estandarizado β, entre las variables FUP y UP es de

0.356 con un p-value de 0.005, lo que indica que la Hipótesis 3 es soportada. El

coeficiente β entre IR y UP es de 0.286 con un p-value de 0.005 lo cual permite concluir

que la Hipótesis 2 es soportada. La Hipótesis 1 es también soportada, debido a que el

coeficiente β entre IR y FUP tiene un valor de 0.487 para un p-value de 0.001. El

coeficiente β calculado para la relación entre las variables UP e I tiene un valor de 0.495

para un p-value de 0.005 con lo que la Hipótesis 4 es también soportada. Por último, el

análisis de la relación entre la variable FUP y la variable I entregó un valor de β=0.163,

indicando la más baja correlación entre todas las variables. Aunque esta relación es

baja, la Hipótesis 5 puede considerarse como soportada. La Figura 36 muestra los

resultados del análisis del modelo estructural utilizado.

Utilidad Percibida (UP)

Facilidad de Uso Percibida

(FUP)

Intención de Uso (I)

H1

H3

H4

H5

Integracióncon Recourse (IR)

H2

0.356

0.286

0.487

0.495

0.163

Figura 36. Resultados del análisis de caminos del modelo.

6.2.6. Análisis de los resultados

Se estudiaron los factores que influencian la intención de los usuarios en la utilización

del software Terpsícore. El análisis mostró, en forma general, un apoyo a las hipótesis

planteadas.

140

La integración del software Terpsícore a la funcionalidad e interfaces al editor Recourse

influencian positivamente a la Utilidad Percibida y a la facilidad de Uso Percibida. El

hecho que el 61% de los participantes en la encuesta declaró un nivel aceptable de

conocimiento en Diseño Instruccional (48% nivel medio y 13% nivel alto) permite

suponer que la utilización del software en un entorno conocido y probado por

diseñadores incrementó la percepción de los beneficios potenciales de la herramienta.

La influencia positiva de la Facilidad de Uso Percibida en la Utilidad Percibida fue

también confirmada en este estudio concordando con diversos estudios que demuestran

esta relación.

La Utilidad Percibida del software influencia positivamente a los usuarios en la

intención de usarlo. El hecho de que el software Terpsícore sea percibido como una

herramienta útil para apoyar las actividades de un diseñador instruccional puede

explicar esta influencia. Puede suponerse que para diseñadores instruccionales y

profesores, el software se percibe como beneficioso para mejorar un Learning Design

basado en sugerencias que provienen de la teoría.

La Facilidad de Uso influencia positivamente en la intensión de uso. Sin embargo esta

influencia resultó ser la más débil. Esto podría explicarse debido a que Terpsícore está

integrado a Recourse, por lo que mantiene la “forma” de interacción de este editor.

Puede suponerse que los diseñadores se ven influenciado por el nivel de facilidad de uso

de Recourse, debido a que para evaluar un LD debe ser construido antes con este editor.

Futuros análisis podrían incorporar mediciones más detalladas para la variable

Integración con el editor Recourse e incorporar nuevas variables externas que

influencian a las variables que componen la base del modelo TAM.

Un aspecto detectado en esta evaluación y que merece un mayor análisis es la

aceptación de la propia TDI por profesores de distintas áreas. En forma preliminar, al

realizar la inducción a las TDI a los participantes antes de realizar la evaluación, se

detectó que no todos los profesores aceptan o se sienten “cómodos” con las guías

indicadas en los métodos. Este aspecto será analizado en las conclusiones generales de

este trabajo.

141

6.3. Evaluación de la usabilidad: aplicación del protocolo Think

Aloud y cuestionario SUMI

Otro aspecto a evaluar de la aplicación Terpsícore es la usabilidad. La usabilidad es un

aspecto considerado de suma importancia para el éxito de un sistema. De acuerdo al

estándar ISO 9241-11:1998 (ISO, 1998) la usabilidad es “La extensión para la que un

producto puede ser usado por usuarios específicos, para lograr metas especificas con

efectividad, eficacia y satisfacción en un contexto de uso especifico”.

La usabilidad está directamente relacionada con las interfaces y por consiguiente, con la

interacción de usuarios con el sistema, y ha sido estudiada desde diferentes perspectivas

(Carroll, 1997), como por ejemplo la Psicología Cognitiva y la Ingeniería del Software.

Diversos métodos de evaluación de usabilidad del software han sido propuestos entre

los que se cuentan métodos de inspección, de observación, experimentales, heurísticos y

predictivos.

Uno de los objetivos de la evaluación de usabilidad es detectar problemas en el diseño

de las interfaces del software, para recomendar cambios y mejorar la interacción con el

sistema (Lewis, 1994). La denominada “evaluación formativa” es aquella que se centra

en este primer objetivo (Wixon & Wilson, 1997). Otro objetivo de la evaluación de

usabilidad es la de obtener una medida que sirva para comparar con otros sistemas o

para influir en una medida global de calidad. A las evaluaciones centradas en este

segundo objetivo se les conoce como “evaluaciones sumativas”.

En este trabajo se aplicó una técnica de evaluación formativa como el protocolo Think

Aloud para detectar problemas en las interfaces del software. Posteriormente se aplicó

una evaluación sumativa para obtener una medida de la usabilidad del software

mediante la aplicación del cuestionario SUMI.

6.3.1. Aplicación del protocolo Think Aloud

Think Aloud Protocol (TAP) (Ericsson & Simon, 1980) (Ericsson & Simon, 1993) es un

método proveniente de las ciencias cognitivas, utilizado actualmente en una amplia

gama de áreas. El método consiste en que un usuario es enfrentado a utilizar un

producto, para desarrollar una tarea, mientras comenta en voz alta sus “pensamientos”

acerca del desarrollo de su tarea. Básicamente el método requiere una primera etapa de

142

registro sistemático de “los pensamientos en voz alta” de un usuario y una etapa

posterior de procesamiento de estos registros. En informática, TAP ha sido utilizado en

estudios referidos a la usabilidad del software y en la construcción de sistemas basados

en conocimiento. En este trabajo, este método fue utilizado para evaluar la interacción

del usuario con la aplicación Terpsícore.

6.3.1.1 Procedimiento experimental

Para la aplicación de TAP, se definió un procedimiento experimental que se describe a

continuación. Se definió una tarea específica que los usuarios deberían realizar con el

software Terpsícore. La descripción de la tarea fue la siguiente: “Analizar la

conformidad de un Learning Design, previamente creado en el editor Recourse, con el

método Secuencia de Elaboración Conceptual de la Teoría de Elaboración, y obtener

sugerencias para su mejoramiento”. Esta tarea fue realizada por los usuarios a la vez

que en voz alta “comunicaban” lo que hacían y pensaban frente a la utilización del

software al llevar a cabo la tarea encomendada. Las sesiones de trabajo de los usuarios

fueron registradas en video y, en algunos casos, con anotaciones del investigador, para

su posterior análisis.

En el experimento participaron 6 usuarios, considerando a 1 mujer y 5 hombres, con

una edad entre 25 y 65 años. La media de la edad fue de 39 años y la desviación

estándar de 13.49. Todos los evaluadores son profesores universitarios y el 66.7 % de

estos, son actualmente estudiantes de postgrado. Con respecto a conocimiento de

herramientas de e-learning, un 33 % de los evaluadores declaró un nivel “alto”, un 50

% un nivel “medio” y un 17 % un nivel “bajo”.

Al comienzo de cada sesión se realizó una inducción al evaluador en temas de diseño

instruccional y de la Teoría de Elaboración. También los usuarios, que no conocían el

editor Recourse pudieron familiarizarse con su interfaz y operación. Posteriormente el

investigador presentó al evaluador la tarea a realizar y las reglas del experimento. La

Figura 37 presenta la tarea a realizar y las reglas explicadas a uno de los evaluadores.

143

APLICACIÓN DE THINK ALOUD PROTOCOL Usuario : Mateus Ferreira Fecha: 12 de Mayo de 2011 Objetivo: Evaluar la interacción del usuario con el software Terpsícore. Tarea a realizar en el software: Analizar y obtener sugerencias del análisis de conformidad de un Learning Design(LD) previamente creado en Recourse, utilizando el método Secuencia de Elaboración Conceptual de la Teoría de Elaboración. Luego, el usuario debe conocer los fundamentos teóricos de esas sugerencias. El LD trata sobre la enseñanza de los Biomas y utiliza la ontología EnvO ontology. Reglas: El usuario debe “hablar en voz alta sus pensamientos” mientras utiliza y desarrolla una tarea con el software. El investigador no debe intervenir. Sólo sí transcurren 10 segundos de silencio, puede recordar al usuario que “debe hablar” lo que está pensando. El investigador no puede solucionar problemas de la aplicación. Medio de registro Video

Figura 37. Tarea a realizar por el usuario y reglas definidas para la aplicación de TAP.

Previo al experimento real, se realizó una prueba piloto del experimento que permitió

mejorar aspectos del experimento, como ubicación del evaluador, del investigador y de

la cámara de video. Además permitió conocer aproximadamente los tiempos de

duración de las actividades que componen el experimento y la corrección de errores del

cuestionario de usabilidad aplicado al final del experimento. Otro insumo importante de

la prueba piloto del experimento, fue la detección de errores triviales en el software,

como mensajes y textos mal escritos en las pantallas y ajustes de valores por defecto.

De esta forma, el experimento real podría centrarse en detectar problemas con mayor

impacto en la usabilidad del software.

Se realizaron 6 sesiones de evaluación registradas en video, con un promedio de

duración de 35 minutos con una desviación estándar de 9.25. Estas sesiones de

evaluación permitieron obtener información cualitativa acerca de la usabilidad de la

aplicación y cuyos resultados serán utilizados para implementar mejoras en las

interfaces del software.

144

6.3.1.2 Análisis de los registros y resultados obtenidos

Analizando los registros generados mediante la aplicación del protocolo, se obtuvo

información, principalmente cualitativa acerca de problemas, sugerencias y opiniones

respecto del uso del software por parte del usuario.

Un total de 37 problemas fueron detectados en las sesiones de evaluación, los que

fueron clasificados en 5 categorías. Un 45.9 % de los problemas se relacionan con el

diseño de pantallas, un 32.4% corresponde a problemas relacionados con la entrada de

datos y control de la aplicación, un 8.1 % son referidos a la terminología utilizada, un

5.4 % a la comprensión y un 8.1 % se relacionan con el rendimiento del software.

Entre los problemas que se repiten con mayor frecuencia se cuentan “La apariencia de

la pantalla que entrega fundamentos de las sugerencias no es atractiva” y “No se sabe

que hay que hacer click sobre una sugerencia para ver su fundamento”. Ambos

problemas se relacionan con el layout de la pantalla. La Tabla 18 muestra en detalle los

problemas detectados agrupados en categorías, indicando la frecuencia de aparición del

problema.

Tabla 18. Problemas detectados mediante la aplicación del método TAP.

Categoría Problemas encontrados Frecuencia La apariencia de la pantalla que entrega fundamentos de las sugerencias no es atractiva 3 No se "sabe" que hay que hacer click sobre una sugerencia para ver su fundamento 3 Las sugerencias no están clasificadas 2 Las pantallas no son atractivas 1 las ventanas podrían a aparecer siempre centradas 1 Botón "analizar" debería estar al lado derecho 1

No se destaca los pares actividades-tópicos ya seleccionados 1

No se puede agrupar una actividad con más de un Tópico a la vez 1

Botón "link" está mal ubicado, no debería estar al centro 1

Falta un icono del software en las pantallas 1

Podrían marcarse las Actividades de Aprendizaje que ya han sido vinculadas 1 La información desplegada sobre el icono de la aplicación no es descriptiva 1

Diseño de Pantallas (45.94 %) Total de problemas 17

No se entiende fácilmente la relación entre el concepto de Tópico de la ontología de dominio y una Actividad de Aprendizaje 1 Hay conceptos de las sugerencias que no se entienden bien, ejemplo "supporting content" 1 Las sugerencias usan mucho lenguaje genérico y deberían ser más específicas con el LD 1

Terminología utilizada (8.1 %) Total de problemas 3 Entradas de

Al cerrar la ventana de tópicos se demora en refrescar y produce confusión 3

145

Categoría Problemas encontrados Frecuencia acerca del éxito de la vinculación

No funciona la selección inicial de la teoría por defecto 2 No funciona la selección inicial del método por defecto 2 No funciona la selección de la ontología por defecto 2 Las sugerencias podrían marcarse como cumplidas 1

No se pueden deshacer las vinculaciones entre actividades y Tópicos 1 Refresco de pantalla es lento y confunde al usuario respecto del resultado de la operación 1

datos y control (32.4 %) Total de problemas 12

La explicación de la pantalla de vinculación hace creer que se deben vincular todas las Actividades con Tópicos 1 Cuando se entrega la “fundamentación” no se destaca la “sugerencia” 1

Comprensión (5.04 %) Total de problemas 2

La aplicación es algo lenta en entregar las sugerencias finales 3 Rendimiento (8.1 %) Total de problemas 3

Un análisis más detallado de los registros de videos de las sesiones de evaluación,

permitió conocer los tiempos que los usuarios demoran en realizar alguna acción. La

acción que consumió mayor tiempo a los usuarios fue la de vincular las Actividades de

Aprendizaje con los Tópicos de la ontología. Esta acción es la que concentra la mayor

atención del usuario, puesto que requiere mucha concentración en vincular las

actividades con el tópico correcto de la ontología. Algunas expresiones de los usuarios

registradas en video, como por ejemplo, “para hacer la vinculación se debe proceder

con calma” o “hay que pensar antes de hacer la vinculación” corroboran esta situación.

La acción de vinculación de actividades con tópicos demoró en promedio 113 segundos

(desviación estándar 25.52).

Otra acción que toma un tiempo considerable a los usuarios, es la acción de ver el

fundamento de una sugerencia para mejorar el LD. En esta acción los usuarios

demoraron en promedio 51 segundos con una desviación estándar de 21.95. La demora

en realizar la acción se relaciona con el problema “No se sabe que hay que hacer click

sobre una sugerencia para ver su fundamento” presentado en la Tabla 18 reportado por

3 usuarios.

Por otra parte, las expresiones positivas se refieren en general a la simplicidad de las

interfaces. Por ejemplo, tres de las expresiones que más se repiten son “la interacción es

simple”, “la interacción es intuitiva” y “la generación de sugerencias se realiza en un

tiempo adecuado”. La Tabla 19 muestra en detalle las expresiones positivas de los

usuarios vertidas en las sesiones de evaluación, indicando su frecuencia de aparición.

146

Adicionalmente, los participantes expresan como requisito indispensable para alcanzar

un buen aprovechamiento de la aplicación un alto conocimiento en relación a la

construcción de un Learning Design.

Tabla 19.Expresiones positivas de los usuarios relacionadas con la usabilidad del Software.

Categoría Expresiones positivas frecuencia

La interacción es simple 3

La interacción es intuitiva 2

El orden de los tópicos es adecuado (orden alfabético) 2 El orden de las actividades de aprendizaje es adecuado, usa el mismo orden que el LD 1

Diseño de Pantallas (57.14 %) Total de problemas 8

Utiliza un vocabulario adecuado 2 Terminología utilizada (14.28 %) Total de problemas 2

La vinculación de Actividades de Aprendizaje y Tópicos es simple 1

Entradas de datos y control (7.14 %) Total de problemas

Se intenta explicar adecuadamente el uso de la pantalla de Actividades-Tópicos 1

Comprensión (7.14 %) Total de problemas 1

La generación de sugerencias se realiza en un tiempo adecuado 2 Rendimiento

(14.28 %) Total de problemas 2

6.3.2. Cuestionario SUMI de evaluación de usabilidad

Los cuestionarios son métodos de evaluación de usabilidad que proporcionan datos

cuantitativos acerca de la satisfacción del usuario en relación a la interacción con el

software. Diversos cuestionarios han sido propuestos, algunos evaluando una única

dimensión de usabilidad como PSSUQ(Lewis, 2002) o SUS(Brooke, 1996), en cambio

otros definen subcategorías de evaluación como QUIS (Chin, Diehl, & Norman, 1988).

En este trabajo se utilizó el cuestionario SUMI (Software Usability Measuring

Inventory) desarrollado por Human Factors Research Group (HFRG) de la Universidad

Collage Cork (Kirakowski & Corbett, 1993), en su versión en español35. El cuestionario

SUMI consta de 50 preguntas que evalúan 5 escalas subordinadas:

35 http://sumi.ucc.ie/es/

147

• Afecto: Se refiere a las sensaciones que produce en el usuario el uso del

software.

• Eficacia: Se relaciona con la eficiencia temporal y de carga cognitiva requerida

para utilizar el software.

• Ayuda: Apunta a la calidad de los diálogos e indicaciones generadas por el

software.

• Control: Se relaciona con las respuestas que proporciona el software ante las

acciones que realiza el usuario.

• Aprendizaje: Se refiere al esfuerzo percibido por el usuario en el aprendizaje y

retención de las interfaces del software.

El evaluador responde al cuestionario SUMI utilizando una escala de tres ítems, que

representan las opiniones “de acuerdo”, “indeciso” y “en desacuerdo”. La elección de

este cuestionario se realizó porque se trata de un cuestionario ampliamente utilizado en

evaluaciones de software y porque sus criterios de evaluación se ajustan a la norma ISO

9126 (ISO, 2001). Los ítems considerados en el cuestionario SUMI son presentados en

el Anexo F.

6.3.2.1 Participantes

El cuestionario fue aplicado a 14 evaluadores, 5 mujeres y 9 hombres, con una edad

entre 25 y 65 años. La media de la edad fue 33.8 años y la desviación estándar de 10.49.

Los evaluadores son profesores universitarios en un 54 % del total y estudiantes de

postgrado en un 64 % del total de encuestados. Los evaluadores trabajan en distintas

áreas del conocimiento: informática (57.14 %), matemáticas (14.28 %), biología (14.28

%) y geografía (14.28 %). Del grupo de evaluadores el promedio de experiencia en

sistemas relacionados con E-learning es de 3.2 años con una desviación estándar de

2.08. Un 21 % de los evaluadores declaró tener un nivel de conocimiento “alto” en

relación a las teorías de DI, un 14 % nivel “medio y el 50 % declaró un nivel “bajo”.

6.3.2.2 Procesamiento de los datos y resultados obtenidos.

Mediante el análisis de los datos recogidos en el cuestionario se obtiene importante

información cuantitativa acerca del grado de usabilidad del software. El procesamiento

148

de los cuestionarios se realizó mediante el software SUMISCO, creado especialmente

para procesar esta encuesta, lo que permitió obtener una medición global de la

usabilidad y mediciones para los ítems específicos. SUMISCO proporciona además una

comparación con una base de datos estandarizada de medidas de evaluación. La base de

datos estandarizada almacena medidas de evaluación de proyectos exitosos y establece

una medida promedio de 50 con una desviación estándar de 10 para considerar

adecuada la usabilidad de un sistema (Kirakowski, 1994).

En el caso de la evaluación del software Terpsícore se obtuvo una medida global de

64.957 de usabilidad, con una desviación estándar de 1.134, indicadores que son

considerados como adecuados en comparación con los proyectos registrados en la base

de datos SUMISCO. La Tabla 20 muestra las medidas obtenidas para la evaluación

global y para los ítems considerados en el cuestionario SUMI.

Tabla 20. Resultado Global y para cada ítem del cuestionario SUMI.

Escala LCL Media UCL Desv. Est. Global 62.73 64.95 67.181 4.24 Eficiencia 61.93 64.03 66.670 4.51 Afecto 64.32 66.24 68.157 3.65 Ayuda 59.73 62.21 64.701 4.74 Control 56.48 59.75 63.024 6.24 Aprendizaje 52.53 58.12 63.703 10.65

Para cada medida se obtiene el límite superior e inferior para los cuales las medidas se

ajustan el 95% de las veces para la muestra del estudio (Kirakowski, 1994). Todos los

valores de los ítems son mayores a 50. Los mayores valores se obtienen para los ítems

afecto y eficiencia. Los valores más bajos se obtienen en los ítems control y

aprendizaje. La Figura 38 muestra la comparación de las medidas obtenidas con la base

de datos de SUMISCO, que considera aceptable un valor superior a 50. Por cada ítem se

muestra la media, el valor mínimo y máximo obtenido.

149

0

10

20

30

40

50

60

70

80

90

Global Eficiencia Afecto Ayuda Control Aprendizaje

Figura 38. Comparación de las medidas cuantitativas de usabilidad con la base de datos de SUMISCO.

Un análisis más detallado es llamado Análisis consensual de ítem, en donde por cada

pregunta del cuestionario (ítem) se calcula la bondad de ajuste entre el valor observado

y el esperado utilizando la distribución Chi Cuadrado. Cuanto más grande el valor total

de Chi Cuadrado es más probable que los valores observados difieran de los esperados

en la base de datos estandarizada. La Tabla 21 muestra los 5 ítems con mayores valores

de Chi Cuadrado.

Tabla 21. Ítems con mayores diferencias de lo esperado en la base SUMISCO

No Ítem Explicación 46 Es fácil olvidar como se hacen las cosas

con este software. Más personas estuvieron en desacuerdo que lo esperado.

41 Nunca aprenderé a usar todo lo que se ofrece con este software.

Más personas estuvieron en desacuerdo que lo esperado.

4 El software se ha parado alguna vez de forma inesperada.

Menos personas estuvieron de acuerdo que lo esperado.

