Ciencia cognitiva y la inteligencia artificial

La psicología cognitiva, estudia directamente el comportamiento inteligente de sujetos humanos (Vega, 2005). Es una expresión del esfuerzo continuado por desentrañar y entender la mente humana. Otra ciencia afín, la neuropsicología, que según A. R. Luria (1902 -1977) es una rama de la ciencia psicológica que estudia los mecanismos cerebrales de las diferentes formas de la actividad psíquica y las regularidades de sus alteraciones, especialmente en los pacientes con lesiones del cerebro, ha tenido notables avances en los últimos años y en particular la Neuropsicología Cognitiva.

La psicología cognitiva, cobra nuevos matices a finales de la segunda guerra mundial, con el surgimiento de otras ciencias. Surge en estos momentos la disciplina que trata los sistemas de control, definido por Wiener en 1948 como cibernética. Esta, dio una nueva visión de los procesos cognitivos de los sujetos. A partir de ella se desarrolla toda una analogía entre mente-ordenador que clarifica y da una nueva apertura al análisis y entendimiento de la cognición. Ambas disciplinas conllevaron al surgimiento de la ciencia cognitiva, toda un área del saber interesada en el estudio de una teoría unificada para el procesamiento de información que englobe ambos sistemas: el ordenador y la mente humana. Profesionales de diversas áreas: ingenieros, psicólogos, etc. se unieron en este sentido. Inicialmente sus intereses se vieron encaminados hacia la construcción de programas de Inteligencia Artificial.

Desarrollo

La analogía entre la mente humana y los sistemas artificiales de cómputo, fue incluso propuesta antes del surgimiento de los ordenadores. El matemático Turing describió una maquina hipotética denominada máquina universal, a través de la cual demostraba que se podían simular cualquier cómputo incluyendo los comportamientos inteligentes humanos. Posteriormente, matemáticos e ingenieros comenzaron el diseño de nuevas máquinas que se alejaban del paradigma de la máquina de Newton. Los nuevos principios apuntaban hacia las ideas de Turing, y con ello el surgimiento del ordenador, y los sistemas de control.

El surgimiento, desarrollo e investigación de los ordenadores proporcionaron a la psicología y a la neuropsicología una analogía funcional muy relevante para su estudio. La similitud funcional entre mente-ordenador fue el factor más determinante para el desarrollo actual de la psicología cognitiva. Los siguientes ejemplos justifican esta realidad: mientras que los sistemas de cómputo de propósito general se pueden programar para cualquier tipo de cómputo, el sistema nervioso humano tiene una gran versatilidad funcional al punto de poderse categorizar también como un procesador de propósito general. Tanto la mente como el ordenador en su condición de sistemas de propósito general realizan operaciones y procesos similares como codificar, retener y operar con símbolos y crear representaciones internas.

Las similitudes anteriormente expuestas han sido explotadas de forma bidireccional. Por su parte, los programas de inteligencia artificial desarrollados desde la computación extrapolan al lenguaje del ordenador las ideas sobre el funcionamiento mental humano. Del otro lado, los psicólogos cognitivos, toman como modelo el ordenador y sus principios de funcionamiento para desarrollar hipótesis psicológicas e interpretaciones teóricas. En la medida en que estos (Programas IA) mimeticen comportamientos inteligentes humanos, nos aportaran información relevante sobre el propio sistema cognitivo humano (Pylyshyn, 1978).

Detrás de esta analogía, donde intervienen elementos estructurales de naturalezas muy distintas: circuitos de silicio con escasas conexiones entre sí en el caso del ordenador y neuronas como células básicas del sistema nervioso con procesos bioquímicos de trasmisión de señales en el caso de la mente humana, subyace un proceso común al cual se le abren nuevas puertas para su estudio: el aprendizaje.

Las primeras aportaciones al aprendizaje desde esta analogía y con ella desde la neuropsicología cognitiva, lo constituye el nuevo lenguaje que se desprende de ella. Un nuevo vocabulario, directrices e instrumentación adecuada para el estudio de la mente humana y los procesos de aprendizaje: procesamiento de información, codificación, almacenamiento, recuperación, búsqueda de información, memoria operativa, memoria a largo plazo, buffers, etc. Esto, ha proporcionado nuevas perspectivas y soluciones a viejos problemas del aprendizaje.

La Inteligencia Artificial recibe influencias de diferentes áreas del saber: Filosofía, Matemática, Psicología, Biología, Computación, entre otras y es abordada de manera interdisciplinaria. Sus aplicaciones involucra una gran cantidad de áreas tanto genéricas, dentro de ellas: aprendizaje, percepción, resolución de problemas; como específicas: juegos de ajedrez, diagnostico, entre otras.

Desde la informática educativa la Inteligencia Artificial (IA) (Bratko, 1990) es una de las ramas de la ciencia más sobresaliente en la actualidad. Aunque no existe una definición única y rigurosa para este término, se encuentran en la literatura diferentes conceptos según sus autores, puede tratársele por ejemplo como el estudio de los agentes que reciben percepciones del entorno y llevan a cabo las acciones (Russell, 2004).

