sistemas inteligentes para el modelado del...

196
SISTEMAS INTELIGENTES PARA EL MODELADO DEL TUTOR TESIS DE GRADO EN INGENIERIA INFORMATICA FACULTAD DE INGENIERIA UNIVERSIDAD DE BUENOS AIRES Tesista: Sr. Fernando A. SALGUEIRO Director: Prof. Dr. Ramón GARCÍA-MARTÍNEZ Co-Directora: Prof. M. Ing. Zulma CATALDI Laboratorio de Sistemas Inteligentes NOVIEMBRE 2005

Upload: buinhi

Post on 08-Oct-2018

223 views

Category:

Documents


0 download

TRANSCRIPT

Page 1: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS INTELIGENTES PARA EL MODELADO DEL TUTOR

TESIS DE GRADO EN INGENIERIA INFORMATICA FACULTAD DE INGENIERIA

UNIVERSIDAD DE BUENOS AIRES

Tesista: Sr. Fernando A. SALGUEIRO

Director: Prof. Dr. Ramón GARCÍA-MARTÍNEZ

Co-Directora: Prof. M. Ing. Zulma CATALDI

Laboratorio de Sistemas Inteligentes

NOVIEMBRE 2005

Page 2: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

Page 3: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

Resumen En las carreras de ingeniería se ha observado, la existencia de grandes dificultades en los aprendizajes de los estudiantes que se inician en el estudio de un lenguaje de programación. Esto se evidencia cuando los estudiantes no pueden interpretar los algoritmos debido a su mala preparación previa y a la falta de metodologías de trabajo, por lo que requieren de una guía docente continua. En este contexto, se busca modelar un tutor que permita definir y aplicar una estrategia pedagógica para la enseñanza de las estructuras básicas de programación. Se pretende dar los lineamientos que deben regir el comportamiento del tutor para adaptarse a las necesidades del alumno para que el mismo pueda mejorar su rendimiento en la materia sobre todo en los cursos muy numerosos. Palabras clave: Estrategias Pedagógicas, Lenguaje Natural, Modelo del Tutor, Redes Neuronales, Sistemas Asesores Inteligentes, Sistemas Expertos.

Abstract It has been observed on the engineering careers, the existence great difficulties in the learning’s of the students who are been initiating there’s studies of programming languages. The students cannot interpret the algorithms due to their bad previous preparation and to the lack of work methodologies, reason why they require of a continuous educational guide. In this context, it is intend to model a tutor who allows to define and to apply pedagogical strategies for the suitable education of the basic structures of programming. It is intend to give the basic rules that must govern the behavior of the tutor module to adapt to the necessities of the student so that he can improve its yield in the matter. Keywords: Pedagogical strategies, Natural Language, Tutor Module, Neural Networks, Intelligent Advisory Systems, Intelligent Tutoring Systems.

Page 4: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

Page 5: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESUMEN Fernando A. Salgueiro V

Agradecimientos En primer lugar quiero expresar mi agradecimiento al Prof. Dr. Ramón García Martínez, Director del Centro de Ingeniería de Software e Ingeniería del Conocimiento (CAPIS) del Instituto Tecnológico de Buenos Aires (ITBA) y del Laboratorio de Sistemas Inteligentes (LSI) de la Facultad de Ingeniería de la Universidad de Buenos Aires (FIUBA), y director de esta tesis. También a la Prof. M. Ing. Zulma Cataldi, Directora del Laboratorio de Informática Educativa y Medios Audiovisuales (LIEMA) de la Facultad de Ingeniería de la Universidad de Buenos Aires (FIUBA) y codirectora de esta tesis. A ambos, gracias por la confianza depositada en mí desde el inicio de este trabajo, por los consejos constantes y por la dedicación absoluta, tanto personal como profesional, para que este trabajo saliera adelante. Al Prof. M. Ing. Fernando J. Lage, profesor del Departamento de Computación de la Facultad de Ingeniería de la Universidad de Buenos Aires (FIUBA), por sus sugerencias para la elaboración de la presente tesis y por su apoyo a lo largo de todos estos años. A la Universidad de Buenos Aires y a la Facultad de Ingeniería, por su apoyo para completar mi formación como individuo útil de esta sociedad en la cual disfrute desde agosto de 1998 hasta la actualidad. Y, en general, a todos los integrantes del departamento de Computación, en particular a mi amigo y compañero Guido Costa. De verdad, muchísimas gracias. A mis padres Celia y Alberto, a quienes les debo todo y es gracias a ellos que estoy aquí. Sé que esto es muy poco para todos sus sacrificios, pero espero que este trabajo les devuelva en parte tolo lo que me han dado. También, a mi hermana Mariana y a mi queridísimo abuelo Adolfo, quienes siempre fueron fuente de fuerza y alegría para seguir adelante en todos mis proyectos y me impulsaron para no desistir hasta alcanzar la meta. Por último, y de manera más especial a Carolina. Muchas gracias por tu amor y apoyo durante todo este tiempo. Por todo lo que me has aguantado, sabes que esta tesis también es tuya.

Page 6: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

Page 7: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

RESUMEN Fernando A. Salgueiro VII

Tabla de Contenidos Resumen III Abstract III Agradecimientos IV Agradecimientos V Índice de Figuras X Índice de Tablas XI Índice de Abreviaturas XIII Capítulo 1 – Introducción 14

1.1 - Introducción 14 1.2 - Descripción General del Problema 15 1.3 - Carácter del Problema 18 1.4 - Importancia de Encontrar la Solución al Problema 20 1.5 – Metodología de Trabajo 21 1.6 – Limitaciones e Implicancias 22 1.7 - Visión General del Trabajo 23

Capítulo 2 - Estado del Arte 24

2.1 – Introducción 24 2.2 – Inteligencia Artificial 25

2.2.1 – Historia de la Inteligencia Artificial 27 2.2.2 – El Algoritmo Inductivo C4.5 31

2.2.2.1 – Construcción de los Árboles de Decisión 31 2.2.2.2 – Parámetros Para el Análisis de los Árboles de TDIDT 33 2.2.2.3 – La Poda de los Árboles. 34

2.3 – Redes Neuronales 35 2.3.1 – El Modelo Biológico 35 2.3.2 – Redes Neuronales Artificiales (ANN) 36

2.3.2.1 – La Neurona Artificial 37 2.3.2.2 – Aprendizaje de las Redes Neuronales Artificiales 39 2.3.2.3 – Topología de las Redes Neuronales 43

2.2.3 – Redes Backpropagation [Rumelhart et al., 1986] 44 2.2.3.1 – Funcionamiento de las redes Backpropagation 46 2.2.3.2 – Entrenamiento de las redes Backpropagation 47

2.2.4 – Redes Self Organizing Maps (S.O.M.) [Kohonen, 2001] 49 2.2.4.1 – Entrenamiento de las redes S.O.M. 50 2.2.4.2 – Parámetros de las Redes S.O.M. 51

2.2.5 – Campos de Aplicación 53 2.3 – Sistemas Tutores Inteligentes 55

2.3.1 – Arquitectura y Componentes 56 2.3.2 – Módulo del Alumno 57

2.3.2.1 – Estilos de Aprendizaje 58 2.3.2.2 – Planilla de Estilos de Aprendizaje 58 2.3.2.3 – Rendimiento Académico de los Estudiantes 63

2.3.3 – Módulo del Dominio 63 2.3.4 – Interface 64

Page 8: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

VIII Fernando A. Salgueiro RESUMEN

2.3.5 – Módulos Externos: Evaluación y Registros Históricos 64 2.3.6 – Módulo del Tutor 64

2.3.6.1 – Introducción 64 2.3.6.2 – Técnicas Educativas Generales 67 2.3.6.3 – Teorías de Aprendizaje 68 2.3.6.3 – Técnicas Educativas Aplicables 72

A) La Instrucción Didáctica. 73 B) El Entrenamiento. 74 C) La Enseñanza Socrática. 75 D) Otros Métodos de Enseñanza. 76

2.3.7 – Modelos de Implementación de Sistemas Tutores Inteligentes (STI) 77 2.4 – Trabajos Similares 78

2.4.1 – El Proyecto CircSim 79 2.4.2 – Falencias del CircSim 81 2.4.3 – STI Orientados a la Enseñaza de Lenguajes de Programación. 82 2.4.4 –Falencias de los STI Orientados a la Programación 84

Capítulo 3 - Descripción del Problema 87

3.1 – Definición Detallada del Problema 87 3.2 – Definición de los Objetivos de la Tesis 88

3.2.1 – Objetivo General 88 3.2.2 – Objetivos Específicos 88 3.2.3 – Preguntas de Investigación 89

3.3 – Límites y Restricciones del Trabajo 90 3.4 – Recursos Necesarios. 91

3.4.1 – Recursos tecnológicos 91 3.4.2 – Recursos Bibliográficos 92 3.4.3 – Recursos Humanos 93

Capitulo 4 – Solución Propuesta 94

4.1 – Establecimiento y Justificación de la Solución. 94 4.1.1 – Submódulos e Interfaces 97

4.2 – Análisis de los Submódulos 99 4.2.1 – Submódulo Protocolos Pedagógicos 99

4.2.1.1 – Analizador de Perfil 100 4.2.1.2 – Inferencia del Protocolo Pedagógico 104 4.2.1.3 – Submódulo de Generador de la Lección. 110 4.2.1.4 – Determinación de Objetivos de la Lección. 112 4.2.1.5 – Arquitectura del planeador de la Lección. 114

Capitulo 5 – Resultados Experimentales 115

5.1 – Introducción 115 5.2 –Instrumento de Toma de Datos Aplicado al Dominio 116

5.2.1 –Cálculo del Tamaño Muestral 116 5.2.2 –Codificación de los Datos Relevados. 117

5.3 – Redes S.O.M. y Clusters Resultantes. 119 5.3.1 –Puesta a Punto de las Redes S.O.M. 119 5.3.2 – Resultados de la Aplicación de la Red S.O.M. 121 5.3.3 – Atributos Más Relevantes. 122

5.4 – Inducción, Árboles de Decisión y Reglas 123

Page 9: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESUMEN Fernando A. Salgueiro IX

5.4.1 – Inducción Utilizando Atributos con Mayor Ganancia de Información 124 5.4.2 – Comparación de Resultados. 127

5.5 – Inferencia. 129 Capítulo 6 - Conclusiones 133

6.1 – Contribución Realizada a la Solución del Problema. 133 6.1.1 – Respuesta a las Preguntas de Investigación. 134 6.2 – Futuras líneas de investigación 137

Bibliografía 138 Anexo A: Datos Experimentales para el Submódulo Pedagógico 147

A.1 – Introducción 147 A.2 – Planillas de Estilos de Aprendizaje 147

A.2.1 – Datos Obtenidos para la Materia Computación 148 A.2.1.1 – Primer Grupo 148 A.2.1.2 – Segundo Grupo 149 A.2.1.3 – Tercer Grupo 150 A.2.1.4 – Cuarto Grupo 152 A.2.1.5 – Quinto Grupo 153 A.2.1.6 – Sexto Grupo 154 A.2.1.7 – Séptimo Grupo 155 A.2.1.8 – Octavo Grupo 157 A.2.1.9 – Noveno Grupo 158 A.2.1.10 – Décimo Grupo 159 A.2.1.11 – Undécimo Grupo 161

A.2.2 – Datos Obtenidos de la Materia Algoritmos y Programación I 162 A.2.2.1 – Primer Grupo 162 A.2.2.2 – Segundo Grupo 163 A.2.2.3 – Tercer Grupo 164 A.2.2.4 – Cuarto Grupo 165 A.2.2.5 – Quinto Grupo 166 A.2.2.6 – Sexto Grupo 167 A.2.2.7 – Séptimo Grupo 168 A.2.2.8 – Octavo Grupo 169 A.2.2.9 – Noveno Grupo 170 A.2.2.10 – Décimo Grupo 171 A.2.2.11 – Undécimo Grupo 172

A.3 – Valores de Entrenamiento para la Red S.O.M. 173 A.3.1 – Datos Codificados 173 A.3.2 – Clusters Resultantes 175 A.3.3 – Valores Medios y Varianzas de los Clusters Resultantes 177

A.4 – Inducción y Árboles de Decisión. 179 A.4.1 – Análisis del Árbol generado 179

A.5 – Red Backpropagation 184 A.5.1 – Datos de entrenamiento para la red Backpropagation. 184 A.5.2 – “Score” Obtenido por la Red Backpropagation 187

A.6 – Datos de los Cursos de Prueba 190 A.6.1 – Alumnos Clasificados por la Red Backpropagation (Curso A) 193 A.6.2 – Alumnos Clasificados por la Red Backpropagation (Curso B) 194

Page 10: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

X Fernando A. Salgueiro RESUMEN

Índice de Figuras Capítulo 2 - Estado del Arte Figura 2.1: Relación entre la IA, la Ingeniería del Conocimiento y otras áreas. 25 Figura 2.2: Esquema de una neurona artificial y una neurona humana. 37 Figura 2.3: Distintas funciones de activación para las neuronas artificiales. 38 Figura 2.4: Modelo de Hopfield de red neuronal artificial. 44 Figura 2.5: Modelo Backpropagation de red neuronal artificial. 46 Figura 2.6: Modelo S.O.M. de red neuronal artificial. 49 Figura 2.7: Impacto de las iteraciones sobre el resultado del entrenamiento. 52 Figura 2.8: Estructura clásica de un Sistema Tutor Inteligente. 57 Figura 2.9: Planilla de estilos de aprendizaje. 62 Figura 2.10: Ejemplo de interacción del sistema CircSim. 82 Figura 2.11: Solución del problema factorial. 82 Capitulo 4 – Solución Propuesta Figura 4.1: Diferencias entre un STI teórico y su versión implementada. 94 Figura 4.2: Estructura clásica de un Sistema Tutor Inteligente. 98 Figura 4.3: Estructura de un STI, con submódulos y un módulo evaluador. 98 Figura 4.4: Submódulo de Protocolos Pedagógicos 99 Figura 4.5: Conjunto autoorganizado. 101 Figura 4.6: Arquitectura típica de una red neuronal del tipo S.O.M. 101 Figura 4.7: Árbol de decisión generado por el algoritmo C4.5. 103 Figura 4.8: Esquema básico para categorizar los estilos pedagógicos. 104 Figura 4.9: Procesos de clasificación de estudiantes.. 107 Figura 4.10: Esquema general del proceso de inferencia. 107 Figura 4.11: Procedimiento para detectar a los estudiantes mal categorizados. 107 Figura 4.12: Estructura modificada de la solución. 109 Figura 4.13: Dos versiones la estructura de la solución. 109 Figura 4.14: Pasos a seguir luego de la obtención del protocolo pedagógico. 110 Figura 4.15: Selección de objetivos para la sesión pedagógica. 113 Capitulo 5 – Resultados Experimentales Figura 5.1: Respuestas posibles de los alumnos encuestados. 118 Figura 5.2: Resultado de la clusterización con distinta cantidad de neuronas. 120 Figura 5.3: Valor medio de cada una de las variables normalizadas de S.O.M. 122 Figura 5.4: Esquema del árbol generado por el algoritmo C4.5. 125

Page 11: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESUMEN Fernando A. Salgueiro XI

Índice de Tablas Capítulo 2 - Estado del Arte Tabla 2.1: Comparación entre el cerebro humano y una computadora. 35 Tabla 2.2: Campos de aplicación de las redes neuronales artificiales 54 Tabla 2.3: Topologias de redes e hitos ordenados cronológicamente. 54 Tabla 2.4: Ejemplo de la planilla de resultado de los estudiantes. 63 Tabla 2.5: Características de los STI entre los 70’ y 90’ [Kinshuk, 1996] 67 Tabla 2.6: Paralelismo entre la concepción de Piaget y la de Vigotsky 70 Tabla 2.7: Características de los primeros STI orientados a la programación 86 Capitulo 5 – Resultados Experimentales Tabla 5.1: Etapas fundamentales del diseño experimental. 115 Tabla 5.2: Cupos disponibles para las materias de Programación Básica 116 Tabla 5.3: Codificación de las Carreras para utilizar la red S.O.M. 119 Tabla 5.4: Parámetros utilizados para el entrenamiento de las Redes S.O.M. 120 Tabla 5.5: Resumen de elementos resultantes de aplicar redes S.O.M. 121 Tabla 5.6: Reglas resultantes de recorrer el árbol generado por el Algoritmo C4.5 124 Tabla 5.7: Características de las reglas generadas por el Algoritmo C4.5. 124 Tabla 5.8: Resumen del árbol C4.5 generado. 126 Tabla 5.9: Observación número 121 como fue relevada de la planilla. 127 Tabla 5.10: Resumen del árbol C4.5 generado. 128 Tabla 5.11: Porcentajes obtenidos para el análisis de los estudiantes. 130 Tabla 5.12: Resultados de los datos de entrenamiento de la red Backpropagation. 131 Anexo A: Datos Experimentales para el Submódulo Pedagógico Tabla A.1: Primer grupo de preguntas relevadas. 149 Tabla A.2: Segundo grupo de preguntas relevadas. 150 Tabla A.3: Tercer grupo de preguntas relevadas. 151 Tabla A.4: Cuarto grupo de preguntas relevadas. 153 Tabla A.5: Quinto grupo de preguntas relevadas. 154 Tabla A.6: Sexto grupo de preguntas relevadas. 155 Tabla A.7: Séptimo grupo de preguntas relevadas. 157 Tabla A.8: Octavo grupo de preguntas relevadas. 158 Tabla A.9: Noveno grupo de preguntas relevadas. 159 Tabla A.10: Décimo grupo de preguntas relevadas. 160 Tabla A.11: Undécimo grupo de preguntas relevadas. 162 Tabla A.12: Primer grupo de preguntas relevadas. 163 Tabla A.13: Segundo grupo de preguntas relevadas. 164 Tabla A.14: Tercer grupo de preguntas relevadas. 164 Tabla A.15: Cuarto grupo de preguntas relevadas. 165 Tabla A.16: Quinto grupo de preguntas relevadas. 166 Tabla A.17: Sexto grupo de preguntas relevadas. 167 Tabla A.18: Séptimo grupo de preguntas relevadas. 168 Tabla A.19: Octavo grupo de preguntas relevadas. 169 Tabla A.20: Noveno grupo de preguntas relevadas. 170 Tabla A.21: Décimo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante. 171

