Aplicabilidad de los Métodos de Solución de Problemas en la construcción de Sistemas de Enseñanza

Enviado por yoly

Métodos Avanzados de
Solución de Problemas. Aplicaciones
Algoritmos Genéticos en
la construcción de sistemas aplicados en
Enseñanza Superior
Planificación
Maching
learning
Árboles de
búsqueda. Aplicación en programas para el
entrenamiento en el juego de Ajedrez
Conclusiones
Bibliografía

Introducción.

Desde principios de la
década del 60, las computadoras
sirvieron como base de los sistemas de
enseñanza automatizados. A fines de los
años 60 las investigaciones
en esta esfera habían languidecido bastante, aunque
existía la convicción de que la Enseñanza Asistida por Computadora
debía proporcionar nuevos e importantes cambios a la
enseñanza.

En 1971 la NSF (National Science
Foundation) de los Estados Unidos de
América
decide invertir 10 millones de dólares durante cinco
años en los proyectos TICCIT
(Time Sharing Interactive Computer
Controlled Information) y PLATO (Programmed
Logic for Automatic Teaching
Operation). La finalidad de estos proyectos era
demostrar que la Enseñanza Asistida por Computadora
(EAC) podía proporcionar mejor enseñanza a menor
costo. En esa
época las computadoras
eran bastante costosas y nada "amistosas", por ese motivo las
premisas que rigieron aquellos proyectos no son exactamente las
reglas que se emplean hoy en día para la producción de ambientes educativos
asistidos por computadora. [LEZ98]

Durante parte de los años 70 y hasta comienzos de
los 80 se produce un estancamiento, principalmente debido a la
falta de madurez del desarrollo
tecnológico: los reducidos rendimientos y prestaciones
de las computadoras en comparación con sus costos y
también debido al escaso desarrollo
conceptual y metodológico [RUI96].

Un importante momento para los sistemas de EAC en
particular y para el mundo en general fue, sin lugar a dudas, el
surgimiento del micro procesador, que
rompió con las grandes limitaciones inherentes a grandes
centros de cálculo
asociados a costos muy
elevados e inalcanzables para los sistemas de educación de
cualquier país. En los últimos años se han
diseñado e implementado ambientes de aprendizaje
poderosos, que se compenetran con las características de los procesos de
aprendizaje en
forma efectiva y que involucran una nueva concepción del
aprendizaje.

Las técnicas
de la Inteligencia
Artificial se han incorporado a los sistemas de EAC,
acuñándose el nuevo término
Intelligent CAI (ICAI) [KHA94] lo que ha
permitido dotar a los sistemas de EAC de un comportamiento
que no se limita a mostrar textos o imágenes.
Con estas técnicas,
los nuevos sistemas disponen de un verdadero conocimiento
sobre la materia que se
enseña y permiten mostrar a los alumnos los pasos del
razonamiento.

Los términos «Inteligencia
Artificial» y «Educación»
definen el carácter
distintivo de una actividad de investigación preocupada por el desarrollo
de sistemas educativos basados en tecnologías avanzadas
[JON2001] que toman en consideración diversos aspectos del
conocimiento.
Hoy en día el uso conjunto de las nuevas
Tecnologías de la Información y las Telecomunicaciones, y las tendencias
pedagógicas, impulsan una constante evolución; desde los primeros programas de
enseñanza asistidos por ordenador en los años 50,
sistemas Computer Assisted Instruction (CAI), pasando por los
Sistemas Tutores Inteligentes (STI) [OHL86] [SEL99] hasta el
momento presente en el que las posibilidades de los actuales
sistemas hipermedia y multimedia, la
World Wide Web y las
tendencias de trabajo en grupo
(sistemas colaborativos) acrecientan el imparable desarrollo de
la instrucción a distancia y no presencial
[BRU2000].

El aprendizaje es una actividad consustancial al ser
humano. Se aprende a lo largo de toda la vida, aunque no siempre
en forma sistemática: a veces es fruto de las
circunstancias del momento; otras de actividades planeadas por
alguien (la persona misma o
un agente externo) y que el aprendiz lleva a cabo en aras de
dominar aquello que le interesa aprender [GAL94].

El ambiente de
aprendizaje está determinado por el entorno físico,
psicológico y las estrategias
utilizadas para la enseñanza y aunque resulta importante,
no es lo que determina, en última instancia, qué se
aprende; es la actividad del aprendiz el punto focal del
problema, ya que ni aún en un entorno "ideal" se
logrará un aprendizaje efectivo sin que el estudiante
desarrolle las actividades asociadas con éste.

Existen diversas teorías
sobre el aprendizaje y
en nuestra opinión ninguna de ellas debe ser
menospreciada, ya que todas aportan en mayor o menor medida
elementos sobre la adquisición del conocimiento. Estas
teorías
con diferentes matices oscilan entre dos polos:

Conductismo.
Cognoscitivismo.

En el primer caso no se toma en cuenta el sujeto que
aprende, se consideran sólo las condiciones externas que
ayudan al aprendizaje. Se describe como el modelo de la
"caja negra" que presenta la enseñanza como
pequeños eventos
programados, que conducen a lograr un objetivo dado
y utiliza reforzamientos de acuerdo a las respuestas obtenidas,
teniendo siempre en mente la consecución del objetivo en
cuestión.

Por otra parte, el punto de vista cognoscitivo considera
a la persona como lo
fundamental y en contraposición al caso previo se dice que
es un modelo de
"caja transparente", ya que lo que cuenta es el aprendiz dentro
de su entorno psicológico y social. Esta corriente centra
sus esfuerzos en explicar los procesos
mentales y las estructuras de
la memoria
humana con el fin de comprender la conducta.
[GAL94].

Con este trabajo nos proponemos realizar una investigación sobre los proyectos
existentes, vinculados al mundo de la enseñanza y su
solución a través de algunos métodos
avanzados de solución de problemas.

Métodos
Avanzados de Solución de Problemas.
Aplicaciones.

A principios de los
años ochenta la IA empieza a aplicarse en la
solución de problemas reales con los sistemas
expertos. Los sistemas
expertos se declaran como una línea de
investigación prioritaria.