Su área de desarrollo está dedicada a la creación de hardware y software que imitan el pensamiento humano, ocupándose de campos como: el procesamiento de lenguaje natural, la robótica, el reconocimiento de imágenes, la educación, la programación automática y los sistemas expertos, entre otros. Todas estas potencialidades no son un fin en sí mismo, sino que se proponen proveerle al hombre herramientas poderosas para asistir su trabajo. Un sistema computacional es inteligente entre tanto tenga las siguientes capacidades: procesamiento del lenguaje natural, representación del conocimiento, razonamiento y aprendizaje.

Se requiere aprovechar las potencialidades de la complementación que se logra en el campo de la ciencia cognitiva con los aportes de la psicología cognitiva y el desarrollo computacional. Estas dos áreas del saber tienen un punto de convergencia en la Inteligencia Artificial (IA), luego las herramientas de informática educativa y particularmente aquellas destinadas al diagnóstico, que aprovechan estas potencialidades resultan en múltiples beneficios.

Particularmente para los especialistas del campo de la psicopedagogía, el uso de herramientas de informática educativa basadas en inteligencia artificial y con la capacidad de brindar resultados en materia de evaluación y diagnóstico de riesgos psicopedagógico, presupone un aporte importante en la ayuda a la toma de decisiones, dando como resultados herramientas capaces de auxiliar su trabajo.

El desarrollo actual de las herramientas automatizadas aplicadas al campo del diagnóstico

El acercamientos a los modelos utilizados actualmente para el desarrollo de herramientas de informática educativa encaminadas al diagnóstico, evidencia la tendencia al uso predominante de dos sistemas: los denominados Sistemas Expertos (SE) o Sistemas Basados en el Conocimiento (SBC) y los Sistemas Tutoriales Inteligentes (STI).

En el presente capítulo se aborda ampliamente las definiciones y características de ambos sistemas, para los fines de este epígrafe basta mencionar que los Sistemas Expertos son herramientas informáticas basadas en Inteligencia Artificial, que utilizan la experiencia humana almacenada y un mecanismo de inferencia inteligente para ofrecer soluciones a problemas complejos como lo haría un experto humano. Por otra parte, los STI son igualmente herramientas informáticas basadas en Inteligencia Artificial orientadas al desarrollo de evaluaciones inteligentes de los sujetos.

En el campo del diagnóstico, se han desarrollado varios Sistemas Expertos (médicos o técnico) que han logrado un gran impacto. El mencionado sistema MYCIN (para la consulta y diagnóstico de la meningitis) desarrollado en el año 1972 es un Sistema Basado en Reglas que permitía detectar trastornos en la sangre a partir de un conjunto de síntomas y recetar el medicamento correspondiente. Es uno de los sistemas expertos más estudiados por su gran éxito. Fue uno de los primeros en emplear reglas de producción y métodos de inferencia con encadenamiento regresivo.

Otras aplicaciones de diagnóstico se desarrollan en Sabirmedical, una empresa de investigación básica centrada en el desarrollo de nuevas tecnologías para el diagnóstico y la atención domiciliaria de los pacientes, tareas para las cuales se han desarrollado Sistemas Expertos (Albericio, 2010).

Otros ejemplos de SBC aplicados al diagnóstico son:

CASEY: es un sistema de diagnóstico basado en casos. Como entrada toma una descripción de su nuevo paciente, incluyendo muestras normales y presentándolas como síntomas. Su salida es una explicación causal de los desórdenes que tiene el paciente.

CASEY: para el diagnóstico de pacientes. La diagnosis la realiza en dos pasos: primero busca en la memoria casos y utiliza reglas de evidencia basadas en el modelo para determinar cuáles de los casos que ajustan parcialmente son suficientemente similares al nuevo problema para proporcionar una diagnosis precisa. Después aplica reglas de reparación basadas en el modelo (estrategias de adaptación) para adaptar el diagnóstico antiguo a la nueva situación.

En cuanto al uso de los STI en el área de diagnóstico, son varios los sistemas desarrollados, uno de ellos que sobresale por ser diseñado para nuestro contexto es el STIITS: "un sistema tutorial inteligente para diagnóstico y tratamiento de Infecciones de Transmisión Sexual (ITS), que fue desarrollado por la Universidad de Cienfuegos en conjunto con especialistas de segundo grado del hospital Dr. Gustavo Aldereguía Lima" (Toledo, 2008, p.1).

Se encuentra además numerosas herramientas informáticas cuya aplicación está dirigida directamente a la evaluación y el diagnóstico psicoeducativo (Belloch, 2015):

• Sosia: (Gordon, L.V., ECPA y TEA Ediciones). Test informatizado que engloba todas las características subyacentes de la persona, relacionadas con una actuación de éxito en un puesto de trabajo.

• TEPO: Test de Entrenamiento para Opositores. La finalidad de este test on-line es el entrenamiento y la familiarización con este tipo de pruebas y ayudar a los opositores a evitar el miedo ante el examen.