48 El software es muy fácil de usar Más personas estuvieron en desacuerdo que lo esperado.

31 Sigo teniendo que consultar los manuales

Más personas estuvieron en desacuerdo que lo esperado.

6.3.3. Análisis de resultados de la evaluación de la Usabilidad

En primera instancia, los resultados del proceso de evaluación de la usabilidad del

software serán analizados por separado.

150

La aplicación del protocolo Think Aloud permitió obtener información relacionada con

problemas en las interfaces que no fueron detectadas durante el desarrollo. Estos

problemas han sido considerados para incorporar mejoras en la aplicación en dos

formas: acciones de mejoramiento a corto plazo a la versión actual del software

Terpsícore; y un segundo grupo con acciones de mejoramiento futuras, las que serán

incorporadas en una próxima versión del software.

El análisis de usabilidad utilizando el modelo SUMI arrojó resultados que indican que el

nivel de usabilidad global es mejor que el promedio. Los ítems mejor evaluados se

asocian aspectos relacionados con Afecto y Eficiencia.

Aunque SUMI puede ser considerado como una técnica de evaluación formativa, la

información generada acerca de los ítems peores evaluados se convierte en una fuente

importante para mejorar las interfaces del software.

Es posible relacionar los resultados de la aplicación de ambas técnicas de evaluación de

la usabilidad. Por ejemplo, un problema reportado con la más alta frecuencia por los

evaluadores mediante el protocolo Think Aloud se describe como “Al cerrar la ventana

de Tópicos se demora en refrescar la pantalla y produce confusión acerca del éxito de

la vinculación”. Este problema concuerda con el ítem Control del cuestionario SUMI

que resultó como uno de los ítems peor evaluados. Por el contrario, de acuerdo al ítem

Afecto del modelo SUMI que resultó ser el mejor evaluado, se puede inferir que los

usuarios se sienten cómodos al utilizar el software. Esto puede corroborarse por las

expresiones positivas de los usuarios relacionadas con la facilidad de uso de las

interfaces del software.

En resumen, los resultados de la evaluación de la usabilidad del software se consideran

satisfactorios a la luz de los resultados de la aplicación de ambas técnicas. De acuerdo al

modelo SUMI el software Terpsícore posee un nivel de usabilidad aceptable y mediante

el proceso de evaluación del protocolo TAP se han detectado problemas que serán

resueltos para mejorar el nivel de usabilidad.

151

6.4. Evaluación de la aplicabilidad de las representaciones: un

caso de estudio

El caso de estudio que se presenta a continuación intenta demostrar la aplicabilidad de

las representaciones ontológicas de los métodos de la Teoría de Elaboración. La Figura

39 presenta un resumen del caso de estudio. Partiendo de un LD inicial, se muestra el

proceso de análisis de conformidad con la Teoría de Elaboración, específicamente con

el método Secuencia de Elaboración Conceptual. Los resultados obtenidos, en particular

las sugerencias, permiten mejorar el nivel de conformidad con el método y obtener un

nuevo LD, enominado LD mejorado.

LD inicial

Análisis de laconformidad del LDcon una teoría de DI

Terpsícore

LD mejorado

sugerencias

son aplicadas

genera

es procesado

Figura 39. Descripción del caso de estudio.

6.4.1. Descripción del Learning Design inicial

El caso de estudio consideró la construcción de un LD para un curso de “Ciencia

Ambiental”, específicamente para el tópico relacionado con “Biomas del mundo:

terrestres y acuáticos”. Los objetivos de aprendizaje se relacionan con características

generales y clasificación de los biomas marinos y terrestres. Los tópicos cubiertos por el

152

LD se basan en Environment Ontology (EnvO)36, una ontología de dominio

desarrollada con el apoyo del Genomic Standards Consortium (GSC).

La selección de los tópicos a incorporar en el diseño de aprendizaje, se realizó

utilizando secuenciación por tópicos propuesta por la Teoría de Elaboración (Reigeluth,

1999a). De esta forma el LD considera tópicos como sistemas de clasificación de

biomas terrestres, biomas marinos, bioma polar, bioma tropical coral entre otros

tópicos. La Figura 40 presenta parte de los tópicos cubiertos por el LD contenidos en la

EnvO ontology, mostrando los tipos de relaciones entre los tópicos.

Figura 40. Tópicos de EnvO Ontology cubiertos por el LD. Figura generada con el editor OBO-Edit ontology disponible en http://oboedit.org.

Estos conceptos son incorporados en la estructura de TGS, que registra los tópicos de

aprendizaje, manteniendo las relaciones is_a y part_of que existen en EnvO ontology.

También se agregan a esta estructura los tópicos considerados como supporting content

(Reigeluth, 1999a). Por ejemplo, el tópico habitat es contenido de soporte de biome y

water es contenido de soporte de aquatic biome. Las instancias de TGS que representan

los tópicos y contenidos de soporte utilizados en el Learning Design se muestran en la

parte inferior de la Figura 41.

36 http://environmentontology.org/

153

Figura 41. Fragmento del Learning Design y la relación de las actividades de aprendizaje con tópicos contenidos en Topics General Schema.

El Learning Design fue construido utilizando la herramienta Recourse (Beauvoir et al.,

2009), compatible con la especificación IMS-LD. Su estructura consta de un play

llamado “World’s Biomes” y de un act denominado “Biomes”. El act agrupa 8

actividades de aprendizaje que deben ser ejecutadas por estudiantes y un profesor según

corresponda. En la Tabla 22 se presenta, a modo de resumen, la información contenida

en el archivo XML que representa al LD. El Anexo G muestra en detalle el contendio

del archivo imsmanifest.xml para el LD en análisis.

Topics General Schema

play

act

learning activities

Learning Designlearning objetive

learning objetive

154

Tabla 22. Resumen de la información contenida en el LD inicial.

Play World’s Biome Condición de término:

Último acto finalizado

Acto Biomes Condición de término:

Todas las actividades finalizadas

Introduction: Ecosystems and Biomes

Condición de término:

Elección del usuario

Overview: Terrestrial Biomes



Terrestrial Biomes Classification



Overview Aquatic Biomes



Marine Biome Condición de término:


Actividad de Aprendizaje

Fresh Water Biome Condición de término:


Terrestrial Biomes Condición de término:

Elección del usuario Actividad de Soporte



Estructura de Actividades

No tiene

Roles Student, Teacher Ambientes Biomes Overview, Terrestrial Biomes, Aquatic Biomes Condición de término de esta UOL

Sin condición

Este LD utiliza además Objetos de Aprendizaje recuperados desde el repositorio

MERLOT (McMartin, 2004) relacionados con biomas marinos y terrestres. Por

ejemplo, el OA llamado “Biomes of the World”37 es utilizado en la Actividad de

Aprendizaje llamada “Overview: Terrestrial Biomes”. Del mismo modo, el OA

denominado “The world’s biomes”38 es utilizado en la en la Actividad de Aprendizaje

llamada “Introduction: Ecosystems and Biomes”. Ambos recursos han sido bien

evaluados por la comunidad del repositorio. La Figura 42 muestra una vista parcial del

OA “The world’s biomes” junto a la evaluación obtenida en el repositorio MERLOT.

37 http://www.mbgnet.net/

38 http://www.ucmp.berkeley.edu/exhibits/biomes/index.php

155

Figura 42. Un Objeto de Aprendizaje utilizado en la construcción del LD inicial. Este recurso ha sido recuperado desde el repositorio MERLOT (http://www.merlot.org).

Para realizar el análisis de la conformidad del LD con los métodos de la teoría de

Elaboración se requiere vincular las Actividades de Aprendizaje con la los Tópicos de

aprendizaje. Esto se realiza mediante la relación tgs:concept-learning-

objective de la ontología, que relaciona actividades con tópicos de la TGS. A

modo de ejemplo, la Figura 41 muestra, que la actividad “overview: aquatic biome” se

relaciona con el tópico aquatic biome y la actividad “marine biome” se vincula con el

tópico marine biome. Utilizando la aplicación Terpsícore, las relaciones entre

Actividades de Aprendizaje y Tópicos a aprender son definidas mediante la pantalla

mostrada en la Figura 43.

156

Figura 43. Pantalla de Terpsícore que permite definir la vinculación entre Actividades de Aprendizaje y Tópicos de Aprendizaje de la ontología de dominio.

La aplicación Terpsícore realiza la instanciación de la información del LD y registra los

vínculos de las Actividades de Aprendizaje con los Tópicos indicados por el diseñador.

Posteriormente se realiza el proceso de inferencia basado en reglas, ejecutando aquellas

que corresponden a la representación del método Secuencia de Elaboración Conceptual.

La Figura 44 muestra la pantalla que presenta al diseñador los resultados del análisis,

con las sugerencias que permiten mejorar la conformidad del LD con el método de

diseño instruccional.

157

Figura 44. Resultados del análisis de la conformidad del LD con el método Secuencia de Elaboración Conceptual.

6.4.2. Mejoramiento del LD inicial en base a las sugerencias del software

de análisis de LD

Las sugerencias generadas por el software de validación corresponden a reglas que no

son satisfechas por el Learning Design. Cada una de estas sugerencias, será analizada

presentando la regla que no satisface y la forma en que el LD podría ser mejorado para

que satisfaga el método de DI representado por la regla.

En primer lugar, para proporcionar una mejor explicación, se muestra parte de la

información instanciada en la ontología IMS-LD proveniente de la estructura XML del

LD. La Figura 45 muestra las instancias de las clases ld:method , ld:play ,

ld:act , ld:rolepart, ld:learning-activity y su relación con las

instancias de los tópicos de TGS utilizados por el LD.

158

Figura 45. Instancias del Learning Design en la ontología IMS-LD para el caso de estudio.

En primer lugar, la sugerencia “Las actividades de aprendizaje asociadas con conceptos

mas amplios deben ser presentados en primer lugar” (en inglés, “Learning activities

associated with broader concepts should be presented first”) se genera porque no son

satisfecha las siguientes reglas que modelan la indicación del método que indica que se

debe presentar los conceptos más amplios primero:

(Regla 1) ld:Learning-Activity(?a1) ^ ld:Learning-Activity(?a2) ^ differentFrom(?a1, ?a2) ^ ld:Activity-Structure(?as 1) ^ ld:execution-order(?a1, ?o1) ^ ld:execution-order(?a2, ?o2) ^ ld:execution-entity-ref(?as1, ?a1) ^ ld:execution-entity-ref(?as1, ?a2) ^ swrlb:lessThan(?o1, ?o2) � rr:showsBefore(?a2, ?a1)

(Regla 2) rr:showsBefore(?a1, ?a2) ^ ld:ConceptLearningActivity(?a1) ^ ld:ConceptLearningActivity(?a2) ^ differentFrom(?a1, ?a2) ^ ld:Activity-Structure(?as ) ^ ld:execution-entity-ref(?as, ?a1) ^ ld:execution-entity-ref(?as, ?a2) ^ tgs:concept-learning-objective(?a1, ?c1) ^ tgs:concept-learning-objective(?a2, ?c2) ^ tgs:KnowledgeItem(?c1) ^ tgs:KnowledgeItem(?c2) ^

159

tgs:concept-includes(?c2, ?c1) ^ differentFrom(?c1, ?c2) � rr:broaderFirst(?as, "true")

La Regla 1 determina el orden de ejecución entre dos actividades de aprendizaje que

están agrupadas en una estructura de actividades. Al agrupar dos actividades en una

estructura mediante la propiedad ld:execution-order es posible definir la

secuencia de ejecución. La segunda regla verifica que este orden de ejecución se ajuste

a la amplitud del tópico, relacionada con la profundidad del tópico de TGS al que

apunta mediante la relación concept-learning-objetive . En este caso, el LD

inicial no posee ni estructura de actividades ni orden de ejecución en sus actividades. La

solución para satisfacer esta regla apunta a definir, una estructura de actividades y

definir el orden de ejecución de las actividades de aprendizaje.

Otra sugerencia, generada por el software, dice “El LD debe tener un Play con al menos

dos Actos”. Esta sugerencia es desplegada debido a que la siguiente regla no se cumple:

(Regla 3) ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac1) ^ ld:act-ref(?p, ?ac2) ^ ld:Act(?ac1) ^ ld:Act(?ac2) ^ differentFrom(?ac1, ?ac2) � rr:has2Acts(?m, "true")

Esta regla modela el método que indica que los contenidos deben agruparse en

episodios de aprendizaje. En este sentido, un supuesto utilizado en el modelado es que

la utilización de actos o estructuras de actividades permiten representar episodios de

aprendizaje. Esta regla verifica que un LD posea al menos dos actos. Para el caso en

estudio, el LD inicial posee sólo una instancia de la clase ld:act (ver Figura 45), por

lo que definir más de un acto que agrupe las actividades en el LD permitiría cumplir con

la regla.

En el mismo sentido, la siguiente regla verifica que el LD utilice una estructura de

actividades como otra forma de modelar un episodio de aprendizaje:

(Regla 4) ld:Activity-Structure(?sa)^ tgs:ConceptLearningActivity(?la1) ^ tgs:ConceptLearningActivity(?la2) ^ differentFrom(?la1, ?la2) ^ ld:execution-entity-ref(?sa, ?la1) ^ ld:execution-entity-ref(?sa, ?la2) � rr:hasActivityStructure(?sa, "true")

160

Como ya se mencionó anteriormente el LD inicial no posee estructura de actividades

(ver Tabla 22) por lo que la definición de una de estas estructuras permitiría que el LD

cumpla con esta regla.

Por otra parte, las sugerencias “El estudiante debería poder elegir el próximo Play” (en

inglés, “The student should be allowed to choose the next Play”) y “El estudiante

debería poder elegir el próximo Acto” (en inglés, “The student should be allowed to

choose the next Act”) se relacionan con el no cumplimiento de las siguientes reglas:

(Regla 5) ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?p, ?oc) ^ ld:complete-unit-of-learning(?oc, "user-choice") � rr:userChoice-Play(?m, "true")

(Regla 6) ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:Act(?ac1) ^ ld:act-ref(?p, ?ac1) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?ac1, ?oc) ^ ld:complete-unit-of-learning(?oc, "user-choice") � rr:userChoice-Act(?m, "true")

Como puede observarse en la Figura 45, la instancia de la clase play se relaciona

mediante la relación ld:on-completion-ref con una instancia de la clase

ld:Item . Esta instancia posee el valor “when-last-act-completed ” para el

atributo que define la finalización del Play. Por esta razón la Regla 5 no es satisfecha.

La solución para este caso consiste en establecer el valor “user-choice ” definido

por la especificación IMS-LD para indicar la libertad del usuario para elegir el próximo

act. En el mismo sentido, la Regla 6 tampoco se cumple en el LD inicial. Esto porque el

LD define que todos los role-part que componen el acto deben finalizar antes de

ejecutar el próximo act. La solución para este caso, al igual que para la Regla 5, consiste

en definir el valor “user-choice ”.

Todas las modificaciones propuestas al LD inicial, basadas en las sugerencias

proporcionadas por la aplicación, han sido realizadas dando origen a un nuevo LD, que

denominaremos LD mejorado. La Tabla 23 muestra los principales aspectos contenidos

en el LD mejorado.

161

Tabla 23. Resumen de la información contenida en el LD mejorado.

Play World’s Biome Condición de término:


Acto Biomes Condición de término:


Actividad de Aprendizaje Introduction: Ecosystems and Biomes



Acto Terrestrial Biomes Condición de término:


Actividad de Aprendizaje Overview: Terrestrial Biomes



Actividad de Aprendizaje Terrestrial Biomes Classification



Actividad de Soporte Terrestrial Biomes Condición de término:


Acto Aquatic Biomes Condición de término:



Overview Aquatic Biomes






Estructura de Actividades


Fresh Water Biome Condición de término:


Actividad de Soporte Marine Biome Condición de término:


Roles Student, Teacher Ambientes Biomes Overview, Terrestrial Biomes, Aquatic Biomes Condición de término de esta UOL Sin condición

La Figura 46 muestra una vista parcial del LD mejorado en donde puede visualizarse la

creación de nuevos actos y de estructuras de actividades y los resultados del análisis de

conformidad del LD generados por Terpsícore. En esta figura puede observarse que no

existen sugerencias para mejorar el LD, debido a que este cumple con todas las reglas

que representan parcialmente el método de Secuencia de Elaboración Conceptual.

162

Figura 46. Resultado del análisis del LD mejorado.

6.4.3. Conclusiones del caso de estudio

Mediante en el caso de estudio se ha mostrado la utilidad del Catálogo en tareas

relacionadas con el diseño instruccional. Específicamente, se mostró la utilización de las

representaciones para analizar un LD en relación a su conformidad con una TDI y para

generar sugerencias que permitan mejorar esta conformidad.

Para la aplicación de la Teoría de Elaboración es fundamental la utilización de

ontologías de dominio reputadas y concensuadas por la comunidad. En este caso de

estudio se utilizó una ontología de dominio reconocida en el área de ciencias del

ambiente como es EnvO ontology.

Los beneficios de la utilización del Catálogo en el diseño, pueden ser analizados en

función de la cantidad de sugerencias que genera en el análisis. Para el LD inicial, se

generó un listado compuesto de 5 sugerencias, y luego de ser aplicadas cada una de

ellas, se obtuvo el denominado LD mejorado, para el cual no se generaron sugerencias.

163

Una forma de interpretar estos resultados, es considerar que el LD final posee un mayor

nivel de conformidad con la representación de la TDI elegida para el análisis. Visto

desde esta perspectiva, en general, las representaciones son útiles para mejorar el diseño

y, específicamente, obtener diseños basados en teorías.

6.5. Evaluación de las representaciones ontológicas.

En secciones anteriores se presentó la evaluación de la aceptación de uso y la usabilidad

de la aplicación Terpsícore, así como también la aplicabilidad de las representaciones

mediante un caso de estudio. En esta sección se evalúan aspectos relativos

exclusivamente a las representaciones de las TDI que componen el catálogo. En primer

lugar, se presentan aspectos relacionados con la correctitud sintáctica de las reglas y,

posteriormente, se presentan opiniones de expertos en relación a la precisión,

completitud, entendibilidad y utilidad de las relaciones.

6.5.1. Evaluación sintáctica y reglas bien formadas

Un primer aspecto a considerar en la evaluación de las representaciones se refiere a la

correctitud en término de la notación utilizada y a la definición de las reglas. La

utilización del lenguaje SWRL para la representación de las reglas y, específicamente,

la implementación de estas mediante el plugins SWRLTab de Protégé proporciona una

primera evaluación de este aspecto. El entorno de diseño y ejecución de reglas SWRL,

obliga a expresar en términos correcto la sintaxis y la estructura de las reglas, las cuales

deben contener, por ejemplo, un antecedente y un consecuente, además de una correcta

utilización de variables y name space de la ontología. El hecho de que el Catálogo fue

implementado y probada su utilización de una aplicación, aseguran que el Catálogo

contiene reglas bien formadas y sintácticamente correctas.

6.5.2. Opinión de expertos

La correctitud de las representaciones del Catálogo fue evaluada mediante entrevistas

con 2 expertos en temas relacionados con el diseño de recursos para el aprendizaje, la

especificación IMS-LD y lenguajes ontológicos basados en reglas. Las entrevistas

fueron guiadas mediante preguntas abiertas que recogieron percepciones acerca de

164

algunos aspectos de las representaciones de TDI. Los expertos participantes en la

evaluación fueron el Dr. Juan Manuel Dorero, Profesor Titular de la Universidad de

Cádiz y el Dr. Julià Minguillón, Profesor Asociado de la de la Universitat Oberta de

Catalunya.

El Dr. Dorero es Doctor Ingeniero en Informática por la Universidad Carlos III de

Madrid. Es presidente del capítulo español de ACM SIGCSE. Ha publicado numerosos

artículos en revistas científicas en temas relativos a Ingeniería Instruccional, Learning

Design, Learning Objects, ontologías y semántica. Ha dirigido y participado en

proyectos nacionales y europeos en temas relativos a Tecnología Educativa.

El Dr. Minguillón es Ph.D. in Computer Science Enginnering por la Universitat

Autònoma de Barcelona. Actualmente es Academic Director, UNESCO Chair in e-

Learning. Es autor de numerosos artículos en áreas que se relacionan con Minería de

Datos Educacional, Recursos Educativos Abiertos, Repositorios de Objetos de

Aprendizaje y Ambientes Virtuales de Aprendizaje. Ha dirigido y participado en

diversos proyectos relacionados con el e-learning y la aplicación de tecnologías en

educación, entre los que se cuenta el proyecto Personalonto39.

La Tabla 24 presenta los aspectos considerados por los expertos en la evaluación,

además de las preguntas que permitieron guiar la entrevista y recoger sus opiniones.

Tabla 24. Aspectos de las representaciones ontológicas y preguntas relacionadas utilizadas en la evaluación.

Aspecto Pregunta

Precisión P1: ¿Tienen las representaciones un nivel adecuado de precisión con

respecto a las guías de los métodos de una teoría de diseño

instruccional?

Completitud P2: ¿Las representaciones tienen un nivel adecuado de completitud

con respecto a las guías de los métodos de la teoría de una teoría de

diseño instruccional?

Entendibilidad P3: ¿Las representaciones son fáciles de entender?

Utilidad P4: ¿El uso de las representaciones puede ayudar a diseñar cursos

fundamentados en teorías de DI?

39 http://personal.uoc.edu/personalonto/

165

P5: ¿El uso de las representaciones hacen más fácil las tareas de

diseñar un LD de acuerdo a una teoría de diseño instruccional?

P6: ¿Piensa UD. que es una buena idea utilizar las representaciones

ontológicas de teorías de diseño instruccional para asistir al diseño

de Learning Design?