Razonamiento Basados en Casos

El Razonamiento Basado en Casos (RBC) representa un
nuevo método
para resolver problemas no estructurados en el cual el
razonamiento se realiza a partir de una memoria
asociativa que usa un algoritmo para
determinar una medida de semejanza entre dos objetos. En este
paradigma la
base del comportamiento
inteligente de un sistema radica en
recordar situaciones similares existentes en el pasado. Debe
destacarse que es una técnica en la cual la memoria se
sitúa como fundamento de la inteligencia
artificial y más concretamente de los sistemas basados
en el
conocimiento. [RBC3]

El Razonamiento Basado en Casos denota un método en
el cual la solución de un nuevo problema se realiza a
partir de las soluciones
conocidas para un conjunto de problemas previamente resueltos (o
no resueltos) del dominio de
aplicación. Este método se distingue por el hecho
de utilizar directamente la información almacenada en la memoria del
sistema sobre los
problemas o casos ya resueltos o no. Los sistemas que emplean el
RBC usan una memoria permanente en lugar de alguna forma de base
de conocimientos en la cual se almacene de forma explícita
el
conocimiento sobre el dominio de
aplicación en forma de estructuras
conceptuales, reglas de producción u otra forma de
representación del conocimiento.

Explicación basada en
casos.

La utilización del enfoque basado en casos para
ofrecer explicaciones está relacionada con su empleo en las
tareas de planificación y solución de fallas
analizadas antes. El sistema será responsable de construir
una explicaciones de las razones por las que se produce una falla
con el objetivo de reparar un plan o corregir
una solución defectuosa, de modo que se pueda evitar en el
futuro producir planes o proponer soluciones
erróneas.

La explicación de anomalías está
presente en todos los procesos de solución de problemas y
actividades de comprensión. Una explicación basada
en casos explica un fenómeno recordando un fenómeno
similar, tomando su explicación y adaptándola
[RBC11]

El RBC en la informática educativa.

En los diferentes tipos de sistemas que se pueden
desarrollar en el campo de la informática educativa las herramientas
basadas en casos se pueden usar para construir, acceder y usar
casos como parte de un marco computacional más amplio. Por
ejemplo, en el sistema SHERLOCK [ROS93] el RBC se emplea
para identificar las situaciones y explicaciones previas que
podrían potencialmente afectar la explicación que
se construye.

Una componente importante de cualquier proceso de
aprendizaje es satisfacer las necesidades de información,
acceder a la información que permite responder una
pregunta, tomar una decisión, resolver un problema o
ayudar a comprenderlo. El acceso a información es una
actividad fundamental en el aprendizaje.
La ventaja distintiva del empleo de una
biblioteca basada
en casos para acceder a la información es la posibilidad
de integrar gran cantidad de información en
representaciones alternativas y de buscarla
asociativamente.

Seguidamente se describen dos aplicaciones del RBC en el
área de la instrucción asistida por
computadoras.

El sistema SHERLOCK antes mencionado es un
sistema inteligente para entrenar técnicos de
aviación en el análisis de problemas en equipos
electrónicos complejos, su uso minimiza la
interacción con el tutor (humano) y además permite
revisar el desempeño del técnico en una
sesión posterior, esto último es muy importante
pues numerosos experimentos han
indicado que como el aprendizaje en el contexto de la
solución de tareas es un esfuerzo cognitivo significativo
en las sesiones posteriores de trabajo es donde los estudiantes
pueden revisar sus propias acciones y
compararlas con el trabajo de
los expertos y es allí donde se materializa gran parte de
la instrucción.

Cada paso ejecutado por los estudiantes el sistema lo
evalúa como "bueno" o "podría ser mejorado". Esta
evaluación se realiza determinando cuales
rasgos caracterizan la acción y calificándolos en
buenos (b), malos (m) o regulares (r), luego SHERLOCK
evalúa cada acción con respecto a un conjunto de
rasgos a los que se han asociado un juicio sobre si los rasgos
indican un resultado bueno o que podría ser mejorado. Para
esto se utiliza el razonamiento basado en casos.

Para ello el algoritmo del
sistema construye una estructura de
datos denominada Grafo Aciclico Dirigido (GAD) el cual indica
las acciones
previas que son similares a una dada. La raíz del GAD
representa la acción actual y los rasgos de interés
(los evaluados de mal). Cada nodo en el GAD representa un
conjunto de las acciones que comparten el mismo conjunto de
rasgos de interés,
mientras más rasgos un nodo tenga en común con la
acción actual más semejante será al nodo
raíz.

Una vez encontrada una situación adecuada el
sistema decide como usar esta al generar la explicación
necesaria en ese momento.

RBC y el Diseño Asistido por Computadoras (CAD) en
las asignaturas de las carreras de Ingeniería Mecánica.

1.2 El razonamiento basado en casos para tareas de
diseño.

Anteriormente presentamos un ejemplo de sistema basado
en casos para resolver problemas de diseño y la
técnica en la que se basa. En este se analizará
cómo el razonamiento por analogía y particularmente
el RBC se ha utilizado en el desarrollo de sistemas para el
diseño asistido por computadoras (CAD systems).

Kolodner describe la problemática del
diseño de la forma siguiente. En el diseño los
problemas se definen como un conjunto de restricciones, y el que
resuelve problemas se invoca para construir un artefacto concreto que
satisfaga las restricciones del problema. Las restricciones
ofrecen una guía pero no señalan al que resuelve
problemas una dirección de búsqueda particular. El
espacio de búsqueda es enorme, pudiendo existir muchas
respuestas posibles pero lo suficientemente dispersas dentro del
espacio, de modo que los métodos de búsqueda
estándares requieren demasiado tiempo para
hallarlas. Además, el problema puede ser demasiado grande
para resolverlo como un todo pero como sus partes
interactúan fuertemente, resolver cada parte aisladamente
y luego integrarlas casi siempre lleva a que se violen las
interacciones entre las partes (lo que se denomina duramente
descomponible). [KOL92]

A la vez, el dominio del diseño se caracteriza
por la relevancia que tienen las experiencias (casos) previas
para sugerir ideas que frecuentemente ayudan a enfrentar nuevos
problemas de diseño, proponer y refinar las soluciones,
criticar y modificar los diseños propuestos y justificar
su selección.
Sin embargo, a pesar de la aparente abundancia y uso extensivo de
los diseños anteriores los diseñadores no tienen
siempre acceso a los casos apropiados. Ellos no están
organizados en bibliotecas sino
que frecuentemente están esparcidos en archivos,
publicaciones, libros y en
las memorias de
otros diseñadores. Algunas firmas tienen pequeñas
colecciones con los diseños de su propiedad pero
organizadas de forma que resulta difícil determinar su
relevancia para con el nuevo problema.