• BAMI: Batería de aptitudes mentales (N. Seisdedos y J. Carrasco). BAMI es una herramienta informatizada, para la aplicación y corrección de una completa batería de aptitudes intelectuales mediante ordenador: Aptitud numérica, Razonamiento verbal, Aptitud espacial, Memoria, Atención/percepción, Flexibilidad cognitiva y Comprensión mecánica.

• TRASI: Test informatizado para la evaluación del razonamiento secuencial y la instrucción. TRASI: Es el primer test adaptativo informatizado comercializado en Europa.

• EXHCOBA: Examen de habilidades y conocimientos básicos. Desarrollado por el Instituto de Investigación y Desarrollo Educativo (IIDE) de la Universidad Autónoma de Baja California (UABC), para ser utilizado en las pruebas de admisión a la universidad.

Los Sistemas Expertos como alternativa para el diagnóstico de los riesgos psicopedagógicos

Los Sistemas Expertos (SE) constituyen una de las aplicaciones de la Inteligencia Artificial (I.A.). Estas herramientas resultan de mucha ayuda en cualquier área del saber para las cuales se desarrollen. Son programas sofisticados de computación que manipulan conocimientos de expertos para resolver, eficiente y efectivamente, problemas de un determinado dominio de aplicación, tal como lo hacen los expertos humanos, a estos sistemas algunos autores también les llaman Sistemas Basados en el Conocimiento (SBC). Específicamente, los SE son SBC que actúan como un experto humano en un área del saber determinado, constituyendo un sistema de apoyo a la toma de decisiones. Hecha esta salvedad, para los fines de esta investigación, trataremos ambos términos: SE y SBC indistintamente tal como se registran en la literatura especializada.

Los Sistemas Basados en el Conocimiento pueden ser considerados como una aplicación práctica de los principios de la IA pues logran dar respuestas tan o más acertadas que como lo haría un experto humano. Pero su desarrollo vertiginoso y la constante inclusión de nuevas técnicas, además de la creciente tendencia de la hibridación van ampliando las funcionalidades de estos, por tanto, resulta una tarea difícil el tratar de dar una definición de estos sistemas en estas condiciones de constante evolución.

El concepto de Sistema Experto (SE) fue introducido por Edward Feigenbaum en 1977, en esta primera ocasión se concibió como un programa inteligente de computador que utiliza conocimiento y procedimientos de inferencia para resolver problemas que son lo suficientemente difíciles y requieren experiencia humana significante para su solución. Para los días de hoy, esta definición no incluye todas las potencialidades de estos sistemas, pues ya no se trata tan solo del procesamiento de un cúmulo de experiencia de uno o varios expertos humanos para generar una acertada respuesta. Nuevos conceptos como el aprendizaje y otros, se han incluido para lograr de estos un cada vez más completo "experto inteligente".

Se puede entonces pensar en Sistema Experto como programas sofisticados de computación que manipulan conocimientos de expertos para resolver, eficiente y efectivamente, problemas de un área específica, tal como lo hacen los expertos humanos. Ellos resuelven problemas de forma "inteligente" y son capaces de explicar y justificar sus respuestas. Son creados para actuar como asistentes "inteligentes" en los procesos de tomas de decisión". Otra definición puede ser: un sistema informático que simula el proceso de aprendizaje y memorización, de razonamiento, comunicación y de acción de un experto humano en una determinada rama de la ciencia, suministrando de esta forma, un consultor que puede sustituirle con ciertas garantías de éxito. Referente a esta temática Valencia (2012) da la siguiente definición: Un sistema experto puede definirse como un sistema informático (hardware y software) que simula a los expertos humanos en un área de especialización dada (p.8).

Los Sistemas Expertos se comportan como un experto en algunos, normalmente complejos, dominio de aplicación (Bratko, 1990). El surgimiento de estos sistemas tiene su origen en los cambios de concepción ocurridos hacia los años 60, donde los intentos de emular el pensamiento humano a través de potentes métodos de razonamiento se cambiaron por el énfasis en los sistemas de razonamiento de propósito específico. Desde entonces, el conocimiento propio de un dominio de aplicación es más importante que el método de solución empleado.

El propósito de estos sistemas es la solución de problemas de forma "inteligente" siendo capaces de actuar como asistentes en el proceso de toma de decisiones y justificar sus respuestas en cada caso. El fin de estos, no consiste en una reproducción o copia fiel de los procesos mentales humanos, sino en la obtención de las mejores respuestas a preguntas de datos reales.

La experticidad artificial se caracteriza por la permanencia y la consistencia pues no están limitados a un período de vida, ni depende de un determinado estado mental o físico. Otra de sus ventajas es la facilidad en la transferencia y documentación, unido a la posibilidad de trabajar ininterrumpidamente sin agotamiento. A pesar de estas y otras facilidades todavía existen aspectos en los que no superan a los humanos, es por esto, que su fin no es sustituir a los expertos sino asistir y facilitar su trabajo.