Page 12: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

XII Fernando A. Salgueiro RESUMEN

Tabla A.22: Undécimo grupo de preguntas relevadas. 172 Tabla A.23: Datos codificados de las 120 instancias relevadas. 175 Tabla A.26: Resultado de aplicar las redes neuronales S.O.M. a los datos de entrada 177 Tabla A.24: Valor medio de los 2 clusters generados. 178 Tabla A.25: Valor medio de los 2 clusters generados. 179 Tabla A.26: Datos utilizados para el entrenamiento de la red Backpropagation. 186 Tabla A.27: Puntajes asignados por la red tipo Backpropagation. 189 Tabla A.28: Resultados académicos de 121 alumnos. 192 Tabla A.29: Resultados académicos y de clasificación (Curso A). 194 Tabla A.30: Resultados académicos y de clasificación (Curso B). 195

Page 13: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESUMEN Fernando A. Salgueiro XIII

Índice de Abreviaturas ABAM = Adaptive Bidirectional Associative Memory AG = Additive Grossberg ANN = Artificial Neuronal Network. ART = Adaptative Resonancy Theory BAM = Bidirectional Associative Memory CAD = Computer Aided Design CAE = Computer Aided Engineering CAI = Computer Assisted Instruction CIM = Computer Integrated Manufacturing GA = Genetic Algorithms HP = Heuristic Programming IA = Artificial Intelligence INCO = Ingeniería del Conocimiento KBES = Knowledge-Based Expert Systems. KE = Knowledge Engineering. LCS =Learning Companion Systems. LMS = Least Mean Squared Error NSTI = Nuevos Sistemas Tutores Inteligentes OOP = Object Oriented Programming SG = Shunting Grossberg STI = Sistemas Tutores Inteligentes VLSI = Very Large Scale Integration

Page 14: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

14 Fernando A. Salgueiro INTRODUCCIÓN

Capítulo 1 – Introducción 1.1 - Introducción El modelado de los Sistemas Tutores Inteligentes (STI) es una tarea compleja, ya que implica considerar los módulos básicos de la arquitectura tripartida propuesta por Carbonell [Carbonell, 1970] que fuera revisada luego por Self [Self, 1998] en forma integral. A la hora de modelar un STI se deben considerar las características del dominio (contenido), del comportamiento observable o mensurable del alumno (modelo del alumno) y del conjunto de estrategias que serán abordadas por el módulo del tutor en búsqueda de una enseñanza personalizada. Una de las tareas de la arquitectura de los STI es la sistematización del conocimiento pedagógico a ser contenida en el módulo del tutor que concierne tanto al modelado como a la implementación de los STI. Además, surge la necesidad de presentar algunos mecanismos de apoyo al aprendizaje, en base a aquellas técnicas utilizadas por los tutores. La selección del protocolo pedagógico más adecuado como resultado del análisis del perfil del estudiante es uno de los factores mas influyentes a la hora de obtener buenos resultados en las distintas sesiones pedagógicas, por lo tanto, se plantea la necesidad de encontrar técnicas que determinen cuál es el mejor protocolo disponible en el sistema (es decir, el que se adapte mejor a las necesidades del estudiante) para satisfacer cada sesión pedagógica programada, teniendo en cuenta el desempeño anterior del estudiante y otras características intrínsecas del mismo como pueden ser las preferencias del estudiante y los contenidos a utilizar. De esta manera, se pueden desarrollar Sistemas Tutores Inteligentes (STI) y Sistemas Asesores Inteligentes (SAI) capaces de “personalizar la educación” en los distintos dominios, sin necesidad de una intervención directa de los tutores humanos, para determinar los objetivos de cada una de las sesiones pedagógicas, así como el protocolo a utilizar para que la sesión brinde los mejores resultados. Con la implementación de los Sistemas Tutores Inteligentes (STI) que presenten las características mencionadas se propone mejorar los rendimientos de los estudiantes en las materias del área de Programación Básica1.

1 A esta área corresponden las materias Computación: Código 75.01 (para todas las carreras de Ingeniería a excepción de Ingeniería Electrónica, Informática y Lic. en Análisis de Sistemas) y Algoritmos y Programación I: Código 75.40 (para las carreras de Ingeniería Informática y Licenciatura en Sistemas) de la Facultad de Ingeniería de la Universidad de Buenos Aires (FIUBA).

Page 15: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

INTRODUCCIÓN Fernando A. Salgueiro 15

1.2 - Descripción General del Problema Este tema de investigación surge motivado por la necesidad de encontrar diferentes formas alternativas para la enseñanza de las asignaturas Algoritmos y Programación I (código 75.40) de la Carrera Ingeniería Informática y Computación (código 75.01) del resto de las carreras, exceptuando Ingeniería Electrónica. Durante los últimos seis cuatrimestres se efectuó el seguimiento de los alumnos (a través de sus evaluaciones parciales y finales integradoras) a fin de saber por qué algunos no llegaban a aprobar la materia. Si bien la cantidad de alumnos que aprueban la materia, está en el orden del 30%, existen datos provenientes de Universidades como La Plata [Madoz et al., 2000] y Tecnológica [Bruno, 2003], en las asignaturas equivalentes donde se evidencia que la problemática es muy parecida, por lo que actualmente se encuentran elaborando estrategias tendientes a la paliación del problema. A lo largo de últimos seis cuatrimestres, se han aplicado diversas estrategias didácticas usando medios audiovisuales, foros de discusión, grupos de aprendizaje y se ha observado que si bien se evidencian mejoras, las mismas apuntan a los grupos de estudiantes que normalmente tienen menores dificultades. Por este motivo, se pensó en principio, en el desarrollo de un Sistema Tutor Inteligente (STI) (utilizando Sistemas Inteligentes) que realizase la tarea de tutorizado adaptando diferentes modalidades o estrategias de enseñanza. Esta podría ser una alternativa útil sobre todo para aquellos estudiantes que requieren un mayor grado de tutorizado del tipo uno a uno [Perkins, 1995], es decir personalizado.

Wenger [Wenger, 1978] define la tarea de la enseñanza en términos de una “comunicación del conocimiento” que involucra a un sistema tutor y a un estudiante donde el objetivo básico es que el estudiante pueda adquirir conocimiento de alguna materia. Se busca un sistema de tutorizado que exhiba un comportamiento similar al de un tutor humano, es decir, que en lugar de ser un modelo rígido se adapte al comportamiento del estudiante. Éste, debería ser capaz de identificar la forma en cual el estudiante está resolviendo el problema [Hume, 1995] y de brindarle ayuda cuando cometa errores [Hume et al., 1996]. A su vez debería proveerle el conocimiento que requiera para poder solucionar el problema con explicaciones en el momento preciso, y adicionalmente podría aprender de la interacción con el estudiante.

Se ha observado que los Sistemas Tutores y Asesores Inteligentes disponibles en la actualidad no han encontrado soluciones eficientes en referencia a la flexibilidad en cuanto a modalidades de enseñanza, aunque en los 90, con los avances de la psicología cognitiva [Gardner, 2003], las neurociencias y los nuevos paradigmas de programación, los sistema facilitadores de la enseñanza evolucionaron desde una propuesta instructiva hacia entornos de descubrimiento y experimentación del nuevo conocimiento [Bruner, 1990; Perkins, 1995] desde una visión constructivista de los procesos de aprendizaje. Es decir, se pasa de una postura conductista con base en la teoría de Skinner en otra centrada en la psicología cognitiva. En un Sistema Tutor Inteligente (STI), el modelo del tutor es el encargado de definir y de aplicar una estrategia pedagógica de enseñanza (de tipo socrática, orientador, etc.), de contener los objetivos a ser alcanzados y los planes utilizados para alcanzarlos. Es el

Page 16: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

16 Fernando A. Salgueiro INTRODUCCIÓN

responsable de seleccionar los problemas, de monitorear y de criticar el desempeño, de proveer asistencia cuando se la requiera y de seleccionar el material de aprendizaje al estudiante. Integra el conocimiento acerca del método de enseñanza (ya sea deductivo, inductivo, analógico, analítico, sintético, de trabajo colectivo, etc.), las técnicas didácticas (expositiva, discusión, demostración, diálogos, instruccional, responder preguntas, etc.) y del dominio a ser enseñado. Un sistema de este tipo debe tratar además, los aspectos esenciales del curriculum y de la planificación, ya que los aspectos de curriculum involucran la representación, la selección y la secuenciación del material a ser utilizado y la planificación se refiere a cómo ese material va a ser presentado. En general, tienen una muy buena representación en forma explícita del dominio pero no siempre el curriculum está dado en forma explícita, es decir desde la visión y la secuenciación, lo que se obtiene es un bajo rendimiento. Esta selección y secuenciación del curriculum para los estudiantes requiere del uso de mecanismos de planificación sofisticados que deben tener en cuenta la teoría de tutorizado empleada haciendo hincapié en las necesidades del estudiante. Aún hoy día, la mayoría de los desarrolladores de programas “didácticos” se basan en modelos instruccionales de corte conductista [Perkins, 1995] para entrenamientos. En este sentido, la intención de la investigación es emular a un tutor humano, pero orientado hacia la psicología cognitiva, es decir, teniendo en cuenta como señala Perkins [Perkins, 1995], los estilos más apropiados de enseñanza tales como la instrucción didáctica, el entrenamiento y la enseñanza socrática que son compatibles con su “Teoría Uno”2. Debido a la problemática planteada se piensa en sentar las bases para un sistema de aprendizaje por refuerzo; ya que justamente el objetivo buscado es que el estudiante le encuentre significado a sus aprendizajes, que supere sus dificultades, incorporando lo nuevo de un modo significativo y permanente. [Ausubel et al. 1983]. El aporte del presente trabajo permitirá esclarecer algunos interrogantes respecto de cómo enseñan los tutores humanos y podría dar solución a los estudiantes de clases muy numerosas, que no pueden acceder al docente durante el horario habitual de clases. Se ha observado que en los cursos universitarios de los primeros cuatrimestres de las carreras de Ingeniería que la cantidad de tutores humanos no es suficiente, donde la relación alumnos/docentes es muy alta [Gertner et al., 1998] y que existe una gran diferencia en el nivel de conocimientos previos que traen los alumnos. [Ausubel et al., 1983]. Se piensa que un sistema que pueda emular al tutor humano y que además provea al estudiante de cierta flexibilidad para la elección del tipo de tutorizado más adecuado, podría ser una solución factible para el problema planteado. En la literatura analizada se han encontrado dos posturas para la implementación de los conocimientos: una se basa en la estructura sintáctica de lo producido por los tutores humanos [Seu Jai et al., 1991] y la otra en las metas pedagógicas que deben cumplir a 2 La Teoría Uno no es un modelo, ni un método de enseñanza, sino un conjunto de recomendaciones compatibles con cualquier teoría. Ella estipula que “La gente aprende más cuando tiene una oportunidad razonable y una motivación para hacerlo” [Perkins, 1995].

Page 17: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

INTRODUCCIÓN Fernando A. Salgueiro 17

fin de que el alumno pueda comprender el tema [Hume et al., 1996; Evens et al., 1993]. Pero, analizando a fondo el problema y utilizando ambas teorías en forma conjunta se podrían lograr una serie de pasos que pueden resumir la forma de impartir los conocimientos [Freeva et al., 1996]:

• El tutor debe mantener una jerarquía de metas: Que debe cumplir mientras imparte los conocimientos al alumno (el cual producirá un resultado que el tutor no puede predecir de antemano).

• El tutor debe poder explicar un mismo concepto de diferentes maneras: Así

si el alumno no entiende el concepto el tutor puede continuar efectuando otro acercamiento al mismo tema, explicando el concepto para luego continuar, utilizando un método iterativo para profundizar en el concepto cada vez más (paso a paso) o para descartar este acercamiento al tema e intentándolo de otra manera.

En este contexto, surgen las posibilidades de aplicabilidad de los sistemas inteligentes a la resolución de problemas de modelado de este tipo. En el campo de los Sistemas Inteligentes se encuentran las Redes Neuronales (RN), que son interconexiones masivas en paralelo de elementos simples, que responden a una cierta jerarquía intentando interactuar con los objetos reales tal como lo haría un sistema neuronal psicológico [Kohonen, 1988]. Las redes neuronales poseen una característica que las hace muy interesantes, dado que pueden asimilar conocimiento en base a las experiencias mediante la generalización de casos [García-Martínez et al., 2003].

Page 18: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

18 Fernando A. Salgueiro INTRODUCCIÓN

1.3 - Carácter del Problema Un tutor inteligente que ayude a mejorar la interacción en el triángulo didáctico: alumno, docente y contenido a ser aprendido, es un problema netamente práctico que consiste en agregar un medio tecnológico, por lo que la relación didáctica se convierte en un tetraedro donde ahora se incluye al “mediador pedagógico” (o medio). Por otra parte, todas las interacciones entre el alumno y el docente, están enmarcadas en las teorías de aprendizaje y de enseñanza aplicables a dicha interacción, lo que brinda un marco teórico al problema citado, donde no solo es importante el conocimiento que debe ser facilitado por el docente hacia el alumno, sino que cobra importancia la forma en la que este conocimiento es presentado, ya que se pretende lograr la mayor eficiencia posible en este proceso de adquisición y construcción de conocimiento. Se busca la incorporación de los métodos y técnicas de enseñanza más eficaces que permitan adaptar el modo de enseñanza a las necesidades del alumno a fin de mejorar los resultados a través de cada clase o “sesión pedagógica” para cualquier dominio. Cada alumno podrá elegir entonces la técnica de enseñanza que mejor se adapte a su estilo de aprendizaje. Si bien no está dentro de los objetivos de este trabajo el desarrollo de nuevos marcos metodológicos para mejorar la interacción entre el docente y el alumno en el ámbito de la enseñanza, se busca utilizar modelos y técnicas educativas probadas. Esta investigación se inscribe dentro de los llamados Sistemas Tutores Inteligentes (STI) y se trata que todas las consideraciones tomadas para un modelar un tutor inteligente aplicado al dominio del aprendizaje de Programación Básica puedan ser utilizadas en otros dominios sin realizar modificaciones importantes en el modelo planteado. Para ello, es necesario realizar una redefinición de los módulos que componen un Sistema Tutor Inteligente (STI) y de las interfaces entre estos módulos, identificando cuáles son los generadores de los datos y cuáles son los que los utilizan. Aquí se debe realizar un aporte dentro del marco teórico global de los STI para poder resolver el problema planteado. Por lo tanto, se tiene un problema que presenta características prácticas y teóricas, las que de pueden describir como:

• Características Prácticas: Son las que incluyen el desarrollo de los distintos submódulos del módulo del tutor de un Sistema Tutor Inteligente (STI) que se adapte a la definiciones previas como la de Carbonell [Carbonell, 1970]. Además se deberán tener en cuenta los métodos de enseñanza más adecuados para la Programación Básica, así como también los instrumentos para verificar su validez y confiabilidad.

Se deben poder seleccionar los protocolos pedagógicos más eficientes para cada sesión pedagógica a fin de impartirla del mejor modo posible con los recursos didácticos disponibles. Éstos se pueden obtener del módulo del estudiante (características del estudiante) y del módulo del dominio (que posee la información concerniente a los conceptos que se utilizarán en la lección, así como también las imágenes, ejercicios, videos, etc.).

Page 19: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

INTRODUCCIÓN Fernando A. Salgueiro 19

• Características Teóricas: Se deberá redefinir el modelo clásico de los Sistemas

Tutores Inteligentes propuesto por Carbonell [Carbonell, 1970] para detectar en la superposición de funcionalidad de los módulos básicos, modificando los subcomponentes de esta estructura para lograr un Sistema Tutor Inteligente (STI) que sea independiente del dominio.

Se deben incorporar instrumentos para medición de rendimiento académico de los estudiantes, tales como evaluaciones, cuestionarios y ejercitación que conviertan al Tutor Inteligente en una herramienta diagnóstica con un valor educativo que permita mejorar la interacción entre el estudiante y el tutor. También se deben seleccionar y adecuar las herramientas pertenecientes al campo de la Inteligencia Artificial que mejor solucionen la problemática planteada, realizando un análisis de los beneficios y los costos que la introducción de estas técnicas pueden presentar respecto de las estructuras clásicas y rediseñadas de los Sistemas Tutores Inteligentes.

De esta manera se resolverá un problema teórico-práctico de carácter interdisciplinario, basado en un marco teórico educativo y en las herramientas informáticas que aporta la Inteligencia Artificial (IA) que pueden soportar estas teorías.

Page 20: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

20 Fernando A. Salgueiro INTRODUCCIÓN

1.4 - Importancia de Encontrar la Solución al Problema A través de Sistemas Tutores Inteligentes (STI) se puede lograr una educación personalizada3 como un intento de mejorar la calidad de la enseñanza y el acceso a la educación a los niveles sociales más bajos mejorando finalmente su calidad de vida. El caso particular de un Sistema Tutor Inteligente (STI) con un dominio de Programación Básica permitirá a los estudiantes de los cursos iniciales de las carreras de Ingeniería mejorar su rendimiento y a la vez el rendimiento en las materias más avanzadas que utilicen la base de conocimientos que debe adquirirse en estas asignaturas. Se requiere, por lo tanto, la elaboración de nuevas estrategias tendientes a la atenuación del problema, pero teniendo en cuenta el presupuesto limitado disponible, la introducción de un Sistema Tutor Inteligente (STI), adaptable a las necesidades particulares de cada uno de los estudiantes, es una opción valida, sobre todo en las Facultades de Ingeniería, que poseen los recursos informáticos básicos necesarios (como redes internas de computadoras, Hosts con capacidades computacionales suficientes, etc). Con la implantación de este tipo de sistemas, se puede disminuir la carga de los docentes en cursos con altos índices de alumnos/docentes. Así, se personaliza el ambiente de aprendizaje, sin requerir más recursos humanos y a la vez se pueden flexibilizar los horarios de estudio para los estudiantes, permitiendo que los alumnos que trabajan o que viven alejados de los establecimientos educativos puedan interactuar con el sistema según su propio ritmo de estudios. No es el objetivo de un Sistema Tutor Inteligente (STI) reemplazar a un tutor humano, sino que su implementación puede ser útil en situaciones donde se requiere de refuerzos en la enseñanza. De esta manera se pueden manejar de forma más eficiente los escasos recursos humanos disponibles, pudiendo el tutor humano hacerse cargo en forma personalizada sólo de un cierto número de tareas que el sistema no puede realizar, o es muy complejo de implementar. Esta perspectiva de la enseñanza tiene al estudiante como el centro del proceso educativo, siendo éste quien regula sus aprendizajes. De esta manera se mueve el foco de atención del tutor o profesor y en particular del alumno que, según el modelo clásico, cumple con una tarea puramente pasiva (la del aprendizaje) modificando esta visión por la de un estudiante es el centro del modelo, donde son sus necesidades las que deben prevalecer. Tomando en cuenta las consideraciones señaladas, el objetivo es un sistema que, aprovechando los recursos disponibles en la actualidad, permita disminuir las tareas de los tutores humanos y que a la vez mejore la experiencia de aprendizaje desde la perspectiva del estudiante.

