Revista Cubana de Ciencias Informáticas

ISSN: 1994-1536
[email protected]
Universidad de las Ciencias Informáticas
Cuba

Martínez Sánchez, Natalia; García Valdivia, Zenaida; García Lorenzo, María Matilde;
Ferreira Lorenzo, Gheisa
Uso de técnicas de inteligencia artificial en la elaboración de sistemas de enseñanza
aprendizaje
Revista Cubana de Ciencias Informáticas, vol. 1, núm. 4, 2007, pp. 34-43
Universidad de las Ciencias Informáticas
Ciudad de la Habana, Cuba

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

Cómo citar el artículo

Número completo
Sistema de Información Científica
Más información del artículo Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Página de la revista en redalyc.org Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Uso de t6cnicas de Inteligencia Artificial en la
elaboraci6n de sistemas de ense6anza aprendizaje
inteligentes
App/ying Artificial Inte//igence techniques in the deve/opment
of Intelligent Teaching /Learning Systems
Natalia Martinez Snchez*, Zenaida Garcia Valdivia, Maria M. Garcia
Lorenzo y Gheisa Ferreira Lorenzo
Grupos de Informatica Educativa e Inteligencia Artificial~ Centro de Estudios de Informatica. Uni-
versidad Central "Marta Abreu" de Las Villas, Carretera a Camajuani, km 5 1/2,Santa Clara, Villa
Clara, Cuba. C.P. 54830.
*Autor para la correspondencia: [email protected]
Tel: (53)-(422)-81515. Fax: (53)-(422)-81608

REV/STACUBANA DE CIENC/ASINFORMA'T/CAS VOL.1 No.4 DIC/EMBRE2007 p. 34-47

Los Sistemas de Ensehanza/Aprendizaje Inteligentes, se caracterizan por aplicar tecnicas de
Inteligencia Artificial, donde el trmino "inteligente" se asocia a la capacidad de adaptarse
dinamicamente al desarrollo del aprendizaje del estudiante. En este articulo se describe
un modelo basado en casos para la Ensehanza/Aprendizaje, sustentado en la aplicabilidad
del razonamiento basado en casos para obtener Una eficiente representaci6n de la
Modelaci6n del Estudiante e inferir las estrategias de aprendizaje. Esta implementado en
la herramienta computacional para la Elaboraci6n de Sistemas de Ensehanza/Aprendizaje
Inteligentes (HESEI), la cual ha sido aplicada exitosamente en la toma de decisiones en
tareas de ensehanza/aprendizaje.

Palabras dave: Modelo del Estudiante, Razonamiento Basado en Casos, Sistemas de

Ensehanza/Aprendizaje Inteligentes.

Intelligent teaching /Learning Systems are characterized by applying Artificial Intelligence

techniques, in which the term "intelligent" depicts the capacity to adapt dynamically to
the student learning development. In this article, a case-based mode|for the Teaching/
Learning process is described, based on the application of the case-based reasoning
to obtain an eHicient representation of the Student Modeling and to infer the learning
strategies. This model has been implemented in the computational too|for the Making
of Intelligent Teaching /Learning Systems (HESEI), which has been successfully applied
while making decisions in teaching / learning tasks./

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

Una revisi6n bibliografica de Sanchez y Lama (2007) presenta a los sistemas educativos
inteligentes que estan basados en diversas tecnicas de inteligencia artificial, planteando
que las mas utilizadas en el campo de la educaci6n son: las tecnicas de personalizaci6n
basadas en modelos de estudiantes y de grupos, los sistemas basados en agentes
inteligentes, y las ontologfas y las tcnicas de Web semntica.

Las tecnicas de personalizaci6n, que son la base de los sistemas tutores inteligentes,
estan basadas en mode|Os del estudiante. En general, estos mode|Os consisten en la
elaboraci6n de Una representaci6n cualitativa que considere el comportamiento del
alumno en funci6n tanto del conocimiento existente sobre un determinado ambito como
del aprendizaje de otros estudiantes en este dominio. Estas representaciones pueden
utilizarse posteriormente en sistemas tutores inteligentes, en entornos de aprendizaje
inteligente o en generar agentes inteligentes que representen estudiantes que colaboren
con los estudiantes humanos (Sanchezy Lama, 2007).