La arquitectura de un Sistema Experto es diferente a la de los programas convencionales, en estos últimos, se encuentran juntos normalmente el algoritmo y los datos a los cuales se les aplica dicho algoritmo. Los SE, por su parte, están constituidos por el shell (máquina de inferencia) y la Base de Conocimiento (BC) (García Valdivia, 2000). Esta arquitectura al estar bien definida en sus dos partes, permite mayor facilidad al modificar el programa para incluirle una nueva información, pues para ello bastaría modificar la base de conocimiento sin necesidad de alterar la estructura del programa.

La gran variedad de conceptos asociados al término Sistemas Basados en Conocimiento causan confusiones al definir las características de los mismos, pues estos dependen mucho de la forma en que se representa el conocimiento y el mecanismo de inferencia usado, elementos estos que se necesitan seleccionar de acuerdo a la naturaleza del problema a resolver y del dominio del conocimiento específico que se esté tratando. Es por esto, que no se puede definir una estructura única para todos los sistemas de este tipo, lo cual no invalida la idea de que existan componentes comunes en cada uno de ellos: base de conocimientos, motor de inferencia, base de datos e interfaz con el usuario.

Básicamente un Sistema Experto se divide en tres módulos (García Valdivia, 2000):

• La Base de Conocimiento (BC): Almacena el conocimiento sobre algún dominio de aplicación a través de alguna Forma de Representación del Conocimiento (FRC).

• La Máquina de Inferencia (MI): Modela el proceso de razonamiento humano a partir de la información contenida en la base de conocimiento implementando un Método de Solución de Problemas (MSP).

• La Interfaz con el usuario (IU): Interactúa con el usuario, el cual plantea los problemas al SE, recibe las preguntas del sistema y ofrece las explicaciones necesarias.

• Todo Sistema Experto tiene la posibilidad de explicar por qué arribó a determinada conclusión, es por esto que se incluye en su arquitectura el subsistema de explicación, el cual es responsable de que el SE realice esa importante función. Permitiendo así entrenar a personas no especialistas en el problema que aborda. Otro de los conceptos y funcionalidades relacionado con los SE es la temática referente al aprendizaje automatizado, este es otro subsistema que se añade a fin de lograr que el sistema "aprenda" en la medida en que resuelve problemas específicos, añadiendo experiencia a la Base de Conocimiento.

Estrechamente ligado a los SE se encuentran los conceptos de Ingeniería del Conocimiento e Ingeniero de Conocimiento (IC). Se define el primero como la disciplina relacionada con la forma en que se organizan, construyen y verifican las BC de un SE, siendo entonces el ingeniero de conocimiento la persona responsabilizada con desarrollar estas tareas. El último componente que integra los SE de manera opcional es el módulo de incertidumbre (Módulo INC).

Teniendo en cuenta la inclusión de estos últimos conceptos en el modelo computacional de los SE, se obtiene la siguiente estructura: SE= BC (FRC) + MI (MSP) + [Módulo Explicación] + [Módulo INC] + [módulo de Aprendizaje Automatizado].

Figura 1. Estructura general de los SE.

Fuente: Adaptado de ("Sistemas Experto," 2015).

La memoria de trabajo o memoria caché, se usa para almacenar todos los datos necesarios sobre el problema que se desea resolver (datos iniciales) y todos los procedimientos (resultados intermedios), por lo que su contenido tiene un carácter cambiante pues varía al plantear un nuevo problema al Sistema Experto.

En medio de la variedad de implementaciones de SE hay varias características distintivas que según (García Valdivia, 2000) pueden ser definidas así:

• La acumulación y codificación del conocimiento.

• El conocimiento del SE es explícito y accesible.

• Alto nivel de experticidad.

• Puede actuar como una teoría de procesamiento de información.

• Constituye una memoria institucional.

• Es un modelo computacional para ayudar a la toma de decisiones.

• Tienen facilidad de explicación.

La siguiente tabla muestra las ventajas y desventajas de los SBC.

Tabla 1. Ventajas y desventajas de los SBC.

Fuente: Adaptado de ("Sistemas Experto," 2015)

En la siguiente figura se visualiza un mapa conceptual que relaciona los principales conceptos abordados referentes a los SE.

Figura 2. Mapa conceptual de los Sistemas Expertos (SE).

Como se ha mencionado, los Sistemas Basados en el Conocimiento o Sistemas Expertos incluyen varios parámetros en su implementación: Método de Solución del Problema, Fuentes de Conocimiento, Explicación y la Forma de Representación del Conocimiento (FRC) (Gálvez, 1998). De acuerdo a la FRC que se utilice y el MSP, se definen los diferentes tipos de sistemas, de esta forma un Sistema Basado en Conocimiento puede clasificarse como: Sistemas Basados en Frames, Sistemas Basados en Probabilidades, Redes Expertas, Sistemas Basados en Modelos, Sistemas Basados en Reglas (SBR), Sistemas Basados en Casos, entre otros.

Se le llama Forma de Representación del Conocimiento al desarrollo de una notación suficientemente precisa con la cual representar el mismo (Bello, 1995). No existe una FRC general capaz para ser usada en todo tipo de aplicación, aunque una de las más usadas son las denominadas reglas de producción.