3 También podría considerarse a distancia.

Page 21: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

INTRODUCCIÓN Fernando A. Salgueiro 21

1.5 – Metodología de Trabajo Para llevar a cabo esta investigación se requiere de varias etapas metodológicas. La primera etapa se centra en la revisión de la literatura existente en la temática de: modelado del tutor, protocolos de enseñanza, Sistemas Tutores Inteligentes (STI) en general, así como también se relevarán las posibles herramientas que provee la Inteligencia Artificial (IA) para poder llevar a cabo el modelo planteado. Esta etapa finaliza con la elaboración de un informe que constituye el Estado del Arte donde se resumen las investigaciones más relevantes en el tema y el estado actual de las herramientas, métodos y técnicas disponibles. Aquí se describen también los fundamentos teóricos que cimentarán la solución elegida a través de la investigación de libros, revistas especializadas, sitios de Internet de centros de investigación de universidades nacionales e internacionales y eventos de la temática (Simposios, Congresos, Jornadas, Workshops, etc.). La segunda etapa consiste en el diseño y elección de las herramientas de toma de datos (planillas de estilos de aprendizaje). De acuerdo con Hernández Sampieri [Hernández Sampieri, 2001] se determinará la validez y confiabilidad de la herramienta utilizada. Por otra parte, se debe determinar el tamaño muestral adecuado del total de estudiantes (población en estudio) a fin de trabajar por debajo de una cota de error de generalización (aproximadamente 5%). En la tercera etapa se definirá la arquitectura básica del Sistema Tutor Inteligente (STI) que permita independizar las funciones básicas de los módulos y submódulos que componen a todo el sistema, evitando la superposición de funcionalidad entre los distintos módulos. En la cuarta etapa a partir de los datos tomados mediante el instrumento (planilla de estilos de aprendizaje) se debe determinar la existencia de las preferencias de los estudiantes hacia los diferentes protocolos pedagógicos (formas de enseñanza). Con lo que se validarán las hipótesis y que los estilos de aprendizaje condicionan las formas o protocolos de enseñanza. En esta etapa se deben aplicar las herramientas más apropiadas de la Inteligencia Artificial (IA) para la selección del modo de enseñanza que mejor se adapte para cada estudiante y se busca el modo de enseñanza más efectivo para cada estudiante. De no estar presente el mismo en el sistema para un tema dado, se debe prever que el Sistema Tutor Inteligente (STI) genere una escala o ranking de los métodos de enseñanza adecuados para que se le pueda recomendar al estudiante. La quinta etapa consiste en evaluar la solución propuesta a través de una muestra significativa de estudiantes de Programación Básica utilizando como datos de referencia sus rendimientos académicos. Finalmente se llevará a cabo el informe final de la tesis, con las conclusiones, limitaciones encontradas y con las futuras líneas de investigación.

Page 22: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

22 Fernando A. Salgueiro INTRODUCCIÓN

1.6 – Limitaciones e Implicancias En el desarrollo del modelo propuesto, existen limitaciones debidas a la escasez de algunos recursos, así como también el acceso a estudiantes de distintas carreras, la falta de docentes que dicten materias aplicando diferentes de protocolos pedagógicos y la imposibilidad de obtener observaciones de estudiantes de carreras no relacionadas con la Ingeniería. Por lo tanto, en esta sección es pertinente generar un listado de las limitaciones de este trabajo para dejar completamente definido su marco de acción. El tesista solo obtuvo acceso a estudiantes de carrera de Ingeniería, especialmente a los de las carreras de Ingeniería Informática y Licenciatura en Análisis de Sistemas, pero para obtener diversidad de datos y no relevar una población demasiado homogénea, que puede llevar a errores como overfitting, se relevaron datos de todas las carreras que se dictan en la facultad, con excepción de Ingeniería Electrónica. Los protocolos pedagógicos que no se encuentran incluidos en el marco de la Teoría Uno, no forman parte del análisis de este trabajo. Existen diferentes visiones a la de la Teoría Uno con respecto a lo métodos de enseñanza, las cuales pueden poseer una correlación directa con las descriptas por la Teoría Uno, debido a su gran aplicabilidad, pero puede darse el caso de que diferentes métodos de enseñanza sean aplicados por los docentes y deberá realizarse una nueva inferencia para relacionarlo con los diferentes grupos de estudiantes. Este trabajo no soporta interacciones no guiadas sobre el sistema, es decir, que el usuario inicie una interacción con el sistema, sin perseguir algún objetivo definido, como puede ser la explicación de una lección, la aclaración de algún punto específico de la ejercitación o simplemente la diferenciación de conceptos. El sistema mantiene una pila de objetivos para determinar si la sesión tiene el rumbo deseado y, en el momento en el que el último de los objetivos es alcanzado, la finaliza y no soporta las interacciones que no posean un objetivo específico, ya que no puede determinar cuando se alcanza un objetivo que no está especificado. La falta de un análisis detallado de los demás módulos ha obligado a tomar la funcionalidad de los mismos como la suma de las funcionalidades básicas propuestas por varios autores. La falta de la definición de interfaces claras entre esos módulos ha llevado a definir las interfaces básicas entre el módulo del tutor y los demás módulos, pero no se realiza ningún análisis sobre cómo los datos que se generan en los módulos externos al del tutor son tratados para ser presentados en la interface, y se supone su existencia en relación a lo planteado por los diferentes investigadores.

Page 23: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

INTRODUCCIÓN Fernando A. Salgueiro 23

1.7 - Visión General del Trabajo Esta tesis se compone de las siguientes partes a través de seis capítulos:

1. Introducción 2. Estado del Arte 3. Descripción del Problema 4. Solución 5. Propuesta Resultados 6. Bibliografía A. Anexos

El objetivo básico de la tesis es redefinir el modelo del tutor para que un Sistema Tutor Inteligente (STI) buscando establecer una relación entre los estilos de aprendizaje y los protocolos pedagógicos para ofrecer una solución viable para reducir el alto porcentaje de desaprobados en las materias de Programación Básica. En el capítulo 1 se encuentra la introducción al problema que se busca dar una solución, así como también se define el carácter del mismo. Se establece la metodología de trabajo que se utilizará para desarrollar la tesis y se resalta la importancia de encontrar la solución al problema citado. En el capítulo 2 se define el Estado del Arte, se dan las definiciones teóricas básicas y se analizan los Sistemas Tutores Inteligentes (STI) en general y el módulo del tutor en particular (sección 2.3). Se analiza el desempeño de las distintas implementaciones de los STI realizadas hasta la fecha (sección 2.4), así como también las herramientas de la Inteligencia Artificial (IA) aplicables. En el capítulo 3 se presenta el problema y su contexto (sección 3.1), las cuestiones relativas a la extensión de la arquitectura elegida (sección 3.2), se señalan los objetivos a cumplir (sección 3.3) así como también las elementos necesarios para llevar a cabo la misma (sección 3.4). En el capítulo 4 se propone una solución posible al problema (sección 4.1) y se destaca el aporte de la misma. Se detalla la metodología utilizada para proceder luego a realizar las justificaciones necesarias para probar su validez (sección 4.3). En el capítulo 5 se describen y se analizan los resultados de la solución propuesta (sección 5.1), y la calidad de la misma con respecto a otras similares (sección 5.4), se enumeran las dificultades encontradas a lo largo de la búsqueda de la solución. En el capítulo 6 se presentan las conclusiones del trabajo y se responden las preguntas de investigación planteadas en capítulo 3. Además, se dejan planeadas las líneas de investigaciones futuras. En los Anexos se encuentran las tablas y los juegos de datos utilizados en el capítulo 5 para evaluar la solución propuesta, así como también los datos intermedios obtenidos antes de la evaluación de la solución.

Page 24: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

24 Fernando A. Salgueiro ESTADO DEL ARTE

Capítulo 2 - Estado del Arte 2.1 – Introducción Algunas tecnologías como los agentes inteligentes, las redes neuronales, los sistemas expertos y los Sistemas Tutores Inteligentes, que hace unos años solo existían en forma teórica o en los ámbitos universitarios, se utilizan a diario en aplicaciones de uso relativamente sencillo que se encuentran en la etapa de producción y no son solo casos de estudio en los laboratorios universitarios. Además, estas tecnologías están disponibles para las grandes empresas y los centros de alta tecnología, así como también para aplicaciones pequeñas y medianas, que pueden utilizarlas a diario. En los últimos años las tecnologías han evolucionado muy rápidamente y la Inteligencia Artificial (IA) surge como una de las ramas de estudio más recientes y promisorias en el campo de las Ciencias de la Computación. Ello hace que existan muchas aplicaciones poco exploradas lo cual torna a este campo en un área interesante para los investigadores, estudiantes y administradores que puedan utilizar en forma directa los resultados de las investigaciones. A finales del siglo XIX se realizaron estudios sistemáticos, basados en distintas ciencias, como la psicología, la educación, la sociología, la medicina, etc., para explicar el proceso de aprendizaje y el funcionamiento de la mente humana. Se crearon muchas teorías a partir de estas investigaciones, desde las fisiológicas, que explican el funcionamiento del cerebro humano en función de intercambio de neuroreceptores y diferencias de potencial hasta las filosóficas que intentan explicar el funcionamiento del cerebro humano a partir de los estímulos externos. Se observa que cada autor da una definición de la inteligencia: desde la enunciación muy general de Maturama, que la ve como “un tributo o propiedad distintiva de algunos organismos” [Maturama, 1998], pasando por investigadores como Piaget [Piaget, 1989] que plantea que la inteligencia “es la capacidad de adaptación de un organismo a una situación nueva”. Es aquí donde la investigación sobre Inteligencia Artificial (IA) intenta asimilar estas definiciones dentro de sus propias estructuras, incorporándolas en los Sistemas Tutores Inteligentes (STI) que contemplan el aprendizaje humano y como la enseñanza con base pedagógica. Es por ello, que el objetivo de este capítulo es presentar un marco conceptual que de lugar al Estado del Arte de la Inteligencia Artificial (AI) y los Sistemas Tutores Inteligentes (STI).

Page 25: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 25

2.2 – Inteligencia Artificial A diferencia de la filosofía y la psicología, que tratan de entender cómo funciona la inteligencia en abstracto, la Inteligencia Artificial (IA) es un intento por descubrir y aplicar los aspectos de la inteligencia humana que pueden ser simulados mediante construcciones artificiales. Se observa que hasta en las etapas tempranas de su desarrollo, la Inteligencia Artificial (IA) ha presentado productos sorprendentes en sus aplicaciones [Stuart et al., 1995]. Hoy en día, el campo de la Inteligencia Artificial (IA) enmarca varias subáreas tales como los sistemas expertos, la demostración automática de teoremas, el juego automático, el reconocimiento de la voz y de patrones, el procesamiento del lenguaje natural, la visión artificial, la robótica, las redes neuronales, etc [Castillo et al., 1998]. En la Figura 2.1 se pueden ver los subcampos dentro de la Inteligencia Artificial [García-Martinez et al., 2003].

Figura 2.1: Relación entre la IA, la Ingeniería del Conocimiento (INCO) y otras áreas. [García-Martínez et al., 2003]

La inteligencia artificial (IA) surge así como una disciplina cuyo objetivo es proveer técnicas para el desarrollo de programas capaces de simular la inteligencia que utilizan los humanos para solucionar problemas en una gran cantidad de dominios [Krishnamoorthy et al, 1996], por lo que la IA provee un conjunto de formalismos que pueden representar los problemas, las herramientas y técnicas para resolverlos. Según diversos autores [Krishnamoorthy et al, 1996; Newell, 1969] las actividades esenciales asociadas con la inteligencia son:

• Responder de manera flexible a una gran variedad de situaciones. • Dar sentido a los mensajes contradictorios y/o ambiguos.

Inteligencia Artificial

Ingeniería del Conocimiento

STI

Sistemas

Expertos

Sistemas B

asados en C

onocimiento

Page 26: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

26 Fernando A. Salgueiro ESTADO DEL ARTE

• Reconocer la importancia relativa de los diferentes elementos de la situación

problemática planteada. • Encontrar similitudes entre situaciones, sin importar las diferencias que las

separan. • Encontrar las diferencias entre situaciones, sin importar lo similares que puedan

parecer. Por su amplio contenido, es difícil definir a la Inteligencia Artificial (IA), pero resulta de interés para este trabajo arribar a un concepto esclarecedor, por lo que se expondrán diferentes posiciones acerca de la IA. Si bien existen muchas definiciones de Inteligencia Artificial (IA) en las que cada autor la presenta de una manera ligeramente diferente, aquí se resumirán las más representativas, agrupadas como lo propone Stuart [Stuart et al., 1995] en dos categorías:

• Las que conciernen a los procesos de pensamiento y razonamiento. • Las que conciernen al comportamiento

En general, estas definiciones miden el éxito de la implementación de herramientas de la Inteligencia Artificial (IA) de dos maneras diferentes:

• En términos de performance humana: Es decir, capacidad de resolución de problemas, capacidad de razonamiento abstracto, etc.

• En términos de “racionalidad” o concepto ideal de inteligencia: Como

establece Stuart [Stuart et al., 1995] quien define a un sistema como racional “si hace lo correcto”, es decir, una acción a la que llega por medio de procesos lógicos mesurables.

Aclaradas las posibles distinciones en las definiciones, se las enumerará cronológicamente: Bellman en 1978 la definió como: “La automatización de las actividades que asociamos con el pensamiento humano, actividades como la toma de decisiones, la solución de problemas y el aprendizaje”. Esta definición también es aplicada por Villareal Goulat [Villareal Goulat, 2001]. Haugeland en 1985 la definió como: “El nuevo y excitante esfuerzo de hacer pensar a las computadoras”…”computadoras con mente, en el sentido completo y literal de la frase”. Según Charniak y McDermott en 1985 es: “El estudio de las facultades mentales a través del uso de modelos computacionales”.

Page 27: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 27

Para Kurzweil en 1990 es: “El arte de crear máquinas que realicen funciones que requieran una cierta inteligencia cuando estas tareas son desempeñadas por personas”. Schalkoff en 1990 la definió como: “Un campo de estudio que busca explicar y emular el comportamiento inteligente en términos de procesos computacionales”. Para Rich y Knight en 1991 es: “El estudio para hacer a las computadoras realizar tareas, en las que por el momento los humanos son mejores”. Según Winston en 1992 es: “El estudio de la computación para hacer posible el percibir, razonar y actuar”. Luger y Stubblefield en 1993 la definieron como: “La rama de la ciencia de la computación que se encarga de la automatización del comportamiento inteligente”. Por último, se considera a los dos pioneros de la investigación en Inteligencia Artificial, Barr y Feigenbaum, quienes la definen de la siguiente manera: “La Inteligencia Artificial es la parte de la Ciencia que se ocupa del diseño de sistemas de computación inteligentes, es decir, sistemas que exhiben las características que asociamos a la inteligencia en el comportamiento humano que se refiere a la comprensión del lenguaje, el aprendizaje, el razonamiento, la resolución de problemas, etc.” [Barr et al., 1981]. Todas estas definiciones mencionadas son válidas y cada una agrega un aspecto al amplio campo de estudio que es la Inteligencia Artificial (IA).

2.2.1 – Historia de la Inteligencia Artificial En este apartado se presenta una reseña histórica de la investigación en el campo de la Inteligencia Artificial (IA) cronológicamente ordenados de manera de obtener un panorama general de su evolución. Esta evolución permitirá observar como van surgiendo las nuevas herramientas y aplicaciones que facilitarán los diseños de los Sistemas Tutores Inteligentes (STI). Stuart [Stuart et al., 1995] reconoce que los primeros trabajos en Inteligencia Artificial fueron realizados por Culloch y Pitts en 1943, quienes centraron sus investigaciones en tres áreas fundamentales:

• El conocimiento de la fisiología y las funciones básicas de las neuronas.