La utilizaci6n de tcnicas de aprendizaje automatico permite actualizar y extender los

modelos de estudiantes iniciales para adaptarlos tanto a la evoluci6n de los mismos como
a Una posible actualizaci6n de contenidos y actividades educativas. Lasdos tecnicas mas
populares para modelar estudiantes son: los mode|Osbasados en superposici6n o overlay
y las redes bayesianas.El primer metodo consiste en considerar el modelo del estudiante
como un subconjunto del conocimiento del experto en el ambito donde se realiza el
aprendizaje. De este modo, el aprendizaje se mide en funci6n de la comparaci6n con
los conocimientos del modelo del experto. El Segundo mtodo consiste en representar
el proceso de aprendizaje como Una red de estados de conocimiento, y posteriormente,
inferir de forma probabilistica el estado del estudiante a partir de la interacci6n de este
con el tutor (Sanchezy Lama, 2007).

Segun bibliografia consultada el razonamiento basado en casosno Seencuentra entre las

tecnicas aplicadas para modelar el estudiante, a pesar de ser Unatecnica de la Inteligencia
Artificial que proporciona un modelo cognitivo de la organizaci6n de la memoria, el
razonamiento y el aprendizaje humano; y un perfil computacional para los sistemas
basados en el conocimiento. Ademas de tener un grupo de caracteristicas (Guti6rrez,
2003) que pueden ser aprovechadas en la elaboraci6n de sistemas de enseanza/
aprendizaje inteligentes, tales como:

Razonandesde episodios especificos: El estado cognitivo del estudiante no puede

ser explicado por los expertos como cadenas de reglas generalizablesy es ms fcil
describir experienciasa travs de rasgos seleccionadospreviamente.

El mantenimiento del conocimiento no requiere de la intervenci6n experta: La

experiencia de nuevos modelos puede ser evaluada y si es conveniente incorporada
por el propio usuario que trabaja con el sistema de enseanza/ aprendizaje.

Reutilizaci6n de soluciones previas: Modelos de estudiantes se repiten con Una

alta frecuencia en el proceso de ensehanza/aprendizaje asi como la metodologia
a seguir para su aprendizaje.

Soluciones derivadas estan fundamentadas en casos reales: Lo que le permite al

sistema justificar las decisiones al usuario.

El sistema que se propone, consiste en representar el modelo del estudiante como un

caso e inferir aplicando el razonamiento basado en casos las estrategias de aprendizaje
para personalizar el mismo a partir del estado cognitivo del estudiante y la informaci6n
contenida en la Base de Casos. Las ideas propuestas se implementaron en la Herramienta
computacional para la Elaboraci6n de Sistemas de Enseanza /Aprendizaje Inteligentes
(HESEI).

Descripci6n general de un sistema basado en casos para Ense6anza/Aprendizaje

El sistema se describe relacionando las componentes fundamentales de un Sistema
Basado en Casos y un Sistema de Ensehanza/AprendizajeInteligente como ilustra la
Figura 1 Paraello se sigue la definici6n dada por Gutirrez (2003), de que todo Sistema
Basado en Casoslo componen principalmente la base de conocimiento o base de casos,
el m6dulo de recuperaci6n de casos y el m6dulo de adaptaci6n de las soluciones. Y la
descrita por Sanchezy Lama (2007), que los SistemasTutores Inteligentes se basan en tres
componentes principales: conocimiento de los contenidos, conocimiento del alumno, y
conocimiento de estrategias o metodologias de aprendizaje.
Componente Base de Casos & Modelo del Estudiante
Por un lado se tiene que las Bases de Casos de todo Sistema Basado en Casos contienen las
experiencias, ejemplos o casos a partir de los cuales el sistema hace Sus inferencias. Estas
bases pueden ser generadas por entrevistas a expertos humanos o por un procedimiento
automatico o semiautomatico que construye los casos desde datos existentes, registrados
por ejemplo, en una base de datos.