Particularmente, los denominados Sistemas Basados en Casos (SBC), los cuales usan un enfoque denominado Razonamiento Basado en Casos (RBC), son frecuentemente usados en aplicaciones de informática educativa y específicamente en aquellas que brindan información en materia de diagnóstico. Esto se debe a lo oportuno y viable que resultan sus características frente a este dominio de aplicación.

Según (García, 2009): "El Razonamiento Basado en Casos es un enfoque que aborda nuevos problemas tomando como referencia problemas similares resueltos en el pasado" (p.29). En este enfoque la similitud tiene un rol importante: problemas o casos similares, tienen soluciones similares. Sus componentes fundamentales son la base de casos, el módulo de recuperación de casos y el módulo de adaptación de soluciones. Este paradigma guarda estrecha relación con la forma en que operaría un experto humano basado en la experiencia.

La Base de Conocimientos en estos sistemas es considerada y adopta la forma de Base de Casos. Esta contiene las experiencias, ejemplos o casos a partir de los cuales el sistema hace sus inferencias. Esta base puede ser generada a partir de casos o ejemplos resultantes del trabajo de expertos humanos o por un procedimiento automático o semiautomático que construye los casos desde datos existentes registrados.

El módulo de recuperación recupera de la base de casos los casos más semejantes al nuevo problema planteado. No existe una medida de semejanza única o general, de ahí que la eficacia del sistema radica en la función de semejanza que se defina (modelo matemático). Una vez determinado los casos más semejantes la solución contenida en dichos casos puede usarse directamente como solución al nuevo problema, pero comúnmente necesitan ser modificadas, para ello se implementa el módulo de adaptación de las soluciones. Este último proceso puede ser automatizado o por la intervención del experto o especialista humano.

En su estudio sobre el tema, Jiménez (2006) sintetiza muy bien este enfoque:

El Razonamiento Basado en Casos (CBR) es una técnica de la AI que intenta llegar a la solución de nuevos problemas de forma similar como lo hacen los seres humanos utilizando la experiencia acumulada hasta el momento en acontecimientos similares. Un nuevo problema se compara con los casos almacenados previamente en la base de casos (Memoria de Casos) y se recuperan uno o varios casos. Posteriormente se utiliza y evalúa una solución sugerida, por los casos que han sido seleccionados con anterioridad, para tratar de aplicarlos al problema actual. (p.35)

Luego, podemos concluir que los Sistemas Basados en Casos son una implementación particular de los Sistemas Basados en el Conocimiento o Sistemas Expertos que utilizan el enfoque denominado Razonamiento Basado en Casos (RBC) como MSP. En estos sistemas la Base de Conocimiento es específicamente una Base de Casos y se implementa el Método de Solución de Problema (MSP) mediante tres módulos principales : módulo de recuperación de casos, un módulo de adaptación de soluciones, utilizando para estos fines una función de semejanza y finalmente, el módulo de auto aprendizaje. En la figura 3 se visualiza un mapa conceptual que relaciona estos conceptos. En la figura 4 se representa el proceso de resolución de problema en los Sistemas basados en Casos (Chagoyen, 2012).

Figura 3. Mapa conceptual de los Sistemas Basados en Casos.

.

Figura 4. Proceso de resolución de problema en los
Sistemas Basados en Caso.

Entre las ventajas de estos sistemas que lo hacen un buen candidato para la resolución de problemas del dominio educativo y de diagnóstico se encuentra: la facilidad para el aprendizaje automatizado del sistema, cada caso resuelto puede ser incorporado a la Base de Casos sin la intervención del experto para su posterior utilización en la solución de un problema semejante. Por otra parte se evita la rigidez y los peligros de generalización que se inducen cuando se razona en base a reglas.

Algunas de las temáticas a prestar especial atención y resolver en el diseño e implementación de estos sistemas por su importancia y grado de dificultad tienen que ver con la definición optima de la función de semejanza por el peso que esta tiene, unido a la búsqueda de una estructura apropiada para representar el contenido de los caso, lo cual resulta una difícil tarea. Además de decidir como la memoria de casos va a ser organizada e indexada para un almacenamiento y recuperación efectiva.

Una de las primeras temáticas desarrollada a través del uso de estos sistemas fue la determinación de diagnósticos médicos. Esta aplicación continúa teniendo impacto y actualmente se han desarrollado varios Sistemas Expertos para el diagnóstico de riesgos tanto técnico como en materia de salud.

El diagnóstico de riesgos y padecimientos constituye una tarea cotidiana para los expertos de la salud. Por su parte, los especialistas de la psicología educativa y la psicopedagogía advierten la necesidad de la evaluación y el diagnóstico temprano de riesgos psicopedagógico en adolescentes, para su oportuno acompañamiento.

Los Sistemas Tutoriales Inteligentes como herramientas para la evaluación psicopedagógica.

En la historia del uso de los recursos tecnológicos para la evaluación psicopedagógica se identifican cuatro generaciones (Belloch, 2015):

• Primera Generación: Evaluación Informatizada. Se desarrollan los Tests Informatizados, administrándose los exámenes tradicionales compuestos por preguntas de opción múltiple mediante el ordenador.