Es por todo lo anterior que el razonamiento basado en
casos puede ofrecer el camino hacia la elaboración del
nuevo diseño. En lugar de resolver los problemas
descomponiéndolo en sus partes, resolviendo cada parte y
recomponiéndolas, un caso sugiere una solución
completa, y las partes que no se adecuen a la nueva
situación se adaptan. Resolver un problema adaptando una
solución vieja evita que el que resuelve problemas tenga
que tratar con muchas restricciones que se cumplen en la nueva
situación. Aunque sea necesario hacer un trabajo de
adaptación considerable esta tecnología es casi
siempre preferible a generar una solución desde estadios
muy tempranos del diseño cuando hay muchas restricciones y
las partes del problema no son fácilmente recompuestas. En
la ingeniería y en la arquitectura el
proceso de
diseño es casi enteramente un proceso de adaptar o mezclar
varias soluciones viejas para resolver el nuevo
problema.

La otra contribución importante del RBC es que
permite señalar los problemas de las soluciones
propuestas.

Resumiendo, el RBC es útil para tareas de
diseño pues este dominio se caracteriza por:

Ejecutar un diseño requiere de experiencia
previa.
Frecuentemente es difícil representar la
heurística del experto en diseño a través
de reglas.
El diseño de un producto se
puede realizar a partir de diseños realizados
antes.
Usualmente están disponibles muchos casos de
diseño.
Este dominio se caracteriza por la existencia de
casos excepcionales con cierta regularidad, lo que dificulta el
empleo de reglas u otros medios para
realizar generalizaciones.

Además, el RBC es una tecnología adecuada
pues mediante la memoria permanente y los métodos de
búsqueda se puede poner a disposición del
diseñador un gran volumen de
experiencia previa a través de casos resueltos y a partir
de esta información el mismo puede construir la
solución deseada; lo que esta totalmente de acuerdo con el
termino Diseño Asistido por Computadora. Este
método es muy usado en las carreras de Mecánica.

MALCON: Sistema automatizado de ayuda al
aprendizaje y el diagnóstico de malformaciones
congénitas

En Cuba existen
experiencias de la aplicación de sistemas sustentados en
RBC en la docencia médica, ejemplo de ello, es la
propuesta por el sistema automatizado de ayuda al aprendizaje y
diagnóstico de malformaciones
congénitas. [ALM97]

ALGORITMOS
GENÉTICOS EN LA CONSTRUCCIÓN DE SISTEMAS APLICADOS EN
ENSEÑANZA SUPERIOR.

Modelo de asignación de carga académica
usando algoritmos
genéticos.

El problema de asignación de carga
académica en una institución de educación
superior es complejo debido a la cantidad de restricciones
que se presentan y el criterio con el que se aplican. El
Instituto Tecnológico de Nuevo Laredo (ITNL)
realizó un modelo computacional capaz de encontrar la
asignación óptima de clases, maestros y horarios
utilizando un algoritmo genético. Se realizaron pruebas al
modelo, tomando como base los requerimientos en un período
determinado de la carrera de Ingeniería en Sistemas
Computacionales (ISC) y una lista de los maestros disponibles y
su horario, encontrando mejores resultados que los obtenidos en
forma manual.

Modelo simplificado

A partir del modelo general se construye un modelo
simplificado, en el cual se presentan los siguientes datos:

Un conjunto finito de grupos-materias
que incluye la combinación de todas las materias que se
impartirán en un período escolar determinado
así como los grupos de
alumnos que cursarán dichas materias y se representan
mediante claves alfanuméricas.
Un conjunto finito de profesores identificados por
claves numéricas enteras.
Un conjunto de horas que contiene la
codificación con claves numéricas enteras de la
jornada de clases del período escolar (Fig
5).

Definición de Algoritmos
Genéticos

Un Algoritmo Genético (AG) es un esquema de
representación que aplica una técnica de
búsqueda de soluciones enfocada a problemas de
optimización, basada en la teoría
de la evolución de Charles Darwin. Se basa
en los procedimientos
naturales de selección,
en la que los individuos más aptos de una población son los que sobreviven al
adaptarse más fácilmente a las características del entorno en el cual se
encuentran. Este proceso se controla por medio de los genes de un
individuo, en los cuales se encuentra la codificación de
cada una de sus características.

Características de un AG

Un AG difiere de los métodos tradicionales de
búsqueda por sus características:

Trabaja con la codificación del conjunto de
parámetros; no con los parámetros en
sí.
Busca soluciones en una población de puntos, es decir,
evalúan un grupo de
soluciones en lugar de un punto a la vez.
Evalúa las posibles soluciones sin aplicar
ningún proceso de inferencia.
Usa reglas de transiciones probabilísticas en
lugar de reglas determinísticas.

La Fig. 6 muestra una
representación gráfica del comportamiento de un
AG durante el proceso de búsqueda.

Esquemas de
representación

Del modelo simplificado de ACA surge la relación
[grupo-materia,
maestro, hora] que representa un gene del cromosoma. La Fig. 7
muestra la
representación no binaria de un gene para el modelo de ACA
que asigna la materia AM5 (Química) del grupo A
que será impartida por el (la) profesor(a) 150 (Angelina
Molina García), de lunes a viernes en la hora 3
(9:00-10:00). Sin embargo, cada período de clases tiene
varios grupos-materia y para indicar la distribución completa de ACA, es necesario,
concatenar un gene por cada grupo-materia requerido en ese
período, formando un cromosoma (Fig. 8). En esta figura,
las líneas punteadas separan los genes de cada
período escolar, mientras que las líneas dobles
delimitan los períodos escolares. Al final del cromosoma
se anexa un campo para determinar la aptitud total del
cromosoma.