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

Atendiendo a la primera secci6n, en el modelo propuesto la estructura de datos utilizada

es una Base de Casos donde los rasgos predictores de los casos se corresponden con el
m6dulo Conocimiento del Alumno y el rasgo objetivo con el m6dulo Conocimiento de los
Contenidos, el cual segun Jimnez y G6mez (2005) est integrado por unidades bsicas de
aprendizaje que contienen los cursos y temas, y estas a su vez por objetivos instruccionales
que se encargan de identificar los prop6sitos que debe alcanzar un alumno al finalizar Una
unidad basica de aprendizaje (conocimientos, problemas resueltos, explicaciones, etc.).

Nu cas!Modl|lIl~
def Olante)

___________________________________________
~ ~

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

El Sistema de enseanza/ aprendizaje se estructura en t6picos (rasgos predictores), los

cuales toman su valor a travs de un cuestionario de n preguntas, cuyas respuestas son
binarias. AI aplicar el cuestionario para obtener el valor de un t6pico (dominio) se obtiene
una tabla de n columnas y 2n filas. La columna n+1 se corresponde con la evaluaci6n
(valor que toma el t6pico) a criterio del experto. El experto puede decidir incorporar
otros t6picos donde su valor se obtenga de datos almacenados en Una base de datos o
cualquier otra via. La Figura 2 muestra a travs de un mapa conceptual la estructura del
 tn Sistema de Enseanza/Aprendizaje basado en casos para la teoria de Bases de Datos. Y
a
._v
<..., resalta en lineas discontinuas el t6pico 2, el cual se utiliza para explicar c6mo crear los
`a
E casos (Modelos del Estudiante) para formar la Base de casos.

_",
.// \`

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

La Figura 3 muestra una de las ventanas de la herramienta computacional HESEI, con

las facilidades que brinda al profesor, para estructurar y editar un Sistema de Enseanza/
Aprendizaje y la tabla de combinaciones segun respuestas a las tres (3) preguntas
correspondiente al ejemplo que se est desarrollando y los Va|ores que toma el t6pico
segun las respuestas.

Fig, 3. Ventana de HESEIque muestra la tabla de evaluaci6n de t6picos.

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

1 Lascombinaciones 4 y 8 se evaluan de igual forma (1) y se entrenan con un mismo

Tutorial (E2). La pregunta 1 esta influyendo en la evaluaci6n del t6pico y en la
selecci6n metodologia de aprendizaje a seguir?

2 Las tres preguntas tienen igual importancia, e influyen de igual manera en la

evaluaci6n del t6pico?

3 En las combinaciones 4 y 6 se responden 2 preguntas bien (1) y se evalua el t6pico de

bien (1) . Por Que se entrenan con diferentes tutor|ales E2 y E3 respectivamente?

4 Si el numero de preguntas es considerablemente grande~ Todas influyen en la

evaluaci6n del t6pico?, Lasque no influyen tienen valor metodol6gico?

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

Estas reflex|ones condujeron a los autores de este trabajo a realizar un estudio sobre el
proceso de selecci6n de rasgos, el cual se ha enfrentado desde diferentes formas: La
Teoria de los Conjuntos Aproximados (Caballero, 2006), Colonias de Hormigas (Subbotin,
2007), Bandadas de Pjaros (Takashi, 2007), Mtodos Estadisticos (Jin, 2006), Algoritmos
Genficos (Caballero, 2006), Redes Neuronales Artificiales (Verikas, 2002), Tcnicas de
Clusterizaci6n (Bonet, 2006), diversos algoritmos del enfoque L6gico Combinatorio tales
como CC, CT, BT, TB (Shulcloper et a/., 1995) y LEX (Pons, 2003), entre otros.

Dentro del marco de trabajo del Reconocimiento de Patrones en el enfoque L6gico

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

A continuaci6n se muestra una idea general de los algoritmos que implementan en

este modelo la selecci6n de las preguntas para evaluar un t6pico y la relevancia de las
mismas.