• Segunda Generación: Evaluación Adaptativa. Se desarrollan los Tests Adaptativos Informatizados, en los que se presentan las preguntas, una a una, adaptando las preguntas siguientes a las respuestas previas del sujeto.

• Tercera Generación: Evaluación Continua. Se desarrollan los Sistemas Tutoriales que integran la estimación de los cambios en la trayectoria del aprendizaje de los sujetos.

• Cuarta Generación: Evaluación Inteligente. Se desarrollan los Sistemas Tutoriales Inteligentes, basados en la Inteligencia Artificial. Mediante estos sistemas se generan perfiles de los resultados de los estudiantes con base en los conocimientos y procedimientos de inferencia.

Los STI han sido usados de dos maneras (Strasser & Rosas, 1996): Para crear programas instruccionales que se adaptan al desempeño del aprendiz y para crear sistemas de consultoría experta que evalúan al usuario y sugieren un diagnóstico y un tratamiento. Es precisamente en esta última funcionalidad donde las características y propiedades de estos sistemas responden al objeto de estudio del presente trabajo.

Los tutoriales inteligentes permiten adaptar los procesos de evaluación al desempeño de los sujetos (evaluación dinámica y adaptada). Mediante el uso del ordenador, es posible analizar no solo los resultados obtenidos, sino el proceso seguido, de modo que se establece una interacción dinámica entre el usuario y el ordenador, adaptándose este último a las características del primero. Estas potencialidades permiten establecer pruebas evaluativas personalizadas, con la posibilidad de la comparación entre diferentes pruebas.

Una de las posibilidades más interesantes, en cuanto al uso del ordenador y específicamente de los STI, en los procesos evaluativos, es la capacidad de tomar en cuenta tanto los resultados como el proceso. Estos se centran en analizar no tanto el producto, esto es los resultados obtenidos en las pruebas evaluativas, sino el proceso que sigue el sujeto para realizar las distintas tareas, es decir, las estrategias utilizadas en la resolución de problemas y los procesos cognitivos que se utilizan ante la tarea o prueba.

Conclusiones

Este tipo de análisis de los procesos cognitivos superiores, sería muy difícil de llevar a cabo sin el uso del ordenador, por no decir, imposible, ya que la posibilidad de este medio para almacenar cualquier tipo de información y realizar un seguimiento puntual de las diversas acciones realizadas por el estudiante, permite obtener información sobre estos procesos y estrategias, con fines tanto diagnósticos como formativos.

Estos sistemas permiten además la edición, administración y procesamiento de los datos de las pruebas de evaluación. Unido a ello, estos pueden ejecutar procesos de corrección automatizada y emisión de informes de los resultados, que como se ha mencionado pueden estar basados tanto en los resultados como en los procesos.

Otra de las potencialidades es la presentación de ítems en el que se muestren contenidos a partir de diferentes modalidades de información (textual, gráfica, sonora), así como la presentación de los componentes que conforman el ítem dinámicamente. Además, se dispone de un mayor control sobre la presentación del test. Estas nuevas potencialidades que brindan los ordenadores en cuanto al contenido y presentación de los ítems, amplia sustancialmente los rasgos, conocimientos y destrezas que pueden ser evaluados y son, además, la base de muchos estudios evaluativos sobre los procesos y estrategias que utilizan los sujetos en la resolución de problemas.

En este sentido existen diferentes categorías de test que pueden ser incluidos en estos sistemas, algunos de ellos son: Test Informatizado, Test Adaptativo Informatizado (TAI), Test Óptimos, Tests Autoadaptados Informatizados (TADIs) y Tests MultiEtápicos.

Los elementos anteriormente tratados evidencian que la evaluación informatizada orientada al diagnóstico (Computer-Based Assessment), ha permitido nuevos enfoques, estrategias y objetivos en los procesos de evaluación psicoeducativa. En este punto es pertinente destacar una de las orientaciones de la American Psychological Association (APA, 1986) referentes al uso de ordenadores con fines de evaluación, diagnóstico y particularmente al uso adecuado de los informes generados por estos, indicando que deben utilizarse únicamente en conjunción con el juicio profesional.

Referencias bibliográficas

Albericio, Fernando. (2010). RedEmprendia, from http://www.redemprendia.es

Almaguer, Adilec. (2009). Propuesta de actividades encaminadas a la preparación de adolescentes para los cambios biológicos de la pubertad y su repercusión psicológica. Maestrría, Centro Universitario Vladimir Ilich Lenin, Las Tunas. Retrieved from http://www.eumed.net/libros-gratis/2011d/1057/introduccion.html

Amador, M, A. Labarrere, S, A. Rico, M, P., Valera, A, O. (1995). El adolescente cubano una aproximación al estudio de su personalidad. Editorial Pueblo y Educación, La Habana.

APA. (1986), 2015, from www.apa.org

Area, M. (2009). Introducción a la Tecnología Educativa. Manual Electrónico. España: Universidad de la Laguna. Disponible en http://www.manuelarea.net

Arés, P. (2002). Mi familiaes así. (2ª ed.). Ciudad de La Habana: Editorial Pueblo y Educación.