Para ver el gráfico seleccione la
opción "Descargar" del menú superior

Definición de la función de
aptitud

La función de
aptitud es el parámetro que evalúa una
solución y permite que el AG eleve su rendimiento al
mejorar la aptitud de los cromosomas
conforme avanza el proceso. En el problema de ACA, los cromosomas
serán evaluados con un conjunto de penalizaciones o
castigos de acuerdo a los siguientes puntos:

Los empalmes de clases de un grupo. No deben
asignarse varias clases al mismo grupo en la misma hora. Se
penaliza con 3 puntos por cada empalme.
Los empalmes de clases de un profesor. No deben
asignarse varias clases al mismo profesor en la misma hora. Se
castiga con 2 puntos por cada empalme de clases de
profesor.
Las horas libres entre clases de un grupo. No es
deseable períodos inactivos en la secuencia de las
clases del grupo. Se penaliza con 1 punto por cada hora
libre.

La aptitud de un cromosoma es inversamente proporcional
a la suma de las penalizaciones mencionadas, es decir, los
cromosomas con el menor número de penalizaciones son los
más aptos.

Generación de población
inicial

La primera etapa de un AG es la generación de la
población inicial, en la cual se generan aleatoriamente N
cromosomas, donde N AM5A 150 3 3 3 3 35 representa el
tamaño de la población, es decir, la cantidad de
soluciones que se generan en cada etapa. A cada grupo-materia se
le asigna aleatoriamente un profesor de los disponibles para
impartirla. Una vez escogido el maestro, también se
asigna, en forma aleatoria, una hora de clase al grupo-materia
dentro del horario de disponibilidad del profesor.

Operadores genéticos

La mecánica de un AG es muy simple, ya que
solamente involucra copiar cadenas de caracteres e intercambiar
subcadenas aplicando algunos operadores. Los operadores
básicos utilizados en un AG son: selección,
cruzamiento, mutación y elitismo.

Selección

La selección es un proceso en el cual cada
cromosoma es copiado de acuerdo a su valor de
aptitud. Este operador es una versión artificial de la
selección natural y la supervivencia de los individuos
más capaces, aptos y superiores, y se aplica
basándose en el método de la ruleta, la cual se
gira N veces para generar aleatoriamente la siguiente
población (Fig. 9).

Cruza

La cruza consiste en intercambiar subcadenas de los
cromosomas por medio de uno o dos puntos de corte aplicando
probabilidad.
En este modelo de ACA se aplica una variante del operador llamado
cruza uniforme, el cual consiste en aplicar con cierta probabilidad el
operador a bloques específicos del cromosoma; esto es, se
aplica la cruza uniforme sólo a períodos
correspondientes de dos cromosomas seleccionados

(Fig. 10).

Mutación

La función de este operador es modificar
aleatoriamente algunos genes de acuerdo a un valor
probabilístico (probabilidad de mutación); sin
embargo, para el cromosoma representado en este problema, se
sustituye aleatoriamente un maestro por otro disponible en
algunos genes (Fig. 11).

Elitismo

El elitismo es un criterio que se aplica en un AG con la
finalidad de mantener el mejor cromosoma de cada población
insertándolo directamente en la siguiente
población; con esto se asegura que si en determinado
momento la heurística de los operadores genéticos
no reproduce cromosomas con aptitud superior a la de su
población anterior, por lo menos se mantiene el cromosoma
con la mejor aptitud hasta esa generación.

Resultados

Efecto de los parámetros en la aptitud de los
cromosomas

La Fig. 13 muestra el comportamiento gráfico de
una muestra del AG. En este caso se generaron 688 poblaciones de
150 cromosomas cada una, con 2 puntos de cruza, probabilidad de
cruza =70% y Probabilidad de mutación=0.2% sin considerar
elitismo. Esta gráfica muestra que el AG encuentra
rápidamente el mejor cromosoma en la generación 12
con aptitud de 60.

En un segundo caso, se modificaron los parámetros
del AG con una probabilidad de cruza de 90%, una probabilidad de
mutación de 0.001% e incorporando elitismo (Fig. 14). Se
aprecia que encuentra una solución con mejor aptitud en el
cromosoma 32 de la generación 272 con valor de 31 y se
elimina el comportamiento oscilatorio en la aptitud de los
cromosomas.

El problema de ACA es sumamente complicado debido a las
restricciones particulares que varían de Acuerdo a las
políticas y reglas de la institución
educativa donde se requiere así como del criterio con el
cual se apliquen dichas restricciones.

La comparación en la distribución de la carga académica
obtenida por el AG y el proceso manual,
demostró que la solución planteada por el AG es
mejor, tal como lo muestra la tabla.

Los resultados obtenidos por el AG cumplen con la
condición de que las materias son impartidas de acuerdo al
perfil académico de los maestros y conforme a su horario
disponible, con lo que se evita que grupos queden sin maestro y
horario asignado o maestros con materias que no son de su
preferencia y en horarios indispuestos.

Por lo tanto se concluye que es factible la
aplicación de un AG para la ACA en una institución
de educación. [LOP99]