P7: ¿Estaría dispuesto a utilizar las representaciones ontológicas de

la teoría de elaboración como apoyo a la aplicación de esta teoría?

Por cada uno de estas preguntas, se presenta a continuación un resumen de las ideas más

importantes y algunas transcripciones relacionadas con la percepción de los expertos,

recogida mediante reuniones individuales realizadas los días Miércoles 16 y jueves 17

de junio de 2011.

P1: ¿Tienen las representaciones un nivel adecuado de precisión con respecto a las

guías de los métodos de una teoría de diseño instruccional?

Los expertos manifestaron, en general, conformidad con el nivel de precisión de las

reglas del Catálogo. Además, comentaron la complejidad del modelado proveniente de

la descripción de la propia teoría de DI. Aunque se trata de teorías prescriptivas, las TDI

están expresadas en lenguaje natural, lo que dificulta su modelado formal debido a la

utilización de conceptos ambiguos en la descripción de los métodos. Lo anterior, obligó

a la utilización de supuestos para lograr su modelado. Una de las repuestas de un

experto, que se transcribe a continuación, se refiere a sí el nivel de precisión de las

representaciones es adecuado, apuntando al problema del modelado de términos

ambiguos, específicamente a la representación de un concepto “moderadamente

complejo” utilizado en la Teoría de Elaboración.: “Si, excepto el detalle difícil de

solucionar relativo a la conversión de un concepto ambiguo (p.e. “moderate

complexity”) en una cardinalidad (p.e. dos o tres niveles de profundidad). Quizás en

lugar de tener una sola regla para el valor “dos” se podría tener una segunda para el

valor “tres”, aunque esto incrementaría la complejidad del sistema” (Dr. Julià

Minguillón).

La complejidad del sistema de la que habla el Dr. Minguillón se refiere a que se podrían

crear muchas más reglas para representar los niveles de profundidad de un concepto

166

(por ejemplo en la Teoría de Elaboración), pero esto provocaría menor eficiencia en el

procesamiento y menor entendibilidad del Catálogo.

P2: ¿Las representaciones tienen un nivel adecuado de completitud con respecto a

las guías de los métodos de la teoría de una teoría de diseño instruccional?

Según la opinión del Dr. Dorero las representaciones del Catálogo, al centrarse en los

elementos contenidos en la especificación IMS-LD “no cubren aspectos que esta propia

especificación tampoco cubre”. El Dr. Dorero se refiere a aspectos como perfil del

estudiante o al secuenciamiento complejo de actividades.

Otro aspecto relacionado con la completitud se refiere a los supuestos utilizados en el

modelado de algunos conceptos ambiguos. Por ejemplo, para el caso antes comentado,

al modelar la complejidad moderada de un concepto no se especifica un límite máximo

de profundidad de conceptos. En este sentido, el definir una regla para cada nivel podría

mejorar la representación pero, dependiendo del rango definido para una complejidad

moderada, podría aumentar la complejidad del sistema.

P3: ¿Las representaciones son fáciles de entender?

Ambos expertos coinciden que las reglas sólo pueden ser entendidas por conocedores en

lógica y lenguajes computacionales, por lo que podría ser conveniente simplificar su

representación.

Al respecto, se sugieren dos posibilidades que no son excluyentes. La primera se refiere

a la posibilidad de simplificar las reglas para centrarlas en los aspectos estrictamente

relacionados con el método de DI y no con la validación del LD. Actualmente las reglas

también realizan una validación de la consistencia del LD, en términos de verificar que

la información de los elementos que lo componen, estén conectadas como lo exige la

especificación. Por ejemplo, considere la regla siguiente:

ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?p, ?oc) ^ complete-unit-of-learning(?oc,"user-choice") � rr:userChoice-play(?m, "true")

Esta regla representa un método que exige que el LD proporcione al usuario la

posibilidad de elegir el próximo play a ejecutar. En primera instancia, podría pensarse

167

que esta regla podría ser simplificada por otra que permita comprobar únicamente que

exista el valor “user-choice ” en la propiedad complete-unit-learning.

Sin embargo, la regla original valida que esta propiedad se vincule con un play y que

este play pertenezca a un método del LD, asegurando de esta forma la consistencia del

LD respecto de la especificación.

Otra forma propuesta por los expertos para mejorar la entendibilidad de las

representaciones es la utilización de algún lenguaje visual para representar las reglas.

Mediante algún tipo de notación visual, mezclada con texto, podría representarse toda o

parte de la regla, sobre todo en aquellos aspectos que se refieren a la validación de la

consistencia del LD.

P4: ¿El uso de las representaciones puede ayudar a diseñar cursos fundamentados

en teorías de DI?

Los expertos concuerdan en que el Catálogo ayuda a diseñar cursos fundamentados en

teorías. Un aspecto comentado se refiere a que usuarios no expertos en DI podrían

diseñar un LD sin conocer una teoría determinada. También se destaca que es posible

fomentar la reutilización de diseños y de que el Catálogo podría servir como guía para

considerar los elementos más importantes de cada teoría, promoviendo su conocimiento

y utilización entre el profesorado. En este sentido, se sugiere como interesante la

posibilidad de visualizar gráficamente los patrones de LD que dan soporte a cada una de

las teorías representadas en el Catálogo.

P5: ¿El uso de las representaciones hacen más fácil las tareas de diseñar un LD de

acuerdo a una teoría de diseño instruccional?

La utilización de aplicaciones que usan el catálogo favorece un aprendizaje inconciente

de la propia teoría de DI y esto puede asociarse a realizar con mayor facilidad, algunas

labores de diseño. El Dr. Dorero Manifestó que “en la medida que el diseñador utilice

este tipo de herramientas se equivocará menos”.

El Catálogo, por sí solo no aporta a la facilidad del diseño, sino que mediante

aplicaciones que den soporte a actividades de diseño instruccional. Por ejemplo, el Dr.

Minguillón manifestó “se podría asociar cada teoría a una colección de templates que

168

simplificaran la creación de la descripción usando LD, promoviendo su uso, dado que

se aceleraría el proceso de creación”.

P6: ¿Piensa UD. que es una buena idea utilizar las representaciones ontológicas de

teorías de diseño instruccional para asistir al diseño de Learning Design?

Los expertos coinciden en afirmar que se trata de una buena idea. Considerando que las

TDI no son ampliamente conocidas ni fáciles de usar este tipo de iniciativas favorecen

la difusión y el aprendizaje de las teorías de DI. Particularmente, el Catálogo permite

evitar errores y permite explorar mejor las posibilidades de LD para la creación de

experiencias educativas.

P7: ¿Estaría dispuesto a utilizar las representaciones ontológicas de la teoría de

elaboración como apoyo a la aplicación de esta teoría?

Los expertos expresan su disposición a utilizar representaciones ontológicas de TDI,

aunque expresan, que sería necesario disponer de un catálogo de teorías más amplio

para un uso práctico.

6.5.3. Análisis de las opiniones de expertos

Las opiniones obtenidas de la entrevista con expertos serán analizadas por cada uno de

los aspectos evaluados.

Respecto del nivel de precisión de las representaciones los evaluadores manifestaron su

conformidad. Sin embargo, detectaron la necesidad de definir de mejor manera la

representación de términos ambiguos. Puntualmente, la sugerencia de considerar un

rango para representar un concepto moderadamente complejo, en base al nivel de

profundidad que presentan sus conceptos incluidos. Esta sugerencia será considerada en

la actual versión del Catálogo. Por lo tanto, la indicación de definir reglas para modelar

una profundidad de 2 y 3 niveles, provoca la definición de dos nuevas reglas para la

representación de la Teoría de Elaboración, específicamente en el método

Simplificación de la Secuencia de Condiciones: regla met3-1-1-1 y regla met3-1-

2-1 , que pueden ser revisadas en la Tabla 11.

169

En este mismo sentido, la problemática del modelado de conceptos ambiguos presentes

en la descripción de las TDI ya había sido detectada y comentada en la Sección 3.5

“Características de la regla utilizadas en la representación” contenida en el Capítulo 3,

en donde se sugiere analizar las posibilidades de utilizar lógica difusas en el lenguaje

SWRL.

En relación a la completitud de las representaciones los expertos comentaron la

utilización de la especificación IMS-LD como base de la información utilizada para la

representación, lo que provoca que ciertos elementos de los métodos de DI no estén

considerados en las representaciones. Por esta razón, el modelado de ciertos métodos

alcanzó un nivel parcial o en algunos casos como no-representado. Este aspecto fue

también comentado en la Sección 3.5. Sin embargo, se reconoce la necesidad de contar

con información adicional a la proporcionada por IMS-LD, por lo que la incorporación

de nuevas fuentes de información para el modelado de las TDI será considerado en

trabajos futuros de esta línea de investigación.

A partir de las opiniones de expertos se reconoce la dificultad para entender las reglas

que componen la representación, en especial para personas no conocedoras del lenguaje

de reglas utilizado y de la especificación IMS-LD. De esta forma, la utilización de un

lenguaje del tipo visual para la representación de las reglas que componen el Catálogo

de TDI se considera como importantísimo para facilitar la evaluación de las mismas.

También, relacionado con la entendibilidad de las representaciones, se analizó la

posibilidad de simplificar las reglas, obviando los aspectos relacionados con la

validación del LD que se está analizando. Sin embargo, se considera que las reglas en su

estado actual proporcionan un importante mecanismo de comprobación de la correctitud

del LD, por lo que se piensa que son un aspecto valioso en el análisis y que, mediante la

utilización de un lenguaje visual se podría mejorar la entendibilidad sin perder un

mecanismo de validación del LD.

Los expertos manifestaron su acuerdo en relación a que el uso de las representaciones

de TDI es útil para apoyar actividades de DI. Particularmente, destacaron la posibilidad

de que mediante el uso de herramientas que utilicen dichos modelos ontológicos, se

pueda promover el uso y el aprendizaje de las TDI, principalmente en usuarios no

expertos en dichas teorías. Sin embargo, los expertos sugieren que el Catálogo debe

ampliar el espectro de TDI representadas, considerando incluso teorías aparecidas más

170

recientemente, aspecto que es considerado en las tareas futuras que considera esta línea

de investigación.

6.5.4. Conclusiones de la evaluación de las representaciones.

Los expertos participantes en la evaluación manifestaron en general su conformidad con

las representaciones de las TDI. Consideran que las carencias o problemas detectados a

la representaciones del Catálogo son mejorables y esto permitiría contar con una base de

conocimiento para generar herramientas que promuevan y apoyen el uso de las teorías

de diseño instruccional.

Se presentaron las percepciones en términos de la precisión, completitud y

entendibilidad de las represtaciones y aunque existe, en general, la opinión de

conformidad con los resultados obtenidos, se presentaron problemas y sugerencias

detectadas por los expertos. Los expertos también se refirieron a la utilidad práctica de

las representaciones para dar soporte al diseño instruccional, comentando y sugiriendo

aplicaciones que podrían fomentar el reuso de diseños, el conocimiento y uso de TDI, y

la calidad de los diseños resultantes.

Las opiniones de los expertos permitieron recoger aspectos que pueden mejorar las

representaciones en relación a la precisión, la cobertura y la entendibilidad. Las líneas

futuras de investigación de este trabajo, presentadas en detalle en el próximo capítulo de

este documento, apuntan a resolver algunas de los problemas y a recoger las

sugerencias entregadas por los expertos para mejorar el Catálogo de TDI.

6.6. Conclusiones del proceso de Evaluación

El proceso de evaluación abordó cuatro aspectos de la propuesta presentada en esta

tesis, considerando tanto las representaciones del Catálogo como la aplicación que hace

uso de ellas.

La evaluación de aceptación de uso, intentó determinar el nivel de aceptación por parte

de diseñadores instruccionales y profesores del software Terpsícore que utiliza las

representaciones ontológicas para asistir en el diseño de LDs. La evaluación se realizó

utilizando el modelo TAM que define se basa en variables como Facilidad de Uso

Percibida y Utilidad Percibida para determinar la aceptación de una nueva tecnología.

171

En este caso particular, a las variables del modelo TAM se agregó una variable externa

denominada Integración con el editor Recourse que influencia a la Facilidad de Uso

Percibida y Utilidad Percibida. Los resultados de la aplicación del modelo TAM

permitieron dar soporte a las hipótesis planteadas que se relacionaban con la influencia

positiva entre las variables determinando finalmente que los usuarios manifiestan una

intensión a aceptar el uso del software Terpsícore como una herramienta para apoyar

actividades de diseño instruccional.

En relación a la usabilidad, se utilizaron dos métodos que evaluaron este aspecto. Un

primer método, el protocolo Think Aloud considerado como de evaluación formativa,

permitió detectar problemas en las interfaces del software. Mediante sesiones de

evaluación registradas en video, los usuarios manifestaron sus impresiones acerca de la

utilización del software, resultando en un listado de problemas y expresiones positivas

acerca de su uso. El análisis de esta información permitió conocer problemas y

dificultades en la utilización del software, siendo algunos de ellos corregidos en la

actual versión del software, mientras que otros serán considerados en una siguiente

versión.

El segundo método utilizado en la evaluación de la usabilidad fue la aplicación del

modelo SUMI. Este método considera la aplicación de un cuestionario que evalúa 5

aspectos de la usabilidad de un software. Los resultados de este estudio reportaron un

nivel de usabilidad igual 64.95 siendo 50 el valor para considerar aceptable la usabilidad

del software analizado, considerando una base de datos de medidas de proyectos

exitosos. Todas las dimensiones o aspectos evaluados de Terpsícore entregaron un valor

superior a 50.

La aplicabilidad de las representaciones de las teorías de DI fueron evaluadas mediante

un caso de estudio que mostró la forma en que son utilizadas para analizar la

conformidad de un LD con la Teoría de Elaboración. En el caso presentado, un LD

construido para el aprendizaje de “Biomas del Mundo” es analizado por el software

Terpsícore y utilizando las representaciones ontológicas de las teorías proporcionó

sugerencias para mejorar la conformidad del LD con la teoría. Las sugerencias fueron

aplicadas y se obtuvo un LD mejorado que presenta un mayor nivel de conformidad con

la teoría.

172

Finalmente, se realizó una evaluación de las representaciones contenidas en el Catálogo.

Esta evaluación fue realizada por expertos en el área de Diseño Instruccional y

proporcionó opiniones acerca de la precisión, completitud, entendibilidad y utilidad de

las representaciones de los métodos de DI. En general, las opiniones son positivas en

cada uno de los aspectos evaluados y proporcionan valiosas observaciones y

sugerencias para mejorar los modelos.

Los resultados obtenidos en el proceso de evaluación permiten analizar el logro de los

objetivos planteados en el primer capítulo de esta Tesis. Este aspecto es abordado en el

próximo capítulo de este documento.

173

Capítulo 7. Conclusiones

En los capítulos anteriores de este trabajo, se presentaron los objetivos y la

problemática de esta investigación, las investigaciones relacionadas a esta tesis, el

enfoque de modelado general utilizado para construir el Cátalogo de Teorías de Diseño

Instruccional, se presentaron las representaciones contenidas en este Catálogo,

aspectos de la implementación y el proceso de evaluación de la propuesta de esta tesis.

En este capítulo se muestran las conclusiones obtenidas a partir de la realización de

este trabajo. En primer lugar se verifica el cumplimiento de los objetivos y de la

hipótesis de esta investigación. Luego, se presentan las conclusiones generales, las

aportaciones y las líneas de trabajo futuro que deja abierta esta investigación.

Finalmente se presentan las publicaciones logradas durante el periodo de formación

doctoral.

7.1. Verificación de los Objetivos y la Hipótesis

En el Capítulo 1, específicamente en la sección 1.5, se definieron los objetivos

específicos que en conjunto dan forma al objetivo central de esta tesis: el modelado de

conocimiento de teorías de diseño instruccional, específicamente de sus métodos de

diseño, utilizando un lenguaje con semántica computacional, para dar soporte al

proceso de diseño instruccional.

A continuación, para cada uno de los objetivos específicos, definidos también en la

sección 1.5, se presentan los elementos que permiten verificar el cumplimiento de estos:

174

(O1) Definir un modelo ontológico general para la representación de los métodos

de las teorías de diseño instruccional.

En el capítulo 3 se presenta el marco sobre el cual se desarrolló el modelo ontológico

general para representar las TDI. Se documentaron los supuestos, el enfoque de

modelado y la utilización de la ontología de la especificación IMS-LD elegida para

representar un Learning Design. Mediante este enfoque los métodos de las teorías de DI

son representados mediante restricciones a la ontología. Estas restricciones se modelan

en forma de reglas que utilizan elementos de la especificación IMS-LD para representar

las guías e indicaciones de los métodos de las teorías. Las representaciones obtenidas

representan parcialmente los métodos de DI y tienen una conformidad parcial, puesto

que podrían encontrarse mejores representaciones para los métodos. La definición de

este modelo ontológico general, permitió la representación de las teorías de diseño

instruccional contenidas actualmente en el Catálogo.

(O2) Modelar mediante lenguajes ontológicos formales los métodos de las teorías

de diseño instruccional considerando descripciones ontológicas de actividades de

aprendizaje.

Utilizando el modelo ontológico general, logrado mediante el objetivo anterior, fue

posible modelar los métodos de tres teorías de DI: Teoría de Elaboración, Learning by

Doing e Inteligencias Múltiples. Se documentó el modelado de estas teorías, indicando

por ejemplo, el uso de otras estructuras ontológicas como Ontologías de Dominio o

representaciones de Competencias como fue el caso de la Teoría de Elaboración. Un

detalle de las reglas que componen el Catálogo de TDI puede encontrarse en el Capítulo

4 de esta Tesis.

(O3) Relacionar los modelos con estándares y/o especificaciones de recursos de

aprendizaje, principalmente los vinculados con el diseño de aprendizaje.

La utilización de la ontología IMS-LD relaciona directamente el modelado de los

métodos a esta especificación utilizada para definir actividades de aprendizaje.

175

Elementos como Play, Act, Roles y Learning Activity, entre otros, son utilizados en las

reglas que representan los métodos de DI. Otra especificación que es utilizada es LOM,

que permite especificar los recursos utilizados por un LD en la forma de un Objeto de

Aprendizaje. En resumen, las representaciones que componen el Catálogo, utilizan los

elementos definidos por la especificación IMS-LD, lo que proporciona un alto nivel de

interoperabilidad con otros sistemas que utilicen esta especificación y que requieran de

modelos de conocimientos de teorías de DI.

(O4) Construir un prototipo que muestre la utilización de los modelos ontológicos

propuestos en ambientes de diseño instruccional.

El primer paso para la construcción del prototipo fue la implementación del Catálogo de

TDI mediante la utilización del lenguaje SWRL para definir las reglas. Luego,

utilizando el framework RCP del lenguaje Java, se construyó una aplicación que analiza

la conformidad de un LD con una determinada TDI y finalmente emite sugerencias para

mejorar el diseño. Este prototipo de software funciona como parte del entorno del editor

Recourse, compatible con la especificación IMS-LD. Esta aplicación, denominada

Terpsícore, funciona en un entorno de diseño de LDs y proporciona apoyo a diseñadores

instruccionales y profesores que requieren aplicar teorías de DI en sus actividades.

(O5) Evaluar la aplicabilidad y utilidad de las representaciones ontológicas de las

teorías de DI para profesores y diseñadores instruccionales.

El proceso de evaluación realizado consideró cinco métodos de evaluación: la

aplicación del modelo TAM para determinar la aceptación de uso de la aplicación,

protocolo Think Aloud para evaluar la usabilidad del software, aplicación del

cuestionario SUMI para determinar un nivel de usabilidad, un caso de estudio que

evalúa la aplicabilidad de las representaciones ontológicas del Catálogo de TDI y

entrevistas con expertos en diseño instruccional para evaluar la correctitud de esas

representaciones. La aplicación de las técnicas y los resultados obtenidos del proceso de

evaluación, están documentados en el Capítulo 6 de la tesis. En general, los resultados

de la evaluación son satisfactorios puesto que se determinó la intención de los usuarios

176

en utilizar la aplicación TERPSICORE debido a que es considerada útil y fácil de usar.

Por otra parte esta aplicación mostró niveles adecuados de usabilidad y se obtuvo una

lista de problemas que una vez resueltos mejoran la interacción del usuario con el

software. Adicionalmente, mediante un caso de estudio se demostró la utilización de las

representaciones para analizar la conformidad de un LD de acuerdo a una teoría y cómo

la aplicación de las sugerencias generadas por el software, ayudan a mejorar el LD.

Finalmente, las representaciones ontológicas presentadas en el Capítulo 4 fueron

evaluadas por expertos en términos de su completitud, precisión, entendibilidad y

usabilidad, obteniéndose importantes observaciones acerca del estado actual de los

modelos y de cómo pueden ser mejorados.

Puesto que todos los objetivos específicos han sido logrados, puede considerarse que el

objetivo general también ha sido alcanzado. De esta forma, la Hipótesis de la tesis

definida en la Sección 1.4, considerando los objetivos alcanzados, los resultados

obtenidos y el método de investigación seguido, puede considerarse como verificada.

Por lo tanto, puede afirmarse que:

Es posible representar completa o parcialmente, teorías de diseño instruccional

mediante lenguajes con semántica computacional adecuada y utilizarlos para

proporcionar ayuda en el proceso de diseño instruccional.

