UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
CAPITULO I
1.1 INTRODUCCIÓN
En este capítulo revisaremos algunas definiciones y técnicas de Inteligencia
Artificial, además estudiaremos el origen y evolución de los Sistemas Tutores
Inteligentes empezando con los EAO (Enseñanza Asistida por Ordenador)
hasta los STI (Sistemas Tutores Inteligentes). Posteriormente, describiremos la
arquitectura básica y los componentes de un STI (Sistema Tutor Inteligente).
Nos centraremos después en la cuestión clave para dotar a estos Sistemas de
Inteligencia: el Modelado del Alumno.
1. 2 DEFINICIONES DE INTELIGENCIA ARTIFICIAL
Una buena definición de IA (Inteligencia Artificial) es algo elusiva y
controversial, fundamentalmente porque la inteligencia humana no está
completamente entendida. Cada libro de texto en IA (Inteligencia Artificial)
propone una definición que enfatiza las diferentes perspectivas que cada autor
cree. A continuación se transcriben algunas de ellas:
“La IA (Inteligencia Artificial) es una rama de la ciencia de computación que
comprende el estudio y creación de sistemas computarizados que manifiestan
cierta forma de inteligencia: sistemas que aprenden nuevos conceptos y tareas,
sistemas que pueden razonar y derivar conclusiones útiles acerca del mundo
que nos rodea, sistemas que pueden comprender un lenguaje natural o percibir
y comprender una escena visual, y sistemas que realizan otro tipo de
actividades que requieren de inteligencia humana”. [ LIB 003 ]
“La IA (Inteligencia Artificial) es una ciencia que trata de la comprensión de la
inteligencia y del diseño de máquinas inteligentes, es decir, el estudio y la
simulación de las actividades intelectuales del hombre (manipulación,
razonamiento, percepción, aprendizaje, creación). [ LIB 003 ]
CASTILLO EDISON
LARA MANUEL
1
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
“La IA (Inteligencia Artificial) es el estudio de las computaciones que permiten
percibir, razonar y actuar”. [ LIB 004 ]
“La IA (Inteligencia Artificial) es un campo de estudio que busca explicar y
emular
el
comportamiento
inteligente
en
términos
de
procesos
computacionales” [ LIB 004 ]
“La IA (Inteligencia Artificial) estudia las representaciones y procedimientos que
automáticamente resuelven problemas usualmente resueltos por humanos” .
[ LIB 003 ]
A pesar de la diversidad de conceptos propuestos para la IA (Inteligencia
Artificial), en general todos coinciden en que la IA(Inteligencia Artificial) trata de
alcanzar inteligencia a través de la computación. Toda computación, requiere
de una representación de cierta entidad y de un proceso para su manipulación.
Desde el punto de vista de los objetivos, la IA (Inteligencia Artificial) puede
considerarse en parte como ingeniería y en parte como ciencia:
Como ingeniería, el objetivo de la IA (Inteligencia Artificial) es resolver
problemas reales, actuando como un conjunto de ideas acerca de cómo
representar y utilizar el conocimiento, y de cómo desarrollar sistemas
informáticos.
Como ciencia, el objetivo de la IA (Inteligencia Artificial) es buscar la
explicación de diversas clases de inteligencia, a través de la representación del
conocimiento y de la aplicación que se da a éste en los sistemas informáticos
desarrollados.
Para usar la IA (Inteligencia Artificial) se requiere una comprensión básica de la
forma en que se puede representar el conocimiento y de los métodos que
pueden utilizar o manipular ese conocimiento.
CASTILLO EDISON
LARA MANUEL
2
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
1.3 PROBLEMAS Y TÉCNICAS EN INTELIGENCIA ARTIFICIAL
Desde el punto de vista de ingeniería, la mayor parte del trabajo requerido para
construir sistemas de IA (Inteligencia Artificial), está basado en el desarrollo de
adecuadas
representaciones
de
conocimiento
y
sus
correspondientes
estrategias de manipulación. No se puede manipular conocimiento a menos
que esté adecuadamente representado. En consecuencia, las siguientes tres
preguntas claves pueden guiarnos en el estudio de la IA (Inteligencia Artificial).
¿Qué es el conocimiento?
¿Cómo se puede representar el conocimiento?
¿Cómo se podría manipular el conocimiento?
A continuación, se dan respuestas parciales a estas preguntas planteadas.
CONOCIMIENTO
Puede ser definido como el conjunto de hechos y principios acumulados por la
humanidad, o el acto, hecho o estado de conocer. Es la familiaridad con el
lenguaje, conceptos, procedimientos, reglas, ideas, abstracciones, lugares,
costumbres y asociaciones, unida a la habilidad de utilizar estas nociones en
forma efectiva para modelar diferentes aspectos del universo que nos rodea.
Los conceptos de conocimiento e inteligencia están íntimamente ligados. La
inteligencia requiere de la posesión y acceso al conocimiento. Conocimiento no
debe ser confundido con datos o información. El conocimiento incluye y
requiere del uso de datos e información. Además, combina relaciones,
dependencias, y la noción del saber con datos e información.
A veces es también útil o más aun necesario distinguir entre conocimiento y
otros términos como creencia e hipótesis.
Esencialmente, se define como creencia a toda expresión que tiene
significado, que es coherente y puede ser representada. En consecuencia una
creencia puede ser verdadera o falsa. Hipótesis se define como una creencia
CASTILLO EDISON
LARA MANUEL
3
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
justificada que no se conoce sea verdadera. Una hipótesis es una creencia que
está respaldada por cierta evidencia, pero todavía puede resultar falsa.
Finalmente, se puede también decir que conocimiento es una creencia
justificada como verdadera.
El conocimiento puede ser de tipo procedimental, declarativo o heurístico.
Conocimiento Procedimental es aquel conocimiento compilado que se refiere
a la forma de realizar una cierta tarea (el saber como hacerlo). Por ejemplo, los
pasos necesarios para resolver una ecuación algebraica son expresados como
conocimiento procedimental.
Por otro lado, el conocimiento declarativo es conocimiento pasivo, expresado
como sentencias acerca de los hechos del mundo que nos rodea (el saber que
hacer). La información personal en una base de datos es un típico ejemplo de
conocimiento declarativo. Tales tipos de datos son piezas explícitas de
conocimiento independiente.
El conocimiento heurístico es un tipo especial de conocimiento usado por los
humanos para resolver problemas complejos. El adjetivo heurístico significa
medio para descubrir. Está relacionado con la palabra griega heuriskein
(descubrimiento de nuevo conocimiento) que significa descubrir, encontrar. Se
entiende por heurístico a un criterio, estrategia, método o truco utilizado para
simplificar la solución de problemas. El conocimiento heurístico usualmente se
lo adquiere a través de mucha experiencia.
REPRESENTACIÓN DEL CONOCIMIENTO
Dado que el conocimiento es importante y primordial para el comportamiento
inteligente, su representación constituye una de las máximas prioridades de la
investigación
en
IA(Inteligencia
Artificial).
El
conocimiento
puede
ser
representado como imágenes mentales en nuestros pensamientos, como
palabras habladas o escritas en algún lenguaje, en forma gráfica o en
CASTILLO EDISON
LARA MANUEL
4
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
imágenes, como cadenas de caracteres o colecciones de señales eléctricas o
magnéticas dentro de un computador. En nuestro estudio de IA (Inteligencia
Artificial), consideraremos las representaciones escritas y sus correspondientes
estructuras de datos utilizadas para su almacenamiento en un computador. La
forma de representación que se escoja dependerá del tipo de problema a ser
resuelto y de los métodos de inferencia disponibles.
Una representación del conocimiento puede ser un esquema o dispositivo
utilizado para capturar los elementos esenciales del dominio de un problema.
Una representación manipulable es aquella que facilita la computación. En
representaciones manipulables, la información es accesible a otras entidades
que usan la representación como parte de una computación.
Debido a la variedad de formas que el conocimiento puede asumir, los
problemas
involucrados
en
el
desarrollo
de
una
representación
del
conocimiento son complejos, interrelacionados y dependientes del objetivo. En
términos generales, se debe tratar que el conocimiento esté representado de
tal forma que:

Capture generalizaciones.