Las técnicas de planificación [MAR2002] y los sistemas
de reglas [PRE2002], como se puede apreciar en la figura, han
permitido modelar satisfactoriamente el comportamiento
pedagógico de los sistemas. La generación
dinámica de planes de
instrucción favorece la adaptación tanto del
dominio como de su nivel de exigencia, al usuario o usuarios
que interactúan con el sistema docente.
Los sistemas basados en planificación
nacen como una necesidad para construir sistemas de
enseñanza, que utilicen estrategias para cursos
largos. La planificación puede ser estática o dinámica.
Peachey y McCalla (1986) proponen usar técnicas de
planificación para crear cursos largos e
individualizados que traten campos más amplios. Este
sistema pertenece al tipo de planificación estática. [PEA86]
Las técnicas de planificación se han
utilizado principalmente en robótica [GAS89]. También en
áreas como la modelización del razonamiento
[HAY79] y comprensión del lenguaje
natural [WIL83] entre otras.
El proceso de planificación consiste en
decidir el curso de una acción antes de que se
realice, y un plan es la
representación del curso de dicha acción. Un
planificador es un programa que
parte de un estado
inicial e intenta alcanzar el estado
final deseado, mediante la aplicación de un conjunto
de operadores sobre los objetos que componen el mundo en el
que opera. Esto es, construye la secuencia de operadores que
permite transformar el estado
inicial en el estado
final. Un planificador incorpora una base de conocimientos
formada por: 1) los operadores de cambio de
estado, 2) una base de datos
en la que se caracteriza el estado final y los objetivos
y 3) un mecanismo de inferencia.
2. El Grupo de Informática Médica del
  Laboratorio de Inteligencia Artificial de la Facultad de
  Informática de la Universidad Politécnica de Madrid ha
  trabajado en un proyecto, en colaboración con la
  Inspección General de Sanidad del Ministerio de
  Defensa, para transmisión de imágenes para uso en
  planificación a distancia de cirugía y
  uso en sistemas de cirugía virtual de traumatismos
  craneoencefálicos.
PLANIFICACIÓN

La meta de este proyecto es
servir de ayuda a cirujanos en intervenciones reales y como
sistema de enseñanza virtual para formación
de cirujanos. Si tenemos en cuenta que las situaciones
bélicas en que los médicos militares
españoles pueden participar son, afortunadamente, escasas,
estos sistemas pueden contribuir a simular situaciones reales y
mejorar así el entrenamiento de
estos cirujanos. Si se considera que es necesaria una experiencia
de 10-15 años para formar un cirujano experto, el uso de
estos sistemas de enseñanza inteligente puede ser
útil para acortar este tiempo y mejorar
la respuesta ante situaciones no habituales en tiempos de paz. En
la figura se muestra una pantalla del prototipo.
[BAR2001]

Para ver
el gráfico seleccione la opción "Descargar" del
menú superior

3.2. El sistema tutor propuesto por
Peachey y McCalla está formado por cinco componentes: 1)
base de conocimientos del dominio, 2) modelo del estudiante, 3)
colección de operadores de enseñanza, 4)
planificador y 5) ejecutor. [PEA86]

El planificador construye el plan mediante una secuencia
de pasos para lograr un objetivo instruccional. Cada paso es una
instancia de un operador y cada operador tiene una acción
asociada. El ejecutor ejecuta el plan invocando las acciones
asociadas a cada paso del plan. El planificador crea su plan de
enseñanza simulando los efectos de las acciones de los
operadores sobre el modelo del estudiante. Un operador es
semejante a una regla en un sistema de producción e
incluye un conjunto de precondiciones y un conjunto de efectos
esperados. Mediante el uso del operador el planificador simula la
llamada de los pasos del plan de enseñanza y considera los
resultados que puede obtener sobre un modelo de estudiante
virtual. Realmente no hay conexión directa entre los
efectos esperados de un operador y los efectos reales que
produce. El ejecutor debe detectar y recuperar estas
desviaciones, haciendo uso de las opciones construidas dentro del
plan o inclusive llegando a re-invocar al planificador para
revisar un plan que no ha tenido éxito.

Fernández propone un tipo de planificador
dinámico. En este tipo de sistema se separan las
técnicas de planificación, de la
resolución del problema. Una de las
características de este sistema es que evita los
costos de re-planificación cada vez que el camino
trazado no se ajuste a la realidad. [FER93]

Se establecen unos objetivos
pedagógicos en la sesión. Para lograrlos se eligen
unas estrategias de enseñanza relacionadas con un conjunto
de planes. Cada vez que se interacciona con el alumno, el sistema
es capaz de detectar si existen conflictos, en
cuyo caso se reconsideran los objetivos a nivel local o global.
Contiene estrategias de enseñanza basada en estados, que
son independientes del dominio a enseñar, con el fin de
que pueda ser utilizado en otro dominio de naturaleza
estructurada. El control de las
estrategias se presenta de forma más flexible, ya que no
existe una forma preestablecida de transiciones entre estados.
Las transiciones se establecen en términos de los planes y
las reglas de resolución de conflictos.

El planificador dinámico propuesto por
Fernández en 1989 está compuesto por la
cooperación de 4 módulos: 1) decisión
pedagógica, 2) decisión temática, 3)
módulo de enseñanza y 4) módulo
supervisor.

La decisión pedagógica se encarga de: 1)
seleccionar la combinación de estrategias de
enseñanza más adecuada, para conseguir los
objetivos del alumno, teniendo en cuenta información del
usuario, 2) desarrollar las estrategias establecidas, generando
subobjetivos progresivamente y 3) comunicarse con el alumno sobre
la elección de distintas actividades didácticas a
desarrollar.

La decisión temática es el componente que
refina los objetivos establecidos por otros módulos,
tomando en consideración el domino objeto de la
enseñanza.

El módulo de enseñanza explica o verifica
los conceptos seleccionados por decisión temática.
También se ocupa de la
comunicación y la actualización del modelo del
alumno.

El módulo supervisor actúa cada vez que se
produce una interacción usuario-sistema. Para detectar
posibles conflictos entre los objetivos del usuario y los
objetivos establecidos por el tutor (en curso o en espera).
Selecciona una estrategia local
o notifica la necesidad de replantear la estrategia.