7.2. Conclusiones del trabajo

Según Reigeluth, las teorías de diseño instruccional ofrecen guías explicitas acerca de

cómo ayudar a las personas a aprender. Estas teorías pueden ser útiles en la

construcción de recursos para el aprendizaje. Sin embargo, están expresadas en lenguaje

natural. Disponer de estas teorías expresadas en un lenguaje con semántica

computacional permitiría la construcción de herramientas, que basadas en la teoría,

apoyen el proceso de diseño instruccional. Este trabajo ha presentado un marco para la

representación de métodos de teorías de diseño instruccional, modeladas con un

lenguaje ontológico formal, específicamente como una colección de reglas expresadas

en OWL y SWRL que conforman el denominado Catálogo de Teorías de DI.

177

El enfoque utilizado para realizar la representación, se basó en la utilización de una

ontología IMS-LD que representa la estructura y secuencia de actividades de

aprendizaje, participantes, recursos y servicios incluidos en un Learning Design.

A la fecha, utilizando el concepto de interpretación legal, se han propuesto

representaciones formales para representar 3 teorías: Elaboration theory, Multiple

Intelligences y la teoría Learning by Doing. Sin embargo, el Catálogo está en constante

mejoramiento y abierto a nuevas representaciones de teorías.

De acuerdo al enfoque utilizado, existen métodos que son difíciles de representar,

debido a que ellos comprenden conceptos que están fuera del alcance de los elementos

considerados en la especificación IMS-LD. En estos casos, se requiere de conocimiento

extra proveniente de otras fuentes, como por ejemplo estilos de aprendizaje de los

estudiantes. Otros métodos provocan problemas en su representación, debido a que

utilizan calificadores ambiguos, como es el caso de las expresiones ”Conceptos más

cercanos” o “moderadamente complejos”. Para su modelado se utilizaron convenciones,

sin embargo, a futuro podría ser necesaria la utilización de calificadores provenientes de

la Lógica Difusa que soporten la ambigüedad de conceptos utilizados por los métodos

de DI expresados en lenguaje natural.

La utilización de la especificación IMS-LD permite que el Catálogo se convierta en una

base para cualquier aplicación que requiera conocimiento relacionado con los métodos

de DI expresados sobre la base de esta especificación. Por otra parte, el uso de

ontologías formales permite que el conocimiento representado pueda ser compartido y

utilizado por distintos sistemas.

Algunas utilidades del Catálogo fueron propuestas. Por ejemplo, es posible utilizar el

catálogo como base de conocimiento de una aplicación que intente validar la

conformidad de un LD con una interpretación legal de un método de DI. Los modelos

también pueden ser utilizados para desarrollar asistentes para la correcta aplicación de

los métodos de las teorías de diseño instruccional, informando y guiando al usuario en

el proceso de construcción de un LD. Por otra parte, la representación propuesta puede

ser utilizada también para generar “esqueletos” de Diseños de Aprendizajes para una

teoría determinada, entregando ayuda a usuarios no experimentados en la aplicación de

los métodos de las TDI.

178

Como fue comentado en la sección 6.2.6 en donde se analizan los resultados de la

aplicación del modelo TAM, un aspecto importante de comentar es la aceptación de

parte de los profesores a la utilización de determinadas TDI. Para realizar la evaluación

de aceptación de uso del software Terpsícore por parte de los profesores, se realizó

previamente una inducción a las TDI contenidas en el catálogo. La primera observación,

se relaciona con que muchos profesores conocen de la existencia de estas teorías, pero

no las utilizan sistemáticamente. Una segunda observación se refiere a que dependiendo

del área de conocimiento a la que pertenece el profesor, el grado de aceptación con una

determinada TDI puede variar. Por ejemplo, en la experiencia de evaluación realizada,

los profesores provenientes del área de Matemáticas comentaron que no se sentían

“cómodos” con la utilización de la Teoría de Elaboración, puesto que en sus clases para

cursos de postgrado, utilizaban un enfoque que comienza con la explicación de

conceptos muy específicos y a partir de eso, desarrollaban los conceptos más generales

para lograr el aprendizaje. Por el contrario, los profesores de Geografía manifestaron

que este enfoque, “de lo general a los particular” es el que siempre han utilizado al

diseñar sus cursos. En conclusión, se cree que la aceptación de una determinada TDI

por parte de los profesores debe ser estudiada con mayor profundidad, al diseñar

sistemas que sugieran la utilización de ciertas TDI para determinados contextos

instruccionales.

7.3. Aportaciones

Este trabajo intenta aportar al campo del e-learning, en particular al Diseño

Instruccional mediante el modelado de teorías que pueden ser utilizadas para asistir

profesores y diseñadores instruccionales que no poseen experiencia en la aplicación de

este tipo de teorías. En esta sección se explican las aportaciones que realiza esta tesis,

dividida en dos grupos: aportaciones teóricas y prácticas.

7.3.1. Aportaciones teóricas

Las aportaciones teóricas se relacionan con la construcción de un modelo de

representaciones de métodos de teorías de diseño instruccional en lenguaje computable,

que hasta el momento no existen en la literatura.

179

Estas representaciones que forman el denominado Catálogo de métodos de diseño

instruccional, se caracteriza por:

• Estar expresados en un lenguaje con semántica computacional. La utilización de

lenguajes ontológicos formales, como OWL y SWRL permite asegurar la

computabilidad de las representaciones y su uso por parte de aplicaciones basadas

en conocimiento.

• Los modelos relacionan a la especificación IMS-LD, la cual ha convertido en un

estándar de facto. Esto permite la interoperabilidad del modelo con otras

aplicaciones que utilicen dicha especificación y que requieran conocimiento

relacionado con las TDI.

• Utilizan el concepto de conformidad provisional (Sicilia et al., 2011), lo que

permite mejorar las representaciones de los métodos sobre la base de nuevas

formas de representación y/o avances en los lenguajes formales de

representación.

7.3.2. Aportaciones prácticas

Desde el punto de vista práctico, las aportaciones se relacionan con la implementación

del Catálogo de representaciones de TDI y los beneficios que proporcionaría su

utilización por sistemas que apoyen actividades relacionadas con el diseño

instruccional. Actualmente el Catálogo cuenta con representaciones de 3 teorías:

Elaboration theory, Multiple Intelligences y Learning by Doing. El Catálogo fue

implementado en lenguaje SWRL y puede ser utilizado por sistemas que requieran

utilizarlo como base de conocimiento.

Otro producto o aportación práctica de esta tesis, se refiere a la construcción de una

aplicación, denominada TERPSICORE, que permite analizar la conformidad de un LD

con una determinada TDI y que genera sugerencias para mejorarlo. Terpsícore funciona

integrado al entorno del editor Recourse, conocido y utilizado por la comunidad de e-

learning para el diseño de LD. La aplicación Terpsícore, que ha sido evaluado en

términos de su utilidad y usabilidad por los usuarios, presenta importantes

oportunidades para ser considerada en versiones futuras, como una herramienta de

apoyo a diseñadores instruccionales y profesores que deseen aplicar las teorías de DI. El

hecho de que la aplicación Terpsícore haya sido construida bajo licencia LGPL, permite

180

su libre distribución, modificación y uso, posibilitando su desarrollo como herramienta

de e-learning.

7.4. Líneas de trabajo futuras

Las líneas de trabajo futuras apuntan a dos direcciones: al mejoramiento de las

representaciones contenidas en el catálogo y a la construcción de sistemas que den

soporte al diseño instruccional utilizando el catálogo como base de conocimiento.

En relación al primer punto, el mejoramiento de las representaciones que actualmente

forman el catálogo podría incluir:

• Incorporar nuevas representaciones de teorías de DI, ampliando el espectro de

teorías de DI expresadas en lenguaje con semántica computacional. Se deben

considerar tanto teorías ya probadas como aquellas más recientes para permitir un

adecuado rango de elección a los profesores.

• Mejorar las representaciones actuales, es decir, la proposición de nuevas

interpretaciones legales para los métodos. Esto podría incluir, la adición de

nuevas formas de representación derivadas de nuevos análisis y/o de la

utilización de mejoras en los lenguajes ontológicos. Particularmente en este

punto, es preciso comentar la incorporación de mecanismos de representación

provenientes de la Lógica Difusa al lenguaje SWRL (Pan et al., 2006) (Wang et

al., 2008), que podrían ayudar a expresar formalmente ambigüedades contenidas

en las indicaciones de los métodos.

• Incorporar nuevas fuente de información que permitan modelar métodos que

consideran aspectos educativos que no están contenidos en la especificación IMS-

LD, como por ejemplo modelo del estudiante o secuencia de actividades más

complejas. Considerando una sugerencia de los expertos, se debería considerar

además, la incorporación de información proveniente del perfil de los profesores,

de manera que se pueda realizar una recomendación de ciertas TDI en el diseño

de sus cursos.

• Considerar la representación de la situación de uso de los métodos. Según

Reigeluth, las teorías de DI poseen métodos y situaciones de uso para estos

métodos. Este trabajo sólo consideró el modelado de los métodos. Sin embargo,

181

sería conveniente disponer de representaciones, en lenguaje formal, de las

situaciones o contextos de uso de estos métodos. Esto con el objeto, de disponer

de conocimiento no sólo acerca de la correcta aplicación de los métodos, sino de

contextos en donde es recomendado su uso.

• Mejorar y extender la funcionalidad de la aplicación TERPSICORE,

considerando nuevas representaciones del Catálogo de TDI y los problemas y

sugerencias detectadas mediante el proceso de evaluación.

El segundo aspecto al que apuntan las líneas de trabajo futura, se relaciona con la

construcción de sistemas que utilicen el conocimiento representado en el catálogo.

Como parte de este trabajo se presentó un prototipo de software que realiza la

validación de la conformidad de un LD con respecto a los métodos de una determinada

teoría. Sin embargo, otros sistemas pueden ser desarrollados utilizando el catálogo

como base de conocimiento y teniendo como objetivo el apoyar a diseñadores

instruccionales. Algunas aplicaciones que pueden ser desarrolladas basadas en el

modelo ontológico aquí presentado son las siguientes:

• Generación de un asistente de aplicación de una teoría de DI. Este asistente,

mediante sugerencias de contexto y contenido en un entorno de diseño de LDs,

podría guiar al diseñador en la correcta aplicación de determinados métodos de

teorías de DI. Esta aplicación podría formar parte de una herramienta de autoría

de LDs.

• Generación automática de “esqueletos“ de LDs que se ajusten a las guías de los

métodos de DI. Al igual, que en la aplicación propuesta anteriormente, esta

funcionalidad podría formar parte de alguna herramienta de diseño de LD.

• Mecanismo de asistencia en la búsqueda en repositorios de LDs. El catálogo

podría ser utilizado para la incorporación de criterios de búsqueda de LDs

basados en su cumplimiento a ciertas teorías de DI, fomentando el re-uso de

diseños.

182

7.5. Publicaciones y Contribuciones derivadas

Actualmente se encuentra en revisión el artículo titulado “Representing instructional

design methods using ontologies and rules“ que detalla principalmente las bases y el

método utilizado en la construcción de las representaciones que conforman el Catálogo,

así como una descripción de los posibles usos de éste.

Título : Representing instructional design methods using ontologies and rules.

Autores : Christian Vidal, Miguel Ángel Sicilia, Manuel Prieto.

Revista : Knowledge-Based Systems Journal, Elsevier (En revisión).

Fecha de envío: 29 de Septiembre de 2010

Un segundo artículo que se encuentra en revisión se titula “Evaluating user acceptance

and usability of a software to support instructional design”. Este artículo describe la

evaluación del Software Terpsícore desde el punto de vista de la aceptación de los

usuarios y de la usabilidad. La aceptación de usuario fue evaluado utilizando el modelo

TAM y la usabilidad mediante la aplicación de dos técnicas: protocolo Think Aloud y

mediante el cuestionario Software Usability Measuring Inventory.

Título : Evaluating user acceptance and usability of a software to support

instructional design

Autores : Christian Vidal, Miguel Ángel Sicilia, Manuel Prieto.

Revista : Interacting with Computers, Elsevier (En revisión).

Fecha de envío: 9 de Septiembre de 2011

7.6. Otras Publicaciones

Se presenta a continuación un listado de publicaciones en temas de tecnología e e-

learning obtenidas en el periodo de formación doctoral. Estas publicaciones consideran

eventos científicos, capítulos de libros y revistas indexadas y no indexadas. Los temas

tratados en estas publicaciones corresponden a temáticas relacionadas o

183

complementarias a esta tesis doctoral. Entre estos temas se cuentan uso de ontologías

como apoyo a actividades de diseño instruccional, metadatos de recursos de

aprendizaje, Repositorios de Objetos de Aprendizaje y análisis de calidad en OA.

7.6.1. Revistas o Capítulos de libros

Título : Using Knowledge Models in the Design of Learning Resources

Autores : Vidal, C.; Segura, A.; Menéndez, V.; Zapata, A.; Prieto, M.

Revista : Expert System, The Journal of the Knowledge Engineering (En revisión)

Título : Using data mining techniques for exploring learning object repositories

Autores : Segura, A.; Vidal, C.; Campos, P.; Menéndez, V.; Prieto, M.

Revista : The Electronic Library, (29) issue 2, 2011

Título : Modelo ontológico para la secuenciación de Objetos de Aprendizaje.

Autores : Christian Vidal, Mateus Ferreira-Satler

Revista : Revista Iberoamericana de Tecnologías del Aprendizaje IEEE-RITA 2010 - .

Vol. 5, No (2), pp. 63-67.

Título : Quality in Learning Objects: Evaluating compliance with metadata

standard.

Autores : Christian Vidal, Alejandra Segura, Pedro Campos, Salvador Sánchez-Alonso

Libro :Metadata and Semantic Research. Sanchez-Alonso, Salvador; Athanasiadis,

Ioannis N. (Eds.), MTSR 2010, CCIS 108. Springer Berlin / Heidelberg, pp.

342.653, 2010. ISBN 1865-0920

Título : Knowledge-based architecture for instructional engineering

Autores : Christian L. Vidal, Alejandra A. Segura, Víctor H. Menéndez, Manuel E.

Prieto

Revista : International Journal of Knowledge and Learning 2009 - Vol. 5, No.3/4 pp.

371 - 388

184

Título : Characterizations of Learning Object Repositories Using Data Mining

Techniques.

Autores : Segura, A., Vidal, C., Menéndez, V., Zapata, A., Prieto, M.

Libro : Metadata and Semantic Research. F. Sartori, M.Á. Sicilia, and N.

Manouselis (Eds.): MTSR 2009, CCIS 46. Springer Berlin / Heidelberg, pp.

215-225, 2009. ISBN 978-3-642-04589-9

Título : Una ontología de apoyo a actividades de diseño instruccional.

Autores : Christian Vidal, Manuel Prieto

Libro : Recursos Digitales para el Aprendizaje, M. Prieto et al. (Eds). Editorial

Universidad Autónoma de Yucatán. ISBN 987-607-7573-17-3 (2009).

Título : A Recommender System architecture for instructional engineering.

Autores : Manuel Prieto, Víctor Menéndez, Alejandra Segura, Christian Vidal

Libro : Lecture Notes in Computer Science, Volume 5288/2008, pp. 314-321.

Springer Berlin / Heidelberg (2008) ISBN 978-3-540-87780-6, 2008

7.6.2. Congresos internacionales

Título : Enhancing Portfolio Assessment: An Application of Fuzzy Ontology

(Aceptado)

Autores : Mateus Ferreira-Satler, Francisco Romero, José Angel Olivas, Christian

Vidal-Castro, José Luis Braga

Congreso : 11th International Conference on Intelligent Systems Design and

Applications (ISDA)

Lugar : Córdoba, España.

Fecha : 22-24 Noviembre de 2011.

Título : Quality in Learning Objects: Evaluating compliance with metadata

Standards.

Autores : Christian Vidal C., Alejandra Segura N., Pedro Campos S., Salvador Sánchez-

Alonso.

185

Congreso : MTSR 2010 - Fourth International Conference on Metadata and Semantics

Research,

Lugar : Alcalá de Henares.

Fecha : 20-22 Octubre 2010.

Título : Metadata and Ontologies in Learning Resources Design

Autores : Christian Vidal C., Alejandra Segura N., Víctor Menéndez D., Alfredo Zapata

G., Manuel Prieto M.

Congreso : World Summit on the Knowledge Society (WSKS 2010)

Lugar : Corfu, Grecia

Fecha : 22-24 Septiembre 2010

Título : An Approach to Metadata Generation for Learning Objects

Autores : Victor Menendez D., Alfredo Zapata G., Christian Vidal C., Alejandra Segura

N., Manuel Prieto M.


Lugar : Corfu, Grecia


Título : Query Expansion based on Domain Ontology for Learning Objects

Search

Autores : Alejandra Segura N., Christian Vidal and Manuel Prieto,

Congreso : 3rd IEEE International Conference on Computer Science and Information

Technology (IEEE ICCSIT 2010)

Lugar : Chengdu, China

Fecha : 9 - 11 Julio 2010

Título : Aplicaciones de soft computing para educacion y aprendizaje.

Autores : Alfredo Zapata, Mateus Ferreira-Satler, Victor Menéndez, Manuel Prieto, J.A.

Olivas, Christian Vidal

Congreso : Congreso Español de Informática, CEDI 2010.

Lugar : Valencia, España.

186

Fecha : 7 al 10 de Septiembre de 2010.

Título : Characterizing metadata in Learning Object Repositories.

Autores : Alejandra Segura N., Christian Vidal C., Victor Menéndez, Alfredo Zapata,

Manuel Prieto.

Congreso : MTSR 2009 - Third International Conference on Metadata and Semantics

Research,

Lugar : Milán, Italia.

Fecha : 30 Septiembre – 02 Octubre 2009

Título : Evaluación de la Calidad del Software para el Aprendizaje

Autores : Alejandra A. Segura; Christian L. Vidal; Manuel E. Prieto

Congreso : Proceedings of X International Symposium on Computers in Education SIIE

2008. Universidad de Salamanca

Lugar : Salamanca, España

Fecha : 01-03 Octubre 2008

Título : A Recommender System Architecture for Instructional Engineering

Autores : Manuel Prieto, Victor Menéndez, Alejandra Segura y Christian Vidal


Lugar : Atenas, Grecia


Título : A services-based model for the composition of reusable learning objects

Autores : Victor Menéndez, Christian Vidal, José Urzaiz y Manuel Prieto

Congreso : INTED 2008, International Technology, Education and Development

Conference IATED.

Lugar : Valencia, España.

Fecha : 3 al 5 de Marzo de 2008

187

7.6.3. Congresos nacionales

Título : Calidad en Objetos de Aprendizaje

Autores : Christian L. Vidal; Alejandra A. Segura; Manuel E. Prieto

Congreso : V Simposio Pluridisciplinar sobre Diseño y Evaluación de Contenidos

Educativos Reutilizables, SPDECE 08.

Lugar : Salamanca, España

Fecha : 20-21 Octubre 2008

Título :Framework para la Expansión de Consultas Basadas en Ontologías de

Dominio en Repositorios de Objetos de Aprendizaje

Autores : Alejandra A. Segura; Christian L. Vidal; Manuel Crisosto, Salvador Sánchez

Congreso : VIII Simposio Pluridisciplinar sobre Diseño y Evaluación de Contenidos

Educativos Reutilizables, SPDECE 2011.

Lugar : Ciudad Real-Almagro, España

Fecha : 15-17 Junio 2011

189

Referencias

ADL(2003). Sharable Courseware Object Reference Model (SCORM), Version 1.3, Advanced Distributed Learning. Recuperado desde http://www.scormsoft.com/scorm, en Marzo de 2008, (2003).

AENOR(2008). Perfil de Aplicación LOM (LOM-ES), V.1.0 G. G.-S. 36,

Asociación Española de Normalización y Certificación. Recuperado desde http://www.educa.madrid.org/cms_tools/files/ac98a893-c209-497a-a4f1-93791fb0a643/lom-es_v1.pdf, en Abril de 2009, (2008).

Aitchison, J., & Gilchrist, A. (1987). Thesaurus construction - A practical

manual: Second Edition, Aslib, London. Álvarez, L. (1994). Fundamentos de inteligencia artificial: Secretariado de

publicaciones, Universidad de Murcia. Allen, C. (2006). HR-XML Competences (Measurable Characteristics).

Recuperado desde http://ns.hr-xml.org/2_4/HR-XML-2_4/CPO/Competencies.html, en Febrero de 2011, (2006).

Amorim, R., Lama, M., Sánchez, E., Riera, A., & Vila, X. (2006). A

Learning Design Ontology based on the IMS Specification. Educational Technology & Society, 9(1), 38-57.

Amorim, R., Sánchez, E., Lama, M., Barro, S., & Vila, X. (2007).

Representación y ejecución de unidades educativas a través de una ontología de diseños de aprendizaje. Revista Iberoamericana de Inteligencia Artificial., 33, 61-77.

Antoniou, G., Viegas, C., Grosof, B., Horrocks, I., Kifer, M.,

Maluszynski, J., et al. (2005). Combining rules and ontologies. A

survey: REWERSE Deliverables, No. I3-D3, February 2005.

190

Argüello, M., & Des, J. (2008). Clinical practice guidelines: A case study of combining OWL-S, OWL, and SWRL Knowledge-Based Systems, 21(3), 247-255.

Baader, F., Calvanese, D., McGuiness, D. L., Nardi, D., & Patel-

Schneider, P. F. (Eds.) (2003). The Description Logic Handbook: Theory, Implementation, Applications: Cambridge University Press, Cambridge, UK, 2003.