Algoritmo 1: Calculo del grado de pertenencia de cada vector a cada valor que puede
tomar el t6pico.
Entrada: Vector O (vector de 0s y 1s, evaluaci6n de las respuestas del cuestionario) y

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

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

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

Al. Para cada pregunta Xi

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

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

donde: di )xi ~ ~ ) )
A2 , Tomar en consideraci6n el peso Wi (se obtiene a traves de por criterio de experto) de

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

f ((w,di (xi (oo) Xi (OF I )-3 b(Oo,OF )

Este algoritmo contiene dos procedimientos denotados por di yf cuyo papel se describe
a continuaci6n:

Para Una pregunta Xi , di establece la semejanza o distancia entre dos Va/ores: Xi (00 )
y Xi (OF) de esa pregunta.
di : Mi xMi ->[o,I], donde:

wi di (xi (oo) Xi (OF ))

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

I -1 (1)

A3. Calculo el grado de membresia de Oo a cada categoria, (Oo ) -` b (Oo,OF )

Algoritmo 2: Selecci6n de las preguntas y su relevancia, usando FStestores
Entrada: Vector Oo (vector de 0's y '1's , evaluaci6n de la respuestas del cuestionario) y
el vector a . (O ) , resultante de aplicar el algoritmo 1,
/ o

Sa/ida: Conjunto de preguntas relevantes y grado de relevancia, de cada cuestionario,

para cada t6pico.
SPI Calcular el conjunto (Sm) de los FS- testores (testores tipicos que tienen la capacidad
de diferenciar objetos de clases diferentes y de mantener un buen parecido entre los
objetos de Una misma clase) segun modificaciones planteadas por Pons (2003) (las
modificaciones estan relacionadas con considerar el conjunto de referencia aI conjunto
de testores tipicos ca/cu/ados aplicando el algoritmo LEX (Sanchez y Lama, 2007)).

SP2: A partir del conjunto de FS -testores seleccionados, calcular la importancia (e) de

las preguntas relevantes, a partir de la frecuencia (F) de aparici6n de la pregunta en el
conjunto de FS- testores y la longitud (L) de los FS- testores donde aparece la pregunta:
donde:
n: numero de FS-testores donde aparece la pregunta i
m: cardinalidad del conjunto de los FS-testores.
ej (p) = a Fj (p) + b L j (p)

donde: a, b>o , a+b=1.

a y b son parmetros que ponderan la participaci6n o influencia de F(p) y de L (p)
respectivamente en e; esto es, la importancia que se le concede para la relevancia a la
frecuencia de aparici6n combinada con el grado de pertenencia del FS-testor a la familia
difusa y a la longitud de los FS-testores.(En el modelo propuesto se le conceden a ambos
la misma importancia, a= 0.5 y b=0.5).
SP3. Selecci6n de las preguntas relevantes.
1 Sea Sm, el conjunto de los FS-testoresde cardinalidad minima.
2. Paracada FS-testorde Sm calcular:
y i (t) = Sej(t)
J"E t (Suma de la importancia de las preguntas que componen el FS-testor
minimal).
3. Seleccionar el FS-testor minimal de mayor y (t) i

Estosalgoritmos se aplican en la fase de elaboraci6n del sistemade enseanza/aprendizaje

inteligente, ayudando al usuario en tareas de ingenieria del conocimiento y almacenando
en la bases de casos informaci6n eficiente. Es elemental aclarar que la selecci6n de
las preguntas utiles no implica la eliminaci6n automatica de otras, pues no se puede
subvalorar la importancia metodol6gica de las mismas.

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

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

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

Con este proceso se implementa el m6dulo Metodologias de Aprendizaje el cual segun

Jim6nezy G6mez (2005) tiene funciones pedag6gicas, se encarga de guiar el proceso de
enseanza/aprendizaje y decide qu acciones pedag6gicas realiza, c6mo y cuando.

M6todo de obtenci6n de un nuevo caso

Como se describe anteriormente los rasgos predictores de los casos se obtienen a traves
de cuestionarios, capaces de captar el estado cognitivo del estudiante, y el rasgo objetivo
son tutoriales que se adecuan al estado cognitivo del estudiante, ambos elaborados a
partir de los conocimientos y experiencias de los expertos.