• El análisis formal de la lógica proposicional

• La teoría de computación de Turing. Ellos propusieron la primera simulación de una neurona que funcionaba como un interruptor (encendido/apagado) con respecto al valor de las neuronas vecinas. Seis años después, en 1949 Hebb [Hebb, 1949] creó una regla simple para modificar el peso (o intensidad) de estas conexiones. Un año mas tarde, Shannon [Shannon, 1950] y Turing

Page 28: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

28 Fernando A. Salgueiro ESTADO DEL ARTE

en 1953 [Turing et al., 1953] escribieron programas que jugaban al ajedrez ejecutados en computadoras que seguían el paradigma de Von Newmann. Para esta misma época se creo SNARC [Minsky, 1954], una red neuronal que simulaba 40 neuronas utilizando 3000 tubos de vacío y partes de un bombardero B-24. Según Stuart [Stuart, 1995] en 1954 Newell y Simon ya tenían programas que podían utilizar razonamiento lógico, utilizando la teoría lógica. Simon declaró haber inventado un programa computacional capaz de pensar de manera no numérica. Pero fue, según Stuart [Stuart et al., 1995], en los finales de la década de los cincuenta en la que se adopto el nombre que McCarthy le había dado a este campo de la computación por más de 20 años: Inteligencia Artificial. Si bien en los comienzos de la década de los cincuenta el poder computacional era muy limitado, se desarrollaron teorías que hoy son básicas en el campo de la Inteligencia Artificial, sobre todo en el campo del pensamiento humano y los protocolos que las personas utilizan a lo largo de la resolución de un dado problema [Stuart et al., 1995]. En el año 1958, McCarthy en el MIT4, definió el lenguaje de alto nivel denominado LISP, que se convertiría en el lenguaje dominante en el campo de la IA; si bien el uso de tiempo de CPU era difícil de encontrar, en ese mismo año otros investigadores en el MIT inventaron la política de “time sharing”. En 1959 Gelernter construye el Geometry Theorem Prover [Gelernter, 1959], que como la lógica teórica, se utiliza para probar teoremas utilizando representaciones explícitas de axiomas. Stuart [Stuart et al., 1995] resalta que, luego de más de 45 años, muchos de los trabajos escritos entre 1958 y 1959 permanecen vigentes a la fecha de hoy. También en esta época, Friedberg [Friedberg et al., 1959], comenzó a experimentar con la idea de evolución en la computadora, ahora llamada Algoritmos Genéticos (AG). Ya en la década de sesenta, existían laboratorios de Inteligencia Artificial y robótica en las universidades más grandes del mundo (como el Massachussets Institute of Technology y Standford University, entre otras) y el programa de Slagle llamado SAINT creado en 1963 [Slagle, 1963] era capaz de solucionar problemas de cálculo que se le entregaban a los estudiantes del primer año. Para 1968 Bertram con su SIR (Semantic Information Retrieval) era capaz de contestar preguntas formuladas directamente en ingles (utilizando un subconjunto de palabras de este idioma). Luego fue mejorado por un programa que entendía el lenguaje natural, en 1972, por Winograd [Winograd, 1972]. En 1873 Woods construyó el sistema LUNAR [Woods, 1973], que permitía a los geólogos realizar preguntas, en inglés, acerca de muestras de rocas traídas por el programa espacial norteamericano Apollo desde la luna. Este fue el primer programa de lenguaje natural en ser realmente utilizado. El trabajo de Winograd [Winograd, 1972] mostró cómo una gran cantidad de elementos pueden unirse colectivamente para representar un concepto individual, incrementando el paralelismo y haciendo más robustas las aplicaciones [Stuart et al., 1995]. Recién en esta época, todos los trabajos expuestos respondían de manera satisfactoria a un pequeño conjunto de elementos de prueba, pero fallaban a la hora de trabajar con el 4 MIT es el acrónimo de Massachussets Institute of Technology (Instituto Tecnológico de Massachussets), institución dedicada a la ciencia, la ingeniería y la investigación, fundada en 1861 por el geólogo William Barton Rogers.

Page 29: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 29

universo completo de posibilidades: esto se debe a que la IA representaba los hechos de un problema de una manera determinada y establecía una serie de pasos a seguir para resolverlos. Antes de que la teoría NP5 estuviera completamente desarrollada se suponía que la escalabilidad de los problemas era solo cuestión de mejorar el hardware. En 1979 se publicó el informe Lighthill [Lighthill, 1973] que contenía grandes críticas a la IA y por el cual el gobierno británico suspendió el apoyo a la investigación en el área de la IA. A este informe se le suma que las posibles aplicaciones de los algoritmos desarrollados hasta la fecha era muy pocas, poniendo el ejemplo de que un Perceptron [Rosenblatt, 1958] (originalmente implementado como una simulación en una IBM® 704) de únicamente 2 entradas, solo podía representar un conjunto muy limitado de situaciones, y no fue hasta 1980 en que se desarrolló el algoritmo de Backpropagation [Werbos, 1990] para redes complejas multicapa. En este período Buchanan desarrolla el programa Dendral [Buchanan et al., 1969] que realizaba la tarea de resolver la estructura molecular de una sustancia a partir de la información que provenía de un espectrómetro de masa. Este programa, según Stuart [Stuart et al., 1995] funcionaba de forma aceptable para moléculas complejas, probando con esto que las técnicas de la IA pueden ser aplicadas a dominios reales y no solamente a casos de laboratorio. Este fue el primer programa utilizado que contenía información sobre el dominio y las reglas para resolverlas, además se lo puede ver como uno de los precursores de los KBES6. Una de las primeras aplicaciones útiles fue MyCin de Feigenbaum, Buchanan, y Shortliffe [Buchanan et al., 1984], para el diagnóstico de las infecciones sanguíneas. Constaba de aproximadamente 450 reglas y se comportaba tan bien como un experto, y considerablemente mejor que un doctor recién recibido. Es una de las primeras aplicaciones que integra las incertezas dentro del dominio como una forma de emular la complejidad del dominio médico, ya que varias enfermedades pueden tener los mismos síntomas, o una enfermedad puede casi no presentar síntomas mesurables. A su vez, el sistema de razonamiento llamado Prospector creado por Duda en 1979 [Duda et al., 1980] generó una gran publicidad cuando recomendó una exploración en profundidad de un sitio geológico, dando por resultado el descubrimiento de uno de los más grandes depósitos de molibdeno. También se realizaron grandes avances en el lenguaje natural en los que participaron Schank y Abelson en 1977, Schank y Riesbeck en 1981 y Dyer en 1983 A su vez, se intentó describir la organización de la memoria del cuerpo humano, por Rieger, 1976 y Kolodner, 1983 entre otros. A partir del comienzo de la década de los ochenta, la Inteligencia Artificial dejó los laboratorios para convertirse en una industria. Un ejemplo de ello es el Sistema Experto (SE) “R1” utilizado por la Digital Equipment Corporation. Con este sistema la

5 Un problema del tipo NP (nondeterministic polynomial time) es aquel que es verificable en un tiempo polinómico por una máquina no determinística de Turing, la cual puede seguir varios caminos computacionales simultáneamente (con la restricción de que éstos no pueden comunicarse entre si). Khachian demostró en 1979, que los problemas de la programación lineal eran del tipo P (polynomial time) y no NP. [Borwein, et al, 1987] 6 Knowledge Based Expert Systems.

Page 30: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

30 Fernando A. Salgueiro ESTADO DEL ARTE

organización conformaba órdenes y pedidos de los nuevos sistemas de computadora, logrando ahorros para 1986 de cuarenta millones de dólares al año. También, a partir de la década de los ochenta, se anunció el proyecto de la “quinta generación de computadoras”, ejecutable en 10 años en el cual las máquinas interpretarían el lenguaje Prolog (o un lenguaje similar) como si fuese lenguaje de máquina, pudiendo realizar millones de inferencias por segundo. Esto impulsó el interés por la IA, haciéndola avanzar sobre pasos firmes. Además, condujo al rediseño de algunos algoritmos, como el de Backpropagation [Werbos, 1990], el procesamiento distribuido, planteado por Rumelhart y McClelland en 1986 [Rumelhart et al., 1986] refuerza el impulso de la industria de la Inteligencia Artificial (IA). Más tarde, comenzó el período que Stuart [Stuart et al., 1995] ubica de la década de los ochenta a la actualidad, donde no se desarrollaron nuevas teorías revolucionarias, pero se intentó refinar las teorías ya existentes para su correcto funcionamiento. Por ejemplo Tate (1977) y Chapman (1987), realizaron una síntesis de un programa planificador dentro de un framework7 para facilitar el trabajo, el que fue utilizado incluso para programar las misiones espaciales. También se vio un resurgimiento del razonamiento probabilístico dentro de los sistemas inteligentes, como plantea Pearl (1978) y defiende Cheeseman [Cheeseman, 1985]. A principios de la década de los noventa, se vislumbró la aplicación nuevo paradigma de programación. Se deja atrás la programación estructurada con la que se armaron las primeras redes neuronales [Rosenblatt, 1958], quedando atrás la programación orientada a objetos (OOP), que en el caso de la IA se ve representada por la teoría de los marcos o “frames” [Minsky, 1974] y se encamina hacia la programación por agentes. En 1987 se creó SOAR de Laird, Newell y Rosenbloom [Laird. et al, 1987] que fue una de las primeras implementaciones de agentes que se utilizaba para procesar las entradas de un sistema de sensores, pero en una visión más general se comportaba como una arquitectura de resolución de problemas basada en reglas. A finales de la década de los noventa e inicio del siglo XXI, con el advenimiento del mayor poder computacional y de las grandes capacidades de almacenamiento de datos con costos de hardware más reducidos, se terminó por aceptar a la Inteligencia Artificial (IA) como un campo práctico y no solo teórico, en el cual los desarrollos aplicables son posibles más allá de los laboratorios. Esto llevó a continuar la tendencia de menor investigación en nuevas teorías, refinamiento de las teorías actuales, y la generación de miles de productos que se utilizan hoy en día, a nivel masivo como en actual “clippo”, el asistente de Microsoft Word, que utiliza una red bayesiana para satisfacer las necesidades del usuario del procesador de texto. Como se mostró en la Figura 2.1, la Inteligencia Artificial (IA) comprende otras áreas que son: los sistemas basados en conocimiento (KBES), las redes neuronales, la ingeniería del conocimiento (INCO), los sistemas expertos y los Sistemas Tutores

7 Un framework es una estructura extensible para describir un conjunto de conceptos, métodos y tecnologías necesarias para un diseño completo y posterior manufactura de software, es una interface común integrada para el proceso de diseño, implementación, conversión de datos, etc. que facilita la producción de, en este caso, la planificación de las misiones espaciales.

Page 31: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 31

Inteligentes (STI). En lo que sigue, se describen someramente cada una de ellas para lograr una idea completa del ámbito de la Inteligencia Artificial (IA).

2.2.2 – El Algoritmo Inductivo C4.5 Es un algoritmo ideado por Quinlan [Quinlan, 1993], dentro de los métodos inductivos del Aprendizaje Automático, que aprende a partir de ejemplos preclasificados y se utilizan para modelar las clasificaciones en los datos mediante árboles de decisión. Estos algoritmos han tenido gran impacto en la Minería de Datos. El C4.5 [Quinlan, 1993] junto con antecesor el ID3 [Quinlan, 1987] forman parte de la familia de los Top Down Induction Trees (TDIDT). La idea de ambos algoritmos es de considerar todas las pruebas posibles que pueden dividir el conjunto de datos de entrada y seleccionar la prueba que resulta con mayor ganancia de información. Para cada atributo discreto, se considera una prueba con n resultados, siendo n el número de valores posibles que puede tomar el atributo. Para cada atributo continuo, se realiza una prueba binaria sobre cada uno de los valores que toma el atributo en los datos. Existen dos tipos de ejemplos:

• Positivos: Fuerzan la generalización de las reglas generadas, que en casos extremos, donde la población tiene una varianza muy baja a reglas que se adapten muy bien a las muestras y muy mal a los ejemplos negativos.

• Negativos: Se utilizan para prevenir que la generalización sea excesiva. Se debe

encontrar la relación justa de ejemplos negativos y positivos para el entrenamiento del algoritmo y la generación de cada una de las reglas

Se pretende entonces que el conocimiento adquirido cubra todos los ejemplos positivos y ningún ejemplo negativo, manteniendo que los ejemplos sean representativos de los conceptos que se están tratando de enseñar. Además, la distribución de las clases en el conjunto de ejemplos de entrenamiento, a partir de los que el sistema aprende, debe ser similar a la distribución existente para los datos en los cuales se aplicará el sistema.

2.2.2.1 – Construcción de los Árboles de Decisión Los árboles TDIDT, se construyen basados en el método de Hunt [Hunt et al., 1975]. Se parte de un conjunto de elementos T de entrenamiento:

{ } ]C ,a,...,a,a,[a],...,C ,a,...,a,a,[a],C ,a,...,a,a,[a (1)k-1

(M)n

(M)3

(M)2

(M)1

(1)k-1

(2)n

(2)3

(2)2

(2)1

(1)k-1

(1)n

(1)3

(1)2

(1)1MT

Dadas las clases {C1, C2,. . ., Ck}, existen tres posibilidades:

• TM contiene uno o más casos todos pertenecientes a un única clase Cj: El árbol de decisión resultante para T esta compuesto sólo por una hoja identificando la clase Cj.

Page 32: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

32 Fernando A. Salgueiro ESTADO DEL ARTE

• TM no contiene ningún caso: El árbol de decisión es una hoja, pero la clase asociada debe ser determinada por información que no pertenece a T. Por ejemplo, una hoja puede escogerse de acuerdo a conocimientos de base del dominio, como ser la clase mayoritaria.

• TM contiene casos pertenecientes a varias clases: Este es el caso interesante.

Se refina T en subconjuntos de casos que tiendan hacia una colección de casos de una única clase.

Se elige una prueba basada en un único atributo, que tiene uno o más resultados, mutuamente excluyentes y T se particiona en los subconjuntos donde Ti contiene todos los casos de T que tienen el resultado Oi para la prueba elegida.

O={O1, O2,. . ., On}

T=T1, T2,. . ., Tn

El árbol de decisión para T consiste en un nodo de decisión identificando la prueba, con una rama para cada resultado posible. El mecanismo de construcción del árbol se aplica recursivamente a cada subconjunto de datos de entrenamientos, para que la i-ésima rama lleve al árbol de decisión construido por el subconjunto Ti de datos de entrenamiento.

Lo importante es seleccionar el “mejor” atributo con respecto al cual realizar la partición. Para ello, se requiere utilizar la teoría de la información, que declara que la información se maximiza cuando la entropía8 se minimiza.

Si se tienen ejemplos positivos y negativos, se puede calcular la entropía H(Si) de un subconjunto Si como:

( ) ( )−−++ ⋅−⋅−= iiiii ppppsH loglog)( (2.1)

−+

++

+=

ii

ii nn

np ∧

−+

−−

+=

ii

ii nn

np (2.2)

8 La entropía determina el nivel de caos o la azarosidad de un conjunto de datos. La entropía se define como la cantidad de información que se espera observar cuando un evento ocurre según una distribución de probabilidades. Para una distribución de probabilidades dada, la entropía mide la incertidumbre. Si tomamos un conjunto con elementos positivos y negativos, la entropía variará entre 0 y 1. Es 0 si todos los ejemplos pertenecen a la misma clase, y 1 cuando hay igual número de ejemplos positivos y negativos en el conjunto de datos. La probabilidad de que un ejemplo tomado al azar pertenezca a la clase i y se calcule en base a la frecuencia de los datos de dicha clase en los datos de entrenamiento, se representa en la siguiente fórmula:

( )∑=

⋅−−=N

iiii ppsH

1log)(

Page 33: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 33

Entonces, el atributo at divide el conjunto T en los subconjuntos Si (0 ≤ i ≤ n). Así, la entropía total del sistema es H(T), H(Si) es la entropía del subconjunto Si y p(Si) es la probabilidad de que un ejemplo pertenezca al subconjunto Si .

( ) ( )−−++ ⋅−⋅−= iiiii ppppsH loglog)( (2.3)

−+

++

+=

ii

ii nn

np ∨

−+

−−

+=

ii

ii nn

np (2.4)

La ganancia en información puede calcularse como la disminución en entropía, es decir:

∑=

⋅=N

iii sHspatSH

1)()(),( (2.5)

Ss

sp ii =)( (2.6)

),()(),( atSHSHatSI −= (2.7)

Donde H(S) es el valor de la entropía a priori, antes de realizar la subdivisión, y H(S,at) es el valor de la entropía del sistema de subconjuntos generados por la partición según el atributo at. Por lo tanto, queda definida la ganancia de información como I(S,at), para seleccionar luego el atributo at cuya ganancia sea máxima [Quinlan, 1993].

2.2.2.2 – Parámetros Para el Análisis de los Árboles de TDIDT El algoritmo C4.5 debe ser modificado: originalmente este algoritmo de inducción generaba árboles de decisión donde cada una de las ramas del árbol conducía, luego de n pasos, a hojas las cuales representan al 100% de las observaciones sin error de categorización. Si se lo modifica para que las clasificaciones puedan contener un pequeño porcentaje de error, se deben analizar tres conceptos claves para las reglas generadas, es decir, para interpretar como éstas se adaptan al modelo de reglas con respecto a los datos provenientes de las observaciones iniciales. Estas definiciones son:

• Soporte (o Support): Que se define como el porcentaje del grupo de entrenamiento para el cual el lado izquierdo de la regla (en inglés “Left Hand Side” o LHS) es verdadero. Se puede definir que si para una observación en particular su LHS es verdadero, entonces la regla se aplica a esa observación. Es una medida de la aplicabilidad de la regla generada.

• Confianza (o Confidence): A partir de las observaciones que cumplen que su

LHS sea verdadero, el porcentaje de observaciones para las cuales su lado derecho (“Right Hand Side” a RHS) es verdadero. En otras palabras, para el porcentaje de las observaciones para las cuales la regla se aplica, ésta también es verdadera. Es una medida de la exactitud de la regla generada.

Page 34: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

34 Fernando A. Salgueiro ESTADO DEL ARTE

• Captura (o Capture): Es el porcentaje de la clase predicha que es

correctamente capturado por la regla. Si existe una regla con una captura cercana al 100% significa que, en el espacio de la predicción final, todas las observaciones de esta clase se encuentran cercanas entre ellas, y la regla puede capturar esa parte del espacio predictor de manera muy exacta.

Se puede resumir también de la siguiente manera, para dar un panorama más simplificado a cada uno de estos parámetros:

• ¿Qué tan aplicables son las reglas generadas? O sea su soporte. • ¿Cuál es la medida de la exactitud de las reglas generadas? Es decir, su

confianza. • ¿Qué parte del espacio predictor puede una regla capturar de manera exacta? O

sea, su captura.

2.2.2.3 – La Poda de los Árboles. Los árboles generados por los métodos del tipo TDIDT a veces no son óptimos para ser utilizados en cualquier situación ya que puede producirse la sobregeneralización (u overfitting), donde el gran tamaño del árbol o la evaluación de atributos poco significativos llevan a árboles muy aptos para los ejemplos positivos, pero que funcionan de manera pobre para los negativos. Se busca entonces la poda de los árboles generados para su simplificación sin agregar demasiado error en la clasificación resultante. El objetivo siempre es maximizar la ganancia de información I(S,at), lo cual, no necesariamente implica una mayor cantidad de ella pues, puede suceder que se esté tratando con ejemplos de entrenamiento con ruido o atributos evaluados no relevantes que solo agregan niveles, dificultan su interpretación y no contribuyen a la ganancia neta de información. Por esta razón, se hace necesaria la poda, para lo cual existen dos enfoques para podar árboles:

• Preprunning o pre-poda: Detiene el crecimiento del árbol cuando la ganancia de información producida al dividir un conjunto no supera un umbral determinado como parámetro del algoritmo. En este caso, no se pierde tiempo en construir una estructura que luego será simplificada en el árbol final. Si la ganancia de información en una división cualquiera Si es menor que el umbral, la división se descarta y se genera el árbol para ese subconjunto en particular simplemente como la hoja más apropiada, induciendo un porcentaje de error, siempre menor que el umbral.