Beauvoir, P., Griffiths, D., & Sharples, P. (2009). Learning Design

Authoring Tools in the TENCompetence Project In R. Koper (Ed.), Learning Network Services for Professional Development (pp. 379-387): Springer Berlin Heidelberg.

Berners-Lee, T., Hendler, J., & Lassila, O. (2001). The Semantic Web.

Scientific American, 284(5), 28-37. Biezunski, M., Bryan, M., & Newcomb, S. (2002). ISO/IEC 13250

TopicMaps. Recuperado desde http/www1.y12.doe.gov/capabihties/sgm1/sc34/document/0322.htm, en Agosto de 2011, (2002).

Bohl, O., Schellhase, J., Sengler, R., & Winand , U. (2002). The

Sharable Content Object Reference Model (SCORM) — A Critical Review. 2002 International Conference on Computers in Education (ICCE'02).

Boley, H., Tabet, S., & Wagner, G. (2001). Design Rationale for RuleML: A

Markup Language for Semantic Web Rules. Paper presented at the Proceeding of International Conference on Semantic Web and Web Services 2001.

Borst, W. N. (1997). Construction of Engineering Ontologies, PhD Thesis.,

University of Twente, Enschede. Bourdeau, J., Mizoguchi, R., Hayashi, Y., Psyche, V., & Nkambou, R.

(2007). When the Domain of the Ontology is Education. Paper presented at the In Proc. of the 4th Conf. on Intelligent, Interactive Learning Objects Repository Networks (I2LOR'07).

Brooke, J. (1996). SUS—a quick and dirty usability scale. In P.W. Jordan, B.

Thomas, B.A. Weerdemeester & I. L. McClelland (Eds.), Usability Evaluation

in Industry (pp. 189–194). London: Taylor & Francis. Brusilovsky, P., Peylo, C. (2003). Adaptive and intelligent Web-based

educational systems. . Paper presented at the In P. Brusilovsky and C. Peylo (eds.), International Journal of Artificial Intelligence in Education 13 (2-4), Special Issue on Adaptive and Intelligent Web-based Educational Systems, pp. 159-172.

191

Buchanan, B. G., & Shortliffe, E.H. (1984). Rule-Based Expert Systems: Addison-Wesley, Reading, MA, 1984.

Burgos, D., Koper, R. (2005). Comunidades virtuales, grupos y proyectos de

investigación sobre ims learning design. Status quo, factores clave y retos inmediatos. Revista ELectrónica de Investigación y EValuación Educativa (RELIEVE), 11(2).

Carroll, J. M. (1997). Human-Computer Interaction: Psychology as a Science of

Design. International Journal of Human-Computer Studies, 46, 501-522. Cechinel, C., Sánchez-Alonso, S., Sicilia, M.A., & Sartori, F.

(2009). Empirical Analysis of Errors on Human-Generated Learning Objects Metadata. In M. A. Sicilia & N. Manouselis (Eds.), Metadata and Semantic Research (pp. 60-70): Springer-Verlag Berlin Heidelberg.

Cooper, A., Ostyn, C. (Eds.) (2002a). IMS Reusable Definition of

Competency or Educational Objective - Best Practice and Implementation Guide, Version 1.0, Final Specification”. Recuperado desde http://www.imsglobal.org/competencies/rdceov1p0/imsrdceo_bestv1p0.html, en Marzo de 2011, (2002a).

Cooper, A., Ostyn, C. (Eds.) (2002b). IMS Reusable Definition of

Competency or Educational Objective - Information Model. Recuperado desde http://www.imsglobal.org/competencies/rdceov1p0/imsrdceo_infov1p0.html. en Febrero de 2011, (2002b).

Cuenca, B., Horrocks, I., Motik, M., Parsia, B., Patel-Schneiderc,

P., & Sattler, U. (2008). OWL 2: The next step for OWL. Web Semantics: Science, Services and Agents on the World Wide Web, 6(4), 309-322.

Chandrasekaran, B., Josephson, J. , Benjamins, V. (1999). What Are

Ontologies, and Why Do We Need Them? IEEE Intelligent Systems, 14(1), 20 - 26.

Chin, J. P., Diehl, V. A., & Norman, K. L. (1988). Development of an

instrument measuring user satisfaction of the human–computer interface. Paper presented at the Proceedings of the CHI'88 on Human Factors in Computing Systems, New York.

Dalziel, J. R. (2003). Implementing Learning Design: The Learning Activity

Management System (LAMS). . Paper presented at the Interact, Integrate, Impact: Proceedings of the 20th Annual Conference of the Australasian Society for Computers in Learning in Tertiary Education, Adelaide.

Danger, R. (2007). Extracción y análisis de información desde la perspectiva de la

Web Semántica. Tesis Doctoral. Universitat Jaume I. Departamento de

Lenguajes y Sistemas Informáticos. Castellón, España.

192

Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user

acceptance of information technology. MIS Quarterly, 13(3), 319-340. Davis, F. D., Bagozzi, R., & Warshaw , P. (1989). User Acceptance of

Computer Technology: A Comparison of Two Theoretical Models. Management Science, 35(8), 982-1003.

Davis, R., Shrobe, H., & Szolovits, P. (1993). What is a Knowledge

Representation? AI Magazine, 14(1), pp. 17-33. Devedziz, V. (2006). Semantic and education. Springer's Integrated Series in

Information Systems. Dick, W., Carey, L., & Carey, J. (2008). Systematic Design of Instruction (7th

ed.): Allyn & Bacon, Inc. Domjan, M. (2003). The Principles of Learning and Behavior, Fifth Edition.

Belmont, CA: Thomson/Wadsworth. Ericsson, A., & Simon, H. (1980). Verbal reports as data. Psychological

Review, 87(3), 215-251. Ericsson, A., & Simon, H. (1993). Protocol Analysis: Verbal Reports as Data

(2nd edition). Cambridge, MA: MIT Press. Ertmer, P., Newby, T. (1993). Behaviorism, cognitivism, constructivism:

Comparing critical features from an instructional design perspective. Performance Improvement Quarterly, 6 (4), 50-70.

Farance, F. (2003). IEEE LOM Standard Not Yet Ready For "Prime Time".

Learning Technology, 5(1). Fermoso, A. M., Sánchez-Alonso, S., & Sicilia, M. A. (2008). Una

ontología en OWL para la representación semántica de objetos de aprendizaje. Paper presented at the V Simposio Pluridisciplinar sobre Diseño y Evaluación de Contenidos Educativos Reutilizables , SPDECE08, Salamanca, España.

Gagne, R., Briggs, L., & Wager, W. (1992). Principles of Instructional

Design. 4th Edition. Wadsworth Pub.

Gagne, R. M. (1985). The Conditions of Learning and Theory of Instruction (4º

ed.): Wadsworth Pub Co. Gardner, H. (1999). Multiple approaches to Understanding. In C. Reigeluth (Ed.),

Instructional-Design Theories and Models. A New paradigm of Instructional Theory. Volume II: Lawrence Erlbaum Assoc.

193

Gennari, J. H., Musen, M. A., Fergerson, R. W., Grosso, W. E., Crubzy, M., Eriksson, H., et al. (2002). The Evolution of Protégé: An Environment for Knowledge-Based Systems Development. International Journal of Human-Computer Studies, 58, 89-123.

Griffiths, D., Blat, J., García, R., & Sayago, S. (2005). La aportación de

IMS Learning Design a la creación de recursos pedagógicos reutilizables RED: Revista de Educación a Distancia. Número monográfico II. [en línea] IV (octubre), 1-15.

Griffiths, D., Blat, J., García, R., Vogten, H., & Kwong, K. (2005).

Learning Design Tools. In R. Koper & C. Tattersall (Eds.), A Handbook on Modelling and Delivering Networked Education and Training. (pp. 109-133). New York: Springer Berlin Heidelberg.

Griffiths, D., Blat, J., R Garcia, R., & Sayago, S. (2005). The

contribution of IMS Learning Design to the creation of reusable learning resources. RED (Revista de Educación a Distancia). Año IV. Número monográfico V - 18 de Octubre de 2005

Gruber, T. (1993). A translation approach to portable ontology specification.

Knowledge Acquisition, 5(1993), 199-220. Guerrero, A. (2011). L'especicació IMS-LD per a la descripció formal

d'itineraris formatius adaptatius.Tesi Doctoral. Programa de Doctorat en Societat de la Informació i el Coneixement. Universitat Oberta de Catalunya, Barcelona.

Halpin, H., & Hayes, P. J. (2010). When owl: sameAs Isn't the Same: An

Analysis of Identity in Linked Data. Paper presented at the International Semantic Web Conference 2010, Shanghai, China.

Harper, B., Agostinho, S., Bennett , S., Lukasiak , J., & Lockyer , L.

(2005). Constructing High Quality Learning Environments Using Learning Designs and Learning Objects. Paper presented at the Fifth IEEE International Conference on Advanced Learning Technologies (ICALT'05)

Hayashi, Y., Bourdeau, J., & Mizoguchi, R. (2006). Ontological Support for

a Theory-Eclectic Approach to Instructional and Learning Design. In W. Nejdl, Tochtermann, K. (Ed.), EC-TEL 2006, Lecture Notes on Computer Science 4227 (pp. pp. 155 – 169): Springer-Verlag.

Heinich, R., Molenda, M., & Russell , D. (1993). Instructional media and

the new technologies of instruction New York: Macmillan Pub. Co. Hermans, H., Manderveld, J., Vogten, H. (2003). Educational Modelling

Language. In: Jochems, W., van Merriënboer, J., Koper, R. (Eds.), Integrated E-

learning, Kogan Page, London.

194

Hernandez, H., & Saiz, M. (2007). Ontologías mixtas para la representación

conceptual de objetos de aprendizaje. Procesamiento del Lenguaje Natural, Revista nº 38 (Abril, 2007).

Hogo, M. (2010). Evaluation of e-learning systems based on fuzzy clustering

models and statistical tools Expert Systems with Applications, 37(10), 6891-6903.

Horrocks, I., Patel-Schneider, P., McGuinness, D., & Welty, C.

(2007). OWL: a Description Logic Based Ontology Language for the Semantic Web. In F. Baader, D. Calvanese, D. McGuinness, D. Nardi & P. Patel-Schneider (Eds.), The Description Logic Handbook: Theory, Implementation, and Applications (2nd Edition): Cambridge University Press.

IMS-DRI (2003). IMS Digital Repositories Interoperability - Core Functions

Information Model, Version 1.0 Final Specification: IMS Global Learning Consortium.

IMS (2001). IMS Content Packaging v1.2 Public Draft v2.0. Global Learning

Consortium LD. Recuperado desde http://www.imsglobal.org/content/packaging/, en Abril de 2009, (2001).

IMS (2003a). IMS Simple Sequencing Specification. Global Learning Consortium

ld. Recuperado desde http://www.imsglobal.org/simplesequencing/, en Febrero de 2009, (2003a).

IMS (2003b). Learning Design (IMS-LD), Specification V1.0, Global Learning

Consortium LD. Recuperado desde http://www.imsglobal.org/learningdesign/index.html, en Diciembre de 2008, (2003b).

IMS (2005). IMS Rubric Specification. Recuperado desde

http://www.imsglobal.org/ep/epv1p0/imsrubric_specv1p0.html, en Marzo de 2010, (2005).

IMS (2006). IMS Question and Test Interoperability Overview. Version 2.1 Public

Draft (revision 2) Specification Recuperado desde http://www.imsglobal.org/simplesequencing/, en Marzo de 2010, (2006).

ISO (1998). Ergonomic requirements for office work with visual display terminals

(VDTs) -- Part 11: Guidance on usability, 9241-11 C.F.R. (1998). ISO(2001). Software Product Evaluation-Quality Characteristics and Guidelines for

their Use. ISO/IEC Standard 9126. Geneva, (2001).

195

Itmazi, J. (2005). Sistema Flexible de gestión del elearning para soportar el aprendizaje en las universidades tradicionales y abiertas. PhD Thesis, University of Granada, Spain.

Jameson, A. (1996). Numerical uncertainty management in user and student

modeling: an overview of systems and issues. User Modeling and User-Adapted Interaction, 5(3-4), 193-251.

JDOM TM Project. (2009). JDOM (Version 1.1.1) Java-based solution for

accessing, manipulating, and outputting XML data from Java code. Recuperado desde http://www.jdom.org/, en Enero de 2010. (Version Version 1.1.1) [Java-based solution for accessing, manipulating, and outputting XML data from Java code].

Jonassen, D. H. (1994). Thinking technology: Toward a constructivist design

model. Educational Technology Research and Development 34(4), 34-37. Karampiperis, P., Sampson, D.G., & Fytros, D. (2006). Lifelong

Competence Development: Towards a Common Metadata Model for Competencies Description - The Case Study of Europass Language Passport. Paper presented at the 6th IEEE International Conference on Advanced Learning Technologies, ICALT 2006, Kerkrade, The Netherlands.

Keller, J. (1987). Development and use of the ARCS model of motivational

design. Journal of Instructional Development, 10(3), 2-10. Kirakowski, J.(1994). The Use of Questionnaire Methods for Usability

Assessment, Recuperado desde http://sumi.ucc.ie/sumipapp.html, en Mayo de 2011, (1994).

Kirakowski, J., & Corbett, M. (1993). SUMI: the Software Usability

Measurement Inventory. British Journal of Educational Technology, 24(3), 210-212.

Knight, C., GaševiG, D., & Richards, G. (2006). An Ontology-Based

Framework for Bridging Learning Design and Learning Content. Educational Technology & Society, 9(1), pp. 23 - 37.

Koper, R. (2001). Modeling Units os Study from pedagogical pespective: the

pedagogical meta-model behind EML, Recuperado el el 21 de Mayo de 2009,

desde http://dspace.learningnetworks.org/bitstream/1820/36/1/Pedagogical%20metamodel%20behind%20EMLv2.pdf

Koper, R. (2002). Educational modelling language: adding instructional design to

existing specifications.: Technical report, Educational Expertise Technology Centre, Open University of the Netherlands.

196

Koper, R., & Miao, Y. (2008). Using the IMS LD Standard to Describe Learning Designs. In L. Lockyer, S. Bennet, S. Agostinho & B. Harper (Eds.), Handbook of Research on Learning Design and Learning Objects: Issues, Applications and Technologies (pp. 41-86): IDEA group.

Koper, R., & Tattersall, C. (2005). Learning Design: A handbook on

modelling and delivering networked education and training: Heidelberg. Springer Verlag.

Laurillard, D., & Ljubojevic, D. (2011). Evaluating learning designs through

the formal representation of pedagogical patterns. In C. Kohls & J. Wedekind (Eds.), Investigations of E-Learning Patterns: Context Factors, Problems and Solutions: Hershey, PA: IGI Global.

Lewis, J. (1994). Sample sizes for usability studies: additional considerations.

Human Factor, 36(2), 368-378. Lewis, J. (2002). Psychometric evaluation of the PSSUQ using data from five years

of usability studies. International Journal of Human–Computer Interaction, 14, 463-488.

LTSC (2002). IEEE Learning Object Metadata (LOM), Draft Standard 1484.12.1, Learning Technology Standards Committee, (2002).

LTSC (2008). Data Model for Reusable Competency Definitions. Standard IEEE

1484.20.1, Learning Technology Standards Committee. Recuperado desde http://www.ieeeltsc.org:8080/Plone/working-group/competency-data-standards-working-group-20/IEEE_1484.20.1.D4.pdf, en Febrero de 2010, (2008).

Marengo, A., Albanese, D., Convertini, N., Marengo, V., Scalera,

M., & Serra, A. (2006). Ontological support for the creation of learning objects. Paper presented at the 28th International Conference on Information Technology Interfaces, 2006.

McAleese, R. (1998). The knowledge arena as an extension to the concept map:

reflections in action. Interactive Learning Environments, 6, 1-22. McGreal, R. (2004). Learning Objects: A practical Definition. International

Journal of InstructionalTechnology and Distance Learning., Vol. 1, pp 21 - 32.

McMartin, F. (2004). Merlot: A model for user involvement in digital library

design and implementation. Journal of Digital Information, 5(3). Mergel, B. (1998). Instructional Design & Learning Theory. Educational

Communications and Technology, University of Saskatchewan. Recuperado desde http://www.usask.ca/education/coursework/802papers/mergel/brenda.htm

en Febrero de 2008.

197

Merril, M. D. (1996). Instructional Transaction Theory: An Instructional Design

Model based on Knowledge Objects. Educational Technology, 36(3), 7. Millar, G. (2002). Learning objects 101: A primer for neophytes. BCIT Learning

and Teaching Centre, Recuperado desde http://online.bcit.ca/sidebars/02november/inside-out-1.htm, en Diciembre de 2007.

Miller, G. A. (1956). The magical number seven, plus or minus two: some limits

on our capacity for processing information. Psychological Review, 63(2), 81–97. Minsky, M. (1975). A framework for representing knowledge. In P. Winston (Ed.),

The Psychology of Computer Vision (pp. 211-277). New York: McGraw-Hill. Mizoguchi, R., Bourdeau, J. (2002). Theory-aware authoring environment-

ontological engineering approach. Paper presented at the Proceedings International Conference on Computers in Education (ICCE'02).

Mylopoulos, J., Levesque , H. (1984). An overview of knowledge

representation. In Proceedings On Conceptual Modelling (Intervale), 3-17. Nunnally, Y. J. (1978). Psychometric theory. New York: McGraw Hill.

O'Connor, M., Shankar, R., Tu, S., Nyulas, C., & Das, A. (2008).

Developing a Web-Based Application using OWL and SWRL Paper presented at the AAAI Spring Symposium, Stanford, CA, USA.

O’Connor, M., Knublauch, H., Tu, S., Grosof, B., Dean, M., Grosso,

W., et al. (2005). Supporting Rule System Interoperability on the Semantic Web with SWRL Paper presented at the Proceedings of the 4th International Semantic Web Conference, The Semantic Web (ISWC 2005), Galway, Ireland.

Pan, J., Stoilos, G., Stamou, G., Tzouvaras, V., & Horrocks, I.

(2006). f-SWRL: A fuzzy extension of SWRL. Journal on Data Semantics,

special issue on Emergent Semantics VI, 28-46. Paquette, G. (2004). Foundations of instructional engineering. In G. Paquette

(Ed.), Instructional Engineering in Networked Environments: Wiley, John & Sons, Incorporated.

Paquette, G., de la Teja, I., Léonard, M., Lundgren-Cayrol, K., &

Marino, O. (2005). An Instructional Engineering Method and Tool for the Design of Units of Learning. In R. Koper & C. Tattersall (Eds.), A Handbook on Modelling and Delivering Networked Education and Training. New York: Springer Berlin Heidelberg.

198

Paquette, G., Lundgren-Cayrol, K., & Léonard, M. (2008). The MOT+ Visual Language for Knowledge-Based Instructional Design. In L. Botturi & T. Stubs (Eds.), Handbook on Virtual Instructional Design Languages.

Paulsson, F., Naeve, A. (2006). Establishing technical quality criteria for

Learning Objects. Establishing technical quality criteria for Learning Objects. Proceedings of To be published in the proceedings of eChallenges 2006, Barcelona, Spain.

Peterson, C. (2003). Bringing ADDIE to life: Instructional design at its best.

Journal of Educational Multimedia and Hypermedia, 12(3), 227-241. Polsani, P. (2003). Use and Abuse of Reusable Learning Objects. Journal of

Digital Information, 3(4). Rawlings, A., van Rosmalen, P., Koper, R., Rodrígues-Artacho, M.,

& Lefrere, P. (2002). Survey of Educational Modelling Languages (EMLs). Version 1. CENN/ISSS.

Reigeluth, C. (1999a). Instructional-Design Theories and Models, Volume II: A

New Paradigm of Instructional Theory. Mahwah, NJ: Lawrence Erlbaum Assoc. Reigeluth, C. (1999b). What Is Instructional-Design Theory and How Is It

Changing? Mahwah, NJ: Lawrence Erlbaum Associates.

Reigeluth, C. (1999c). What is the New Paradigm of Instructional Theory. ITForum Paper #17, Department of Instructional Technology, University of Georgia. Recuperado desde http://itech1.coe.uga.edu/itforum/paper17/paper17.html, en Noviembre de 2008.

Rich, E., Knight, K. (1991). Artificial Intelligence. 2a Edición. In (2a ed.):

McGraw-Hill. Rodríguez, M., Serra, M., Cabot, J., & Guitart, I. (2006). Evolution of

the Teacher Roles and Figures in E-learning Environments. Paper presented at the In Proceedings of the Sixth IEEE International Conference on Advanced Learning Technologies (ICALT'06), July 05-07, 2006.

Romero, C., Ventura, S., & Garcia, E. (2008). Data Mining in Course

Management Systems: MOODLE Case Study and Tutorial. Computers &

Education, 51(1), 368-384. Romero, F., Ferreira-Satler, M., Olivas, J. A., & Serrano-

Guerrero, J. (2010). PLINIO: Observatorio de efectos del Cambio

Climático basado en la extracción inteligente de información en Internet. Paper presented at the III Congreso Español de Informática, Actas del III Simposio sobre Lógica Fuzzy y Soft Computing (LFSC 2010), Valencia, España.

199

Russell, S., Norvig, P. (2003). Artificial Intelligence: A Modern Approach. 2nd Edition, Prentice Hall.

Sánchez-Alonso, S., Sicilia, M. A., & Pareja, M. (2007). Mapping IEEE

LOM to WSML: an ontology of learning objects. Paper presented at ITA'07 - 2nd International on Internet Technologies and Applications.