MACHING
LEARNING

Constituye un sistema de aprendizaje
automático capaz de tratar con una gran variedad de
situaciones para adaptarse a las necesidades del usuario.
Así, el sistema aprenderá a partir de una
colección de ejemplos de entrenamiento donde la clase a predecir
puede ser una etiqueta discreta nominal o bien un
número real. El tipo de soluciones que
proporcionará variará desde reglas a un
pequeño conjunto de ejemplos paradigmáticos o
a una función definida por casos según el
material de entrenamiento. Además, el usuario
dispone de una colección de herramientas de aprendizaje a partir de las
cuales se podrán configurar nuevos algoritmos de
aprendizaje ajustados a las necesidades concretas de los
estudiantes. El interfaz gráfico del usuario tiene
también la posibilidad de representar
gráficamente tanto los ejemplos de entrenamiento
como el material aprendido. [BHA2000a]
Proyecto SAAF: Sistema de aprendizaje
automático flexible
El objetivo de este proyecto es la
construcción de un sistema de aprendizaje
automático con capacidad de evolución: SAACE.
El material de entrenamiento de partida serán
colecciones de ejemplos descritos por tablas
atributo-valor; cada uno de estos ejemplos tendrá un
valor especial o clase. En una primera etapa el sistema
debería ser capaz de inducir reglas de
clasificación. Así, al encontrarnos con un
caso nuevo, podremos decidir qué clase es la
más apropiada para él según lo que
acabamos de aprender de los ejemplos de entrenamiento y que
está codificado en las reglas. [Bha2000b]
Pero algunas veces el conocimiento del contexto
que estamos tratando de sintetizar no es invariable en el
tiempo. Si dispusiésemos de una fuente de retroalimentación que proporcionase
críticas sobre la utilidad
de las clasificaciones hechas, podríamos esperar
mejorar su calidad.
Esta es precisamente la tarea de la segunda fase de
actuación de SAACE: tratar de adaptar las reglas
aprendidas a los nuevos tiempos y circunstancias. Este
proyecto se ha aplicado a la enseñanza en centros
universitarios.
Proyecto SAACE: Sistema de Aprendizaje
Automático con Capacidad de
Evolución
Proyecto SIBAOC: Desarrollo de software
inteligente basado en aprendizaje automático aplicado
a problemas reales de ordenación y
clasificación en las carreras de Medicina
Veterinaria.

En este proyecto se presenta la aplicación de
algoritmos de Aprendizaje Automático, trata de calificar
bovinos tanto vivos como de sus canales. Aquí el objetivo
es encontrar una fórmula que codifique los méritos
de los bovinos según los criterios de los expertos; esta
fórmula deberá devolver valores
más altos para los bovinos mejores según los
expertos. De esta forma la entrada para inducir la función
de valoración serán colecciones de bovinos
parcialmente ordenados en lugar de muestras de bovinos y sus
valoraciones numéricas. La razón para usar esta
fuente indirecta de conocimiento es que los expertos humanos
tienden a ser incoherentes cuando asignan números a los
bovinos, pero muy sagaces cuando se les pide que ordenen grupos
pequeños que puedan ver al mismo tiempo.
[Bha2000c]

1. Juegos como problemas de
  Búsqueda
ÁRBOLES DE
BÚSQUEDA. APLICACIÓN EN PROGRAMAS PARA
EL ENTRENAMIENTO EN EL JUEGO DE
AJEDREZ.

Los juegos de dos
personas plantean una idealización de mundos en los que
existen agentes hostiles que actúan para disminuir mi
bienestar, el ambiente
incluye otros agentes que buscan que mi agente no alcance sus
objetivos. Los juegos de dos
personas constituyeron uno de los primeros dominios de
aplicación de las técnicas de Inteligencia
Artificial. En 1950, Shannon y Turing ya habían escrito
los primeros programas para jugar ajedrez.

La presencia de un oponente hace que el problema de
decisión de un agente, sea más complejo que los
problemas de búsqueda. El oponente introduce incertidumbre
dado que uno no sabe lo que éste va a hacer. En esencia,
todos los programas para jugar juegos deben enfrentar el problema
de contingencia. Un agente debe combinar la ejecución de
sus acciones con la observación del ambiente para considerar
los movimientos de su oponente.

El tipo de incertidumbre que introduce el oponente no es
del mismo tipo que aquella que se produce al arrojar un dado o
hacer girar una ruleta de un casino. El oponente
intentará, en la medida de lo posible, realizar el
movimiento
menos benigno para uno, mientras que un dado o una ruleta se
asume que son indiferentes a los objetivos del agente.

La Inteligencia Artificial ha realizado un aporte
importante a la investigación sobre cómo jugar
juegos. Esto se ve reflejado en la gran variedad de ideas
interesantes que permiten tomar buenas decisiones cuando, por
limitaciones de tiempo o de recursos,
realizar una acción óptima es imposible.
[USL99]

Analizando la manera de encontrar el mejor movimiento
desde un punto de vista teórico, consideraremos el caso
general de un juego de dos
personas a las que denominaremos MAX y MIN. El juego
tendrá movimientos alternados y asumiremos que el jugador
MAX mueve primero. Al finalizar el juego se le asignan puntos al
jugador vencedor (o alguna penalización al jugador
perdedor). Un juego puede ser definido formalmente como una clase
de problema de búsqueda con los siguientes
componentes:

El estado inicial, que incluye la
configuración inicial del tablero y una
indicación del jugador que comienza
moviendo.
Un conjunto de operadores (A) que definen los
movimientos legales que los jugadores pueden realizar. Los
operadores, junto con el estado inicial, definen el espacio
de estados del problema (S). El conjunto S está
formado por todos los estados alcanzables desde el estado
inicial mediante alguna secuencia de acciones.
Un test de estado terminal, , que determina los
casos en que el juego ha finalizado. Los estados en los que el
juego ha finalizado (terminal ( s)=V) constituyen el conjunto
de estados terminales ($ ).
Una función de utilidad
la cual
asigna un valor numérico (utilidad) a cada estado
terminal de acuerdo al resultado del juego, desde el punto de
vista de MAX.

En un problema de búsqueda normal, todo lo que
MAX debería hacer es buscar una secuencia de movimientos
que lo conducen desde el estado inicial a un estado terminal
ganador (de acuerdo a la función de utilidad). Sin
embargo, la presencia de MIN fuerza a que
MAX deba elegir su mejor movimiento considerando cada movimiento
posible de MIN.

Los árboles
de búsqueda para juegos de dos personas, introducen
algunas particularidades con respecto a los árboles
de búsqueda que hemos utilizado hasta el momento. Los
nodos pueden representar estados en los que es el turno de jugar
de MAX y otros en los que es el turno de MIN. Los nodos que
corresponden a estado terminales estarán rotulados con la
utilidad del estado, de acuerdo al resultado del
juego.