• Postprunning o post-poda: Se aplica sobre algunas ramas una vez que se ha

terminado. La post-poda es utilizada por los algoritmos ID3 y el C4.5 y realiza la tarea de simplificar según los criterios propios de cada uno de estos algoritmos una vez construido el árbol.

Page 35: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 35

De esta manera se puede implementar un algoritmo de Aprendizaje Automático (AA) capaz de aprender a partir de ejemplos preclasificados, generando en este caso en particular, un árbol de decisión que permite llegar a la clasificación final evaluando los atributos de los ejemplos.

2.3 – Redes Neuronales

2.3.1 – El Modelo Biológico Una neurona es una célula viva que consta de un cuerpo celular relativamente esférico de 5 a 10 micrones de diámetro, denominado soma, del que se desprende una rama principal o axón y varias ramas más cortas llamadas dendritas. A su vez, el axón presenta ramas en torno a su punto de arranque, y se ramifica extensamente en su extremo. Una de las características que diferencia a las neuronas de otras células, es la capacidad de comunicarse, denominada en el campo de la biología como sinapsis neuronal. Las dendritas y el cuerpo celular reciben señales de entrada, el cuerpo celular las combina e integra y emite señales de salida. Estas señales pertenecen a dos naturalezas:

• Química: La señales que se transmiten entre los terminales axónicos y las

dendritas se realiza mediante moléculas de sustancias químicas llamadas neurotransmisores que fluyen a través de unos contactos denominados sinapsis, estando estos localizados entre los terminales axónicos y las dendritas de las neuronas siguientes, dejando entre estos un espacio sináptico entre 50 y 200 Å.

• Eléctrica: La señal generada por la neurona, que se transporta a lo largo del

axón es un impulso eléctrico La neurona contiene interiormente un líquido cuya composición defiere de la del líquido del exterior, con una concentración diez veces mayor de iones potasio, mientras que el medio externo contiene diez veces más iones sodio. Esta diferencia de concentraciones genera una diferencia de potencial entre el interior y el exterior de la membrana celular del orden de los 70 mV que se conoce con el nombre de potencial de reposo. La recepción de neurotransmisores actúa acumulativamente bajando, o subiendo, ligeramente el valor del potencial de reposo. El resultado de todo esto es la emisión por parte de la neurona, de trenes de impulsos cuya frecuencia varía en función de la cantidad de neurotransmisores recibidos. Existen dos tipos de sinapsis: Excitadoras (Cuyos neurotransmisores provocan disminución de potencial en la membrana celular, facilitando la generación de impulsos) e Inhibidoras (Cuyos neurotransmisores tienden a estabilizar el potencial, dificultando la emisión de trenes de impulsos).

Característica Computadora Cerebro Humano Unidades computacionales 109 compuertas 1011 neuronas Unidades de almacenamiento 109 RAM 1010 Disk 1014 sinapsis Tiempo de ciclos 3.10-10 segundos 10-3 segundos Ancho de banda 6.109 bits/segundo 1014 bits/segundo Unidades actualizadas por segundo 109 compuertas 1014 neuronas Tamaño 0.18.10-6 metros 5.10-6 metros

Tabla 2.1: Comparación entre el cerebro humano y una computadora.

Page 36: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

36 Fernando A. Salgueiro ESTADO DEL ARTE

La Tabla 2.1 muestra una comparación entre las unidades fundamentales informáticas y su similitud con las células del cerebro humano. Esta tabla se basa en el libro Artificial Intelligence A Modern Approach de Stuart [Stuart et al., 1995] pero los datos computacionales son llevados al año 2004.

2.3.2 – Redes Neuronales Artificiales (ANN) Son modelos que intentan reproducir el comportamiento del cerebro que constan de dispositivos elementales de procesamiento denominados neuronas artificiales. Una definición global podría ser: “una red neuronal artificial es un procesador distribuido, masivamente paralelo, que tiene una predisposición natural a almacenar conocimiento experimental y hacerlo disponible para su utilización”. Otras definiciones válidas son, las que plantea ARPA9 en su Neural Network Study [DARPA, 1988] en la que una: “red neuronal artificial es un sistema compuesto de muchos elementos simples de procesamiento operando en paralelo y cuya función es determinada por la estructura de la red, fuerza de las conexiones y el procesamiento llevado a cabo en los elementos individuales o nodos”. Por su parte, Kohonen plantea [Kohonen, 1998] que: “una red neuronal artificial es un conjunto de redes interconectadas masivamente en paralelo de elementos simples, usualmente adaptativos, y con organización jerárquica, las cuales intentan interactuar con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biológico”. Existen también otros estudiosos que han desarrollado definiciones similares, como Haykin [Haykin, 1999] y Gurney [Gurney, 1995]. También existen definiciones que se aproximan más a los modelos biológicos, como la de Zurada [Zurada, 1992], quien plantea que “una red neuronal artificial, es un sistema celular físico que puede adquirir, almacenar y utilizar el conocimiento experimental”. Independientemente de las diferencias en las distintas definiciones, el elemento clave del paradigma de las redes neuronales artificiales son las estructuras novedosas del sistema de procesamiento de la información. La neurona artificial pretende simular las características más importantes de las neuronas biológicas. Cada una se caracteriza en un instante cualquiera por un estado de activación que transforma el estado actual en una señal de salida. En los sistemas biológicos el proceso de cambio de estado es un proceso asincrónico, mientras que en las neuronas artificiales este proceso es sincrónico. Existen tres tipos de neuronas:

• De Entrada: son aquellas que reciben estímulos externos, relacionadas con el aparato sensorial y cumplen la función de ingreso de información al sistema.

9 Advanced Research Projects Agency (ARPA), creada por la directiva 5105.15 del Departament of Defense (DoD) de los Estados Unidos. Su responsabilidad principal es el desarrollo de proyectos avanzados en los campos de investigación y desarrollo que designe individualmente el Departamento de Defensa. Antes de 1993 su nombre era DARPA (Defense Advanced Research Projects Agency). http://www.darpa.mil. Consultado el 08/11/2005

Page 37: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 37

• Ocultas: Son aquellas que se encargan de procesar la información ingresada. Se genera algún tipo de representación interna de la información y se la procesa.

• De Salida: Una vez finalizado el período de procesado, la información llega a

las unidades de salida, cuya misión es dar la respuesta del sistema. Esta visión representa al cerebro humano como una máquina, que ostenta ciertas cualidades de procesamiento de la información que la ciencia intenta imitar [Nilson, 2001].

2.3.2.1 – La Neurona Artificial El objetivo de una neurona artificial es recibir las entradas de las neuronas vecinas y calcular un valor de salida que es enviado todas las neuronas conectadas con ella. Todas las neuronas que componen la red se hallan en un determinado estado, pudiendo tomar valores continuos o discretos.

Figura 2.2.a Figura 2.2.b10

Figura 2.2: Esquema de una neurona artificial (2.2.a) y una célula neuronal del cerebro humano (2.2.b). Asociada con cada unidad neuronal denominada iU existe una función denominada de activación, ( )if Net , que transforma la entrada neta de la neurona en una señal de salida

( ) ( ( ))i iy t f Net t= . La salida está dada por una función continua cualquiera definida dentro de un intervalo. Toda función con límites inferiores y superiores y que posea un incremento monotónico será una función de activación satisfactoria. Las funciones de activación típicas son: § Función Escalón: la salida, que en este caso es binaria, solo se activa cuando la

entrada neta es mayor a cierto valor umbral predefinido:

10 Imagen tomada de Walsh, Anthony A. Sitio web http://inside.salve.edu/walsh/, consultado el 08/11/2005.

g1

g2

g3

Gn

Entrada3

Entradan

Axones Sinapsis

Dendritas

=

⋅=n

iii WXZ

1

Axón Cuerpo

θ

Salida

)(zf

Entrada1

Entrada2

Sinapsis Dendrita

Axónes

Cuerpo o Soma

Vainas de Melanina

Page 38: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

38 Fernando A. Salgueiro ESTADO DEL ARTE

>

≤=

UmbralxUmbralx

xf10

)( Como el valor Umbral es definido por el usuario, se suele tomar el valor medio de la máxima suma de las entradas.

§ Función Sigmoidal (o logística): Un caso particular sería la función lineal

mixta ( )f x x= . La función de activación sigmoidal es la más utilizada en la actualidad:

xexf

−+=

11)(

f(x) es una función continua, derivable y acotada dentro del intervalo [0, 1]

§ Función Gaussiana: la campana de Gauss permite de manera muy simple

centrar el intervalo (en ancho y altura) en el que se desean obtener las salidas determinadas para cada una de las neuronas.

2

2

21 )(

2 21)( i

ix

i

exf σµ

πσ

−⋅−

⋅⋅

= Donde µi Es la media de la clase i y σi Es la varianza de la clase i

Figura 2.3.a Figura 2.3.b

Figura 2.3.c Figura 2.3.d

Figura 2.3: Distintas funciones de activación para las neuronas artificiales. En la Figura 2.3.a se puede ver la función de activación triangular. En la Figura 2.3.b se puede ver la función de activación

trapezoidal. En la Figura 2.3.c se ve la función de activación sigmoidal. Y en la Figura 2.3.d se ve la función de activación normal.

Page 39: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 39

2.3.2.2 – Aprendizaje de las Redes Neuronales Artificiales El aprendizaje de las redes neuronales artificiales se puede definir de dos maneras: como la modificación del comportamiento inducido por la interacción con el entorno y como resultado de las experiencias conducentes al establecimiento de nuevos modelos de respuesta a estímulos externos [Zurada, 1992]. En el campo de las redes neuronales, el aprendizaje es el proceso por el cual una señal modifica los pesos de la red en respuesta a la información de entrada [Krishnamoorthy, 1996]. Existen dos criterios para clasificar el tipo de aprendizaje: el primero respecto a la supervisión, que se divide en:

• Supervisado: el entrenamiento es controlado por un agente externo,

denominado maestro o supervisor, que determina la respuesta que debería generar la red y en caso de no coincidir la respuesta real con la deseada, el supervisor procede a modificar el peso Wi de las conexiones. Algunas formas de llevarlo a cabo son:

o Aprendizaje por corrección de errores: Ajusta los pesos de las conexiones

en función del error cometido en la salida. Un ejemplo es la regla de aprendizaje del Perceptrón que desarrolló Rosenblatt en 1958 [Rosenblatt, 1958]. El algoritmo planteado consideraba únicamente los errores individuales teniendo en cuenta los errores individuales y no el error global cometido durante el proceso completo de aprendizaje de la red, por lo tanto este algoritmo fue mejorado por Widrow y Hoff en 1960 [Widrow et al., 1960] y fue denominado regla delta o regla del mínimo error cuadrado (LMSE).

( ) ( ) 2

1 1

1 ( )2

P Nk k

global j jk j

Error y dP = =

= −∑∑ (2.8)

Siendo: N: Número de neuronas de salida. P: Número de informaciones que debe aprender la red.

Otro algoritmo de aprendizaje por corrección de errores es el Least Mean Square Error (LMS) y se trata de una generalización de la regla delta para redes forward con n capas ocultas [Rumelhart et al., 1986].

o Aprendizaje por refuerzo: Durante el entrenamiento no se indica la salida

que se desea que proporcione la red ante una determinada entrada. Entonces, la función del supervisor es, la de indicar mediante una señal de refuerzo si la salida obtenida en la red se ajusta a la deseada; en función de ello se ajustan los pesos basándose en un mecanismo de probabilidades. Una implementación del algoritmo por refuerzo lo constituye el denominado Linear Reward-Penalty o LR-P de Narendra y Thathacher en 1974 [Narendra et al., 1974]. Luego, fue ampliado por Barto y Anand, quienes en 1985 desarrollaron el denominado Associative Reward Penalty [Barto et al., 1983] que se aplica en redes con forwarding y varias capas. Otro algoritmo por refuerzo es el conocido como Adapive Heuristic Critic, introducido por

Page 40: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

40 Fernando A. Salgueiro ESTADO DEL ARTE

Barto, Sutton y Anderson en 1983 [Barto et al., 1983] para redes de varias capas con modificaciones para soportar el refuerzo.

o Aprendizaje estocástico: Consiste en realizar cambios aleatorios en los

valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidades. Una vez realizados los cambios se determina la energía de la red, la cual es una función denominada de Lyapunov [Hopfield, 1982]. Si la energía es menor después del cambio: el comportamiento de la red se acerca al deseado y se acepta el cambio. Sino, solo se acepta el cambio según una distribución de probabilidades. Una red que utiliza este tipo de aprendizaje es la Boltzman Machine ideada por Hinton, Ackley y Sejnowsky en 1984 [Ackley et al., 1985], que utiliza un Hebbiano con regla delta [Widrow et al., 1960]. Este tipo de aprendizaje corre el riesgo de caer en mínimos locales de la función de Lyapunov, para evitarlo se utiliza normalmente el procedimiento denominado Simulated Annealing.

Algunas redes neuronales que utilizan este tipo de aprendizaje son: Perceptrón [Rosenblatt, 1958], Adaline/Madaline [Widrow, 1960], Backpropagation [Rumelhart et al., 1986], Brain State-In-a-Box [Anderson et al., 1977], Counterpropagation [Hetcht-Nielsen, 1988], Linear Reward Penalty [Barto et al., 1983] Associative Reward Penalty [Barto et al., 1983], Adaptive Heuristic Critic [Barto et al., 1983], Boltzmann Machine [Ackley et al., 1985], Cauchy Machine [Ackley et al., 1985].

• No Supervisado: En este caso no existe un agente externo que controle el

proceso de aprendizaje de la red, por lo que se lo denomina autosupervisado. La red no recibe información externa que le aclare si la salida generada fue correcta o no. Existen varias formas de interpretar de la salida de estas redes, las cuales dependen de su estructura, organización y algoritmo de aprendizaje que la generó, pero se podría decir que la salida representa el grado de familiaridad entre la información que se le proporciona a la entrada y la información entregada hasta entonces. Algunas maneras de llevar a cabo este tipo de aprendizaje son:

o Aprendizaje Hebbiano: Hebb en 1949 postuló: “Cuando un axón de una

celda A está suficientemente cerca como para conseguir excitar una celda B y repetida o persistentemente toma parte en su activación, algún proceso de crecimiento o cambio metabólico tiene lugar en una o ambas celdas, de tal forma que la eficiencia de A, cuando la celda a activar es B, aumenta”. Hebb entiende por celda a un conjunto de neuronas fuertemente conectadas a través de una estructura compleja [Hebb, 1949]. Se trata de una regla de aprendizaje no supervisado, pues la modificación de los pesos se realiza en función de las salidas de las neuronas obtenidas tras la presentación de cierto estímulo, sin tener en cuenta si se deseaba obtener o no esos estados de activación.

Este tipo de aprendizaje fue empleado por Hopfield 1982 [Hopfield, 1982; Fausett, 1994], Grossberg lo utilizó en 1968 en la red Additive Grossberg

Page 41: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 41

[Grossberg, 1976] y en 1973 en la red Shunting Grossberg [Carpenter et al., 1991]. Learning Matrix (LM), desarrollada por Steinbuch en 1961 [Stuart, 1995] también aprendía mediante correlación hebbiana. Otras redes que utilizan el aprendizaje hebbiano son: la red Bidirectional Associative Memory (BAM), desarrollada por Kosko en 1988, la red desarrollada por Amari en 1972 llamada Temporal Associative Memory (TAM) [Wan et al., 1990], Linear Associative Memory (LAM) introducida por Anderson en 1968 [Anderson et al., 1977] y refinada por Kohonen, y la red Optimal Linear Associative Memory (OLAM) desarrollada de forma independiente por Wee en 1968 [Wee, 1968] y por Kohonen en 1973 [Kohonen et al., 1988].

Existen variaciones del aprendizaje hebbiano: por ejemplo, Sejnowski [Sejnowski, 1977] en 1977 utilizó la correlación de la covarianza de los valores de activación de las neuronas, Sutton y Barto en 1981 utilizaron la correlación del valor medio de una neurona con la varianza de la otra [Barto et al., 1983a]. Klopf usó en 1986 el drive-reinforcement en las redes del mismo nombre [Klopf, 1986]. El aprendizaje hebbiano diferencial se utiliza en la red feedforward/feedback de dos capas denominada ABAM (Adaptive Bidirectional Associative Memory) introducida por Kosko en 1987 [Kosko, 1988]. También este autor en 1987 presentó Fuzzy Associative Memory (FAM) [Carpenter et al., 1992]. Además existen implementaciones del aprendizaje Hebbiano con otras reglas, como es el caso de las redes Boltzmann Machine [Ackley et al., 1985] y Cauchy Machine [Ackley et al., 1985] basada en la Boltzmann Machine pero con otra función de distribución [Jang et al., 1997].

o Aprendizaje Competitivo y Cooperativo: En este caso las neuronas

compiten (y cooperan) unas con otras con el fin de llevar a cabo una tarea dada. Cuando se presenta cierta información de entrada, sólo una de las neuronas de salida de la red, o una por determinado grupo de neuronas, se activa alcanzando su valor de respuesta máximo. Por lo tanto, las neuronas compiten por su activación, quedando una por grupo, como neurona vencedora (Winner Take All Unit) y anulado el resto de las neuronas, que son forzadas al valor de respuesta mínimo. Las redes neuronales del tipo S.O.M. utilizan una técnica de este tipo [Kohonen, 2001]. La competencia entre neuronas se realiza en todas las capas de la red, las neuronas poseen conexiones recurrentes de autoexcitación y conexiones de inhibición por parte de neuronas vecinas. Si el aprendizaje es cooperativo, estas conexiones con las vecinas serán de excitación.

Rumelhart y Zisper en 1986 [Rumelhart, 1986] aplicaron esta teoría dividiendo cada capa en grupos de neuronas, con conexiones inhibidoras con otras neuronas de su mismo grupo, y excitadoras con las de la siguiente capa. El aprendizaje afecta sólo a las neuronas ganadoras, redistribuyendo el peso total entre sus conexiones, sustrayendo una parte de las neuronas perdedoras. Kohonen desarrolló una variación de este tipo aprendizaje llamado Learning Vector Quantization (LVQ) [Kohonen, 2001]. Fukushima en 1975 desarrolla una red multicapa llamada Cognitron [Fukushima, 1975], fuertemente

Page 42: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

42 Fernando A. Salgueiro ESTADO DEL ARTE

inspirada en la anatomía del sistema visual humano, y en 1980 diseña una versión mejorada denominada Neocognitron [Fukushima et al., 1983; Fukushima, 1988]. Kohonen en 1982 planteó Feature Mapping, que permiten obtener mapas topológicos en los que, estarían representadas las características principales de las informaciones presentadas a la red. Otro caso particular del aprendizaje competitivo, denominada teoría de la resonancia adaptativa desarrollada por Carpenter y Grossberg en 1976 [Grossberg, 1976] y utilizada en la red ART (en su versión binaria y analógica) [Carpenter et al., 1991].