Sanchez, E., & Lama, M. (2007). Técnicas de Inteligencia Artificial Aplicadas a

la Educación. Revista Iberoamericana de Inteligencia Artificial, 33, pp. 7-12. Sarasa, A., Dodero, J.M. (2004). Towards a Model of Quality for Learning

Objects. Fourth IEEE International Conference on Advanced Learning Technologies (ICALT'04) pp. 822-824.

Schank, R., Berman, T., & Macpherson, K. (1999). Learning by Doing. In

C. Reigeluth (Ed.), Instructional-Design Theories and Models. A New paradigm of Instructional Theory. Volume II. : Lawrence Erlbaum Assoc.

Segura, A., Vidal, C., Campos, P., Menéndez, V., & Prieto, M. (2011).

Using data mining techniques for exploring learning object repositories The Electronic Library, 29(2), 162 - 180.

Shank, R. (1986). El ordenador inteligente: Barcelona, Antoni Bosch. Sicilia, M.A. (2007a). Más allá de los contenidos: compartiendo el diseño de los

recursos educativos abiertos. Revista de Universidad y Sociedad del Conocimiento, Vol. 4, No 1, pp. 26 - 35.

Sicilia, M.A. (2007b). On the general structure of ontologies of instructional

models. Paper presented at the Proceedings del IV Simposio Pluridisciplinar sobre Diseño, Evaluación y Desarrollo de Contenidos Educativos Reutilizables, SPDECE 2007, Bilbao, Spain.

Sicilia, M.A., Garcia, E., Pages, C., Martinez, J., & Gutierrez, J. M.

(2005). Complete metadata records in learning object repositories: some evidence and requirements. International Journal of Learning Technology 1(4), pp. 411 - 424.

Sicilia, M.A., García, E., Sánchez-Alonso, S., & Rodríguez, E.

(2004). Describing learning object types in ontological structures: towards specialized pedagogical selection. Paper presented at the In Proceedings of ED-MEDIA 2004 - World conference on educational multimedia, hypermedia and telecommunications . Lugano, Switzerland.

Sicilia, M.A., & Lytras, M. (2005). On the representation of change according to

different ontologies of learning. International journal of learning and change 1(1), 66-79.

200

Sicilia, M.A., Lytras, M., Sánchez-Alonso, S., García-Barriocanal,

E., & Zapata-Ros, M. (2011). Modeling instructional-design theories with ontologies: using methods to check, generate and search learning designs. Computer in Human Behavior, 27(4), 1389-1398.

Sicilia, M.A., Sánchez-Alonso, S., & García-Barriocanal, E. (2006).

On supporting the process of learning design through planners. Paper presented at the Proceeding of the Virtual Campus Workshop, Barcelona.

Soto, J., García, E., & Sánchez-Alonso, S. (2007). Semantic learning

object repositories. International Journal of Continuing Engineering Education and Life-Long Learning, 17(6), 432 - 446.

Studer, R., Benjaminsc, R., & Fensela, D. (1998). Knowledge

engineering: Principles and methods Data & Knowledge Engineering, 25(1-2, March), 161-197.

Sweller, J. (2005). Implications of cognitive load theory for multimedia learning.

In R. E. Mayer (Ed.), The Cambridge Handbook of Multimedia Learning. New York: Cambridge University Press.

Taylor, S., & Todd, P. (1995). Understanding Information Technology Usage: A

Test of Competing Models. Information System Research, 6(2), 144-176. Tello, J. (2007). Estudio exploratorio de defectos en registros de meta-datos IEEE

LOM de objetos de aprendizaje. Paper presented at the Post-Proceedings del IV Simposio Pluridisciplinar sobre Diseño, Evaluación y Desarrollo de Contenidos Educativos Reutilizables, SPDECE 2007, Bilbao, Spain.

W3C (2001). DAML+OIL Reference Description. World Wide Web Consortium.

Recuperado desde http://www.w3.org/TR/daml+oil-reference, en Enero de 2011, (2001).

W3C (2004a). OWL Web Ontology Language Reference. World Wide Web

Consortium. Recuperado desde http://www.w3.org/TR/owl-ref/, en Enero de 2009, (2004a).

W3C (2004b). Resource Description Framework (RDF). World Wide Consortium.

Recuperado desde http://www.w3.org/RDF/, en Abril de 2009, (2004b). W3C (2004c). SWRL: A Semantic Web Rule Language Combining OWL and

RuleML. World Wide Web Consortium. Recuperado desde http://www.w3.org/Submission/2004/SUBM-SWRL-20040521/, en Enero de 2010, 2009 C.F.R. (2004c).

W3C (2009). OWL 2 Web Ontology Language. World Wide Web Consortium.

Recuperado desde http://www.w3.org/TR/owl2-overview/, en Diciembre de 2010, (2009).

201

Wang , Z., Ma, Z., Yan, Y., & Meng, X. (2008). Vague-SWRL: A Fuzzy

Extension of SWRL. Paper presented at the 2nd International Conference on Web Reasoning and Rule Systems, Karlsruhe, Germany.

Willey, D.A. (2000). Connecting learning objects to instructional design theory: A

definition, a metaphor, and a taxonomy. Recuperado desde http://www.reusability.org/read/chapters/wiley.doc, en Octubre de 2007.

Wixon, D., & Wilson, C. (1997). The usability-engineering framework for

product design and evaluation. Handbook of HCI, 2nd edition. In (pp. 653-688): Elsevier Science.

Xiang, X., Shen, Z., Guo, L., Shi, Y. (2003). Introduction of the Core Elements

Set in Localized LOM Model. Paper presented at the 3rd IEEE International Conference on Advanced Learning Technologies (ICALT 2003). Learning Technology Task Force (LTTF). Vol 5 (1), 2003.

Zadeh, L. A. (1975). Fuzzy logic and approximate reasoning. Synthese, 30(3), 407-

428. Zarraonandia, T., Dodero, J. M., & Fernández, C. (2006). Crosscutting

Runtime Adaptations of LD Execution. Educational Technology & Society, 9(1), 123-137.

Zhaoa, W., & Liu, J. K. (2008). OWL/SWRL representation methodology for EXPRESS-driven product information model: Part I. Implementation methodology. Computers in Industry, 59(6), 580-589.

202

AAnneexxooss

203

Anexo A. Extracto de la representación ontológica parcial de los métodos de la teoría “Learning by Doing”.

Submethod 2. Mission Guía Id Reglas Reglas SWRL Observaciones

LBD-2-1-1 ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp) ^ ConceptLearningActivity(?la1) ^ ConceptLearningActivity(?la2) ^ differentFrom(?la1, ?la2) → lbd-2-1-1 (?m,"true")

Verifica que el LD use al menos dos Actividades de Aprendizaje

1 Must be motivational

LBD-2-1-2 ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp) ^ ConceptLearningActivity(?la) ^ ld:execution-entity-ref(?rp, ?la) ^ ld:Environment(?env) ^ ld:environment-ref(?la, ?env) ^ ld:Learning-Objective(?obj) ^ ld:learning-objective-ref(?env, ?obj) → lbd-2-1-2 (?m,"true")

Verifica que el LD tenga Objetivos de Aprendizaje relacionados.

Submethod 3. Cover story (background story line) Guía Id Reglas Reglas SWRL Observaciones 2 Must allow

enough opportunities to practice the skill & seek the knowledge.

LBD-3-2 Learning-Object-Res(?lo) ^ uol:Metadata (?m) ^ uol:metadata-ref (?lo,?m) ^ lom:LOM (?lom) ^ uol:metadata-description (?m, ?lom) ^ lom:Educational (?edu) ^ lom:educational-ref (?lom,?edu) ^ lom:learningresourcetype(?lo, "exer") → lbd-3-2 (?lo, "true")

Verifica que el LD use OA del tipo example.

Submethod 4. Role (who the student will play) Guía Id Reglas Reglas SWRL Observaciones 1 Must be one

who uses the necessary

LBD-4-1-1 ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p)

Verifica que el el rol de estudiante debe tener actividades de

204

Submethod 4. Role (who the student will play) Guía Id Reglas Reglas SWRL Observaciones

skills and knowledge.

ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp) ^ ld:Support-Activity(?la) ^ ld:execution-entity-ref(?rp, ?la) ^ ld:Learner(?role) ^ ld:role-ref(?la, ?role) ^ ld:Environment(?env) ^ ld:environment-ref(?la, ?env) ^ ld:Learning-Object(?lo) ^ ld:learning-object(?env, ?lo) ^ ld:learning-object-ref(?lo, ?uol-lo) ^ Learning-Object-Res(?uol-lo) ^ uol:Metadata(?m) ^ uol:metadata-ref(?uol-lo, ?m) ^ lom:LOM(?lom) ^ uol:metadata-description(?m, ?lom) ^ lom:Educational(?edu) ^ lom:educational-ref(?lom, ?edu) ^ lom:learningresourcetype(?lo, "exam") → lbd-4-1-1 (?m,"true")

aprendizaje que use OA del tipo “example”.

Submethod 5. Scenario operations (activities the student does) Guía Id Reglas Reglas SWRL Observaciones 1 Must be

closely related to both the mission and the goals

LBD-5-1

2 Must have decision points with consequences that become evident.

LBD-5-2 ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp) ^ ConceptLearningActivity(?la) ^ ld:execution-entity-ref(?rp, ?la) ^ ld:On-Completion-Unit(?oc) ^ ld:on-completion-ref(?la, ?oc) ^ complete-unit-of-learning(?oc, "user-choice") → lbd-5-2 (?m, "true")

Verifica que el aprendiz pueda elegir la próxima actividad de aprendizaje.

2.2 A negative consequence must be understood as an expectation failure

LBD-5-2-2 Idem a LBD-7-1

Debe tener retroalimentacion

3 Must be plenty of operations

LBD-5-3 ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^

Verifica que el LD tenga “muchas actividades” para el

205

Submethod 5. Scenario operations (activities the student does) Guía Id Reglas Reglas SWRL Observaciones

for the student to do (to spend most of their time practicing the skills).

ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp) ^ ConceptLearningActivity(?la1) ^ ConceptLearningActivity(?la2) ^ ConceptLearningActivity(?la3) ^ ld:execution-entity-ref (?rp,?la1) ^ ld:execution-entity-ref (?rp,?la2) ^ ld:execution-entity-ref (?rp,?la3) ^ differentFrom(?la1,?la2) ^ differentFrom(?la2,?la3) ^ differentFrom(?la1,?la3) → lbd-5-3 (?m,"true")

estudiante

Submethod 6. Resources Guía Id Reglas Reglas SWRL Observaciones 1 Must

provide the information the students need to succeed in the mission

LBD-6-1

1.1 The information must be well organized and readily accessible

LBD-6-1-1 KnowledgeItem(?c1)^ KnowledgeItem(?c2)^ concept-hasSupportingContent(?c1, ?c2) ^ differentFrom(?c1, ?c2) ^ ConceptLearningActivity(?la) ^ concept-learning-objective(?la, ?c1) → lbd-6-1-1(?la, "true")

Verifica que el LD tenga contenidos de soporte.

1.2 The information is often best provided in the form of stories (so knowledge and skills are indexed properly)

LBD-6-1-2

Submethod 7. Feedback Guía Id Reglas Reglas SWRL Observaciones 1 Must be

situated, so it is indexed properly as an expectation failures.

LBD-7-1 ld:Method(?m) ^ ld:Play(?p) ^ ld:play-ref(?m, ?p) ^ ld:act-ref(?p, ?ac) ^ ld:Act(?ac) ^ ld:Role-Part(?rp) ^ ld:role-part-ref(?ac, ?rp) ^ ld:Learning-Activity (?la) ^ ld:Complete-Unit (?completion) ^

Verifica que el LD tenga retroalimentacion en las actividades

206

Submethod 7. Feedback Guía Id Reglas Reglas SWRL Observaciones

ld:on-completion-ref (?la,?completion) ^ ld:Feedback-Description (?feedback) ^ ld:feedback-description (?completion,?feedback) → lbd-7-3-1 (?m,"true")

2 Must be just in time, so the student will use it.

LBD-7-2 Idem a LBD-7-1

Idem

3 Can be given in three ways:

LBD-7-3 Idem a LBD-7-1

Idem

3.1 Consequence of actions

LBD-7-3-1 Idem a LBD-7-1

Idem

207

Anexo B. Extracto de la representación ontológica parcial de los métodos de la teoría de Inteligencias Múltiples.

Submethod 1. Select a few significant topics Guía Id Reglas Reglas SWRL Observaciones 1 Select fewer

topics to treat them in greater depth

MI-1-1

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ KnowledgeItem(?c3) ^ KnowledgeItem(?c4) ^ concept-includes(?c1, ?c2) ^ concept-includes(?c2, ?c3) ^ concept-includes(?c3, ?c4) ^ differentFrom(?c1, ?c2) ^ differentFrom(?c1, ?c3) ^ differentFrom(?c1, ?c4) ^ differentFrom(?c2, ?c3) ^ differentFrom(?c2, ?c4) ^ differentFrom(?c3, ?c4) ^ → MI-rule-1-1(?c1, 1)

Verifica que se use algún concepto con profundidad mayor a 3 en relación a sus conceptos incluidos.

MI-1-2-R1

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ concept-hasKind(?c1, ?c2) → MI-rule-1-2-1(?c1, "true")

Verifica que los conceptos utilizados estén conectados mediante alguna relación del tipo “hasKind”

MI-1-2-R4

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ concept-hasPart(?c1,?c2) → MI-rule-1-2-2(?c1, "true")

Verifica que los conceptos utilizados estén conectados mediante alguna relación del tipo “hasPart”

MI-1-2-R3

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ concept-includes (?c1,?c2) → MI-rule-1-1(?c1, "true")

Verifica que los conceptos utilizados estén conectados mediante alguna relación del tipo “includes”

2 Select only topics that can be reasonably connected to some powerful themes

MI-1-2-R4

KnowledgeItem(?c1) ^ KnowledgeItem(?c2) ^ concept-hasSupportingContent(?c1,?c2) → MI-rule-1-2-4(?c1, "true")

Verifica que los conceptos utilizados estén conectados mediante alguna relación del tipo “hasSupportingContent”

Submethod 2. Use Entry points Guía Id Regla Reglas SWRL Observaciones 1 Use entry

points, to engage the student in the topic,

MI-2-1 ld:Method(?m1) ^ ld:Play(?p1) ^ ld:Play(?p2) ^ ld:play-ref(?m1, ?p1) ^ ld:play-ref(?m1, ?p2) ^ differentFrom(?p1, ?p2) ^

Verifica que haya más de un play.

208

Submethod 2. Use Entry points Guía Id Regla Reglas SWRL Observaciones

considering multiple intelligences. Narrational Quantitative/numerical Foundational/existential Aesthetic Hands-on Social

→ MI-rule2-1(?m1, "true")

Submethod 3. Tell analogies and examples Guía Id Regla Reglas SWRL Observaciones 1 Use analogies,

metaphors, and examples to enhance understanding of new material

MI-3-1

Learning-Object-Res(?lo) ^ uol:Metadata (?m) ^ uol:metadata-ref (?lo,?m) ^ lom:LOM (?lom) ^ uol:metadata-description (?m, ?lom) ^ lom:Educational (?edu) ^ lom:educational-ref (?lom,?edu) ^ lom:learningresourcetype(?lo, "exam") → MI-rule-3-1(?lo, "true")

Verifica que el LD contenga algún objeto de aprendizaje del tipo “example”

Submethod 4. Approach the core, to convey the central understanding of the topics, using multiple representations. Guía Id Regla Reglas SWRL Observaciones

MI-4-6-R1

ld:Activity-Structure(?s) ^ ld:Support-Activity(?sup1) ^ ld:execution-entity-ref(?s, ?sup1) → MI-rule-1-2-4(?s, "true")

Verifica que el LD incluya “Support-activities” (actividades de soporte)

MI-4-6-R2-1 uol:Unit-of-Learning(?uol) ^ Learning-Object-Res(?lo1) ^ Learning-Object-Res(?lo2) ^ uol:resource-ref(?uol, ?lo1) ^ uol:resource-ref(?uol, ?lo2) ^ differentFrom(?lo1, ?lo2) → MI-rule-4-6-2-1(?uol, "true")

Verifica que el LD contenga más de un recurso del tipo objeto de aprendizaje.

6 Provide many opportunities for performance of varied types, including: Short-answer test Essay question Works of art Debate Experiment Interview Discussion Designs

MI-4-6-R2-2

uol:Unit-of-Learning(?uol) ^ Learning-Object-Res(?lo) ^ uol:resource-ref(?uol, ?lo) ^ Metadata(?m) ^ LOM(?lom) ^ uol:metadata-description(?m, ?lom) ^

Verifica que el LD contenga algún objeto de aprendizaje del tipo “Exercise”.

209

Submethod 4. Approach the core, to convey the central understanding of the topics, using multiple representations. Guía Id Regla Reglas SWRL Observaciones

lom:Educational(?edu) ^ lom:educational-ref(?lom, ?edu) ^ lom:learningresourcetype(?edu, "Exercise") → MI-rule-4-6-2-2(?uol, "true")

MI-4-6-R2-3

uol:Unit-of-Learning(?uol) ^ Learning-Object-Res(?lo) ^ uol:resource-ref(?uol, ?lo) ^ Metadata(?m) ^ LOM(?lom) ^ uol:metadata-description(?m, ?lom) ^ lom:Educational(?edu) ^ lom:educational-ref(?lom,?edu) ^ lom:learningresourcetype(?edu, "Simulation") → MI-rule-4-6-2-2(?uol, "true")

Verifica que el LD contenga algún objeto de aprendizaje del tipo “Simulation”.

MI-4-6-R3

ld:Activity(?a) ^ ld:Environment(?e) ^ ld:Service(?s) ^ ld:environment-ref(?a, ?e) ^ ld:service-ref(?e, ?s) → MI-rule-6-6-3(?a, "true")

Verifica que el LD utilice algún tipo de servicios.

210

Anexo C. Extracto de documentación de la aplicación Terpsícore.

Package org.tencompetence.ldauthor.ui.views.IDM

Resumen de Clases del Paquete

BridgeInferencia Clase que crea BridgeSWRL, realiza la inferencia y genera

archivo OWL de salida

IDMethod Clase implementa una vista de Recourse, integra la GUI de

Recourse con Terpsícore

LeeReglas Clase que realiza la lectura de los resultados de las reglas en la

ontología y genera el archivo "resultValidacion.xml" de salida

RecorreManifest Clase que lee el archivo imsmanifest.xml y realiza las instancias

de esta información en la ontología IMS-LD

SourceTheory Clase que muestra los fundamentos teóricos de cada sugerencia

Validador Clase que organiza la instanciacion de las clases

recorreManifest.java, bidge5Inferencia.java y leeReglas5.java

VentCondicion Clase que realiza la vinculación entre Learning Activity e

ItemCondition - Implementa GUI

VentRelacion Clase que realiza la vinculación entre Learning Activity e

ItemKnowledge - Implementa GUI

1. Class BridgeInferencia

java.lang.Object

org.tencompetence.ldauthor.ui.views.IDM.BridgeInferencia

public class BridgeInferencia extends java.lang.Object

Descripción: Clase que crea BridgeSWRL, realiza la inferencia y genera archivo OWL de Salida

211

Detalle de los métodos

Método: bridgeSWRL

public void bridgeSWRL(java.lang.String metodoSeleccionado)

Descripción: Construye el BridgeSWRL, activa y ejecuta las reglas para el método

seleccionado

Parameters: metodoSeleccionado -

2. Class IDMethod

java.lang.Object

org.eclipse.core.commands.common.EventManager

org.eclipse.ui.part.WorkbenchPart

org.eclipse.ui.part.ViewPart

org.tencompetence.ldauthor.ui.views.IDM.IDMethod

All Implemented Interfaces:

org.eclipse.core.runtime.IAdaptable, org.eclipse.core.runtime.IExecutableExtension,

org.eclipse.ui.IPersistable,

org.eclipse.ui.IViewPart, org.eclipse.ui.IWorkbenchPart,

org.eclipse.ui.IWorkbenchPart2, org.eclipse.ui.IWorkbenchPart3,

org.eclipse.ui.part.IWorkbenchPartOrientation,

org.tencompetence.ldauthor.ui.views.IiDMethod

public class IDMethod extends org.eclipse.ui.part.ViewPart implements org.tencompetence.ldauthor.ui.views.IiDM ethod

Descripción: Clase implementa una vista de Recourse, integra la GUI de Recourse con Terpsicore

Detalles de los métodos

Método: createPartControl

public void createPartControl(org.eclipse.swt.widgets.Composite parent)

Descripción: Crea los controles de la vista principal de Terpsícore

Specified by: createPartControl in interface org.eclipse.ui.IWorkbenchPart

Specified by: createPartControl in class org.eclipse.ui.part.WorkbenchPart

212

See Also: WorkbenchPart.createPartControl(org.eclipse.swt.widgets.Composite)

Método: dispose

public void dispose()

Specified by: dispose in interface org.eclipse.ui.IWorkbenchPart

Overrides: dispose in class org.eclipse.ui.part.WorkbenchPart

Método: setFocus

public void setFocus()

Specified by: setFocus in interface org.eclipse.ui.IWorkbenchPart

Specified by: setFocus in class org.eclipse.ui.part.WorkbenchPart

Método: setMainTitle

public void setMainTitle(java.lang.String title)

3. Class LeeReglas

java.lang.Object

org.tencompetence.ldauthor.ui.views.IDM.LeeReglas

public class LeeReglas extends java.lang.Object

Descripción: liza la lectura de los resultados de las reglas en la ontologia y genera el archivo "resultValidacion.xml" de salida