En la Figura 1, se muestra parte del árbol de
búsqueda para el juego del ta-te-ti. La raíz de
este árbol corresponde al estado inicial del juego, donde
MAX debe mover primero, ubicando una X en alguno de los
cuadrados. En este estado inicial, MAX debe realizar una
elección entre 9 movimientos posibles. El juego se alterna
entre MAX ubicando X’s y MIN ubicando
O’s hasta alcanzar los nodos hojas que corresponden
a los estados terminales: estados donde uno de los jugadores
tiene tres en línea o todos los cuadrados están
ocupados. El número que se asocia con cada nodo hoja
(1, -1 y 0) corresponde al valor de utilidad del estado
terminal desde el punto de vista de MAX. Se asume que los valores
altos son buenos para MAX y malos para MIN. Es el trabajo de
MAX utilizar el árbol de búsqueda (particularmente
la utilidad de los estados terminales) para determinar el mejor
movimiento.

¿Cual es el mejor movimiento para
MAX?

De acuerdo al criterio de decisión
minimax, el agente MAX debería elegir aquella
acción que maximizará su utilidad futura, asumiendo
que el oponente jugará perfectamente para minimizarla. Si
MAX juega A1 se asume que MIN jugará
A11 finalizando el juego con una utilidad de 3 para
MAX. Si asignamos una utilidad de 3 al nodo que resulta de la
acción A1 y una utilidad de 2 a cada uno de los
nodos que
resultan de A2 y A3. Concluimos que MAX
debería elegir su acción A1, ( ya que lo
conduce al estado sucesor de máxima utilidad. Este valor
se convertirá en el valor del nodo de MAX. Las utilidades de
cada nodo del árbol de acuerdo al criterio minimax se
muestran en la Figura 3.

Decisiones imperfectas

El algoritmo minimax asume que el programa tiene
tiempo para recorrer los caminos completos hasta los estados
terminales, lo cual usualmente no es muy práctico. Si
pensamos en el ajedrez por ejemplo, es un juego que tiene un
factor de ramificación promedio cercano a 35, y los juegos
normalmente alcanzan hasta 50 movimientos por jugador. Esto hace
que el árbol de búsqueda tenga alrededor de
35100 nodos.

Este problema ya fue observado por Shannon cuando
desarrolló su programa para jugar ajedrez. Propuso
entonces, que en lugar de recorrer todo el camino hasta los nodos
terminales y usar la función de utilidad, el programa
debería interrumpir la búsqueda antes y aplicar una
función de evaluación
heurística a cada una de las hojas de este árbol
"podado". En otras palabras, la sugerencia consiste en realizar
las siguientes modificaciones a minimax: reemplazar la
función de utilidad por la función de evaluación eval y el
test de estado
terminal terminal ) por un test de
interrupción hoja ).

Su principal diferencia es que en lugar de representar
el costo estimado
hasta un estado objetivo, retorna la utilidad esperada del juego
desde una posición dada. Intuitivamente podemos decir, que
esta utilidad debería reflejar las chances de ganar de
MAX. La forma más sencilla de especificar el test de
interrupción hoja , consiste en establecer un
límite de profundidad fijo d , tal que hoja(s) es
verdadero para todos los nodos s que están a una
profundidad d .
La profundidad d debería ser elegida de manera tal que el
tiempo utilizado no exceda lo que las reglas del juego
permiten.

CONCLUSIONES

El método de solución de problemas
basado en Algoritmos Genéticos proporciona
características muy importantes para el diseño,
de manera robusta, de sistemas que actúen sobre
condiciones inestables en ambientes cambiantes, como puede ser
la enseñanza.
La programación genética sistematiza el problema de
inducción de programas.
En un algoritmo genético se selecciona al
mejor sobreviviente, o sea el más adaptado al medio,
esto es de mucha utilidad para seleccionar los
alumnos más capaces de lograr los objetivos instructivos
propuestos.
Con el uso del Razonamiento Basado en Casos, los
esfuerzos de resolución de problemas se capturan para
futuros trabajos, experiencias exitosas de soluciones pasadas
se pueden usar para justificar soluciones nuevas, experiencias
no exitosas de soluciones pasadas se pueden usar para predecir
posibles problemas.
Como técnica de adquisición de
conocimientos el RBC:

libera al experto humano de facilitar datos de
entrenamiento
Como mecanismo de resolución de
problemas:
la comunicación entre el sistema y el
experto humano se puede realizar mediante ejemplos
concretos
Aprende de la propia experiencia
Proporciona soluciones rápidamente, sin
necesidad de derivar respuestas desde cero

Los casos permiten focalizar el proceso de
razonamiento en las características más
relevantes.
El RBC permite trabajar en dominios de problemas de
difícil estructuración y
representación.
Un programa tutorial inteligente intenta simular
alguna de las capacidades cognitivas del alumno y utilizar
los resultados de esta simulación como base de las decisiones
pedagógicas a tomar. El control de
la iniciativa, en un tutorial convencional, corresponde
totalmente a la
computadora, mientras que en el inteligente hay
situaciones en las que puede corresponder al
alumno.
Las técnicas de planificación y los
sistemas de reglas han permitido modelar satisfactoriamente
el comportamiento pedagógico de los
sistemas.
Con esta búsqueda se ha comprobado la
utilidad que tienen las técnicas de Inteligencia
Artificial y los Métodos Avanzados de Solución
de Problemas en la construcción de sistemas de
enseñanza.

BIBLIOGRAFÍA.