Arés, P. (2003). Psicología de la familia. Una aproximación a su estudio.La Habana, Cuba: Editorial Félix Varela.

Ausubel, D. P., Novak, .0, Hanesian, H., (1989).Psicología educativa. México: Trillas.

Bello, Rafael. (2002). Aplicaciones de la Inteligencia Artificial. Jalisco.

Bello, R., Gálvez, D., García, M., Lezcano, M. (1995). Modelos Computacionales Avanzados.

Belloch, Consuelo. (2015). Recursos tecnológicos para la evaluación psicoeducativa, from http://www.researchgate.net/publication/255612420

Bratko, Ivan. (1990). Prolog programming for artificial intelligence (second edition ed.). New York Addison-Wesley.

Cabero, J. (2006). Bases pedagógicas del e-learning. Revista de Universidad y Sociedad del Conocimiento. España. Edutec: Revista electrónica de tecnología. 3(1), Disponible en http://dialnet.unirioja.es

Cabero, J. (2010). "Los retos de la integración de las TICs en los procesos educativos. Límites y posibilidades. Universidad de Sevilla España. Revista Perspectiva Educacional. Formación de Profesores. 49(1), 32-61. Disponible en http://campus.usal.es~revistas_trabajo/index.php/revistatesi/article/view/7468/7485

Cataldi, Z., Lage, F. (2007). El problema del modelado del estudiante en Sistemas Tutores Inteligentes.TE&ET'07. 12-15 de junio. Facultad de Informática, U. N. de La Plata.

Cortina, Victor M. (2005). El diagnóstico pedagógico en el proceso formativo del profesional de la educación en condiciones de universalización. Doctor en ciencias pedagógicas, Instituto Superior Pedagógico "Pepito Tey" Las Tunas.

CIE – 10 (1992). Clasificación Internacional de los trastornos mentales y de la conducta, Génova, Italia. Organización Mundial de La Salud.

Coll, César. (1990). Psicología y educación: aproximación a los objetivos y contenidos de la psicología de la educación.

Coll, C., (1990). Aprendizaje escolar y construcción del conocimiento. Barcelona, Paidós.

Coll, C. (1994). School and Educational Psychology. Applied Psychology: an international Review, 43, (2), pp. 175-191.

Coll, Jesús Palacios; Álvaro Marchesi; César (Ed.). (2000). Desarrollo psicológico y educación (2 ed.): Psicología y Educación.

Climent, Salvador. (1999). Sistemas Expertos valencia.

Chagoyen, Cesar A. (2012). El razonamiento basado en casos: una vía para el diseño de engranes, from http://www.monografias.com/trabajos98/razonamiento-basado-casos-via-diseno-engranes/razonamiento-basado-casos-via-diseno engranes#resumena

Cruz, L. (2001). Psicología del desarrollo: Selección de lecturas.(comp.).La Habana:Editorial Félix Varela.

Domínguez, Laura. (2006). Psicología del Desarrollo Problemas, Principios y Categorías.

Domínguez, L. (2002) Psicología del desarrollo: adolescencia y juventud. La Habana: Editorial Félix Varela.

Domínguez, Laura (Ed.). (2003). Psicología del desarrollo adolescencia y juventud. Selección de lecturas. La Habana: Félix Varela.

Domínguez, Mirlay. (2011). Programa de capacitación para perfeccionar la gestión de orientación educativa en la Filial Universitaria de Salud de Cabaiguán. Máster en Ciencias de la Educación Superior. Mención Psicología., Universidad "José Martí Pérez" Sancti Spíritus, Sancti Spíritus.

DSM-1V. (1992) Diagnostic and Statical Manual of Mental disorders. Washington D. C. American Psychatric Association.

Erikson, E. (Ed.). (1963). Childhood and society (2 ed.). New York, USA.

Erikson, E. (1974) Identidad, Juventud y Crisis.Editorial Paidos, Buenos Aires.

Estrada, V & Benítez, F. (2010). La gestión del conocimiento en la nueva universidad cubana .Revista Universidad & Sociedad. Disponible en http://www.ucf.edu.cu.

Fariñas, G. (2005). Psicología, educación y sociedad (un estudio sobre el desarrollo humano). La Habana: Félix Varela.

Ferreira, Wagner (2015). El adolescente y el deseo de no saber: Posibilidades psicopedagógicos.

Francia, A. S. (2005). Desde la subjetividad pedagógica tradicional a la virtual. Argentina: Universidad Nacional de la Pampa.

Forns, M., Boada, H. (1985). Reflexiones sobre la zona de Desarrollo próximo desde la Evaluación Psicológica. Anuario de Psicología, 33, pp. 73-79.

Forns, M. y Rodriguez, ML (1977). Reflexiones en torno a la orientaci6n educativa. Barcelona: Oikos-Tau.

Forns, M.; Rodriguez, M.L. y Torres, M. (1990). L'Orientation Escolaire et Professionnelle en Espagne. L 'Orientation Escolaire et Professionnelle, 19, (3). pp. 221-235.

Fuente, A., Herrero, J , Gracia, E. (2010). Internet and social support: online sociability and psychosocial adjustment in the information society. Acción psicológica, 7(1), 9-15.