Método: getSourceTheory

public java.lang.String[] getSourceTheory()

Descripción: Retorna un arregla de String con los fundamentos teóricos de las

sugerencias

Returns: String[]

Método: lee_XML

public void lee_XML()

Descripción: Realiza la lectura del archivo de entrada "reglasMetodo-IN-all.xml"

Método: leeNodoRule

public void leeNodoRule(org.jdom.Element nodoRule)

Descripción: Lee información de un nodo de reglas del archivo "resultValidacion.xml"

213

Parameters:

nodoRule -

Método: leeResultadosReglas

public java.lang.String[] leeResultadosReglas(java.lang.String metodoSeleccionado)

Descripción: Retorna el arreglo recomendacionesXML con las sugerencias

Parameters: metodoSeleccionado -

Returns: String[]

Método: leeValorRule

public java.lang.String leeValorRule(java.lang.String classOnto,

java.lang.String propertyOnto)

Descripción: Retorna el valor de una propieadad que almacena el resultado de una

regla

Parameters:

classOnto -

propertyOnto -

Returns: String

Método: obtieneNombreLD

public java.lang.String obtieneNombreLD(java.lang.String claseLD)

Descripción: Obtiene el nombre del LD

Parameters:

claseLD -

Returns: String

Método: ordenMetodosLeeReglas

public java.lang.String[]

ordenMetodosLeeReglas(java.lang.String metodoSeleccionado)

Descripción: Realiza la lectura del archivo “reglasAll.xml”

4. Class RecorreManifest

java.lang.Object

org.tencompetence.ldauthor.ui.views.IDM.RecorreManifest

public class RecorreManifest extends java.lang.Object

214

Descripción: Clase que lee el archivo imsmanifest.xml y realiza las instancias de esta

información en la ontologia IMS-LD


Método: asignaUri

public void asignaUri()

Descripción: Define URI de la ontología IMS-LD

Método: borraInstancias

public void borraInstancias(java.lang.String classOnto)

Descripción: Borra instancias de una Clase

Parameters:

classOnto -

Método: buscaUOLRecurso

public org.jdom.Element buscaUOLRecurso(java.lang.String id)

Descripción: Busca un Recurso mediente su id y retorna el Element xml que lo

describe

Parameters:

id -

Returns:

Element

Método: creaEnvironments

public void creaEnvironments(org.jdom.Element nodoEnvironments,

edu.stanford.smi.protegex.owl.model.OWLIndividual learningDesignIN,

edu.stanford.smi.protegex.owl.model.RDFProperty learningDesignPROP)

Descripción: Crea instancia de Environment

Parameters:

nodoEnvironments -

learningDesignIN -

learningDesignPROP -

Método: creaFeedBackDescription

public void creaFeedBackDescription(org.jdom.Element nodoFeedback,

edu.stanford.smi.protegex.owl.model.OWLIndividual individuoIN,

edu.stanford.smi.protegex.owl.model.RDFProperty propiedadProp)

215

Descripción: Crea instancia de Feedback Description

Parameters:

nodoFeedback -

individuoIN -

propiedadProp -

Método: creaLearningObjective

public void creaLearningObjective(org.jdom.Element nodoLearningObjectives,



Descripción: Crea instancia de Learning Objective

Parameters:

nodoLearningObjectives -

individuoIN -

propiedadProp

Método: creaLearningObjectiveLActivity

public void

creaLearningObjectiveLActivity(org.jdom.Element nodoLearningObjectives,


edu.stanford.smi.protegex.owl.model.RDFProperty propiedadProp,

edu.stanford.smi.protegex.owl.model.RDFProperty objectiveActKnowledgeProp)

Descripción: Crea instancia de Learning Objective de Actividades

Parameters:

nodoLearningObjectives -

individuoIN -

propiedadProp -

objectiveActKnowledgeProp -

Método: creaOnCompletionFeedback

public void creaOnCompletionFeedback(org.jdom.Element nodoFeedback,


edu.stanford.smi.protegex.owl.model.RDFProperty propiedadPROP)

Descripción: Agrega "On-Completion-Unit" a la descripcion de Feedback

Parameters:

216

nodoFeedback -

individuoIN -

propiedadPROP -

Método: creaOnCompletionUnit

public edu.stanford.smi.protegex.owl.model.OWLIndividual

creaOnCompletionUnit(org.jdom.Element nodoWhenLastAct)

Descripción: Agrega "user-choice" al completar el UoL

Parameters:

nodoWhenLastAct -

Returns: OWLIndividual

Método: creaOnCompletionUnitAct


reaOnCompletionUnitAct()

Descripción: Agrega "user-choice" al completar un acto


Método: creaOnCompletionUnitPLAY


reaOnCompletionUnitPLAY()

Descripción: Agrega "user-choice" al completar un Play


Método: creaRolePart


creaRolePart(org.jdom.Element elemento)

Descripción: Crea un role-part

Parameters:

elemento -

Returns:

OWLIndividual

Método: creaTiempoLimite


creaTiempoLimite(org.jdom.Element nodoTimelimit,

java.lang.String unidad)

217

Descripción: Crea instancia de tiempo limite para Method, Play, Act y Activity

Parameters:

nodoTimelimit -

unidad -


Método: creaUOLReosurce


creaUOLReosurce(java.lang.String idRef,

java.lang.String tipo)

Descripción: Crea una instancia de UOLResource considerando diferentes tipos

Parameters:

idRef -

tipo -


Método: creaWhenActCompleted


creaWhenActCompleted(org.jdom.Element nodoWhenLastAct)

Asocia un acto con "when-last-act-completed"

Parameters:

nodoWhenLastAct -


Método: creaWhenPlayCompleted


creaWhenPlayCompleted(java.util.List listaWhen)

Descripción: Relaciona un Item con instancia "WhenPlayCompleted"

Parameters:

listaWhen -


Método: creaWhenRolePartCompleted


creaWhenRolePartCompleted(java.util.List listaWhen)

Descripción: Crea instancia de "when-role-part-completed" al completar un Act

218

Parameters:

listaWhen -


Método: guardaOntologias

public void guardaOntologias()

Descripción: Graba la ontologia en un archivo OWL con las instancias del LD

Método: insertaActDescrip

public void insertaActDescrip(org.jdom.Element nodoDescActivity,

edu.stanford.smi.protegex.owl.model.OWLIndividual padre)

Descripción: Crea instancia de Descripcion de Actividad

Parameters:

nodoDescActivity -

padre -

Método: insertaEnvironmentRef

public void insertaEnvironmentRef(java.util.List listaEnv,



Descripción: Inserta relacion a Environment

Parameters:

listaEnv -

individuoIN -

propiedadProp -

Método: insertaLO

public void insertaLO(java.util.List nodoLO,

edu.stanford.smi.protegex.owl.model.OWLIndividual padre)

Descripción: Crea una instancia de Learning Object

Parameters:

nodoLO -

padre -

Método: insertaPrerequi

public void insertaPrerequi(java.util.List nodoRequi,


219

edu.stanford.smi.protegex.owl.model.RDFProperty propiedadPROP)

Descripción: Crea instancias de Prerequisitos

Parameters:

nodoRequi -

individuoIN -

propiedadPROP -

Método: leeManifest

public void leeManifest(java.lang.String archivo,

java.lang.String metodoSeleccionado,

java.lang.String ontologiaSeleccionada)

Descripción: Lee archivo "imsmanifest.xml" y genera las intancias en la ontologia para

el metodo y ontologia de dominio seleccionada

Parameters:

archivo -

metodoSeleccionado -

ontologiaSeleccionada -

Método: reemplazaBlancos

public java.lang.String reemplazaBlancos(java.lang.String cadena)

Descripción: Reemplaza espacios blancos por "_"

Parameters: cadena -

Returns: String

5. Class SourceTheory

java.lang.Object

java.awt.Component

java.awt.Container

java.awt.Window

java.awt.Frame

javax.swing.JFrame

org.tencompetence.ldauthor.ui.views.IDM.SourceTheory


java.awt.image.ImageObserver, java.awt.MenuContainer, java.io.Serializable,

javax.accessibility.Accessible, javax.swing.RootPaneContainer,

javax.swing.WindowConstants

220

public class SourceTheory extends javax.swing.JFrame

Clase que muestra los fundamentos teoricos de cada sugerencia


Método: generaVentanaTheory

public void generaVentanaTheory(java.lang.String sourceRecomendacion,

java.lang.String sugerencia)

Descripción: Genera la pantalla que muestra la fundamentacion teorica para un

sugerencia

Parameters:

sourceRecomendacion -

sugerencia -

6. Class Validador

java.lang.Object

org.tencompetence.ldauthor.ui.views.IDM.Validador

public class Validador extends java.lang.Object

Descripción: Clase que organiza la instnciacion de las clases RecorreManifest.java,

BidgeInferencia.java y LeeReglas.java


Método: valida

public java.lang.String[] valida(java.lang.String archivo,

java.lang.String metodoSeleccionado,

java.lang.String ontologiaSeleccionada)

Descripción: Realiza la invocación a las clases para realizar la validación del LD para

el metodo ID seleccionado y la ontología de dominio seleccionada

Parameters:

archivo -

metodoSeleccionado -

221

ontologiaSeleccionada -

Returns: String[]

7. Class VentCondicion

java.lang.Object

java.awt.Component

java.awt.Container

java.awt.Window

java.awt.Frame

javax.swing.JFrame

org.tencompetence.ldauthor.ui.views.IDM.VentCondicion



javax.accessibility.Accessible, javax.swing.RootPaneContainer,


public class VentCondicion extends javax.swing.JFrame

Descripción: Clase que realiza la vinculación entre Learning Activity e ItemCondition -

Implementa GUI


Método: generaVentanaCondicion

public void generaVentanaCondicion(java.util.Collection instanc esActivity, java.util.Collection instancesCondicion, edu.stanford.smi.protegex.owl.jena.JenaOWLModel jen aModel) Descripción: Genera ventana que permite vincular Actividades de Aprendizaje con

Condiciones

Parameters:

instancesActivity -

instancesCondicion -

jenaModel -

222

8. Class VentRelacion

java.lang.Object

java.awt.Component

java.awt.Container

java.awt.Window

java.awt.Frame

javax.swing.JFrame

org.tencompetence.ldauthor.ui.views.IDM.VentRelacion



javax.accessibility.Accessible,javax.swing.RootPaneContainer,


public class VentRelacion extends javax.swing.JFrame

Descripción: Clase que realiza la vinculación entre Learning Activity e ItemKnowledge -

Implementa GUI


Método: buscaInstancia


buscaInstancia(java.util.Collection colecInstancia,

java.lang.String title, java.lang.String uri,

edu.stanford.smi.protegex.owl.jena.JenaOWLModel jenaModel)

Descripción: Busca una instancia por su title en una colección de instancias

Parameters:

colecInstancia -

title -

uri -

jenaModel -


Método: generaVentana

public void generaVentana(java.util.Collection instancesActivity,

java.util.Collection instancesConcept,

223

edu.stanford.smi.protegex.owl.jena.JenaOWLModel jenaModel)

Descripción: Genera ventana que permite vincular Actividades de Aprendizaje con

Topicos

Parameters:

instancesActivity -

instancesConcept -

jenaModel -

224

Anexo D. Descripción del Funcionamiento de TERPSICORE y ayuda al Usuario

Esta sección explica el funcionamiento de la aplicación TERPSICORE y permite guiar

al usuario en su utilización. TERPSICORE permite realizar un análisis de la

conformidad de un Learning Design (LD) con respecto a los métodos de la Teoría de

Elaboración. Esta aplicación genera sugerencias que permiten mejorar la conformidad

del LD con respecto a las guías y métodos de la teoría elegida.

1.- INICIO DE LA APLICACIÓN

La aplicación funciona inmersa en una vista del editor ReCourse. El usuario debe cargar

un Learning Design en el editor ReCourse y para comenzar el análisis puede activar la

aplicación TERPSICORE presionando el icono desde la pantalla principal del

editor (ver Figura 47).

225

Figura 47. Pantalla principal del editor Recourse.

También es posible iniciar la aplicación desde el menú Windows del editor Recourse.

En cualquiera de los dos casos se despliega la ventana principal que permite realizar el

análisis del LD.

2. SELECCIÓN DE LA TEORÍA DE DISEÑO INSTRUCCIONAL

Para seleccionar la Teoría de Diseño Instruccional con la cual se desea realizar el

análisis, el usuario debe elegir una las teorías disponibles. La Figura 48 muestra la

pantalla con la lista de despliegue que presenta las representaciones de las Teorías de

Diseño Instruccional que están disponibles.

226

Figura 48. Elección de la representación de una Teoría de Diseño Instruccional para realizar el análisis.

3. ELECCIÓN DEL MÉTODO DE DISEÑO INSTRUCCIONAL Y LA

ONTOLOGÍA DE DOMINIO

Luego de seleccionar una Teoría de Diseño Instruccional el usuario debe seleccionar un

método de la teoría y la ontología de dominio que contiene los tópicos de aprendizaje.

En el caso de haber seleccionado la Teoría de Elaboración (Elaboration Theory), se

debe elegir alguno de los 3 métodos de esta teoría:

• Theoretical Elaboration Sequence

227

• Conceptual Elaboration Sequence

• Simplifying Conditions Sequence

La selección del método se realiza mediante una lista de despliegue, como lo muestra la

Figura 3.

Posteriormente, el usuario debe elegir la ontología de dominio de donde provienen los

tópicos utilizados en el LD. Esta acción puede realizarse mediante la pantalla presentada

en la Figura 49.

Figura 49. Selección del método de Diseño Instruccional y de la ontología de dominio que contiene los tópicos de aprendizaje.

228

Luego de seleccionar el método y la ontología de dominio requerida, el usuario puede

comenzar el análisis presionando el botón “Validation“. De esta forma comienza la

ejecución del proceso de análisis del LD.

4. VINCULACIÓN DE ACTIVIDADES DE APRENDIZAJE CON TÓPICOS O

CONDICIONES

Como se mencionó en el punto anterior, el usuario puede seleccionar uno de los 3

métodos de la Teoría de Elaboración. Esto depende de la naturaleza del objetivo de

aprendizaje, que define la situación de uso del método. Es decir, si lo que quiere enseñar

se relaciona con principios (por ejemplo, principios de una teoría) deberá seleccionar el

método Theoretical Elaboration Sequence. Si lo que desea enseñar es un concepto

deberá seleccionar el método Conceptual Elaboration Sequence. Si lo que desea enseñar

es una tarea deberá seleccionar el método Simplifying Conditions Sequence.

Dependiendo del método elegido se requiere que el usuario vincule Tópicos o

Condiciones a las actividades de aprendizajes definidas en el LD.

4.1 Vinculando Actividades de Aprendizaje con Tópicos de aprendizaje

Si el usuario selecciona los métodos Conceptual Elaboration Sequence o Theoretical

Elaboration Sequence se pide que el usuario vincule Actividades de Aprendizaje a los

Tópicos de aprendizaje. La Figura 50 muestra la pantalla que permite que el usuario

vincule Actividades de Aprendizaje con Tópicos de una ontología de Dominio.

229

Figura 50. Vinculación de Actividades de Aprendizaje con Tópicos de la ontología de dominio.

.

El fragmento de la ontología de dominio que contiene los Tópicos usados en la

ontología ha sido previamente incorporado como instancias de la clase KnowledgeItem.

Como ejemplo, el fragmento de tópicos de aprendizaje utilizado en la pantalla anterior,

se muestra en la Figura 51.

230

Figura 51. Fragmento de la ontología de dominio que contiene los tópicos utilizados en el LD.

El usuario puede vincular las Actividades de Aprendizaje con Tópicos que requiera para

analizar el LD. Finalmente, la aplicación entrega las sugerencias al usuario para mejorar

la conformidad del LD con el método seleccionado de la Teoría de Elaboración, como

lo muestra la Figura 6.

Figura 52. Sugerencias generadas como resultados del análisis del LD.

231

El usuario puede conocer el fundamento de cada sugerencia haciendo clic sobre alguna

de las sugerencias. El fundamento de la sugerencia consiste de la descripción original

del método propuesta por Reigeluth, como lo muestra la Figura 53.

Figura 53. Pantalla que muestra el fundamento teórico de una sugerencia.

.

4.2 Vinculando Actividades de Aprendizaje con Condiciones de aprendizaje de una

tarea

En el caso de que el usuario haya seleccionado el método conocido como Simplifying

Conditions Sequence de la Teoría de Elaboracíon, se requiere que vincule Actividades

de Aprendizaje con Condiciones de una tarea. La Figura 54 muestra la pantalla en

donde el usuario vincula Actividades de Aprendizaje con Condiciones que simplifican

una tarea.

232

Figura 54. Vinculación de Actividades de Aprendizaje con Condiciones de una tarea, al utilizar el método Simplifying Conditions Sequence.

.

En forma genérica, se encuentran definidas 4 instancias de Condiciones en la clase

ConditionItem . Las instancias de Condiciones están ordenadas por nivel de

complejidad mediante la propiedad next-condition . De esta forma la Condición1

es más simple que la Condición2 y la Condición3 es más simple que la condición4.

La definición de la condición que se asocia a una competencia es irrelevante para este

análisis, pero la propiedad condition-taxonpath-ref permite apuntar a una

ontología de competencia que utilice, por ejemplo RDCEO. La Figura 55 muestra las

instancias usadas como ejemplo.

233

Figura 55. Instancias de Condiciones genéricas para una tarea utilizadas en el ejemplo anterior.

.

Una vez que el usuario ya ha vinculado las Actividades de Aprendizaje a Condiciones,

el proceso de análisis del LD continúa en forma transparente para el usuario, mostrando

finalmente las sugerencias como lo muestra la Figura 56.

234

Figura 56. Sugerencias generadas luego del análisis del LD con el método Simplifying Conditions Sequence.

De la misma forma que para los métodos anteriores el usuario puede ver el fundamento

de la sugerencia haciendo clic sobre las sugerencias.

Las sugerencias permiten orientar al usuario para que realice las modificaciones que

permiten mejorar la conformidad del LD analizado con la Teoría de Diseño

Instruccional elegida.

235

Anexo E. Instrumento para la evaluación utilizado en la aplicación de Technology Aceptance Model

236

Evaluación del software Terpsícore: modelo TAM

Esta encuesta forma parte de la evaluación del trabajo de Tesis Doctoral titulado “Uso de Ontologías

Formales para dar soporte al Diseño Instruccional” del doctorando Christian Vidal de la Universidad de Castilla-La Mancha, dirigido por el Dr. Miguel Ángel Sicilia y el Dr. Manuel Prieto. I. Objetivos: El objetivo de esta encuesta es conocer la Intención de Uso de los usuarios

en relación al software Terpsícore. II. Antecedentes generales

1. Experiencia en e-Learning Años. 2. Nivel de conocimiento de Teorías de Diseño Instruccional Alto, Medio, Bajo 3. Nivel de conocimiento en IMS-LD Alto, Medio, Bajo

III. Evaluación de las representaciones ontológicas y del prototipo.

Responda a las siguientes preguntas relacionadas con su percepción en relación al uso del software, utilizando una escala de 1 a 7, dónde el valor 1 es el extremo que representa la percepción de Desacuerdo y el valor 7 representa la percepción de Acuerdo. Id Pregunta 1 2 3 4 5 6 7 UP-1 El uso del software permite realizar las labores de diseño

en forma más rápida.

UP-2 El uso del software podría mejorar el rendimiento en mis

labores de diseño instruccional.

UP-3 El uso del software podría aumentar la productividad en

mis labores de diseño instruccional.

UP-4 El uso del software podría permitir obtener diseños más

fundamentados en teorías.

UP-5 La utilización del software podría hacer más fácil el

diseño de cursos fundamentados en teorías de diseño

instruccional.

UP-6 El software podría ser útil en mis labores de diseño de

cursos.

FUP-1 Es fácil aprender a usar el software.

FUP-2 Es fácil hacer que el software realice las operaciones que

deseo hacer.

FUP-3 La forma de interacción con el software es clara y

entendible.

FUP-4 La interacción con el software es flexible.

FUP-5 Podría fácilmente adquirir habilidades en usar el software.

FUP-6 El software es fácil de usar.

R-1 El prototipo de validación se integra adecuadamente a las

interfaces del editor Recourse.

R-2 El prototipo de validación se integra adecuadamente a la

funcionalidad del editor Recourse.

I-1 Pienso que es una buena idea utilizar el software en mis

tareas de diseño instruccional

I-2 Estoy dispuesto a utilizar el software en una próxima

oportunidad.

237

Anexo F. Ítems considerados en el Cuestionario de Usabilidad SUMI

Ítems 1 - 10

Este software responde muy lentamente a la entrada de datos.

Recomendaría este software a mis compañeros.

Las instrucciones y ayudas son útiles.

El software se ha parado alguna vez de forma inesperada.

Aprender a usar este software, al principio, presenta muchos problemas.

Al usar este software hay momentos en los que no sé que hacer a continuación.

Disfruto cuando trabajo con este software.

Encuentro que los mensajes de ayuda dados por este software no son demasiado útiles.

Si este software se para, no es fácil volverlo a arrancar.

Se tarda demasiado tiempo en aprender las funciones de este software.

Ítems 11 - 20

A veces me pregunto si estoy utilizando la función adecuada.

Trabajar con este software es satisfactorio.

La forma en la que el sistema presenta la información es clara y comprensible.

Me siento más seguro si utilizo solamente unas pocas funciones conocidas.

La documentación del software da mucha información útil.