Algunas redes neuronales que utilizan este tipo de aprendizaje son: Hopfield [Hopfield, 1982], Learning Matrix [Stuart, 1995], Temporal Associative Memory [Wan et al., 1990], Linear Associative Memory (LAM) [Anderson et al., 1988], Optimal LAM (OLAM) [Kohonen et al., 2001], Drive-Reinforcement [Stuart, 1995], Fuzzy Associative Memory [Carpenter et al., 1992], Additive Grossberg [Grossenberg, 1976], Shunting Grossberg [Carpenter et al., 1992], Bidirectional Associative Memory (BAM) [Kosko, 1988], Adaptive BAM [Kosko, 1988], Learning Vector Quantized [Kohonen, 2001], Cognitron/Neocognitron [Fukushima, 1975; Fukushima, 1988], Topology Preserving Map o S.O.M. [Kohonen, 2001], Adaptive Resonance Theory [Carpenter et al., 1987].

Una segunda clasificación sobre la forma del aprendizaje es la que considera el estado de la red durante el aprendizaje:

• On-Line: La red puede aprender durante su funcionamiento habitual, no se distingue fase de entrenamiento y de operación. Los pesos de las conexiones varían dinámicamente con cada nueva entrada del sistema. En el aprendizaje on line la estabilidad de la red es un aspecto fundamental que debe ser estudiado con profundidad. Algunas redes neuronales que utilizan este tipo de aprendizaje son: Adaptative Grossberg [Grossberg, 1976], Shunting Grossberg [Grossberg, 1976], Bidirectional Associative Memory (BAM) [Stuart, 1995], Adaptive BAM [Kosko, 1988], Adaptive Resonance Theory [Carpenter et al., 1987].

• Off-Line: Se pueden distinguir dos fases: una de entrenamiento o aprendizaje y

otra de operación. Para el entrenamiento se utiliza un conjunto de datos de entrenamiento y después se evalúa con un conjunto de datos de test. Luego del entrenamiento los pesos de la red permanecen constantes a lo largo de la fase de operación. Por su carácter estático no presentan problemas de estabilidad.

Algunas redes neuronales que utilizan este tipo de aprendizaje son: Hopfield [Hopfield, 1982], Learning Matrix [Stuart et. al, 1995], Temporal Associative Memory [Wan et al., 1990], Linear Associative Memory (LAM) [Anderson et al., 1988], Optimal LAM [Kohonen et al., 2001], Drive-Reinforcement [Stuart, et al., 1995], Fuzzy Associative Memory [Carpenter et al., 1992], Learning Vector Quantizer [Kohonen, 2001], Cognitron/Neocognitron [Fukushima, 1975; Fukushima, 1983; Fukushima, 1988], Topology Preserving Map o S.O.M. [Kohonen, 2001].

Page 43: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 43

2.3.2.3 – Topología de las Redes Neuronales La topología es la disposición de las neuronas que forman la red, las cuales forman capas o agrupaciones de neuronas que están alejadas en mayor o menor medida de la entrada y la salida de la red. En este sentido, los parámetros fundamentales de red son:

• El número de capas. • El número de neuronas por capa.

• El grado de conectividad.

• El tipo de conexiones entre neuronas.

Se puede presentar también, una clasificación según el número de capas. En cada caso se describirán brevemente las distintas implementaciones que existen para cada una de ellas:

• Redes Monocapa: En las redes monocapa, las neuronas que componen la única capa que existe, deben cumplir las tres funciones básicas de la red: de entrada de datos, de procesamiento de datos y de salida de información. Pueden existir conexiones autoconcurrentes o no. Algunas de las implementaciones más conocidas son:

• Redes Multicapa: Disponen de conjuntos de neuronas agrupadas en varios

niveles (donde n ≥ 2). Ahora las conexiones de las neuronas pueden estar solas en una capa, en varias o en todas; por lo tanto vale la pena aclarar los dos tipos básicos de redes multicapa:

o Feedforward: Donde todas las señales neuronales se propagan hacia delante

a través de las capas de la red. Normalmente las conexiones recurrentes no son útiles en aplicaciones de reconocimiento o clasificación de patrones.

o Feedforward/feedback: En este tipo de redes circula información tanto

hacia delante como hacia atrás durante el funcionamiento de la red. Algunas redes neuronales tienen un funcionamiento denominado resonancia, donde la información de las n capas interactúa entre sí hasta que alcanza un estado estable.

En la Figuras 2.4, 2.5 y 2.6 se ven los esquemas de los tres tipos de redes neuronales. En la Figura 2.4 se ve una red neuronal del tipo Hopfield [Hopfield, 1982] con conexiones recurrentes. En la Figura 2.5 se muestra una red neuronal del tipo Backpropagation [Rumelhart et al., 1986], con capas ocultas y conexiones hacia adelante y en la Figura 2.6 se ve el esquema general de una red autoorganizada del tipo S.O.M. [Kohonen, 2001].

Page 44: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

44 Fernando A. Salgueiro ESTADO DEL ARTE

Figura 2.4: Modelo de Hopfield [Hopfield, 1982] de red neuronal artificial. Es una red monocapa con conexiones recurrentes.

A continuación se analizarán en particular las dos redes que serán utilizadas en el desarrollo de la tesis, que son las redes Backpropagation [Rumelhart et al., 1986] propuestas por Rumelhart, Hinton y Williams en 1986 y las redes S.O.M. [Kohonen, 2001] propuestas por Kohonen en 1982.

2.2.3 – Redes Backpropagation [Rumelhart et al., 1986] En 1986 Rumelhart, Hinton y Williams [Rumelhart, 1986], desarrollaron un método de aprendizaje automático que logró que una red neuronal basada en el Perceptron [Rosenblatt, 1958] aprendiera la asociación que existe entre los patrones de entrada y las clases correspondientes de salidas. El Aprendizaje Automático o “Machine Learning” podría definirse como un conjunto de programas computacionales que mejoran con la experiencia. Estos sistemas deben ser capaces de adquirir conocimientos de alto nivel para la resolución de problemas mediante ejemplos provistos por un instructor o supervisor debiendo generar representaciones internas de los conceptos. Para lograrlo, se modificó la red del Perceptron de Rosenblatt [Rosenblatt, 1958] agregándole capas ocultas, con conexión hacia delante y sin conexiones recurrentes [Rumelhart, 1986]. No fue suficiente con introducir algunas modificaciones topológicas a la red, sino que se requerían modificaciones en el algoritmo de aprendizaje; por lo tanto fue desarrollado el método de aprendizaje no supervisado denominado también Backpropagation, basado en la regla Delta Generalizada [Rumelhart et al., 1986], logrando así, una ampliación del rango de aplicación de las redes neuronales.

Entrada1

Entrada2

Entrada3

Entrada4

Entradan

Capa de Entrada

Capa de Salida

Salida1

N1

N2

N3

N4

Nn

Salida2

Salida3

Salida4

Salidan

Retroalimentación

Page 45: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 45

El algoritmo de aprendizaje Backpropagation [Rumelhart et al., 1986] puede aplicarse en redes neuronales artificiales con más de dos capas de neuronas y es capaz de representar el conocimiento en las capas ocultas, logrando así la correspondencia entre las entradas y las salidas. El funcionamiento general de una red neuronal artificial del tipo Backpropagation, como el de otras redes neuronales, puede dividirse en dos partes: la etapa de entrenamiento y la etapa de puesta en marcha. La primera consiste en el aprendizaje de un conjunto predefinido de observaciones de entrada-salida dados como ejemplo (utilizando n atributos de entrada y un único atributo o clase, de salida), empleando un ciclo propagación-adaptación de dos fases [García Martínez et al., 2003; Rumelhart, 1986]:

• Primera Fase: Se aplican los atributos de entrada en la capa de entrada de datos de la red. Los valores generados por las neuronas de entrada se propagan desde la capa de entrada hacia las capas superiores hasta generar una salida, en la capa de salida de la red. Para realizar el entrenamiento, se compara el resultado obtenido en cada neurona de salida con el valor deseado para cada neurona en particular y se obtiene un error para cada una de las unidades de salida.

• Segunda Fase: Los errores de las unidades de salida se transmiten hacia atrás,

pasando por todas las neuronas de las capas intermedias que contribuyan directamente a la salida, recibiendo el porcentaje de error aproximado a la participación de las neuronas intermedias en la salida original. Este proceso se repite capa por capa hasta llegar a la capa de entrada y hasta que cada neurona haya recibido un error que describa su aporte al error total.

Es por esto que este algoritmo se denomina también de retro-propagación o propagación hacia atrás, donde los errores se calculan con respecto a los aportes de las neuronas desde la capa de salida hasta la capa de entrada y es con respecto al valor del error recibido que se reajustan los pesos de las conexiones entre cada par de neuronas en la red, de manera de que el error total cometido para ese patrón disminuya.

En la fase de funcionamiento normal, los pesos no se modifican y por lo tanto, dados los atributos en las neuronas de entrada, se obtienen las distintas activaciones de las neuronas de salida como cualquiera de las redes neuronales que no cumplen con la característica “Winner Takes All” (del inglés. el ganador toma todo) de esta sección. Dado que la fase de funcionamiento es similar a las redes estudiadas se debe realizar un análisis más profundo en el método de aprendizaje. El método de Backpropagation utiliza una función o superficie de error asociada a la red, buscando el estado de mínimo error estable a través del camino descendente de la superficie de error [Rumelhart, 1986]. Es por esto que de debe realizar la retroalimentación para realizar las modificaciones en los pesos en un valor proporcional al gradiente decreciente de dicha función de error. En la Figura 2.5 se puede ver un esquema de este tipo de redes neuronales artificiales.

Page 46: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

46 Fernando A. Salgueiro ESTADO DEL ARTE

Figura 2.5: Modelo Backpropagation [Rumelhart et al., 1986] de red neuronal artificial (NN). Es una red multicapa, con conexiones hacia adelante y sin coneciones recurrentes.

2.2.3.1 – Funcionamiento de las redes Backpropagation Dada una neurona Ui y su salida Yi, el cambio que se produce en el peso de la conexión que une la salida de dicha neurona con la unidad Uj(wij) para un patrón de aprendizaje p es:

]s ,a,...,a,a,[a (k)n

(k)n

(k)3

(k)2

(k)1=kP (2.9)

pipjij Ytw ⋅⋅=+∆ δα)1( (2.10) Donde el subíndice p se refiere al patrón de aprendizaje concreto y α es la constante o tasa de aprendizaje. La regla delta generalizada difiere con la regla delta en el valor concreto de δpj. En las redes con capas ocultas como esta se desconocen las salidas internas deseadas de las capas para poder calcular los pesos en función del error cometido. Sin embargo, inicialmente podemos conocer la salida deseada de las neuronas de salida. Para la unidad Uj de salida, se define:

( ) ( )jpjpjpj NetfYd '⋅−=δ (2.11) Donde dpj es la salida deseada de la red para la neurona j y el patrón p y Netj es la entrada neta de la neurona j. Si Uj pertenece a una de las capas ocultas o entradas, se tiene:

( )jkj

N

Kpkpj Netfw '

1⋅

⋅= ∑

=

δδ (2.12)

Donde el rango de k cubre todas las neuronas a las que está conectada la salida de Uj y el error que se produce en una neurona oculta es la suma de todos los errores cometidos

Capa de Entrada

Capas de Neuronas Ocultas Capa de Salida

Capa Oculta 1 Capa Oculta j

Entrada 1

Entrada 2

Entrada 3

Entrada 4

Entrada n

Salida 1

Salida m

N1

N2

N3

N4

Nn

NO11

NO12

NO13

NO1i

NOj

1

NOj2

NOjk

NOj3

NOj4

S1

Sm

Page 47: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 47

por las neuronas a las que está conectada su salida, multiplicados por el peso de la conexión correspondiente. Se puede adicionar un momento β a la regla delta generalizada para determinar el efecto en el paso (t+1) del cambio de los pesos en el instante (t). Esto permite la convergencia de la red en menor número de iteraciones, ya que si en (t) el incremento de un peso es positivo y en (t+1) también es positivo, entonces el descenso por la superficie de error en (t+1) es mayor. Sin embargo, si en (t) el incremento es positivo y en instante (t+1) es negativo, se ha pasado por un mínimo y los pesos deben ser menores para poder alcanzarlo, por lo tanto, el paso que se da en el instante (t+1) será más pequeño.

( ) ( ) ( )( )11 −−+⋅⋅=+∆ twtwYtw ijijpipjij βδα (2.13) Donde β es una constante que determina el efecto en la iteración (t+1) del cambio de los pesos en la iteración (t). Esto permite la convergencia de la red en menor número de iteraciones.

2.2.3.2 – Entrenamiento de las redes Backpropagation

1. Se inicializan los pesos de la red con valores aleatorios ω0, que pueden estar entre 0 ≤ ω0 ≤ ζ ≤ 1. 11

2. Se presenta un patrón de entrada: ]s ,a,...,a,a,[a (k)

n(k)n

(k)3

(k)2

(k)1=kP y se especifica

la salida deseada: (k)ns .

3. Se calcula la salida de la red con respecto al patrón de entrada, se calculan las

salidas que presentan cada una de las capas ocultas hasta llegar a la capa de salida, produciendo ]y,...,y,y,[y (k)

n(k)3

(k)2

(k)1=kY . Para ello se procede desde la

capa de entrada hacia las capas ocultas calculando las entradas netas de las neuronas, sin incluir las de la capa de entrada que reciben los datos y se calculan las salidas de las neuronas ocultas:

hjpi

N

i

jij

hpj xwNet Θ+⋅= ∑

=1 (2.14)

( )hpj

hjpk Netfy = (2.15)

Donde el índice h se refiere a magnitudes de una capa cualquiera de la red neuronal salvo la capa de entrada (capas ocultas y capa de salida), el subíndice p al vector de entrenamiento, y j a la j-ésima neurona oculta.

11 ζ es un valor determinado por el usuario que debe ser menor que 1 y representa el valor umbral de los pesos aleatorios de la conexiones de la red.

Page 48: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

48 Fernando A. Salgueiro ESTADO DEL ARTE

4. Se calcula el error para todas las neuronas de la red: Si la neurona pertenece a una capa de salida el valor de delta es proporcional a la diferencia entre el valor resultante y el valor esperado (2.16); mientras que si es de una capa oculta, su valor depende de todos los términos de error de la capa de salida (2.17). Aquí puede verse la retropropagación del método.

( ) ( )jpjpjpj NetfYd '⋅−=δ (2.16)

( )jkj

N

Kpkpj Netfw '

1⋅

⋅= ∑

=

δδ (2.17)

En ambos casos, la función de activación utilizada en cada una de las neuronas debe ser derivable de primer orden. Se continuará el desarrollo del método de Backpropagation utilizando la función Sigmoidal (11), que será utilizada en esta tesis y es apta para salidas binarias.

( )jkNetjkk

eNetf

−=

11 (2.18)

Por lo tanto, si se utiliza la función Sigmoidal como función de activación de las neuronas se puede calcular el error de las neuronas de las capas ocultas:

( )

⋅⋅−= ∑

=kj

N

AKpkpipipj wxx δδ 1 (2.19)

Entonces el error que se produce en una neurona oculta j es proporcional a la suma de los errores conocidos que se producen en las neuronas a las que j está conectada, multiplicadas por el peso de la conexión. Como las conexiones en una red del tipo Backpropagation son solo hacia delante, los errores que influyen son los de las neuronas K que se encuentran en la capa siguiente más cercana a la salida (desde la A hasta la N).

5. Se actualizan los pesos con respecto al porcentaje de error que se ha detectado

para cada una de las neuronas adicionando el momento β a la regla delta generalizada para acelerar el proceso de aprendizaje. Se utiliza (2.20) para las neuronas de la capa de salida y (2.21) para las neuronas de la capa oculta

( ) ( ) ( )( )11 −−+⋅⋅=+∆ twtwYtw ijijpipjij βδα (2.20)

( ) ( ) ( )( )11 −−+⋅⋅=+∆ twtwxtw ijijpipjij βδα (2.21)

6. Este proceso se repite una cantidad fija de veces o hasta lograr que el error promedio de clasificación de la red sea aceptable [García-Martínez, 2003]. Puede existir el caso para el cual la cantidad de neuronas en las capas ocultas sean insuficientes para reconocer los patrones de entrada con un error aceptable, en tal caso debe modificarse la topología de la red para poder reconocer los patrones mas complejos.

∑=

⋅=N

kpkpE

1

22

1 δ (2.22)

Page 49: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 49

2.2.4 – Redes Self Organizing Maps (S.O.M.) [Kohonen, 2001] Existen evidencias que demuestran que las neuronas del cerebro se organizan en varias zonas, donde la información captada del entorno, por los órganos sensoriales y se representa internamente en forma de mapas bidimensionales. Si bien esta organización puede estar predeterminada genéticamente, esto sugiere que el cerebro podría poseer la capacidad de formar mapas topológicos de las informaciones recibidas del exterior. Esto le brinda la capacidad de operar con elementos semánticos ya que algunas de sus áreas simplemente podrían ordenar neuronas especializadas con características de alto nivel construyendo mapas espaciales para atributos y características. En esto se basa Teuvo Kohonen [Kohonen, 2001] quien en 1982 presentó un modelo de red neuronal con capacidad para formar mapas de características. Kohonen plantea que un estímulo externo por sí solo es suficiente para forzar la formación de los mapas y establecer características comunes entre los datos de entrada a la red y su salida. Los mapas autoorganizados de Kohonen o redes neuronales S.O.M. (Self Organizing Maps) imitan el funcionamiento de las neuronas biológicas y forman mapas de características. Existen variantes del modelo presentado por Kohonen:

• Learning Vector Quantization (L.V.Q.). • Topologic Preserving Map (T.P.M.) o Self Organizing Map (S.O.M.).