Pueda ser comprendido por todas las personas que vayan a
proporcionarlo y procesarlo.

Pueda ser fácilmente modificado.

Pueda ser utilizado en diversas situaciones aún cuando no sea
totalmente exacto o completo.

Pueda ser utilizado para reducir el rango de posibilidades que
usualmente debería considerarse para buscar soluciones.
El conocimiento declarativo puede ser representado con modelos relacionales y
esquemas basados en lógica. Los modelos relacionales pueden representar el
conocimiento en forma de árboles, grafos o redes semánticas. Los esquemas
CASTILLO EDISON
LARA MANUEL
5
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
de representación lógica incluyen el uso de lógica preposicional y lógica de
predicados.
Los modelos procedimentales y sus esquemas de representación almacenan
conocimiento en la forma de cómo hacer las cosas. Pueden estar
caracterizados por gramáticas formales, usualmente implantadas por sistemas
o lenguajes procedimentales y sistemas basados en reglas (sistemas de
producción) que proporciona una estructura que facilita la descripción y la
ejecución de un proceso de búsqueda.
Las representaciones declarativas son usualmente más expansivas y costosas,
en el sentido que la enumeración puede ser redundante e ineficiente. Sin
embargo, la modificación de las representaciones declarativas es usualmente
muy fácil;
simplemente
se
agrega
o
se
elimina
conocimiento.
Las
representaciones procedimentales, en cambio, pueden ser más compactas,
sacrificando flexibilidad. Representaciones prácticas pueden incluir elementos
tanto declarativos (listado de hechos conocidos), como procedimentales (un
conjunto de reglas para manipular los hechos).
MANIPULACIÓN DEL CONOCIMIENTO
Existen tres paradigmas que los investigadores han utilizado tradicionalmente
para la resolución de problemas de IA (Inteligencia Artificial):
Programación Heurística.- Está basado en el modelo de comportamiento
humano y su estilo para resolver problemas complejos. Existen diversos tipos
de programas que incluyen algoritmos heurísticos. Varios de ellos son capaces
de aprender de su experiencia.
Redes Neuronales Artificiales.- Es una representación abstraída del modelo
neuronal del cerebro humano. Las redes están formadas por un gran número
de elementos simples y por sus interconexiones. Una red neuronal artificial
CASTILLO EDISON
LARA MANUEL
6
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
puede ser simulada o ser real. Al elemento procesador de la red, se lo
denomina neurona artificial.
Evolución Artificial.- Su modelo está basado en el proceso genético de
evolución natural, propuesto por Charles Darwin. Se utilizan sistemas
simulados en computador que evolucionan mediante operaciones de
reproducción, mutación y cruce (Algoritmos Genéticos).
Cada paradigma comprende una colección de métodos, configuraciones y
técnicas desarrolladas para manipular el conocimiento. En general, una técnica
de IA (inteligencia Artificial) está caracterizada por incluir los siguientes
componentes:
Procesos de Búsqueda.- Proporciona una forma de resolver problemas para
los cuales no hay un método más directo, así como también se constituye en
un marco de trabajo dentro del cual cualquier técnica directa puede ser
incorporada.
Uso del Conocimiento.- Proporciona una forma de resolver problemas
explotando las estructuras de los objetos involucrados.
Abstracción.- Proporciona una forma de separar rasgos importantes y
variaciones, de los tantos que no tienen importancia.
La manipulación del conocimiento involucra además la selección de objetos,
entidades y rasgos que son claves para las representaciones. Al nivel más bajo
de representación del conocimiento, estas entidades pueden consistir de
simples datos de entrada, por ejemplo: grabaciones cuantificadas y
digitalizadas de audio, datos de una imagen, valores captados por un censor,
información de interruptores o hechos elementales. Estos bloques constructivos
de
la
representación
se
los
denomina
comúnmente
primitivas.
La
representación escogida para las primitivas, puede determinar las capacidades
del sistema, el éxito, la corrección y sus posibilidades de expansión.
CASTILLO EDISON
LARA MANUEL
7
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
1.4 SISTEMAS EXPERTOS
Los sistemas expertos se emplean para ejecutar una variedad muy complicada
de tareas que en el pasado solamente podrían llevarse a cabo por un número
limitado de personas expertas intensamente entrenadas.
A través de la
aplicación de las técnicas de la inteligencia artificial, los sistemas expertos
captan el conocimiento básico que permite a una persona desenvolverse como
un experto frente a problemas complicados.
La característica más fascinante y poderosa de los sistemas expertos, que los
distingue de la mayoría de las aplicaciones tradicionales de la computación, es
su capacidad para enfrentar problemas que constituyen un reto del mundo real,
por medio de la aplicación de procesos que reflejan el discernimiento y la
intuición humana.
Los sistemas expertos se están empleando en una amplia variedad de
aplicaciones que comprenden, entre otras, diagnóstico, planeación, predicción,
diseño, interpretación, control, monitoreo de estado e instrucción. En el futuro,
a medida que se produzcan nuevas arquitecturas de equipos que soporten de
una manera más directa la ejecución de sistemas expertos y que se
perfeccione la tecnología de inteligencia artificial es razonable esperar un
desarrollo de sistemas que aproximen al comportamiento humano en muchas
áreas.
El desarrollo de tales sistemas nos permitirá no solamente ofrecer idoneidades
técnicas más potentes sino también alimentar más nuestro propio conocimiento
del proceso del pensamiento humano.
¿QUE ES UN SISTEMA EXPERTO?
Los sistemas expertos forman parte de un firme y verdadero avance en
inteligencia artificial. Los sistemas expertos pueden incorporar miles de reglas.
Para una persona sería una experiencia casi "traumática" el realizar una
CASTILLO EDISON
LARA MANUEL
8
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
búsqueda de reglas posibles al completar un problema y concordar éstas con
las posibles consecuencias, mientras que se sigue en un papel los trazos de un
árbol de búsqueda. Los sistemas expertos realizan amablemente esta tarea;
mientras que la persona responde a las preguntas formuladas por el sistema
experto, éste busca recorriendo las ramas más interesantes del árbol, hasta dar
con la respuesta afín al problema, o en su falta, la más parecida a ésta.
Los sistemas expertos tienen la ventaja frente a otros tipos de programas de
Inteligencia Artificial, de proporcionar gran flexibilidad a la hora de incorporar
nuevos conocimientos. Para ello solo tenemos que introducir la nueva regla
que deseemos hacer constar y…ya está, sin necesidad de cambiar el
funcionamiento
propio
del
programa.
Los
sistemas
expertos
son
"autoexplicativos", al contrario que en los programas convencionales, en los
que el conocimiento como tal está encriptado junto al propio programa en
forma de lenguaje de computador. Los expertos de I.A (Inteligencia Artificial).
dicen que los sistemas expertos tienen un conocimiento declarativo, mientras
que en los demás programas es procedural.
Los sistemas expertos se basan en la simulación del razonamiento humano. El
razonamiento humano tiene para ellos, un doble interés: por una parte, el del
análisis del razonamiento que seguiría un experto humano en la materia a fin
de poder codificarlo mediante el empleo de un determinado lenguaje
informático; por otra, la síntesis artificial, de tipo mecánico, de los
razonamientos de manera que éstos sean semejantes a los empleados por el
experto humano en la resolución de la cuestión planteada. Estos dos campos
de interés han conducido a los investigadores que trabajan en el campo de la
inteligencia artificial (de la cual los sistemas expertos son un campo preferente)
a intentar establecer una metodología que permita verificar el intercambio con
los expertos humanos y aislar los diversos tipos de razonamiento existentes
(inductivo, deductivo, formal, etc.), así como construir los elementos necesarios
para modernizarlos.
CASTILLO EDISON
LARA MANUEL
9
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
Los sistemas expertos son, por lo tanto, intermediarios entre el experto
humano, que transmite sus conocimientos al sistema, y el usuario de dicho
sistema, que lo emplea para resolver los problemas que se le plantean con la
competencia de un especialista en la materia y que, además, puede adquirir
una destreza semejante a la del experto gracias a la observación del modo de
actuar de la máquina. Los sistemas expertos son, pues, simultáneamente, un
sistema de ejecución y un sistema de transmisión del conocimiento. Asimismo,
los sistemas expertos se definen mediante su arquitectura; obtienen, por lo
tanto, una realidad palpable.
DEFINICION
“Un SE (Sistema Experto), es una aplicación informática que soluciona
problemas complicados que de otra manera exigirían ampliamente la pericia
humana. Para lograr esto, se simula el proceso de razonamiento humano
mediante la aplicación específica de conocimiento y de inferencias”. [ LIB 002 ]
Internamente, Un Sistema experto ideal se puede caracterizar como un sistema
que comprende:

Amplio conocimiento específico a partir del campo de interés

Aplicación de técnicas de búsqueda

Soporte para Análisis Heurístico

Habilidad para inferir nuevos conocimientos a partir de conocimientos ya
existentes

Procesamiento de símbolos

Capacidad para explicar su propio razonamiento
CASTILLO EDISON
LARA MANUEL
10
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
ARQUITECTURA DE LOS SISTEMAS EXPERTOS
USUARIO
INTERFAZ DE USARIO
MEDIOS PARA
EXPLICACION
BASE DE HECHOS
BASE DE
CONOCIMIENTOS
MOTOR DE
INFERENCIA
figura 1.1. Arquitectura De Los Sistemas Expertos
MOTOR DE INFERENCIA: Selecciona, decide, interpreta y aplica el
conocimiento de la base de conocimientos sobre la base de hechos con el fin
de obtener la solución buscada.
BASE DE CONOCIMIENTO: Contiene el conocimiento del dominio en el cual el
programa es competente. El conocimiento tiene que estar representado en la
forma que resulte más adecuada para el dominio de su competencia.
CASTILLO EDISON
LARA MANUEL
11
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
MEDIOS PARA EXPLICACION: Son lo medios y canales adecuados, sencillos
y potentes, para comunicarse y dar explicaciones
BASE DE HECHOS: La base de hechos es el conjunto de información
invariable de una a otra resolución.
INTERFAZ DE USARIO: es el modulo que permite al usuario interactuar con el
sistema.
1.5 SISTEMAS INTELIGENTES EN EL ÁMBITO DE LA
EDUCACIÓN.
La idea de aprovechar herramientas informáticas en la enseñanza se remonta
a los años 50. Pero no será hasta los 8O cuando la enseñanza asistida por
ordenador recobre un especial interés gracias a las técnicas de la Inteligencia
Artificial. En aquella época surgen los denominados Sistemas Tutores
Inteligentes (STI) con la vocación clara de desarrollar procesos de enseñanza
adaptados a los diferentes usuarios /estudiantes. Sin embargo, la difusión y uso
de la informática educativa, en particular de
herramientas inteligentes de
ayuda al aprendizaje, no se ha constatado de manera real en los procesos de
formación clásicos. No se encuentran de forma generalizada en ámbitos de
formación reglada (estudios conducentes a la obtención de un título), ni de
formación continua (perfeccionamiento de las actividades de los trabajadores),
ni tampoco de formación ocupacional (formación de personas para poder
desempeñar ciertas actividades).
Con la situación actual del mercado de las tecnologías de la información, el
abaratamiento de los computadores, el gran impulso de las comunicaciones e
Internet, el desarrollo de sistemas multimedia y la cada vez mayor aceptación
de herramientas informáticas por parte de la sociedad, estamos quizás ante
una situación inmejorable para abordar la demanda formativa y educativa,
ofreciendo Sistemas Inteligentes Educativos (SIE) como herramientas de apoyo
a la enseñanza/ aprendizaje. Además, instituciones internacionales como la
CASTILLO EDISON
LARA MANUEL
12
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
UNESCO1, que a través de Jaques Delors lideró la comisión internacional para
la educación en el siglo XXI bajo el título “La educación encierra un tesoro”,
apoyan claramente las nuevas tecnologías aplicadas especialmente a la
educación. Así puede leerse en el
documento elaborado finalmente por la
comisión: “… las sociedades actuales son de uno u otro modo sociedades de
información en las que el desarrollo de las tecnologías puede crear un entorno
cultural y educativo capaz de diversificar las fuentes del conocimiento y del
saber.”
Entendemos como SIEs (Sistemas Inteligentes Educativos), aquellos sistemas
desarrollados en el ámbito de la didáctica cuyas capacidades hacen uso de
técnicas de la Inteligencia Artificial. Para poder abordar con cierto grado de
adecuación el reto de diseñar y desarrollar SIEs
(Sistemas Inteligentes
Educativos) será necesario contar con: (1) técnicas informáticas (Inteligencia
Aertificial,
multimedia,
comunicación
de
computadores,
etc.),
(2)
planteamientos que faciliten la motivación del alumno frente al computador, (3)
parámetros pedagógicos o de las ciencias de la educación que refuercen y
apoyen los procesos de instrucción /aprendizaje que se lleven acabo mediante
nuevas tecnologías. El proceso de automatizar las actividades de la compleja
tarea
de
enseñar/aprender
obligará,
en
muchos
casos,
a
fusionar
planteamientos de las diversas disciplinas. Con los SIEs (Sistemas Inteligentes
Educativos)
se pretende ayudar, colaborar y/o favorecer los procesos de
aprendizaje como parte integrada en los modelos de enseñanza más
actualizados. Es decir, su creación se enfoca más como una herramienta
complementaria de la enseñanza /aprendizaje que permite aumentar la calidad
del aprendizaje, que como una
herramienta que sustituye en sí todo un
sistema clásico de enseñanza/ aprendizaje. La utilización de los SIEs
(Sistemas inteligentes Educativos) implica por parte del docente una nueva y
más amplia visión de sus actividades de enseñanza. El objetivo fundamental
es dar una visión de algunos contextos docentes en los que la Inteligencia
1
UNESCO; (Delors, J. (1996): La educación encierra un tesoro. Madrid. Santillana/Ediciones
UNESCO.)
CASTILLO EDISON
LARA MANUEL
13
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
Artificial (IA) puede favorecer de algún modo la mejora de los procesos de
aprendizaje.
1.5.1
RESEÑA HISTORICA
Los primeros sistemas de EAO (Enseñanza Asistida por Ordenador) tenían
principalmente dos usos distintos:
a) como libro de texto electrónico, en el que el alumno podía leer el material
relativo a la asignatura que intentaba aprender, y b) como lugar donde practicar
los conocimientos aprendidos, resolviendo una serie de problemas propuestos
y recibiendo cierto tipo de ayudas durante este proceso de resolución. La base
psicológica de estos sistemas es la teoría estímulo-respuesta de Skinner
(Permite elegir la acción instructora apropiada de acuerdo a la respuesta del
alumno): la respuesta del alumno se utiliza como medio de saber si el proceso
de comunicación ha sido efectivo, y al mismo tiempo permite elegir la acción
instructora apropiada. Un programa de EAO (Enseñanza Asistida por
Ordenador) tiene integradas rutinas para reaccionar ante las respuestas del
alumno, corrigiéndole y dándole ayuda si son incorrectas, o avanzando en el
currículum si son correctas. En general, el comportamiento de un sistema de
EAO (Enseñanza Asistida por Ordenador) se ajusta a la siguiente descripción:
el sistema presenta cierto material que debe ser aprendido y seguidamente
propone un problema al alumno que representa cierta parte del currículum. El
alumno responde, y su respuesta es evaluada comparándola con la respuesta
correcta. El ordenador informa al alumno de sí la respuesta era correcta o no, y
elige el nuevo material para ser presentado o el nuevo problema a proponer. Si
la respuesta es incorrecta, el ordenador puede presentar de nuevo la materia,
proponer un problema más sencillo, o adoptar cualquier otra estrategia para
ayudar al alumno. La selección de dicha estrategia conlleva normalmente un
intento de identificar el origen del error, es decir, de encontrar qué es lo que el
alumno no ha entendido o aprendido correctamente, y tratar este error
específicamente.
CASTILLO EDISON
LARA MANUEL
14
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
El principal problema de los sistemas tradicionales de EAO (Enseñanza
Asistida por Ordenador) era la poca flexibilidad que ofrecían. En efecto, tanto la
presentación del material como la elección del problema adecuado, la
corrección del mismo o la selección de la estrategia instructora eran
procedimientos predefinidos en el sistema, y por tanto iguales para todos los
alumnos que lo utilizaran. Debido a esta limitación, muchos educadores los
consideraban como sofisticados libros de texto electrónicos, y empezaron a
surgir los primeros intentos de hacer que estos sistemas tuvieran cierta
capacidad de adaptación a los alumnos, surgiendo así los primeros Sistemas
Inteligentes de Enseñanza Asistida por Ordenador (IEAO), que Wenger no
considera diferentes de los EAO (Enseñanza Asistida por Ordenador), sino
mejoras o refinamientos de los mismos ya que tecnológicamente se basan en
los mismos modelos.
A partir de los años 70 y en paralelo al desarrollo de los sistemas EAO
(Enseñanza Asistida por Ordenador) comenzaron a aparecer los primeros STI
(Sistemas Tutores Inteligentes), que usaban formalismos y técnicas propias de
la Inteligencia Artificial para definir el conocimiento que se quería transmitir.
Una primera especificación de los requisitos que debe cumplir un STI (Sistema
Tutor Inteligente) es la realizada por Hartley y Sleeman (Hartley & Sleeman,
1973). Para ellos, un STI(Sistema Tutor Inteligente) debe tener: a)
conocimiento del dominio (modelo experto), b) conocimiento del alumno
(modelo del alumno), y c) conocimiento de estrategias instructoras (tutor).
Probablemente, esta especificación básica es el resultado de analizar qué tipos
de conocimiento deben considerarse en un STI (Sistema Tutor Inteligente): qué
enseñar, cómo enseñarlo y qué es lo que el alumno sabe. Normalmente, cada
una de estas áreas de conocimiento se almacena y mantiene en módulos
diferentes, dotando al STI (Sistema Tutor Inteligente) de una deseable
modularidad que permite, al menos teóricamente, que partes del mismo
puedan ser utilizadas en otro STI (Sistema Tutor Inteligente) o el desarrollo de
sistemas genéricos de autor que asistan en la implementación de STIs
(Sistemas Tutores Inteligentes). Vemos por tanto que la definición básica, que
curiosamente no se ha visto alterada en casi treinta años de investigación
CASTILLO EDISON
LARA MANUEL
15
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
sobre STI (Sistema Tutor Inteligente), influye también directamente en la
arquitectura de los mismos.
Así, aunque para muchos investigadores los términos IEAO (Sistemas
Inteligentes de Enseñanza Asistida por Ordenador) y STI (Sistema Tutor
Inteligente) son equivalentes, para nosotros esta separación entre el
conocimiento acerca del dominio, acerca del alumno y acerca de estrategias
pedagógicas marca la diferencia entre ambos. En efecto, el desarrollo de los
STIs (Sistemas Tutores Inteligentes) supone un cambio radical en la
concepción de los sistemas de ayuda a la enseñanza: de programar decisiones
a programar conocimiento.
1.5.2
ANTECEDENTES DE LOS SIE ( SISTEMAS INTELIGENTES
EDUCATIVOS) ACTUALES
Los sistemas de enseñanza tradicionales desarrollados antes de la aparición
de los primeros STIs (Sistemas Tutores Inteligentes), se conocen con el
nombre de CAI (Computer-Assisted Instruction – Enseñanza Asistida por
Ordenador). Las principales características de los mismos son:

Los cursos son muy extensos.

La comunicación entre el tutor y el alumno no está muy refinada.

El conocimiento del cómo y porqué se ejecutan las tareas de enseñanza
están fusionados. Es decir, los sistemas de enseñanza reaccionan
según modelos establecidos y con cierta independencia de las actitudes
y preferencias del alumno concreto.

El diseño e implementación de los sistemas están hechos a medida.

El conocimiento que incluye no se ve modificado con el tiempo, no
evoluciona.
Los Sistemas CAI (Computer-Assisted Instruction – Enseñanza Asistida por
Ordenador) han ido evolucionando de una manera notoria. La figura 1.2
CASTILLO EDISON
LARA MANUEL
16
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
muestra la evolución de los sistemas de enseñanza. En los años 50
aparecieron los primeros sistemas de enseñanza, los llamados programas
lineales. Estos programas se caracterizaban por mostrar el conocimiento de
una manera lineal. Es decir, ningún factor podía cambiar el orden de
enseñanza establecido en su momento por el programador. Esta actuación de
los sistemas tenía su origen en la teoría conductista, defendida en su momento
por B. F. Skinner (Permite elegir la acción instructora apropiada de acuerdo a
la respuesta del alumno). Dicha teoría propugnaba que las personas funcionan
por estímulos y que a igual estímulo corresponde igual respuesta. Según esto,
no se debía permitir cometer errores a los alumnos, ya que éstos les daría un
refuerzo negativo. Por lo tanto, en el desarrollo de una sesión de enseñanza
no se tiene en cuenta para nada la aptitud del alumno.
Los sucesores de los programas lineales en el campo de la enseñanza asistida
por ordenador, fueron los programas ramificados. Estos tenían un número fijo
de temas, al igual que los programas lineales, sin embargo se diferenciaban
por la capacidad de actuar según la respuesta del alumno.
La mejora ofrecida por estos sistemas se consiguió gracias a la técnica de
Pattern-matching y al diseño de lenguajes de autor. En cuanto a la técnica de
Pattern-matching, ésta permitía tratar las respuestas del alumno como
aceptables o parcialmente aceptables, en lugar de totalmente correctas o
incorrectas como exige la propuesta de Skinner (Permite elegir la acción
instructora apropiada de acuerdo a la respuesta del alumno). Por su parte, el
material de enseñanza obtenido en los programas lineales era en general
demasiado grande e intratable por medios clásicos. Por ello se desarrollaron
los "lenguajes de autor" (es una herramienta de programación orientada, de
manera específica, a todos aquellos profesionales involucrados en el proceso
de desarrollo de material de enseñanza que ha de presentarse mediante el
computador) para permitir crear material de enseñanza de forma tratable por el
sistema.
CASTILLO EDISON
LARA MANUEL
17
UNIVERSIDAD TECNICA DEL NORTE
PROGRAMAS
LINEALES
1950
PROGRAMAS
RAMIFICADOS
1960
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
SISTEMAS
GENERATIVOS
1967-1971
SISTEMAS TUTORES
INTELIGENTES
1980- 1990
Figura 1.2. - Evolución de los Sistemas de Enseñanza
A finales de los sesenta y principios de los setenta (1967-1971) surgieron los
sistemas generativos (también llamados sistemas adaptativos). Estos van
asociados a una nueva filosofía educativa que manifiesta que "los alumnos
aprenden mejor enfrentándose a problemas de dificultad adecuada, que
atendiendo a explicaciones sistemáticas", es decir, adaptando la enseñanza a
sus necesidades.
Estos sistemas son capaces de generar un problema acorde al nivel de
conocimiento del alumno, construir su solución y diagnosticar la respuesta del
alumno. En general, la solución para un problema concreto no es única, sin
embargo los sistemas generativos crean sólo una solución que es la base de
su diagnóstico. Además, los sistemas generativos no sirven para todo tipo de
dominio de enseñanza. Así como en áreas del estilo de la aritmética da buen
resultado, la dificultad para generar problemas aumenta considerablemente en
otras áreas de trabajo Como evolución de los sistemas CAI (Computer-Assisted
Instruction – Enseñanza Asistida por Ordenador) y con la incorporación de
técnicas de I.A (Inteligencia Artificial). aparecieron los Sistemas Tutores
Inteligentes. Estos sistemas facilitan el proceso de enseñanza/aprendizaje
haciéndolo más efectivo, correcto y también más agradable. Algunas de las
características más importantes son:

El conocimiento del dominio está acotado y claramente articulado.