Este software parece trastornar la forma en la que normalmente me gusta organizar mi

trabajo.

Trabajar con este software es mentalmente estimulante.

Nunca aparece la suficiente información en la pantalla cuando se necesita.

Siento que tengo el control de este software mientras lo estoy usando.

Prefiero utilizar las facilidades que conozco mejor.

238

Ítems 21 - 30

Creo que este software es inconsistente.

No me gustaría tener que usar este software cada día.

Puedo entender y guiarme por la información dada por el software.

Este software es poco manejable cuando quiero hacer algo que se aparta de lo habitual.

Hay que documentarse mucho antes de poder utilizar este software.

Las tareas pueden realizarse de forma directa utilizando este software.

Usar este software es frustrante.

Este software me ha ayudado a solventar cualquier dificultad que haya tenido al usarlo.

La velocidad de este software es la suficiente.

Sigo teniendo que consultar los manuales.

Ítems 31 - 40

Es obvio que las necesidades del usuario han sido totalmente tomadas en

consideración.

Al usar este software me he sentido ocasionalmente tenso.

La organización de los menús parece bastante lógica.

El software permite al usuario utilizar menos el teclado.

Es difícil aprender a usar funciones nuevas.

Se requieren demasiados pasos para hacer cualquier cosa.

Creo que este software me ha provocado dolores de cabeza en algunas ocasiones.

Los mensajes de prevención de errores no son los adecuados.

Me resulta fácil hacer que el software realice exactamente lo que pretendo.

Nunca aprenderé a usar todo lo que se ofrece con este software.

Ítems 41 - 50

El software no ha hecho siempre lo que yo esperaba.

El software tiene una presentación muy atractiva.

O bien la cantidad, o bien la calidad de las ayudas varía a lo largo de la sesión de

trabajo.

Es relativamente fácil pasar de una tarea a otra.

Es fácil olvidar como se hacen las cosas con este software.

239

Este software a veces se comporta de forma incomprensible.

Este software es realmente muy difícil de usar.

Es fácil ver de una ojeada que opciones hay en cada etapa.

No es fácil importar y exportar al sistema ficheros de datos.

La mayoría de las veces que uso este software necesito pedir ayuda.

Otras preguntas.

¿Para qué utiliza este software en general?

¿Qué importancia tiene para usted este tipo de software?

¿Cómo valoraría sus conocimientos y habilidades en software?

¿Cuál cree que es lo mejor de este software y por qué?

¿Qué cree que se debería mejorar de este software y por qué?

240

Anexo G. Código de archivo imsmanifest.xml del Learning Design inicial

<?xml version="1.0" encoding="UTF-8"?>    <manifest xmlns="http://www.imsglobal.org/xsd/imscp _v1p1" xmlns:imsld="http://www.imsglobal.org/xsd/imsld_v1p 0" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instanc e" xmlns:ldauthor="http://www.tencompetence.org/ldauth or" xsi:schemaLocation="http://www.imsglobal.org/xsd/im scp_v1p1 http://www.imsglobal.org/xsd/imscp_v1p1.xsd http://www.imsglobal.org/xsd/imsld_v1p0 http://www.imsglobal.org/xsd/IMS_LD_Level_A.xsd http://www.tencompetence.org/ldauthor ld-author.xsd " identifier="manifest-e2a185d1-fd8c-442f-93c6-346cc4 bffccb"> <organizations> <imsld:learning-design identifier="ld-2db21131- eb33-4f39-a245-eb4d260e6140" version="1.0.0" level="A" sequence-us ed="false"> <imsld:title>World's biome</imsld:title> <imsld:learning-objectives> <imsld:item identifier="item-f9f45079-e84b- 4fea-b617-40f17b44168f" isvisible="true" identifierref="Learn ing_Objectives"> <imsld:title>Learning Objectives</imsld:t itle> </imsld:item> </imsld:learning-objectives> <imsld:components> <imsld:roles> <imsld:learner identifier="role-c4f8e783- 6a9d-499b-ae63-dd629106a9e8"> <imsld:title>teacher</imsld:title> </imsld:learner> <imsld:learner identifier="role-15807f29- 3b4d-4da7-8632-c4116e5e9796"> <imsld:title>student</imsld:title> </imsld:learner> </imsld:roles> <imsld:activities> <imsld:learning-activity identifier="la-9 e6354b3-485e-4c51-8783-1913875d8b0c" isvisible="true"> <imsld:title>Introduction: Ecosystems a nd Biomes</imsld:title> <imsld:learning-objectives> <imsld:item identifier="item-7a468a6b -ddd5-4ff0-b9d2-df557f5c1436" isvisible="true" identifierref="biome "> <imsld:title>biome</imsld:title> </imsld:item> </imsld:learning-objectives> <imsld:environment-ref ref="env-fc8fef4 1-62fa-4de1-8a39-ae5ec4dcfe9f" /> <imsld:activity-description> <imsld:item identifier="item-f70668df -1db7-46fd-9404-dc302dd69b80" isvisible="true" identifierref="Introduction__Ecosystems_and_Biomes" > <imsld:title>Resource</imsld:title> </imsld:item> </imsld:activity-description> <imsld:complete-activity>

241

<imsld:user-choice /> </imsld:complete-activity> </imsld:learning-activity> <imsld:learning-activity identifier="la-8 baf9cff-e1da-40e6-afa1-3f4454ece89e" isvisible="true"> <imsld:title>Overview: Terrestrial biom e</imsld:title> <imsld:environment-ref ref="env-b2d390b 6-0d88-4d78-b838-deb77c59e2df" /> <imsld:activity-description> <imsld:item identifier="item-fea12992 -56b8-4e59-93fa-6d34c8538b0e" isvisible="true" identifierref="Overview__Terrestrial_biome"> <imsld:title>Resource</imsld:title> </imsld:item> </imsld:activity-description> <imsld:complete-activity> <imsld:user-choice /> </imsld:complete-activity> </imsld:learning-activity> <imsld:learning-activity identifier="la-1 31d8cb2-b356-4a98-8d67-60932199ff00" isvisible="true"> <imsld:title>Terrestrial biomes classification</imsld:title> <imsld:activity-description> <imsld:item identifier="item-e5a2a4bd -3cc0-4808-a4e3-be18edafbad4" isvisible="true" identifierref="terrestrial_biomes_classification"> <imsld:title>Resource</imsld:title> </imsld:item> </imsld:activity-description> <imsld:complete-activity> <imsld:user-choice /> </imsld:complete-activity> </imsld:learning-activity> <imsld:learning-activity identifier="la-6 e0eefd0-0054-4aa0-a993-f0466435b2a9" isvisible="true"> <imsld:title>Overview: aquatic biomes</ imsld:title> <imsld:learning-objectives> <imsld:item identifier="item-ecca32bb -45c6-4a9b-a097-2d30ba942a26" isvisible="true" identifierref="aquat ic_biome"> <imsld:title>aquatic biome</imsld:t itle> </imsld:item> </imsld:learning-objectives> <imsld:environment-ref ref="env-03dfe39 9-00f0-4cdb-86ee-31c0f9108c4e" /> <imsld:activity-description> <imsld:item identifier="item-245c42cd -0ac4-4901-86ec-818587293b38" isvisible="true" identifierref="Overview__aquatic_biomes"> <imsld:title>Resource</imsld:title> </imsld:item> </imsld:activity-description> <imsld:complete-activity> <imsld:user-choice /> </imsld:complete-activity> </imsld:learning-activity> <imsld:learning-activity identifier="la-1 38ab79a-7482-4e2a-a64b-9c02c44a4a65" isvisible="true"> <imsld:title>Freshwater biome</imsld:ti tle> <imsld:learning-objectives> <imsld:item identifier="item-0b0e03e9 -2c9c-43e7-8ac5-c5657da0fec5" isvisible="true" identifierref="fresh water_biome"> <imsld:title>freshwater biome</imsl d:title> </imsld:item> </imsld:learning-objectives> <imsld:activity-description>

242

<imsld:item identifier="item-45a54abb -30ff-4135-ac5a-fe16141240b2" isvisible="true" identifierref="Fresh water_biome"> <imsld:title>Resource</imsld:title> </imsld:item> </imsld:activity-description> <imsld:complete-activity> <imsld:user-choice /> </imsld:complete-activity> </imsld:learning-activity> <imsld:learning-activity identifier="la-9 9bf7536-d2ed-4413-86a6-39be4945a763" isvisible="true"> <imsld:title>Marine biome</imsld:title> <imsld:learning-objectives> <imsld:item identifier="item-86a4ac54 -1abd-4743-babe-74d6419c5d22" isvisible="true" identifierref="marin e_biome"> <imsld:title>marine biome</imsld:ti tle> </imsld:item> </imsld:learning-objectives> <imsld:environment-ref ref="env-03dfe39 9-00f0-4cdb-86ee-31c0f9108c4e" /> <imsld:activity-description> <imsld:item identifier="item-663cd436 -da89-4a27-94c5-678a32ae821a" isvisible="true" identifierref="Marin e_biome"> <imsld:title>Resource</imsld:title> </imsld:item> </imsld:activity-description> <imsld:complete-activity> <imsld:user-choice /> </imsld:complete-activity> </imsld:learning-activity> <imsld:support-activity identifier="sa-69 78fa20-2a09-40e0-9d5a-85213278b98e" isvisible="true"> <imsld:title>Strudent Activity: terrest rial biomes</imsld:title> <imsld:activity-description> <imsld:item identifier="item-9721fb8b -1377-45d0-9b81-054ed1310874" isvisible="true" identifierref="Strudent_Activity__terrestrial_biome s"> <imsld:title>Resource</imsld:title> </imsld:item> </imsld:activity-description> <imsld:complete-activity> <imsld:user-choice /> </imsld:complete-activity> </imsld:support-activity> <imsld:support-activity identifier="sa-8c 4af452-8a75-456e-95a9-f157455a2a1f" isvisible="true"> <imsld:title>Student Activity: marine b iome</imsld:title> <imsld:activity-description> <imsld:item identifier="item-11dad396 -afd9-49c8-be5f-ac38ef9ab11f" isvisible="true" identifierref="Student_Activity__marine_biome"> <imsld:title>Resource</imsld:title> </imsld:item> </imsld:activity-description> <imsld:complete-activity> <imsld:user-choice /> </imsld:complete-activity> </imsld:support-activity> </imsld:activities> <imsld:environments> <imsld:environment identifier="env-fc8fef 41-62fa-4de1-8a39-ae5ec4dcfe9f"> <imsld:title>Biomes overview</imsld:tit le> <imsld:learning-object identifier="lo-c 8ea0469-69e5-4015-b310-a4f15dd49416" isvisible="true" type="knowledge -object"> <imsld:title>BiomesOverview</imsld:ti tle>

243

<imsld:item identifier="item-618db259 -5029-40bb-99fd-b1afb05b1fcc" isvisible="true" identifierref="world _s_Biome"> <imsld:title>Item</imsld:title> </imsld:item> </imsld:learning-object> </imsld:environment> <imsld:environment identifier="env-b2d390 b6-0d88-4d78-b838-deb77c59e2df"> <imsld:title>terrestrial biome</imsld:t itle> <imsld:learning-object identifier="lo-5 54fd4cd-eba4-4eb2-ac9d-8dd622fd9323" isvisible="true" type="knowledge -object"> <imsld:title>terrestrialBiome</imsld: title> <imsld:item identifier="item-bd334505 -5dea-475c-b881-c44f6711a61a" isvisible="true" identifierref="Biome s"> <imsld:title>Item</imsld:title> </imsld:item> </imsld:learning-object> </imsld:environment> <imsld:environment identifier="env-03dfe3 99-00f0-4cdb-86ee-31c0f9108c4e"> <imsld:title>aquatic biome</imsld:title > <imsld:learning-object identifier="lo-0 25185e4-e620-4078-b782-2a7870706b58" isvisible="true" type="knowledge -object"> <imsld:title>aquaticBiome</imsld:titl e> <imsld:item identifier="item-1fcd45e1 -8864-4eba-a50e-06ed35f848f0" isvisible="true" identifierref="shore Lines"> <imsld:title>Item</imsld:title> </imsld:item> </imsld:learning-object> </imsld:environment> </imsld:environments> </imsld:components> <imsld:method> <imsld:play identifier="play-ff7e3614-06ce- 4ad0-9a99-4ca6098f4ffb" isvisible="true"> <imsld:title>World's Biomes</imsld:title> <imsld:act identifier="act-36536727-1a59- 407e-bf17-2335c489ad35"> <imsld:title>Biomes</imsld:title> <imsld:role-part identifier="rolepart-a ea0973c-f611-43bf-abf2-a6678494b193"> <imsld:title>Role Part</imsld:title> <imsld:role-ref ref="role-c4f8e783-6a 9d-499b-ae63-dd629106a9e8" /> <imsld:learning-activity-ref ref="la- 9e6354b3-485e-4c51-8783-1913875d8b0c" /> </imsld:role-part> <imsld:role-part identifier="rolepart-7 54e47d8-b87f-4d45-879b-4b70ad168a5e"> <imsld:title>Role Part</imsld:title> <imsld:role-ref ref="role-c4f8e783-6a 9d-499b-ae63-dd629106a9e8" /> <imsld:learning-activity-ref ref="la- 8baf9cff-e1da-40e6-afa1-3f4454ece89e" /> </imsld:role-part> <imsld:role-part identifier="rolepart-4 3cdf84b-2a82-48e8-a961-64e6a8fd2c08"> <imsld:title>Role Part</imsld:title> <imsld:role-ref ref="role-c4f8e783-6a 9d-499b-ae63-dd629106a9e8" /> <imsld:learning-activity-ref ref="la- 131d8cb2-b356-4a98-8d67-60932199ff00" /> </imsld:role-part> <imsld:role-part identifier="rolepart-6 19da9dc-abc0-4c36-9223-f5d5654354cb"> <imsld:title>Role Part</imsld:title>

244

<imsld:role-ref ref="role-15807f29-3b 4d-4da7-8632-c4116e5e9796" /> <imsld:support-activity-ref ref="sa-6 978fa20-2a09-40e0-9d5a-85213278b98e" /> </imsld:role-part> <imsld:role-part identifier="rolepart-2 254293e-1b98-4f00-a7d9-5cc32b08362d"> <imsld:title>Role Part</imsld:title> <imsld:role-ref ref="role-c4f8e783-6a 9d-499b-ae63-dd629106a9e8" /> <imsld:learning-activity-ref ref="la- 6e0eefd0-0054-4aa0-a993-f0466435b2a9" /> </imsld:role-part> <imsld:role-part identifier="rolepart-6 d9d08d8-8559-4254-bcc4-462051487697"> <imsld:title>Role Part</imsld:title> <imsld:role-ref ref="role-c4f8e783-6a 9d-499b-ae63-dd629106a9e8" /> <imsld:learning-activity-ref ref="la- 99bf7536-d2ed-4413-86a6-39be4945a763" /> </imsld:role-part> <imsld:role-part identifier="rolepart-4 1e1189e-e4dd-47c5-9a46-2f4b788aebce"> <imsld:title>Role Part</imsld:title> <imsld:role-ref ref="role-c4f8e783-6a 9d-499b-ae63-dd629106a9e8" /> <imsld:learning-activity-ref ref="la- 138ab79a-7482-4e2a-a64b-9c02c44a4a65" /> </imsld:role-part> <imsld:role-part identifier="rolepart-4 6c204a7-a7d6-4570-919d-b693db08b3c4"> <imsld:title>Role Part</imsld:title> <imsld:role-ref ref="role-15807f29-3b 4d-4da7-8632-c4116e5e9796" /> <imsld:support-activity-ref ref="sa-8 c4af452-8a75-456e-95a9-f157455a2a1f" /> </imsld:role-part> <imsld:complete-act> <imsld:when-role-part-completed ref=" rolepart-43cdf84b-2a82-48e8-a961-64e6a8fd2c08" /> <imsld:when-role-part-completed ref=" rolepart-754e47d8-b87f-4d45-879b-4b70ad168a5e" /> <imsld:when-role-part-completed ref=" rolepart-2254293e-1b98-4f00-a7d9-5cc32b08362d" /> <imsld:when-role-part-completed ref=" rolepart-6d9d08d8-8559-4254-bcc4-462051487697" /> <imsld:when-role-part-completed ref=" rolepart-aea0973c-f611-43bf-abf2-a6678494b193" /> <imsld:when-role-part-completed ref=" rolepart-41e1189e-e4dd-47c5-9a46-2f4b788aebce" /> <imsld:when-role-part-completed ref=" rolepart-46c204a7-a7d6-4570-919d-b693db08b3c4" /> <imsld:when-role-part-completed ref=" rolepart-619da9dc-abc0-4c36-9223-f5d5654354cb" /> </imsld:complete-act> </imsld:act> <imsld:complete-play> <imsld:when-last-act-completed /> </imsld:complete-play> </imsld:play> </imsld:method> <imsld:metadata> <ldauthor:root date-created="1297704056562" > <ldauthor:images /> <ldauthor:overview> <ldauthor:description /> <ldauthor:tags />

245

<ldauthor:author /> <ldauthor:subject /> </ldauthor:overview> <ldauthor:environments> <ldauthor:environment ref="env-fc8fef41 -62fa-4de1-8a39-ae5ec4dcfe9f"> <ldauthor:bounds x="74" y="26" width= "-1" height="-1" /> <ldauthor:learning-object ref="lo-c8e a0469-69e5-4015-b310-a4f15dd49416"> <ldauthor:bounds x="30" y="21" widt h="-1" height="-1" /> </ldauthor:learning-object> </ldauthor:environment> <ldauthor:environment ref="env-b2d390b6 -0d88-4d78-b838-deb77c59e2df"> <ldauthor:bounds x="261" y="33" width ="-1" height="-1" /> <ldauthor:learning-object ref="lo-554 fd4cd-eba4-4eb2-ac9d-8dd622fd9323"> <ldauthor:bounds x="82" y="41" widt h="-1" height="-1" /> </ldauthor:learning-object> </ldauthor:environment> <ldauthor:environment ref="env-03dfe399 -00f0-4cdb-86ee-31c0f9108c4e"> <ldauthor:bounds x="232" y="188" widt h="-1" height="-1" /> <ldauthor:learning-object ref="lo-025 185e4-e620-4078-b782-2a7870706b58"> <ldauthor:bounds x="46" y="41" widt h="-1" height="-1" /> </ldauthor:learning-object> </ldauthor:environment> </ldauthor:environments> </ldauthor:root> </imsld:metadata> </imsld:learning-design> </organizations> <resources> <resource identifier="Learning_Objectives" type ="webcontent" href="Learning_Objectives.html"> <file href="Learning_Objectives.html" /> </resource> <resource identifier="Introduction__Ecosystems_ and_Biomes" type="webcontent" href="Introduction__Ecosystems_an d_Biomes.html"> <file href="Introduction__Ecosystems_and_Biom es.html" /> </resource> <resource identifier="Overview__Terrestrial_bio me" type="webcontent" href="Overview__Terrestrial_biome .html"> <file href="Overview__Terrestrial_biome.html" /> </resource> <resource identifier="terrestrial_biomes_classi fication" type="webcontent" href="terrestrial_biomes_classifi cation.html"> <file href="terrestrial_biomes_classification .html" /> </resource> <resource identifier="Strudent_Activity__terres trial_biomes" type="webcontent" href="Strudent_Activity__terrestr ial_biomes.html"> <file href="Strudent_Activity__terrestrial_bi omes.html" /> </resource> <resource identifier="Overview__aquatic_biomes" type="webcontent" href="Overview__aquatic_biomes.html"> <file href="Overview__aquatic_biomes.html" /> </resource> <resource identifier="Freshwater_biome" type="w ebcontent" href="Freshwater_biome.html"> <file href="Freshwater_biome.html" /> </resource>

246

<resource identifier="Marine_biome" type="webco ntent" href="Marine_biome.html"> <file href="Marine_biome.html" /> </resource> <resource identifier="Student_Activity__marine_ biome" type="webcontent" href="Student_Activity__marine_bi ome.html"> <file href="Student_Activity__marine_biome.ht ml" /> </resource> <resource identifier="world_s_Biome" type="webc ontent" href="http://www.ucmp.berkeley.edu/exhibits/biomes/ index.php" /> <resource identifier="shoreLines" type="webcont ent" href="http://www.mbgnet.net/salt/sandy/indexfr.htm" /> <resource identifier="Biomes" type="webcontent" href="http://www.mbgnet.net/" /> <resource identifier="Knowledge_Object" type="w ebcontent" href="Knowledge_Object-1.html"> <file href="Knowledge_Object-1.html" /> </resource> <resource identifier="Knowledge_Object-1" type= "webcontent" href="Knowledge_Object-2.html"> <file href="Knowledge_Object-2.html" /> </resource> <resource identifier="biome" type="webcontent" href="biome.html"> <file href="biome.html" /> </resource> <resource identifier="aquatic_biome" type="webc ontent" href="aquatic_biome.html"> <file href="aquatic_biome.html" /> </resource> <resource identifier="marine_biome" type="webco ntent" href="marine_biome-1.html"> <file href="marine_biome-1.html" /> </resource> <resource identifier="freshwater_biome" type="w ebcontent" href="freshwater_biome-1.html"> <file href="freshwater_biome-1.html" /> </resource> </resources> </manifest>

USO DE ONTOLOGÍAS FORMALES PARA EL SOPORTE AL DISEÑO ...

Documents

Transcript of USO DE ONTOLOGÍAS FORMALES PARA EL SOPORTE AL DISEÑO ...