Las redes S.O.M. son modelos de redes con conexiones hacia delante (feedforward), y conexiones laterales de inhibición (w ≤ 0) implícitas, para que cada una de las neuronas de salida tenga influencia sobre sus vecinas. Esto es necesario para el entrenamiento, donde solo una de las neuronas de salida se activará dado un vector p de atributos en la capa de entrada. El entrenamiento es del tipo no supervisado y competitivo, utilizando la técnica “Winner Takes All” o “el ganador se lleva todo”. Las redes deben ser entrenadas Off-Line y luego, con los pesos de todas las conexiones fijos, puede ponerse en funcionamiento normal. En la Figura 2.6 se ve un esquema de este tipo de redes:

Figura 2.6: Modelo S.O.M. [Kohonen, 2001] de red neuronal artificial (NN). Es una red multicapa, con conexiones hacia adelante y con conexiones recurrentes.

Capa de Entrada Capa de Salida

Entrada 1

Entrada 2

Entrada 3

Entrada 4

Salida 1

Salida m

E1

E2

E3

En

Sn

S1

Sm

Salida 2

Page 50: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

50 Fernando A. Salgueiro ESTADO DEL ARTE

2.2.4.1 – Entrenamiento de las redes S.O.M. Los pasos a seguir para el entrenamiento de las redes del tipo S.O.M. son:

1. Se inicializan los pesos de la red con valores aleatorios ω0, que pueden estar entre 0 ≤ ω0 ≤ ζ ≤ 1. 12

2. Se presenta un patrón de entrada ]a,...,a,a,[a (k)

n(k)3

(k)2

(k)1=kP sin especificar

ninguna salida deseada.

3. Las neurona j no solo recibe los datos pertenecientes al patrón P de entrada, sino que también recibe la influencia de las conexiones laterales, cuyo valor Int es una función que dependerá a la distancia a la que se encuentra j del resto de las neuronas P (se suele utilizar funciones del tipo sombrero mejicano para representar la influencia de la neurona p sobre la neurona j). La ecuación 2.23 representa el estado de la salida de la neurona j en el instante t+1.

⋅+⋅=+ ∑∑

==

M

pppj

N

i

kiijj tSIntawftS

11

)( )()1( (2.23)

4. Se encuentra ahora la neurona de salida vencedora como aquella cuyo vector de

pesos wj se asemeje más al patrón de entrada Pk. Puede utilizarse tanto la distancia euclídea como la misma ecuación al cuadrado, lo importante es encontrar la menor diferencia entre el peso wij de la neurona j y el correspondiente elemento del patrón de entrada (k)

ia que es componente i-ésimo del k-ésimo patrón de entrada. La ecuación 2.24 representa el concepto de “winner takes all” donde solo una neurona se activa al finalizar las iteraciones.

( )

−=−

= ∑=

Neuronaotra

wMINWPMINS

N

iijjk

j

0

a 1 2

1

2(k)1 (2.24)

5. Una vez que se encuentra la neurona vencedora J* se actualizan los pesos de las

neuronas cercanas para crear el mapa autoorganizado asociando la información con cierta zona de la capa de salida, llamada Zonaj*. Como en las demás redes α es el coeficiente de aprendizaje asociado a la red que puede hacerse variar según alguna de las opciones mostradas en las ecuaciones 2.26.

( ) ( ))(a)()(1 *(k)1 twttwtw jijij −⋅⋅=+ α

tt 1)( =α ∨

max

1)(T

tt −=α

(2.25)

(2.26)

12 ζ es un valor determinado por el usuario que debe ser menor que 1 y representa el valor umbral de los pesos aleatorios de la conexiones de la red.

Page 51: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 51

2.2.4.2 – Parámetros de las Redes S.O.M. No es suficiente configurar las características de las redes S.O.M., se debe proveer de datos para el entrenamiento y la validación de los resultados. También se deben configurar parámetros adicionales, de manera experimental (ya que los valores óptimos dependen de los valores ingresados como datos) para lograr la mejor clasificación. Los parámetros de las redes neuronales S.O.M. a configurar son:

• La cantidad de Neuronas Artificiales: Las redes S.O.M. generan una grilla de clusters de [n x n], donde n es la cantidad de neuronas de que consta la red. Este parámetro es fundamental ya que determina la cantidad de clusters que se pueden generar. Por ejemplo, para una red de n neuronas artificiales se pueden generar n2 clusters o familias de datos.

El valor mínimo de n es dos, ya que una sola neurona carecería de sentido (porque forma un único cluster que englobará todos los datos) mientras que el valor máximo no está acotado por el algoritmo, pero éste intentará crear la menor cantidad posible de clusters para los datos de entrada, con lo que el uso de, por ejemplo, diez neuronas artificiales para los datos con grupos muy evidentes puede generar solamente dos o tres clusters, desperdiciando la clasificación de los restantes 97. Se observa además, que cuanto mayor es la cantidad de neuronas, el tiempo que insume su entrenamiento es cada vez mayor.

• La cantidad de Ciclos: Un ciclo consiste en presentarle a la red neuronal (en la

etapa de entrenamiento) todos los datos relevados exactamente una vez. Como la red está constantemente en un período de aprendizaje, una vez que se le presenta el dato n+1, los valores de los pesos que se utilizaron para clasificar el dato n se pueden ver modificados, por lo que se requiere que la información sea presentada más de una vez para que la red almacene la clasificación de todos los datos, mientras continúa clasificando correctamente a los datos ya ingresados.

El número mínimo de veces que se le pueden presentar las observaciones a la red es solo una, mientras que no existe un limite máximo, pero como el tiempo que insume el período de aprendizaje es muy elevado, repetirlo muchas veces puede llevar días, incluso en los casos con pocos datos relevados.

A lo largo de las distintas iteraciones que proporcionan los ciclos, por medio del aprendizaje no supervisado, la red puede modificar la clasificación del elemento k-ésimo del ciclo i-ésimo al ciclo i-ésimo+1. Con esto se lograrán agrupaciones o familias de elementos mucho mas acertadas. En la práctica, para la mayoría de los casos, se logra un valor de convergencia C, que si se supera no modificará la clasificación de los elementos predicha por la red. En la Figura 2.7 se puede observar la influencia de la cantidad ciclos en el entrenamiento de la red. La figura muestra como una red o malla (donde cada unión del polígono es determinada por una red S.O.M.) se puede ajustar a una región bidimensional (en este caso de forma triangular). Se comienza con los pesos asignados en forma aleatoria, pero como se puede ver, de la Figura 2.7.f a la 2.7.h existen 75.000 ciclos de entrenamiento y las diferencias en el modelo final son mínimas.

Page 52: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

52 Fernando A. Salgueiro ESTADO DEL ARTE

Figura 2.7.a Figura 2.7.b Figura 2.7.b Figura 2.7.d

Figura 2.7.e Figura 2.7.f Figura 2.7.g Figura 2.7.h

Figura 2.7: Pasaje de una grilla de 3 dimensiones a una región patrón del tipo triángulo equilátero en el plano utilizando un mapa de 25x25 puntos y una red del tipo S.O.M. Se muestran los resultados para las iteraciones 20 (2.7.a), 250 (2.7.b), 500 (2.7.c), 1000 (2.7.d), 10000 (2.7.e), 25000 (2.7.f), 50000 (2.7.g) y

100000 (2.7.h).13

• Aleatoriedad: En cada ciclo, las observaciones que son presentadas una vez, pueden ser tomadas en orden secuencial o en orden aleatorio. Si se selecciona el orden aleatorio, el elemento original en la posición I de la grilla de entrada no sólo será presentado aleatoriamente en una nueva posición J en la primera iteración, sino que en la iteración posterior, será presentado en la posición K (con K muy probablemente14 distinto de J), y así sucesivamente, modificando su posición de presentación en cada una de las iteraciones precedentes.

• Parámetro de aprendizaje: Como se menciona en el Estado del Arte, sección

2.2.3.5.2.1 – Entrenamiento de las redes S.O.M., el parámetro de aprendizaje α(t) hace referencia a la proporción del error δij que se utilizará para modificar el peso de la conexión entre la neurona i y la neurona j. En este caso en particular, los valores están acotados en el intervalo 0 < α(t) < 1 por una característica intrínseca de las redes S.O.M (ver Estado del Arte, sección 2.2.3.5.2 – Redes S.O.M.). y a medida que el entrenamiento de la red neuronal progresa, el parámetro de aprendizaje decrece desde su valor inicial hasta su valor final.

13 Gráfico generado por el autor de la tesis con la aplicación WSOM de Christian Borgelt. 14 Dado que la distribución de probabilidad que se utiliza para seleccionar los datos es uniforme, todos los elementos restantes del conjunto inicial tienen la misma probabilidad de ser elegidos para ser el próximo dato a presentar a la red. Se puede calcular la probabilidad de un elemento que en la iteración i-ésima un salió en la posición K, en la iteración i-ésima+1 este vuelva a salir en la posición K. El caso más simple es para el primer elemento a presentar a la red en la iteración iesima, para el cual la probabilidad de salir en la misma posición en la próxima iteración esta dada por:

0,0082645121

1tan. Re.

1)0( = →= doreemplazan

tessElemCantP

Page 53: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 53

• Sigma para el vecindario Gaussiano: Como se menciona en el Estado del

Arte, sección 2.2.3.5.2.1 – Entrenamiento de las redes S.O.M., es el parámetro que determina la influencia entre una neurona y las neuronas vecinas. Las redes S.O.M. son modelos de redes con conexiones hacia delante (feedforward), existiendo conexiones laterales de inhibición (w≤0) implícitas, para que cada una de las neuronas de salida tenga influencia sobre sus vecinas. Por lo tanto, la neurona j no solo recibirá los datos pertenecientes al patrón de entrada P, sino que también recibirá la influencia de las conexiones laterales, cuyo valor Int es una función que dependerá a la distancia a la que se encuentre j del resto de las neuronas. Los valores permitidos para sigma están en el intervalo 0% ≤ σ ≤ 100%.

De manera similar al parámetro de aprendizaje, sigma para el vecindario gaussiano decrece a medida que el entrenamiento de la red neuronal progresa, desde su valor planteado como parámetro inicial hasta su valor final, que también debe ser configurado para el funcionamiento correcto de la red.

La mayoría de estos parámetros surgen a través de un proceso iterativo, donde se entrena la red y luego se analizan los resultados. Si los resultados son satisfactorios (es decir, el error de entrenamiento es lo suficientemente pequeño), solo se modifican levemente los parámetros para intentar mejorarlos aún más. Si los resultados son poco satisfactorios, se modifican en un valor más elevado, hasta obtener los valores que mejor se adaptan a las necesidades de la aplicación.

2.2.5 – Campos de Aplicación Los campos de aplicación de las redes neuronales artificiales son variados y están planteados en distintos trabajos de investigación, como el desarrollado Cinca y Gallizo Larraz. Una clasificación de los tipos de aplicaciones de las redes puede ser:

• Para optimización: Determinan la solución de un problema tal que sea aceptable. Generalmente, se aplican redes retroalimentadas como la de Hopfield [Hopfield, 1982; Fausett, 1994] y se utilizan en campos como el manejo de niveles de tesorería, existencias, producción, etc.

• Para reconocimiento: En este caso se entrena a las redes para lograr detectar

patrones específicos, como pueden ser sonidos, números, letras, lenguaje humano escrito en general y representar el resultado en código ASCII, UNICODE o cualquier otro.

• Para generalización: Se entrena la red con casos reales y después se la utiliza

para evaluar casos futuros. Especialmente se la utiliza en la clasificación (clustering) o predicción de un elemento nuevo dentro de grupos existentes.

La Tabla 2.2 resume los campos de utilización de las redes neuronales artificiales con éxito.

Page 54: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

54 Fernando A. Salgueiro ESTADO DEL ARTE

Campo de aplicación Aplicación Especifica

Detección de fraudes Predicción de quiebras bancarias Análisis del mercado de capitales

Ciencias Económicas

Análisis en tendencias del mercado Clasificación de señales de radar Diseño de armas Inteligentes Organismos Militares Reconocimiento de trayectorias balísticas Tendencias y patrones climáticos Medio Ambiente Previsión del clima Previsión de la evolución de los precios Valoración del riesgo de los créditos Finanzas Identificación de falsificaciones Determinación del ECG fetal Clasificación de células cancerosas Medicina Diseño de prótesis electrónicas Reconocimiento de patrones Reconocimiento de caracteres Extracción de contornos Compresión de la información con pérdida

Procesamiento de Imágenes

Reconocimiento de elementos

Tabla 2.2: Campos de aplicación de las redes neuronales artificiales Se puede agregar, a modo de ejemplo, más campos a la Tabla 2.2, como lo son las apuestas y los juegos de azar, donde se debe analizar para determinar las cotizaciones o premios de las distintas opciones; en la agricultura para detectar, por medio de procesamiento de imágenes, frutas y hortalizas en mal estado; en química, para identificar estructuras cristalinas de proteínas que se encuentran en imágenes de microscopio electrónico y en la industria en general, para los procesos de obtención de hierro y acero, manejo de stocks etc. la lista se extiende a muchos campos más que no vale la pena exponer aquí. En la Tabla 2.3 se exponen las principales topologías de redes, los investigadores que las desarrollaron y su fecha de aparición.

Año Topología Investigador/es 1943 Primer modelo de redes neuronales artificiales. Warren McCulloch Walter Pitts 1949 Organización del Comportamiento Donald Hebb 1954 Proyecto Dartmouth Farley, Clark, Rochester, Holland 1957 Perceptron, aprendizaje supervisado y refuerzo Rosenblatt, Bellman 1959 AD/MADALINE, primera aplicación de ANN. Bernard Widrow, Marcian Hoff 1969 Libro “perceptrons” Marvin Minsky, Seymour Papert 1972 Técnicas Asociativas Anderson, Kohonen, Klopf 1974 Algoritmo de Backpropagation Webros 1975 Cognitron: la primera red multicapa Kunihiko Fukushima 1973 Postulados de aprendizaje de Hebb G. S. Stent, Danchin, Changuex 1976 Self Organising Map (S.O.M.) Willshaw, Von der Malsburg, Grossberg 1982 Self organizing feature mapping (S.O.F.M.) Kohonen 1982 Limitaciones y habilidades de AAN. Hopfield 1982 Funciones de energía y temperatura (estadística). Hopfield, Grossberg, Amit 1985 Algoritmo de Backpropagation mejorado Parker, LeCun 1986 Procesamiento paralelo RumelHart, McClelland 1988 Noción del “espacio” en las redes neuronales. Gardner, Amari 1983 Boltzman Machine Hinton, Sejonwski 1995 Mapas computacionales en la corteza visual. Erwin

Tabla 2.3: Topologias de redes e hitos ordenados cronológicamente.

Page 55: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 55

2.3 – Sistemas Tutores Inteligentes Guardia Robles [Guardia Robles, 1993] resume un conjunto de características que deben cumplir todos los Sistemas Tutores Inteligentes (STI):

• Deben ser “inteligentes” en comparación con los sistemas tradicionales de instrucción por computadora (CAI), siendo el diferencial de inteligencia los métodos de la rama de la Inteligencia Artificial (IA).

• Deben poseer la capacidad tanto para resolver el problema que se le presenta a

un estudiante como también la capacidad de explicar como lo resolvió.

• Como en los CAI tradicionales, permiten una mayor individualización en la instrucción, llegando más lejos, a través del entendimiento de las metas y creencias del estudiante.

• Se usan técnicas de Inteligencia Artificial para planeación, optimización y

búsquedas, dejando que el sistema decida el orden de presentación del contenido al alumno.

• La interacción puede ser muy variada en un STI: desde sistemas pasivos (que

esperan para que el alumno realice una acción), hasta los que constantemente presentan nueva información (tutor oportunista), con casos intermedios en los que se enseña un concepto en un momento determinado o solo cuando el alumno lo pide.

• Utilizan nuevas tecnologías, con los ejemplos de interfaces orientadas a la

utilización de multimedia y del WWW.

• No basta con indicarle un error al estudiante, el sistema debe hacer hipótesis basadas en el historial de errores del alumno y detectar la fuente del problema.

Con estas consideraciones en mente, Guardia Robles [Guardia Robles, 1993] presenta una definición para los tutores inteligentes: “Un Sistema Tutor Inteligente es un sistema de enseñanza asistida por computadora, que utiliza técnicas de Inteligencia Artificial, principalmente para representar el conocimiento y dirigir una estrategia de enseñanza; y es capaz de comportarse como un experto, tanto en el dominio del conocimiento que enseña (mostrando al alumno cómo aplicar dicho conocimiento), como en el dominio pedagógico, donde es capaz de diagnosticar la situación en la que se encuentra el estudiante y de acuerdo a ello ofrecer una acción o solución que le permita progresar en el aprendizaje.” Villareal [Villareal, 2003] plantea que los Sistemas Tutores Inteligentes (STI) simulan a un tutor autoritario que posee una estrategia de enseñanza de los conceptos del dominio del tipo uno a uno. Además es un experto en un dominio de conocimiento determinado y actúa como guía, tutor o entrenador. Este tutor debe poder adaptarse a las necesidades, que surgen a lo largo de la interacción en una sesión de tutelado, del estudiante alumno.

Page 56: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

56 Fernando A. Salgueiro ESTADO DEL ARTE

2.3.1 – Arquitectura y Componentes Los Sistemas Tutores Inteligentes (STI) tienen como principal objetivo impartir la enseñanza de un contenido dado un dominio en la forma más adecuada a las necesidades individuales del alumno. Estos sistemas se basan en una arquitectura compuesta por tres grandes módulos: el módulo del tutor, el módulo del alumno y el módulo del dominio [Villareal et al., 2001]. Podría agregarse un cuarto módulo denominado el módulo de evaluación y, un quinto denominado módulo de interface y el ecosistema propuesto por Cataldi [Cataldi, 2004].

1. Módulo del Alumno: Este módulo debe representar el estado inicial del alumno y sus características individuales, entre ellas una de las más importantes es el conocimiento individual instantáneo sobre el dominio [Villareal Goulart et al., 2001]. Guardia Robles [Guardia Robles, 1993] lo define como: “El modelo del estudiante, que refleja cuánto conoce el estudiante sobre el dominio, así como las experiencias cognitivas y de aprendizaje que ha llevado, del cual puede obtenerse un diagnóstico.”