Gálvez, Daniel. (1998). Sistemas Basados en el Conocimiento. Villa Clara.

Garcet, M. I. (2005). Estudio de la conducta prosocial en adolescentes riesgo. Tesis no Publicada. UCLV.

García, Hernández M; Valdez F; R. René, (2007). Lesiones no intencionales. Prevención en adolescentes. La Habana: Editorial de Ciencias Médicas.

García, Natalia Martínez; María M. García; Zoila Z. (2009). Model to design intelligent teaching-learning systems using the case-base reasoning. Avances en Sistemas e Informática, 6, 29.

García, Z. Z., León, M., Martínez, N., Jo, M., Barreto, O., Fortún, R., Ibáñez del Río, S., Martínez, Y., Ferreira, G., Depestre, P. M. (2011). Aplicaciones de HESEI, Herramienta Para el Desarrollo de sistemas de Enseñanza-Aprendizaje Inteligentes. Villa Clara. Universidad Central "Marta Abreu" de Las Villas. (Ponencia Infoeduca) (p.1-7).

García, Z. Z., Lezcano, M. (2001). "Nuevas tecnologías de la información y las comunicaciones. Utilización de las computadoras en la educación. Santa Clara. (folleto, capítulo 5). Universidad Central "Marta Abreu" de Las Villas.

García Valdivia, Z. Z., Bello Pérez, R. (2000). Introducción a la Inteligencia Artificial. México: Editorial Pandora. Gómez, M. (2000). Adolescencia y Prevención: Conductas de riesgo y resiliencia. Psic Psicp de la USAL.

Garcia Yagüe, J. (1987). Diagn6stico pedagógico y técnicas de la orientación. Madrid: UNED.

Gómez, M. (2000). Adolescencia y Prevención: Conductas de riesgo y resiliencia. Psic Psicp de la USAL.

Gómez García A.M. (2006).Factores etiológicos y de riesgo. En Colectivo de autores.Toxicomanías y adolescencia. Realidades y consecuencias (pp.1-11).La Habana: Científico Técnica.

Hayes-Roth, Frederick. (1983). Building Expert Systems. California: Addison-Wesley.

Herrera, L.F. (2011). Fundamentos neuropsicologicos del aprendizaje.

Herrera, L.F.. (2013). El aprendizaje según las teorías moderna de la instrucción y la neuropsicología cognitiva.

Herrera, L.F. (1993). Importancia del diagnóstico neuropsicológico. Conferencia ?8. Curso de Postgrado. Características generales del RDP. Imprenta Universitaria. Facultad de Ciencias Sociales y Humanísticas, Santa Clara.

Herrera, L.F. (2005) El desarrollo humano y los nuevos retos de la Psicología. Conferencia Magistral. IV Simposio Internacional Psicología y Desarrollo Humano. Universidad Central de Las Villas. 5 – 7 de abril de 2005.

Hernández Sampieri, R. (2006). Metodología de la investigación. Cuarta edición, Mc Graw-Hill Interamericana. México.

Hernández, R. (2003). Metodología de la investigación. (Vol. 1-2). La Habana: Félix Varela.

Huapaya, Laura Lanzarini; Constanza R. (2010). Diagnostico adaptativo del estudiante en sistemas tutoriales inteligentes. Instituto de Investigación en Informática LIDI, Mar del Plata.

Hernández, Enrique Rosabal; Nancy Romero; Keyla Gaquín; Rosa A. (2015). Conductas de riesgo en los adolescentes. Revista Cubana Medicina Militar.

Jiménez, Jovani A. (2006). Un Modelo de PlanificaciónInstruccional usando Razonamiento Basado en Casos en Sistemas Multi-Agente para entornos integrados de Sistemas Tutoriales Inteligentes y Ambientes Colaborativos de Aprendizaje Doctor en Ingeniería – Sistemas e Informática, Universidad Nacional de Colombia, Medellín.

Jiménez, Marcela. (2009). Modelo de Evaluación Adaptativa del Nivel de Conocimientos del Estudiante para Sistemas Tutoriales Inteligentes. Maestría en Ingeniería de Sistemas, Universidad Nacional de Colombia, Medellín.

Juste, J. M. Garcia Ramos; R. Pérez (Ed.). (1989). Diagnóstico Evaluación y Toma de Decisiones. Madrid: Rialp.

Lage, Zulma Cataldi; Fernando J. (2009). Sistemas tutores inteligentes orientados a la enseñanza para la comprensión. Revista Electrónica de Tecnología Educativa, 1-19.

Lattur, María C. Cardona; Esther Chiner; Ana. (2006). Diagnóstico psicopedagógico.

Lezcano, Mateo. (2000). Prolog y los Sistemas Expertos. Jalisco.

León, M. & Martínez, N. (2007). "Generating Intelligent Teaching-Learning Systems using Concept Maps and Case-Based Reasoning." Revista Colombiana en avances en sistemas e informática. .4 ( 1), Disponile en www.revista.unal.edu.co/index.php/avances/article/view/9712