[ALM97] Almeida Campos, S; Febles Rodríquez,
JP; Robaina Castellanos, MSc. Bolaños Ruiz, O: MALCON:
Sistema automatizado de ayuda al aprendizaje y el
diagnóstico de malformaciones congénitas,
Relatoría del Taller de Informática en la
Educación, 1997.
[BAR2001] José Mª Barreiro, José
Crespo, Víctor Maojo Inteligencia Artificial en
Medicina:
pasado y nuevas aplicaciones.Grupo de Informática
Médica. Laboratorio de Inteligencia Artificial.
Facultad de Informática. Universidad Politécnica de Madrid.
NOVATICA/UPGRADE ene./feb. 2001 nº149 36 Edición
digital/ ©ATI 2001 MONOGRAFÍA.
[Bha2000a] Bahamonde A., Alonso, J., Coz, J.J.,
Luaces, O. Proyecto SAAF:
Sistema de aprendizaje automático flexible. Proyecto de
Investigación del Programa Sectorial de Promoción general del Conocimiento
(Ministerio de Educación y Cultura).
Referencia: PB98-1556
[Bha2000b] Bahamonde A., Alonso, J., Coz, J.J.,
Luaces, O. Proyecto SAACE: Sistema de Aprendizaje
Automático con Capacidad de Evolución. Proyecto de
Investigación del Programa Sectorial de Promoción general del Conocimiento
(Ministerio de Educación y Cultura).
Referencia: PB98-1556
[Bha2000c] Bahamonde A., Alonso, J., Coz, J.J.,
Luaces, O. Proyecto SIBAOC: Desarrollo de software
inteligente basado Proyecto de Investigación del
Programa Sectorial de Promoción general del
Conocimiento (Ministerio de Educación y Cultura).
Referencia: PB98-1556
[BOT99] V. Botti, C. Carrascosa, V. Julian, J.
Soler. The ARTIS Agent Architecture: Modelling Agents in Hard
Real-Time Environments. Proceedings of the MAAMAW'99. Lecture
Notes In Computer Science, vol. 1647. Springer – Verlag (pag.
63-76), Valencia 1999. ISBN 3-540-66281-2.
[BRU2000] Brusilovsky P. «Course sequencing
for Static Courses? Applying ITS Techniques in Large-Scale
Web_Based Education». In Proceedings of Intelligent
Tutoring Systems Eds. Gilles G., Frasson C and VanLehn K.
Springer Verlag. pp.625-634, 2000.
[FER89] Fernández, I. (1989) Estrategias de
Enseñanza en un Sistema Inteligente de
Enseñanza Asistida por Ordenador. Tesis
Doctoral (Tercer Ciclo) de la Universidad del País
Vasco, San Sebastián.
[GAL94] Galvis Panqueva, A: Ingeniería en
software
educativo. Ediciones Uniandes, Santa Fe de
Bogotá,1994.
[GAS93] García-Alegre, M. A. Ribeiro, J.
Gasos y J. Salido. (1993) Optimization of fuzzy
behavior-based robots navigation in partially known
industrial environments. En: (Ed.) RezaLangari, John Yen and
John Painter (eds.) Proceedings of The Third Internationa,
Conference on INDUSTRIAL FUZZY CONTROL & INTELLIGENT
SYSTEMS. IFIS '93, Houston, Texas, USA.
[HAY97] Hayes-Roth, B. (1997) Introducción. Proceedings of First
International Conference on Autonomous Agents, ACM Press,
Marina del Rey California, February, pp. 5-8.
[HUH98] Huhns, M., Singh, M. P.:Readings in Agents.
Readings in Agents. Chapter 1, 1-24 (1998).
[JON2001] Jonassen D., Mayes T. and McAleese R.
Inteligencia Artificial 12. Número monográfico:
Sistemas Inteligentes en el ámbito de la
educación. Primavera 2001. http://sensei.ieec.uned.es/cgi-bin/aepia/contenido
Num.pl?numero=12>
[JUL2000] Julian, V.; Botti, V. Agentes
Inteligentes: el siguiente paso en la Inteligencia
Artificial.
[KHA94] Khasawneh, A. A.: An intelligent CAI
project for teaching mathematical concepts. International
Journal of Mathematical Education in Science and Technology.
No. 3 Vol. 25, 1994, pp. 325 – 332.
[KOL 92] An introduction to CBR. J.L. Kolodner.
Artificial Intelligence Review 6, 3-34, 1992.
[LEZ98] Lezcano, M. Ambientes de aprendizaje por
descubrimiento para la disciplina
Inteligencia Artificial. Tesis para
la obtención del Grado de Doctor en Ciencias.
1998.
[LOP99] López Bruno et. al. Modelo de
asignación de carga académica usando algoritmos
genéticos. 1999
[MAR2002] Martens A. & Uhrmacher A.M.
«Adaptative Tutoring Processes and Mental Plans».
En Intelligent Ttutoring Systems- ITS 2002. Cerri S.A.,
Gouardères G. & Paraguaçu F. (Eds).
Springer pp. 71-80, 2002.
[NAM 93] Case-based decision making trainning
environments. A. Namatame y otros. Dept. of Computer Science,
National Defense Academic, Japan, 1993.
[OHL86] Ohlsson, S. «Some principles of
intelligent tutoring». En Instructional Science 14, pp
293-326, 1986.
[PEA86] Peachy, D. y G. McCalla (1986) Using
planning techiniques in intelligent tutoring systems.
International Journal of Man-Machine Studies, 24:
77-98.
[PRE2002] Prentzas J., Hatzilygeroudis I. &
Garofalakis J. «A web-Based
Intelligent Tutoring System Using Hybrid Rules». En
Intelligent Tutoring Systems- ITS 2002. Cerri S.A.,
Gouardères G. & Paraguaçu F. (Eds).
Springer pp. 119-128, 2002.
[RBC11] Razonamiento Basado en Casos.
Capítulo 11.
[RBC3] Razonamiento Basado en Casos.
Capítulo 3.
[RUI96] Ruiz, F. y otros: Nuevas herramientas
tecnológicas para la realización de cursos por
computador. Revista de
Enseñanza y Tecnología, No. 5, 1996, pp. 21 –
31.
[RUS96] Russell, S:Inteligencia Artificial: un
enfoque moderno. 1996.
[SEL99] Self, J.A. «The defining
characteristics of intelligent tutoring systems research: ITS
care, precisely». En Int. Journal of Artificial
Intelligence in Education, Vol 10, N. 3-4, pp 350 –
364, 1999.
[USL99] Universidad Nacional de San Luis San Luis.
Argentina
Resolución de Problemas y Búsqueda Parte 3:
Juegos de dos personas. Curso: Inteligencia Artificial.
Departamento de Informática.
[WIL83] Wilensky, R. (1983) Planning and
Understanding. A computational approach to human reasoning.
Addison Wesley.

Autora:

Lic. Yolanda Soler Pellicer