Poseen conocimiento del estudiante que les permiten dirigir y adaptar la
enseñanza.

La secuencia de enseñanza no está predeterminada por el diseñador.

Realizan procesos de diagnóstico más adaptados al estudiante y más
detallados.
CASTILLO EDISON
LARA MANUEL
18
UNIVERSIDAD TECNICA DEL NORTE

SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
La comunicación Tutor-Alumno mejora, permitiendo además que el
alumno realice preguntas al Tutor.
Así, los STIs (Sistemas Tutores Inteligentes) se caracterizan por representar
separadamente la materia que se enseña (modelo del dominio) y las
estrategias para enseñarla (modelo pedagógico). Por otro lado, caracterizan al
alumno (a través de un modelo del estudiante) para procurar una enseñanza
individualizada. Además, de una manera cada vez más necesaria y al igual que
cualquier software que se comunica con usuarios, el interfaz de comunicación
corresponde con un módulo bien planificado, de fácil manipulación, y que
favorece el proceso de comunicación tutor-alumno.
1.5.3
VISIÓN
ACTUAL
DE
LOS
SIES
(SISTEMAS
TUTORES
INTELIGENTES)
En los últimos 10 años los sistemas inteligentes desarrollados en el ámbito de
la educación han experimentado un gran avance, planteando sistemas desde
diferentes puntos de vista pedagógicos y didácticos. El objetivo fundamental de
cualquier sistema docente es el de hacer que los estudiantes aprendan. Lo que
todavía no está claro es cuál es la mejor manera de conseguirlo. ¿Debemos
ofrecer un buen sistema de enseñanza? Entendiendo enseñanza como
“transmisión de conocimiento que precisa de un seguimiento continúo del
profesor hacia el alumno, especialmente en los procesos de resolución de
problemas”. Esta sería una propuesta instructiva. O ¿debemos construir
entornos de aprendizaje en el que “el estudiante guíe sus propios proceso de
aprendizaje”? Es decir, se debe ofrecer al estudiante un entorno que facilite el
descubrimiento y experimentación de nuevo conocimiento. Este planteamiento
corresponde con una visión constructiva de los procesos de aprendizaje. En
nuestra opinión ambos planteamientos son válidos y necesarios, e incluso
pueden llegar a ser complementarios.
Vamos a ver los dos planteamientos:
CASTILLO EDISON
LARA MANUEL
19
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
ENFOQUE “INSTRUCTIVO”
A lo largo de una vida estudiantil, surgen muchos procesos de enseñanza más
o menos efectivos. Incluso, el refuerzo en el proceso de aprendizaje en algunas
materias, se realiza en muchos casos a través de un seguimiento más estrecho
entre un tutor y el estudiante (¡las clases particulares¡). Estos procesos centran
su actividad en la transmisión de conocimiento del profesor al alumno. Las
capacidades que un buen profesor presenta se centran, en muchos casos, en
una estructuración y presentación acertada del conocimiento. Además de
disponer de un cierta variedad
de técnicas, más o menos atractivas, para
mantener la atención del estudiante y facilitar la transmisión del conocimiento
deseada.
El planteamiento “ideal” de los STIs (Sistemas Tutores Inteligentes) es el de un
buen profesor, adaptándose al estudiante con el que interactúa. Los sistemas
de entrenamiento inteligente o STIs (Sistemas Tutores Inteligentes) con
vocación de entrenamiento, tienen también este enfoque, aunque en estos
casos los procesos se dirigen más a actividades específicas de resolución de
problemas. Inicialmente los STIs (Sistemas Tutores Inteligentes), aunque
permiten una iniciativa mixta en las interacciones educativas y los estudiantes
pueden hacer preguntas y tener algún control sobre el proceso de enseñanza,
proponen una estrategia dirigida. Es decir, el proceso de enseñanza va guiado
sobre todo por el tutor según las prácticas tradicionales de la enseñanza.
El diseño e implementación de los STIs (Sistemas Tutores Inteligentes) se ha
venido realizando para un
determinado dominio y bajo las estrategias
pedagógicas de un determinado docente o grupo de docentes. El resultado
obtenido, en muchos casos, es el de un tutor.
Aunque el estudiante puede intervenir sugiriendo la realización de actividades
es el tutor quien las gestiona. Ello puede provocar una actitud demasiado
pasiva del estudiante, quién pierde la motivación necesaria durante cualquier
proceso de aprendizaje.
CASTILLO EDISON
LARA MANUEL
20
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
Además, la utilización de los STIs (Sistemas Tutores Inteligentes) como medio
de aprendizaje se ve afectada por la complejidad y costo de su desarrollo. Por
ello existe una importante línea de trabajo en el diseño y construcción de
entornos para la creación de STIs (Sistemas Tutores Inteligentes) o
herramientas de autor, que permite la construcción de sistemas tutores a
medida. El objetivo fundamental de estas herramientas, es acercar la
tecnología de los STIs (Sistemas Tutores Inteligentes) al usuario no experto,
facilitando el proceso de construcción de sistemas de tutorización, y
equilibrando la relación entre coste y eficiencia en su construcción.
Los entornos de construcción de STIs (Sistemas Tutores Inteligentes), se
basan en la arquitectura general antes mencionada. El docente es el
responsable de incluir los
conocimientos necesarios de una determinada
materia (modelo del dominio), estableciendo las relaciones pedagógicas (prerequisito, post-requisito, parte-de, etc.), que permiten establecer las futuras
sesiones de enseñanza. Por otro lado, se dispone de una amplia paleta de
opciones didácticas en las que establecer el tipo de enseñanza que queremos
tener (módulo pedagógico). Además deberá incluir las
características de
estudiante que permitirán la adaptación del sistema (modelo del estudiante).
ENFOQUE “CONSTRUCTIVO”
Como ya hemos apuntado anteriormente, existe otra propuesta diferente al
enfoque instructivo anterior y que Papert bautizó como constructivismo. En el
planteamiento que propone entiende el aprendizaje como un proceso activo de
construcción de conocimiento. Este planteamiento asegura además que la
“mejor” forma de aprender consiste en dedicarse a construir de forma
consciente algo, algún objeto. En los sistemas desarrollados según esta
propuesta, el estudiante lleva el control de la actividad docente, construyendo
su propia sesión de aprendizaje, fijando y asegurando sus propios objetivos de
aprendizaje. Los sistemas hipermedia se adaptan perfectamente a las
exigencias de este tipo de planteamientos. Estos sistemas permiten que el
usuario:
CASTILLO EDISON
LARA MANUEL
21
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES

Acceda a la información de la base de conocimiento que desee.

Disponga de una gran variedad de formas de acceso a la información.

Redefina la estructura y contenido del material a utilizar.
El grado de libertad que ofrecen a los estudiantes estas herramientas, aun
siendo su mayor ventaja, puede llegar a ser su peor enemigo. La gran
movilidad del estudiante por el hiper-espacio puede desorientarle de tal manera
que pierda el rumbo adecuado para alcanzar sus objetivos. Por ello es
necesario ofrecer al estudiante herramientas complementarias que le permita
reorientar su proceso de aprendizaje.
1.5.4
APRENDIZAJE INDIVIDUALIZADO VS. COOPERACIÓN
Tanto los STI’s (Sistemas Tutores Inteligentes) como los sistemas hipermedia,
centran el proceso de aprendizaje desde una perspectiva individualizada. Es
decir, los estudiantes aprenden mediante un proceso de interacción uno a uno,
sistema-estudiante. Sin embargo, existe un movimiento que propone nuevas
estrategias didácticas en las que se defiende que el aprendizaje de calidad,
especialmente en el aprendizaje de las ciencias, requiere cooperación más que
competición. En este sentido el aprendizaje colaborativo, ofrece un escenario
de cooperación que permite al estudiante cuestionarse y construir su
conocimiento. El estudiante aprende a dar explicaciones sobre los sucesos que
experimenta, atiende a las explicaciones de sus compañeros, justifica los
sucesos, etc. En la actualidad y gracias a las nuevas tecnologías de la
comunicación se está favoreciendo la enseñanza en grupo o aprendizaje
colaborativo. Un grupo de estudiantes se comunica a través de una red de
computadores para colaborar y compartir las actividades necesarias en la
resolución de una determinada tarea docente. Los sistemas con este
planteamiento de colaboración desarrollan entre otras actividades tales como:

Resolución de problemas de forma conjunta.