A continuaci6n se expone el algoritmo que utiliza el modelo para la obtenci6n de un

nuevo caso (estado cognitivo del nuevo estudiante).
Algoritmo 3: Obtenci6n del Nuevo Caso (Valor y grado de membresia asociado de cada
rasgo predictor)
Entrada: Conjunto de cuestionarios para la evaluaci6n de cada t6pico.
Salida: Obtenci6n de un nuevo caso expresado en un conjunto de pares (valor, grado de
membresia).
Para cada t6pico aplicar:
Pl ' Aplicar cuestionario asociado aI t6pico y obtener el resultado v' (vector de 0s y 1s
de longitud n).
Los t6picos que toman su valor por otra via, el sistema lo hace automticamente o en
interacci6n directa con el estudiante, asi como su grado de pertenencia.
P2: Obtener los m i = b ( v' , E i ) , donde b (v' , E i ) se obtiene aplicando el Algoritmo
1, donde i -` I . h y h es la cardinalidad del conjunto de Va|ores que puede tomar el
t6pico.
Usando para la obtenci6n de m i las preguntas relevantes y la importancia asociadas a las
mismas como resultado de aplicar el Algoritmo 2.
P3: Seleccionar el m i mayor y asignar al t6pico el par valor i y m i (valor, grado de
membresia).

M6dulo de Recuperaci6n del Sistema Basado en Casos

La tarea del proceso de recuperaci6n, dado un nuevo problema, esta en identificar los
casos de la base que son mas similares a la situaci6n actual. Este proceso involucra la
evaluaci6n de la situaci6n, esto es, interpretar y comprender el problema de forma tal que
se tenga en consideraci6n los aspectos mas importantes a representar.
Basicamente, la recuperaci6n de un caso se basa en la comparaci6n entre los indices
correspondientes a los rasgos predictores del problema y los que se usaron para describir
los casos de la base a de casos.
En este epigrafe se propone un algoritmo para la recuperaci6n de los Casos mas semejantes
en el cual la funci6n de semejanza que se utiliza es una adaptaci6n de la propuesta de
Gutierrez (2003), como se muestra en (2).

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

Algoritmo 4: Algoritmo de recuperaci6n de casos semejantes.

Entrada: Nuevo caso Oq y ejemplares fuertes ( OF ) y debiles ( OD ) de cada categoria

(definidas por el experto, teniendo en cuenta todos los t6picos), asi como un grado de

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

m < 0.5 para OD , seg0n criteria del experto.

Salida: S conjunto de casos mas semejantes. Casosque pertenecen a la categoria donde
oo tiene mayor grado de membresia (m).

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

pi di~ )xi o ))
b(Oo,ot )- i = 1 "
SP
i-1 i (2)
n: numero de rasgos productores
di'(xi (Ot, Xi (oo))) : Funci6n de comparaci6n transformada segOn:
di' (xi (Ot ) Xi - m(Oo )`
(oo))= di (xi (Ot )xi (oo ))(1 m(Ot ) )
Pi ,. Peso del rasgo predictor Xi , que puede ser designado por criteria del experto, o
automaticamente todos los pesos pueden ser iguales.
R2. Calcular el grado de membresia de Oq a cada categoria.
Si b (Oo , OF ) = 1 entonces (Oo) - b(Oo ,OF )
en otro caso
(Oo) " g(b(Oo , OF ) (b(Oo ,OD )

La funci6n g puede ser cualquiera de las funciones de propagaci6n que han sido
utilizadas en la literatura para combinar medidas de incertidumbre y que se conocen
como t.-conormas, pero en este caso no se obtuvieron resultados satisfactorios con la
suma probabilistica: g(x, y)-,x + y x'y y siguiendo la idea de Hatzilygeroudis
et a/, (2002) se us6 la versi6n generalizada g(x, y)- WIX + W2y - Wx ' y , donde
WI ,W2 yW son pesos numeficos que satisfacen la ecuaci6n Wl + W2 +w - 1 , dandole
mayor peso a la semejanza con el ejemplar fuerte.
R3: Seleccionar los casos mas semejantes a 00 dentro de la categoria seleccionada (las
de mayor (Oo) )