Agregar a favoritos      Ayuda      Português      Ingles     

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

Enviado por yoly



  1. Métodos Avanzados de Solución de Problemas. Aplicaciones
  2. Algoritmos Genéticos en la construcción de sistemas aplicados en Enseñanza Superior
  3. Planificación
  4. Maching learning
  5. Árboles de búsqueda. Aplicación en programas para el entrenamiento en el juego de Ajedrez
  6. Conclusiones
  7. 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.  

  1. 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]

  1. 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.

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.

  1. 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:

  1. 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.
  2. Un conjunto finito de profesores identificados por claves numéricas enteras.
  3. 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:

  1. Trabaja con la codificación del conjunto de parámetros; no con los parámetros en sí.
  2. Busca soluciones en una población de puntos, es decir, evalúan un grupo de soluciones en lugar de un punto a la vez.
  3. Evalúa las posibles soluciones sin aplicar ningún proceso de inferencia.
  4. 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:

  1. 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.
  2. 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.
  3. 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]

  1. 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.

    1. 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.
  2. 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.

  1. 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.

  1. MACHING LEARNING
  1. 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]

  2. 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.

  3. Proyecto SAACE: Sistema de Aprendizaje Automático con Capacidad de Evolución
  4. 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
  1. 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:
  1. libera al experto humano de facilitar datos de entrenamiento

    Como mecanismo de resolución de problemas:

  2. la comunicación entre el sistema y el experto humano se puede realizar mediante ejemplos concretos
  3. Aprende de la propia experiencia
  4. 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.

  1. [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.
  2. [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.
  3. [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
  4. [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
  5. [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
  6. [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.
  7. [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.
  8. [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.
  9. [GAL94] Galvis Panqueva, A: Ingeniería en software educativo. Ediciones Uniandes, Santa Fe de Bogotá,1994.
  10. [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.
  11. [HAY97] Hayes-Roth, B. (1997) Introducción. Proceedings of First International Conference on Autonomous Agents, ACM Press, Marina del Rey California, February, pp. 5-8.
  12. [HUH98] Huhns, M., Singh, M. P.:Readings in Agents. Readings in Agents. Chapter 1, 1-24 (1998).
  13. [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>
  14. [JUL2000] Julian, V.; Botti, V. Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial.
  15. [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.
  16. [KOL 92] An introduction to CBR. J.L. Kolodner. Artificial Intelligence Review 6, 3-34, 1992.
  17. [LEZ98] Lezcano, M. Ambientes de aprendizaje por descubrimiento para la disciplina Inteligencia Artificial. Tesis para la obtención del Grado de Doctor en Ciencias. 1998.
  18. [LOP99] López Bruno et. al. Modelo de asignación de carga académica usando algoritmos genéticos. 1999
  19. [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.
  20. [NAM 93] Case-based decision making trainning environments. A. Namatame y otros. Dept. of Computer Science, National Defense Academic, Japan, 1993.
  21. [OHL86] Ohlsson, S. «Some principles of intelligent tutoring». En Instructional Science 14, pp 293-326, 1986.
  22. [PEA86] Peachy, D. y G. McCalla (1986) Using planning techiniques in intelligent tutoring systems. International Journal of Man-Machine Studies, 24: 77-98.
  23. [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.
  24. [RBC11] Razonamiento Basado en Casos. Capítulo 11.
  25. [RBC3] Razonamiento Basado en Casos. Capítulo 3.
  26. [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.
  27. [RUS96] Russell, S:Inteligencia Artificial: un enfoque moderno. 1996.
  28. [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.
  29. [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.
  30. [WIL83] Wilensky, R. (1983) Planning and Understanding. A computational approach to human reasoning. Addison Wesley.

Autora:

Lic. Yolanda Soler Pellicer


Comentarios


Trabajos relacionados

Ver mas trabajos de Educacion

 

Nota al lector: es posible que esta página no contenga todos los componentes del trabajo original (pies de página, avanzadas formulas matemáticas, esquemas o tablas complejas, etc.). Recuerde que para ver el trabajo en su versión original completa, puede descargarlo desde el menú superior.


Todos los documentos disponibles en este sitio expresan los puntos de vista de sus respectivos autores y no de Monografias.com. El objetivo de Monografias.com es poner el conocimiento a disposición de toda su comunidad. Queda bajo la responsabilidad de cada lector el eventual uso que se le de a esta información. Asimismo, es obligatoria la cita del autor del contenido y de Monografias.com como fuentes de información.

Iniciar sesión

Ingrese el e-mail y contraseña con el que está registrado en Monografias.com

   
 

Regístrese gratis

¿Olvidó su contraseña?

Ayuda