Crítica de propuestas propias y ajenas.
CASTILLO EDISON
LARA MANUEL
22
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES

Justificación y Explicación de las soluciones dadas y recibidas.

Acceso a información.
Así con este nuevo planteamiento se justifica el aprendizaje desde diferentes
perspectivas (la propia y la de los compañeros), pero requiere necesariamente
un seguimiento continuo y
motivador del docente. Este proceso de
seguimiento, que en un principio parece sencillo de abordar, puede tener una
complejidad creciente dependiendo del número de estudiantes del grupo, de la
complejidad de los problemas que se resuelvan, del conocimiento necesario
para su resolución, etc. Todo ello, se agrava en una situación síncrona de
aprendizaje colaborativo en la que es necesario que el docente cuente con
herramientas de ayuda para supervisar todas las actividades realizadas por los
estudiantes en un momento determinado o motivar la realización de ciertas
actividades, con el objetivo de asegurar una solución debatida, consensuada y
más
elaborada.
¿STIs
(Sistemas
Tutores
constructivos? A pesar de los planteamientos
Inteligentes)
o
modelos
enfrentados entre ambas
propuestas, cada vez más se observa que los STIs (Sistemas Tutores
Inteligentes) flexibilizan su actuación según las propuestas del alumno. Y por
otro lado, los sistemas constructivistas ofrecen al alumno un asesoramiento
tutorizado que le permite reconducir, de forma efectiva, su propio proceso de
aprendizaje.
1.6 ARQUITECTURA DE LOS SISTEMAS EXPERTOS EDUCATIVOS
Antes de empezar con el problema de estudio: el problema del modelado del
alumno, vamos a ver los componentes de un sistema tutor inteligente.
La arquitectura básica de un STI (Sistema Tutor Inteligente) consiste en un
módulo experto, un módulo del alumno y un módulo instructor, que operan de
forma interactiva y se comunican a través de un módulo central que se suele
denominar módulo entorno. El módulo experto contiene el conocimiento acerca
de la materia que se pretende enseñar, el módulo del alumno guarda toda la
información relativa al mismo que se genera durante la interacción con el
CASTILLO EDISON
LARA MANUEL
23
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
sistema, y el módulo instructor controla los planes y decisiones pedagógicas.
Finalmente, el módulo entorno gestiona la interacción de las otras
componentes del sistema y controla el interfaz hombre-máquina. Esta
estructura se representa en la Figura 1.3
MODULO DEL
ALUMNO

Modelo del alumno

Diagnóstico
MOTOR
MODULO DEL DOMINIO
(Experto)

Conocimiento del
dominio

Estructura currículum

Problemas y herramientas

Resolución
MODELO PEDAGOGICO
(Instructor)

Estrategias aprendizaje

Ayudas, etc
INTERFAZ


Profesor
Alumno
Figura 1.3 Arquitectura Básica De Un STI
1.6.1
MÓDULO DEL EXPERTO
El módulo experto de un STI (Sistema Tutor Inteligente) proporciona los
conocimientos del dominio, que satisfacen dos propósitos diferentes. En primer
lugar, presentar la materia de la forma adecuada para que el alumno adquiera
las habilidades y conceptos. Esto incluye la capacidad de generar preguntas,
explicaciones, respuestas y tareas para el alumno. En segundo lugar, el
módulo experto debe ser capaz de resolver los problemas generados y de
CASTILLO EDISON
LARA MANUEL
24
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
corregir las soluciones presentadas, incluso de aceptar aquellas soluciones
válidas que han sido obtenidas por medios distintos. Además, debe poder
explicar sus razonamientos en un lenguaje comprensible para el alumno.
Al diseñar el módulo experto, es importante considerar qué tipo de
conocimiento se está modelando. Fundamentalmente, podemos dividir el
conocimiento en tres tipos: declarativo, de procedimientos y cualitativo.
El conocimiento de procedimientos es conocimiento acerca de cómo llevar a
cabo cierta tarea, y por tanto suele ser específico de cada dominio en
particular. Un ejemplo de representación de dicho conocimiento (el más
extendido) es una base de conocimientos junto con un conjunto de reglas, al
estilo de los sistemas expertos basados en reglas, que es el enfoque utilizado
en varios sistemas.
El conocimiento declarativo es un conjunto de hechos que se organizan de
forma adecuada para razonar sobre ellos. Un ejemplo de dominio de
conocimiento declarativo es la Geografía, y una forma común de representarlo
es una red semántica, en la que los nodos representan hechos y los enlaces
representan
relaciones
jerárquicas.
Esta
estructura
permite
definir
procedimientos de inferencia flexibles que operan sobre la base de
conocimientos.
El tercer tipo, el conocimiento cualitativo, es quizás el más difícil de modelar.
Se usa para modelar relaciones espaciales y procesos dinámicos. El
razonamiento causal es una parte del conocimiento cualitativo que resulta de
gran importancia en los sistemas de diagnóstico de averías. El razonamiento
sobre la estructura causal de un dispositivo se usa para determinar potenciales
problemas. Las Redes Bayesianas parecen la estructura más adecuada para
modelar este tipo de conocimiento (puesto que en una Red Bayesiana los
enlaces que conectan los nodos modelan relaciones de tipo causal).
Anderson agrupa los modelos expertos en tres categorías: los modelos de caja
negra, los modelos de caja de cristal y los modelos cognitivos. Los modelos
expertos de caja negra son capaces de resolver problemas sobre el dominio.
CASTILLO EDISON
LARA MANUEL
25
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
Las soluciones a dichos problemas se usan como ejemplo para los alumnos y
para determinar si las soluciones presentadas por éstos son o no correctas. Sin
embargo, los cálculos internos que se realizan o bien no están disponibles o
bien están expresados en términos que el alumno no puede comprender. Un
ejemplo típico es un programa que juega a las damas buscando entre las
millones de jugadas que se crean a partir de los movimientos posibles.
El objetivo del sistema no puede ser enseñar al alumno ésta estrategia de
resolución de problemas, puesto que no es así como juegan los humanos. Sin
embargo, las soluciones así generadas aún resultan útiles para el proceso de
enseñanza. El modelo de caja negra es, como su nombre indica, totalmente
opaco para el alumno.
Un modelo más transparente al usuario es el llamado modelo de caja de cristal.
En este modelo, cada paso en el razonamiento puede ser revisado e
interpretado. Para construir un modelo de caja de cristal, se debe utilizar la
misma metodología que la usada en un sistema experto. El experto humano
en el dominio y el ingeniero de conocimiento trabajan juntos para definir el
espacio, identificar y formalizar los conceptos claves, diseñar un sistema en el
que implementar el conocimiento y probar y refinar este sistema. De este
modo, el módulo experto que se obtiene parece más adecuado para enseñar al
alumno, puesto que un componente de este módulo es una representación de
la forma en que un humano razona para resolver el problema. El ejemplo
clásico de este tipo de modelo es el utilizado en el sistema GUIDON que
reutiliza el módulo experto del sistema MYCIN para enseñar conocimientos
relativos a enfermedades infecciosas. La lección más importante que podemos
sacar del desarrollo de este sistema es que al construir el módulo experto no
sólo debemos pensar en el conocimiento de la materia, sino también en la
forma en la que lo vamos a representar. Las exhaustivas búsquedas hacia
atrás que hacía MYCIN para determinar la enfermedad a partir de los síntomas
no son representativas del modo de razonamiento humano, y muchas de las
reglas MYCIN eran demasiado complejas para ser enseñadas a un alumno.
CASTILLO EDISON
LARA MANUEL
26
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
Por último, tenemos los llamados modelos cognitivos, que simulan cómo usa
un humano el conocimiento que queremos enseñar. El objetivo de este modelo
es descomponer el conocimiento en componentes plenas de significado, y usar
este conocimiento de una forma similar a la humana. Este tipo de modelo
experto puede comunicarse con un alumno de una forma mucho más extensa
que los modelos anteriores. Sin embargo, la construcción de modelos
cognitivos es un proceso muy complicado y que consume mucho tiempo, y se
plantea la necesidad de determinar qué componentes psicológicos son
esenciales para modelar el aprendizaje y cuáles pueden ser sacrificadas a
cambio de una menor complejidad computacional.
1.6.2
MODELO DEL ESTUDIANTE
El módulo del alumno de un STI ( Sistema Tutor Inteligente) representa el
conocimiento que tiene el alumno del dominio que intentamos enseñarle. El
objetivo es detectar la falta de conocimiento o errores para establecer una
posible intervención instruccional. Las acciones del alumno son interpretadas
en un intento de reconstruir el estado de conocimiento que le llevó a realizar
esas acciones. Esta información puede entonces compararse con la contenida
en el módulo experto, y ser usada para tomar decisiones didácticas que
guiarán al alumno y organizarán sus actividades. El modelo del alumno es una
representación cualitativa aproximada, posiblemente parcial, del conocimiento
del alumno sobre cierto dominio, o tema/habilidad de dicho dominio que puede
explicar total o parcialmente aspectos específicos del comportamiento del
alumno. Decir que el modelo del alumno es una representación cualitativa
significa que no es ni numérica ni física, sino que describe los objetos y los
procesos en términos de relaciones espaciales, temporales y causales. Decir
que el modelo del alumno es aproximado y posiblemente parcial significa que
nos interesa más la utilidad computacional que la fidelidad cognitiva. Un
modelo del alumno más preciso sólo es mejor si el esfuerzo computacional
realizado para aumentar su precisión o completitud no es excesivo comparado
con la ganancia pedagógica obtenida.
CASTILLO EDISON
LARA MANUEL
27
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
El problema de inferir y mantener el modelo del alumno se conoce con el
nombre de problema del modelado del alumno.
1.6.3
MÓDULO PEDAGÓGICO
El módulo pedagógico determina los planes instruccionales, interpretando el
modelo del estudiante con respecto al currículum que refleja el modelo del
dominio, proporciona espacios de interacción al estudiante, basados en un
modelo de ofrecimientos de situaciones potenciales. Así pues, tenemos una
visión objetiva del dominio desarrollada con un modelo de ofrecimientos, en
términos de “ítems de conocimiento” (preguntas) que pueden aprenderse a
través de eventos o situaciones particulares.
Representaciones explícitas del conocimiento pedagógico permiten a los
sistemas tutores adaptar y mejorar sus estrategias en el tiempo. Un sistema
tutor debe ser capaz de a) controlar el currículum (selección de material y
orden de presentación), b) responder a las preguntas de los alumnos y c) saber
cuándo un alumno necesita ayuda y determinar qué tipo de ayuda necesita.
Para ello se definen las estrategias instructoras, que a nivel global afectan a la
ordenación en la presentación de contenidos y a nivel local a las decisiones
sobre cuándo y cómo intervenir para proporcionar ayuda, explicaciones,
enseñanza, preguntas o correcciones.
El módulo instructor controla las actividades e interacción instructora.
Diferentes niveles de control determinan diferentes estrategias: en el nivel de
control máximo (monitoring) el sistema adapta las acciones a las necesidades
del alumno, llevando siempre el control. En el nivel intermedio (mixed-initiative
dialogue) el alumno y el sistema comparten el control mediante el intercambio
de preguntas y respuestas. En el otro extremo tenemos las actividades
tutorizadas (guided-discovery learning), en las que la intervención del sistema
se reduce a modificar el entorno. Al elegir entre estas estrategias de control
cada dominio y cada alumno deben ser evaluados de forma independiente. De
este modo, las estrategias de control pueden guardarse en el módulo de
CASTILLO EDISON
LARA MANUEL
28
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
instrucción y ser seleccionadas de forma que también el tipo de instrucción que
recibe el alumno sea individualizada.
Los dos tutores más frecuentes son los tutores expositivos y los tutores de
procedimientos. Cada uno de ellos se asocia con el tipo de dominio que se
pretende enseñar: en los tutores expositivos se transmite conocimiento sobre
hechos, y las inferencias que se realizan van encaminadas a mantener el
enfoque y la coherencia. Los tutores de procedimientos enseñan habilidades y
procedimientos, y tienen la tarea adicional de ordenar las habilidades que
componen la habilidad principal que se desea que el alumno adquiera y de
elegir los ejercicios y ejemplos.
1.7
EL PROBLEMA DEL MODELADO DEL ALUMNO.
Esta sección describe con más profundidad en qué consiste, y qué enfoques
hay para resolver el problema del modelado del alumno, no sólo porque es el
problema al que pretendemos dar una nueva solución mediante el uso de las
redes bayesianas, sino porque para nosotros es la cuestión central en el diseño
y desarrollo de un STI( Sistema Tutor Inteligente). Un buen punto de partida
puede ser precisar el significado del término inteligente en el contexto de los
Sistemas Tutores. Revisando la literatura, encontramos que no existía una
definición aceptada de este término en este contexto. Entre los años 1993 y
1995 Shute realizó un estudio para intentar buscar un consenso
en este
aspecto entre los investigadores más reconocidos en el campo. Para ello les
pidió que resumieran en dos o tres líneas sus ideas acerca de qué significaba
la “I” en el acrónimo STI (Sistema Tutor Inteligente). Las respuestas fueron
variadas e interesantes y la conclusión casi unánime fue, en palabras de Shute:
Como vemos en esta muestra no aleatoria de respuestas sobre lo que es la
inteligencia en un STI (Sistema Tutor Inteligente), casi todo el mundo coincide
en que el elemento más crítico es el diagnóstico cognitivo (o modelado del
alumno). La siguiente característica más citada es la adaptación en la
asistencia. Y aunque algunos sostienen que la asistencia forma parte de la “T”
CASTILLO EDISON
LARA MANUEL
29
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
de STI (Sistema Tutor Inteligente), nuestra postura es que las dos
componentes,
(diagnóstico
y
asistencia),
trabajando
conjuntamente,
constituyen la inteligencia de un STI (Sistema Tutor Inteligente). [WWW 019 ]
Así, la característica distintiva de un Sistema Tutor Inteligente es su capacidad
de adaptación al alumno, adaptación que se puede realizar a varios niveles: en
el nivel en que se presenta el material o las ayudas, en la dificultad de los
problemas propuestos o en la selección de la estrategia instructora más
adecuada según sus capacidades, habilidades y estilos de aprendizaje
preferidos. La importancia de adaptar la enseñanza a cada alumno es
analizada en estudios como el que aparece en (Bloom, 1984), que avalan la
instrucción individualizada como la forma más efectiva de aprendizaje. En este
trabajo, Bloom concluyó que cuando se usan los métodos convencionales de
enseñanza (un profesor para treinta alumnos, con exámenes periódicos) las
calificaciones obtenidas por los alumnos tienen una distribución normal, con
media entre 50 y 60% pero con una desviación típica grande. Si el profesor
adapta sus lecciones para intentar evitar los errores que sus alumnos cometen
en los exámenes, las medias se mueven hasta un 84% y la desviación típica
disminuye considerablemente. El cambio más dramático ocurre cuando los
alumnos reciben enseñanza individualizada. La media llega a ser del 98%, con
una desviación típica que es la mitad de la desviación típica de los alumnos
que recibieron una enseñanza convencional. Estos resultados constituyen un
argumento más a favor del uso de los Sistemas Tutores Inteligentes, ya que
demuestran los buenos resultados de la enseñanza individualizada.
Por tanto, si la característica clave de los Sistemas Tutores Inteligentes es su
capacidad de adaptarse a cada alumno que utiliza el sistema, el problema de
obtener toda la información posible acerca del alumno se convierte en el
problema principal a la hora de diseñar un tutor inteligente. En efecto, es
necesario que en cada momento el STI (Sistema Tutor Inteligente) disponga de
una representación del estado actual del conocimiento del alumno, con objeto
de poder seleccionar el material al nivel adecuado de detalle, proponer el
problema apropiado o seleccionar la estrategia tutorial más efectiva en ese
momento.
CASTILLO EDISON
LARA MANUEL
30
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
El modelo del alumno es el componente del STI (Sistema Tutor Inteligente) que
representa el estado actual del conocimiento del alumno, y el proceso que
manipula esta estructura se llama diagnóstico. Ambas componentes deben
diseñarse juntas, y este problema de diseño es el que se conoce como el
problema del modelado del alumno.
Las cuestiones fundamentales en el problema del modelado del alumno son:

Selección de la estructura que se usará para representar el modelo del
alumno. Esta información puede almacenarse de muchas formas
distintas: en un vector, en una red semántica, en una red bayesiana, en
forma de afirmaciones, etc.

Inicialización del modelo del alumno. La estructura elegida para
representar el conocimiento del alumno debe inicializarse cuando la
interacción con el sistema comienza. Para ello disponemos de varias
opciones: utilizar la información disponible acerca del alumno, pedirle
que se clasifique en clases o estereotipos de alumnos previamente
definidos, realizar tests previos, etc.

Diagnóstico. Una vez que el modelo del alumno se ha inicializado
comienza la interacción con el sistema. El procedimiento de diagnóstico
elegido actualizará el modelo del alumno tras sus interacciones con el
sistema, utilizando dos fuentes de información principalmente: a) el
modelo del alumno actual y b) su comportamiento en el proceso
interactivo de enseñanza, comportamiento que puede medirse en
función de distintas variables que es preciso definir previamente
(soluciones a problemas, respuestas a preguntas, tiempo empleado en
lectura de pantallas, etc.).
El modelo del alumno puede ser utilizado con diferentes propósitos:
CASTILLO EDISON
LARA MANUEL
31
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
a) Para determinar si el alumno está preparado para continuar con el siguiente
tema del currículum, y para elegir este tema.
b) Para generar explicaciones que el alumno pueda entender (al nivel de
detalle adecuado a sus conocimientos actuales).
c) Para ofrecer consejos y ayudas sin que el estudiante lo solicite. En este
sentido, es importante que el tutor no interrumpa a los alumnos con demasiada
frecuencia, y que les permita aprender de sus errores
d) Para generar problemas al nivel adecuado. La generación dinámica de
problemas es otra área que se apoya fuertemente en el modelo del alumno.
Una vez identificados los puntos débiles del alumno, se genera un problema
que el módulo experto resuelve paralelamente para ser capaz de diagnosticar
la solución del alumno. Así, a cada alumno que interactúe con el sistema se le
presentará una colección diferente de problemas, adecuada a su nivel de
conocimiento.
e) Para seleccionar la estrategia tutorial más apropiada dado el nivel de
conocimiento actual.
Básicamente, los tipos de modelo del alumno que se han utilizado son:
Modelo de superposición (overlay model). En este enfoque se considera
que el conocimiento del alumno es un subconjunto propio del conocimiento del
experto.
Este
enfoque
supone
que
todas
las
diferencias
entre
el
comportamiento del alumno y el del experto se explican como una falta de
conocimiento del alumno. El modelo funciona bien cuando el principal objetivo
del sistema instructor es transmitir el conocimiento experto al alumno. El mayor
problema de dichos modelos es que no consideran que el alumno puede
poseer conocimiento que el experto no posee, y por tanto son incapaces de
reaccionar ante esta situación. Esta carencia motivó la aparición de otros
modelos.
CASTILLO EDISON
LARA MANUEL
32
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
Modelo diferencial (differential model). Es una modificación del modelo de
superposición.
Este modelo divide el conocimiento del alumno en dos
categorías: conocimiento que el alumno debería poseer y conocimiento que no
puede esperarse que el alumno tenga. Así, a diferencia del modelo de
superposición, el modelo diferencial reconoce y trata de representar
explícitamente tanto el conocimiento del alumno como las diferencias
alumno/experto. Puede considerarse como un modelo de superposición, pero
en lugar de sobre el conocimiento del experto, sobre un subconjunto de éste.
Modelo de perturbación (perturbation model). Mientras que el modelo de
superposición representa el conocimiento del alumno en términos del
conocimiento “correcto”, el modelo de perturbación lo combina con una
representación del conocimiento incorrecto. De este modo, no se considera al
alumno como un “subconjunto” del experto, sino que el conocimiento del
alumno puede ser potencialmente diferente en calidad y cantidad al del
experto. La técnica más frecuente para implementar un modelo de perturbación
es representar el conocimiento experto y añadirle los errores que más
frecuentemente cometen los alumnos. El modelo del alumno es entonces un
modelo de superposición sobre este conjunto de conocimiento aumentado (que
incluye conocimientos correctos e incorrectos). En la literatura aparecen dos
tipos de errores: errores de concepto y fallos. La colección de errores que se
incluye en un modelo de perturbación se llama biblioteca o catálogo de errores.
Esta biblioteca puede construirse de dos formas diferentes: mediante un
análisis empírico (enumeración) o generando los errores a partir de un conjunto
de errores de concepto subyacentes (técnicas generativas). Aunque la
información adicional en un modelo de perturbación proporciona nuevas
explicaciones del comportamiento del alumno, introduce también nuevos
problemas: el esfuerzo necesario para construir y mantener el modelo del
alumno es mucho mayor.
Modelo basado en restricciones. Este modelo es una modificación del
modelo de superposición. El dominio de conocimiento se representa mediante
una serie de restricciones sobre el estado de los problemas, y el modelo del
CASTILLO EDISON
LARA MANUEL
33
UNIVERSIDAD TECNICA DEL NORTE
SISTEMA INTELIGENTE PARA EVALUACIÓN
AUTOMÁTICA DE ESTUDIANTES
alumno es simplemente una lista de las restricciones que ha violado en el
proceso de resolución del problema. La principal ventaja de este enfoque es su
robustez y flexibilidad.
Es robusto ya que no depende de la estrategia que haya seguido el alumno
para resolver el problema, y por tanto puede modelar a alumnos que tengan
patrones de comportamiento inconsistentes, es decir, que utilicen estrategias
diferentes para problemas diferentes. Además, el modelo es suficientemente
flexible para reconocer soluciones innovadoras como correctas.
Por último, debemos distinguir entre dos tipos diferentes de modelado del
alumno, que se denominan traza del conocimiento y traza del modelo. La traza
del conocimiento consiste en determinar qué sabe el alumno, incluyendo tanto
el conocimiento correcto sobre el dominio como sus errores. La traza del
modelo pretende analizar el procedimiento de resolución de problemas que
utiliza el alumno. La traza del modelo resulta útil en sistemas que intentan dar
respuesta a peticiones de ayuda del alumno y ofrecerle pistas de información
cuando no sabe seguir resolviendo el problema. De hecho, para poder ayudar
al alumno el sistema necesita ser capaz de analizar y criticar la solución en
curso y tener una idea de que línea de razonamiento está siguiendo.
Por otro lado, la traza del conocimiento resulta útil para la evaluación del
alumno y la toma de decisiones pedagógicas, como qué material/problema
debe ser propuesto a continuación.
CASTILLO EDISON
LARA MANUEL
34
Descargar

capitulo i - Repositorio Digital UTN

TEMA 17. INTELIGENCIA •

TEMA 17. INTELIGENCIA •

Factores determinantesBinetNiveles intelectualesConducta inteligente animalEdwarsSternGuildford

Inteligencia artifical

Inteligencia artifical

ComputaciónMáquinas inteligentesEvolución históricaSistemas computarizadosAplicaciones

Tarjetas inteligentes

Tarjetas inteligentes

Circuitos integradosSeguridadRAM (Random Access Memory)Memoria EEPROM (Electrically Erasable Programmable Read Only Memory)Criptografía

Gestión del Conocimiento en la empresa

Gestión del Conocimiento en la empresa

ValoresValor en mercadoÉtica profesionalEstrategias empresarialesEconomía