2. Módulo del Tutor: Este módulo posee el conocimiento sobre las estrategias y

tácticas de enseñanza para poder seleccionarlas en función de las características del alumno, que están almacenadas en el modulo del alumno [Villareal Goulart et al., 2001]. Pero debe ir más allá de la experiencia en el dominio, ya que debe ofrecer a cada estudiante un método de enseñanza de acuerdo con sus necesidades.

3. Módulo del Dominio: Este módulo posee el conocimiento de la materia

formado por las reglas de producción, estereotipos, etc. De aquí el módulo tutor obtiene el conocimiento que debe enseñar [Villareal Goulart et al., 2001]. Definido como “El modelo experto o del dominio, el cual versa sobre la materia o curso que se impartirá” [Guardia Robles, 1993].

4. Módulo de Evaluación: Se encarga de realizar una evaluación general del

sistema y generar estadísticas acerca de los avances de los estudiantes; pudiendo efectuar el diagnóstico evolutivo luego de cada uno de los estados considerados, de este modo podría también predecir el comportamiento en los eventos futuros. La evaluación de los estudiantes debe ser constante y durante la carga del proceso, con instancias de autoevaluación. También se deberán generar informes a utilizar para evaluar al sistema como método apto de enseñanza.

5. Módulo de Interface: Es la interface de interacción entre el STI y el alumno

real, que se encarga de presentar el material del dominio y cualquier otro elemento didáctico de la manera correcta [Villareal Goulart et al., 2001]. “La interface, que permite a los usuarios interactuar con el sistema. Se distinguen tres tipos específicos de usuarios: el Estudiante, el Instructor, y el Desarrollador del sistema.”[Guardia Robles, 1993]. Para su diseño pueden seguirse los criterios ergonómicos basado en el estándar ISO 9241 para Human Computer Interface (HCI) u otros similares.

Page 57: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 57

Los primeros tres módulos conforman la arquitectura clásica propuesta por Carbonell [Carbonell, 1970] y también funcional de los STI [Villareal Goulart et al., 2001] se pueden ver en la Figura 2.8. Esta postura presentó grandes avances en el modelado de ambientes educativos, ya que separó el dominio de la forma en la que éste es utilizado [Villareal Goulart et al., 2001].

Figura 2.8: Estructura clásica de un Sistema Tutor Inteligente propuesta por Carbonell [Carbonell, 1970]. Existen visiones no clásicas de los Sistemas Tutores Inteligentes (STI), como lo es la propuesta de arquitectura general en Clancey [Clancey, 1991] la cual puede resumirse de la siguiente manera:

• Son dos sistemas expertos: Uno encargado de diagnosticar el estado actual del alumno y otro encargado de decidir la mejor forma de retroalimentarlo en el momento actual, cumpliendo el rol de asesor.

• Poseen un sistema experto de diagnóstico: Con un algoritmo de decisión sobre

la mejor estrategia de retroalimentación, basado en una representación del conocimiento sobre el estado cognitivo del alumno.

2.3.2 – Módulo del Alumno El diseño del modelo del estudiante se centra, según Barr [Barr et al., 1983] alrededor de las preguntas: ¿Qué es lo que se desea que el estudiante sepa acerca del mecanismo de resolución de una problemática? Qué tipos de conocimientos debe tener un estudiante para poder resolver un problema de operación o reparación del mecanismo?. De manera que el módulo del estudiante deberá tener conocimientos acerca de [Sierra et al., 2003]:

• Los componentes del mecanismo para la resolución de un problema. • La operación de los componentes del mecanismo. • La interrelación entre los componentes del mecanismo. • La operación del mecanismo.

Si un estudiante elige examinar un componente en particular, entonces se asume que el estudiante conoce algo acerca del componente. Dado el contexto del problema, la selección de un componente es de algún modo una confirmación o no, de que el estudiante comprende lo que el componente hace y cómo se relaciona con otros componentes en la operación del mecanismo. Es decir que cada vez que el estudiante chequea, manipula o examina un componente, indica de algún modo lo que él conoce o desconoce acerca de la operación del mecanismo.

Modulo Dominio Modulo Tutor Modulo Estudiante

Interfaz

Sistema Tutor Inteligente

Page 58: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

58 Fernando A. Salgueiro ESTADO DEL ARTE

La función central del módulo del estudiante, para Sierra [Sierra et al., 2003] se puede resumir en el siguiente párrafo: “Para realizar inferencias acerca de lo que el estudiante conoce, es necesario interpretar o hacer presunciones en base a las acciones del estudiante. Estas interpretaciones constituyen la parte central en el desarrollo del modelo del estudiante en el diseño de un Sistema Tutor Inteligente.” Por lo tanto, es importante conocer el estado y el estilo de aprendizaje de cada uno de los alumnos para que el módulo tutor pueda tomar las decisiones pedagógicas correctas. Ésta es una de las salidas más importantes del módulo del alumno y una de las entradas del módulo tutor. El módulo tutor, luego, realimentará las técnicas utilizadas, los temas expuestos en el dominio y los resultados obtenidos para que se pueda actualizar la representación del estado del conocimiento del alumno.

2.3.2.1 – Estilos de Aprendizaje El estilo de aprendizaje puede definirse como la forma en que un individuo aprende, y debido a que las personas tienen diferentes estilos de aprendizaje, éstos se reflejan las diferentes habilidades, intereses, debilidades y fortalezas académicas [Figueroa et al., 2004]. Diferentes investigadores [Felder, 1998] presentan distintas formas para reconocer los estilos de aprendizaje de los estudiantes. Una definición de los estilos de aprendizaje puede plantearse como “los rasgos cognitivos, afectivos y fisiológicos que sirven como indicadores relativamente estables, de cómo los alumnos perciben interacciones y responden a sus ambientes de aprendizaje [Keefe, 1988]. Por lo tanto se requiere una variedad de mediciones para evaluar los estilos de aprendizaje de los distintos estudiantes y determinar su potencial de éxito en una carrera de Ingeniería [Figueroa et al., 2004]. La mayoría de los autores idearon instrumentos para la detección de los estilos de aprendizaje de los alumnos. En la siguiente sección se detallan las herramientas utilizadas para la toma de datos necesarios para la verificación de las diferentes hipótesis planteadas en esta tesis.

2.3.2.2 – Planilla de Estilos de Aprendizaje A continuación se muestra la plantilla de estilos de aprendizaje que se utilizó para la recolección de los datos de los estudiantes. Estas planillas están confeccionadas por once grupos de cuatro preguntas cada uno. Cada pregunta está orientada para clasificar al estudiante en los distintos grupos resultantes de la clasificación de Felder [Felder, 1998], que son:

• Tareas activas – Tareas de reflexión: Forma de procesar la información. • Sensorial – Intuitiva (racional): Forma de percibir la información.

• Visual – Verbal: Forma de presentar la información.

• Secuencial – Global: Forma del proceso del aprendizaje.

Page 59: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 59

La información que se busca no está relacionada directamente con las formas que describe Felder, sino que se busca la relación de los estilos de aprendizaje con los modos de enseñanza o protocolo pedagógico para las sesiones pedagógicas con el estudiante. La planilla utilizada consta de once grupos de cuatro preguntas cada uno con dos opciones de respuestas, así como también de datos adicionales que ayudaran a categorizar a los estudiantes. Estos datos son:

• Carrera: Se refiere a la carrera que el estudiante esta cursando actualmente. • Universidad: La institución donde cursa la carrera mencionada. • Año de ingreso: Es el año en la que comenzó el ciclo básico o similar. • Año que cursa: Según el plan de estudios vigente para la carrera seleccionada. • Edad: Del estudiante. • Sexo: Femenino o masculino.

Las planillas son anónimas en este punto del desarrollo, una vez categorizadas y realizada la inferencia para determinar los estilos pedagógicos más efectivos para los estudiantes, es decir que cada estudiante pueda seleccionarlo de acuerdo a su preferencia. Un usuario del Sistema Tutor Inteligente (STI) deberá llenar por primera vez la planilla para que el sistema realice una categorización inicial que luego podrá llegar a ser modificada a lo largo del tiempo por el comportamiento del estudiante dentro del sistema. Los estudiantes deben entregar la planilla con su nombre y número de padrón, pero en esta etapa del análisis se ignorará este dato. En la Figura 1.1 se pueden ver las preguntas utilizadas para el relevamiento de los 121 estudiantes (la justificación del tamaño muestral se encuentra en la sección 5.3.2 Validación del modelo). Se utilizaron planillas de estilos de aprendizaje para la toma de datos en distintas materias del área de Programación Básica de la Facultad de Ingeniería de la Universidad de Buenos Aires para asegurar:

• La diversidad: De esta manera se obtienen datos de las cada una de las 10 carreras que se cursan en la Facultad de Ingeniería de la Universidad de Buenos Aires, estas carreras son:

o Carreras de Grado

Ingeniería Civil Ingeniería Industrial Ingeniería Naval y Mecánica Ingeniería Mecánica

Ingeniería Electricista Ingeniería Química Ingeniería en Informática Ingeniería de Alimentos

o Carreras de menor duración

Agrimensura Licenciatura en Análisis de Sistemas

Page 60: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

60 Fernando A. Salgueiro ESTADO DEL ARTE

De esta manera se toma una muestra que representativa de todas las carreras de la Facultad y se evita que por la selección de individuos de una misma carrera, la población sea extremadamente homogénea.

• La cantidad: Realizando observaciones en las materias Algoritmos y

Programación I y Computación se logra aumentar el número de planillas que se pueden utilizar para el entrenamiento de la red S.O.M. La materia Algoritmos y Programación I permite obtener datos de las carreras: Ingeniería en Informática y Licenciatura en Análisis de Sistemas ya que es un curso común, mientras que de la materia Computación se obtienen los datos de las materias Ingeniería Civil, Ingeniería Industrial, Ingeniería Naval y Mecánica, Ingeniería Mecánica, Ingeniería Electricista, Ingeniería Química, Ingeniería de Alimentos y Agrimensura, que también es un curso común.

• Diferencia de esquemas mentales: A través de los estilos de aprendizaje de trata

de evidenciar si los estudiantes de las distintas carreras poseen diferentes características para resolver problemas similares. Es decir, se plantea si todos los estudiantes de Ingeniería (independientemente de la carrera en particular) poseen características de enseñanza similares, o si estas varían entre cada una de las diferentes carreras.

La planilla es entregada a los estudiantes en una hoja doble faz y se les concede el tiempo que necesario para completar todas las preguntas de la encuesta. Una vez recolectadas las encuestas estas son procesadas por el tesista y llevadas a un medio digital utilizando la codificación que se puede observar en la sección A.2 – Planillas de estilos de aprendizaje del Anexo A o los datos sin codificar como pueden observarse en la sección A.3 – Valores de entrenamiento para la red S.O.M. del Anexo A. El esquema de las planillas utilizada en la experiencia se muestra en la Figura 2.9, en donde se pueden ver los datos comunes: Carrera, Universidad, Año de Ingreso, Año que cursa, Edad y Sexo, y luego siguen las 44 preguntas para determinar el estilo de aprendizaje del estudiante.

Page 61: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 61

Page 62: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

62 Fernando A. Salgueiro ESTADO DEL ARTE

Figura 2.9: Planilla de estilos de aprendizaje utilizada, tomada de Felder [Felder, 1998].

Page 63: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 63

2.3.2.3 – Rendimiento Académico de los Estudiantes La planilla de rendimiento académico de los estudiantes, es simplemente una colección de los resultados académicos a lo largo de un cuatrimestre para las materias de Programación Básica relacionadas. Los nombres de los estudiantes no están completos y solo se indican con el nombre de pila seguido por la inicial del apellido, para mantener la confidencialidad de los datos. Este último comentario no modifica los resultados, ya que esa información es de carácter informativo y no se la utiliza en el desarrollo posterior de esta tesis. En la Tabla 2.4 se puede ver un ejemplo de cómo se obtienen los datos del rendimiento académico de los distintos estudiantes utilizados para realizar la experiencia. En la sección A.6 – Datos de los Cursos de Prueba del Anexo A se presentan las planillas completas.

Evaluaciones Parciales

Trabajos Prácticos

Evaluaciones Integradoras

Nombre y Apellido (codificado)

Primer Parcial

Recuperatorio

1

Recuperatorio

2

Trabajo Práctico 1

Trabajo Práctico 2

Final 1

Final 2

Final 3

Nicolás, A. 2 2 5 4 9 7 - - Pablo Daniel, A. 2 6 - 4 9 4 - - Roxana Maribel, A. 2 A 8 4 9 7 - - Ignacio Pablo, A A 2 5 4 9 5 - - Lucas Ariel B. 7 - - 4 9 5 - - German B. 2 2 2 - - - - -

Tabla 2.4: Ejemplo de la planilla de resultado de los estudiantes.

2.3.3 – Módulo del Dominio Para poder construir el modelo de un proceso, debe ser posible descomponerlo en sus partes constitutivas. Es decir, el mecanismo a ser modelado debe tener partes identificables en las cuales pueda ser descompuesto. Por lo tanto para el caso del módulo del dominio, se debe descomponer el conocimiento de los temas para los cuales el sistema deberá ser experto. Entre ellos se encuentra el conocimiento dependiente del dominio, compuesto por las definiciones, los conceptos fundamentales y las agrupaciones de conceptos que forman los temas. También existe el conocimiento independiente del dominio, el cual se compondrá de los diferentes parámetros del sistema que se requieren para el correcto funcionamiento del mismo y por último se encuentran los elementos didácticos que se utilizan para mejorar y facilitar la experiencia del proceso enseñanza/aprendizaje.

Page 64: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

64 Fernando A. Salgueiro ESTADO DEL ARTE

2.3.4 – Interface La interface se encarga de presentar el contenido de la sesión de tutoría en forma homogénea a lo largo de toda la curricula, presentando en tiempo y forma los elementos pedagógicos que utiliza cada sesión, como pueden ser ejercitación, material multimedia, texto, etc. Si bien la interface existe en todos los Sistemas Tutor Inteligente, no se la considera un modulo fundamental, ya que se centra más en el aspecto grafico y no en los contenidos. Se puede generar una interface que responda a la adecuación del usuario, donde este establezca parámetros, como la letra, el tamaño de la letra, el color de fondo, etc., para crear un ambiente de trabajo donde se sienta más cómodo y mejorando la sesión educativa. El diseño es muy importante para la interface, ya que depende en gran parte de los usuarios.

2.3.5 – Módulos Externos: Evaluación y Registros Históricos El sistema debe ser capaz de validarse, es decir, debe ser capaz de analizar el desempeño que tuvo en las interacción con los alumnos y reorganizarse si su desempeño fue inferior al esperado. Esta reorganización puede darse de forma automática, en Sistemas Tutores Inteligentes (STI) más complejos, o en forma manual, modificando los componentes que, dado el resultado de la evaluación, demostraron ser problemáticos o estar pobremente adaptados a las situaciones a las que el sistema esta expuesto. También el sistema debe se capaz de brindar los resultados de esta evaluación de forma de informes, listados y datos procesados, para poder, por ejemplo, clusterizar los alumnos en grupos definidos, detectar anormalidades o situaciones incorrectas, inferir las causas y validar los datos obtenidos con el sistema en cursos pilotos, sin la interacción del sistema, en los cuales se han tomados los mismos datos, para poder verificar la mejora que resulta de la introducción del sistema tutor inteligente en el ámbito educativo. El sistema debe ser capaz de generar históricos de acuerdo a la solicitud del usuario y debe poder mostrarlo de diferentes maneras. Estos módulos externos garantizan que el funcionamiento del sistema pueda ser validado para nuevos casos de aplicación.

2.3.6 – Módulo del Tutor

2.3.6.1 – Introducción La idea principal de este módulo es la de utilizar la computadora como “herramienta de aprendizaje”, buscando automatizar el proceso de enseñanza [Villareal Goulart et al., 2001]. Esto motivó los primeros esfuerzos en la década del sesenta en brindar soporte a la los docentes. Desde aquella época hasta la actualidad se han realizado cambios en el paradigma utilizado en la educación, partiendo de un estilo fuertemente conductista hasta el día de hoy donde el concepto de “impartir” conocimientos es reemplazado por el de “descubrir” o “construir” el conocimiento de forma significativa.

Page 65: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 65

Por lo tanto, el software reproducía la forma de enseñanza que prevalecía en el sistema educacional de esa época. Una parte del contenido del dominio era presentada en una o más pantallas (orientadas solo a caracteres, sin gráficos u otros elementos didácticos) y la interacción se limitaba a presionar la tecla Enter para cambar de pantalla. Esta forma de enseñanza recibió el nombre de Computer Assisted Instruction (CAI). Según Wenger [Wegner, 1987], la visión clásica del papel del módulo tutor es tomar las decisiones pedagógicas en función de las interacciones con el alumno. Estas decisiones derivan de reglas o estructuras de conocimiento que representan el conocimiento del tutor con respecto al dominio y están representadas en forma definida en el sistema. En los tutores clásicos, el criterio de control varía conforme a otro de optimización, y suele ser una decisión de implementación, o sea, no existe cambio en la forma en la que se controla la interacción. Algunos sistemas pueden monitorear las actividades de los alumnos, adaptando sus acciones a las respuestas de los alumnos, pero nunca cediendo el control de la interacción. Un ejemplo de este sistema es el CircSim [Kim, 1989; Kim, 2000; Cho, 2000; Hume, 1995; Shah, 1997; Hume et al., 1992]. Otra visión es la de García Martínez, compartida por Sierra [Sierra et al., 2003], donde el módulo instruccional o módulo del tutor [Carbonell, 1970] es una representación de los métodos que se usarán en el tutor inteligente para proveer información al estudiante. Este modelo es complejo pues está pensado para dirigir al estudiante en su proceso de aprendizaje y efectuar automáticamente ajustes en esta dirección a medida que el estudiante progresa. Para Sierra [Sierra et al., 2003] “En un sentido práctico, se tiene el siguiente problema a resolver cuando se construye el módulo tutor de un Sistema Tutor Inteligente. El estudiante está manipulando el modelo del dominio o mecanismo y el modelo de estudiante está realizando inferencias en base a estas manipulaciones. El tutor debe entonces hacer uso de esta información a efectos de proveer al estudiante con información que sea útil para éste”. En su forma más general, a efectos de poder definir correctamente la operación del módulo tutor, debe ser posible responder a las siguientes preguntas: ¿Cuándo es necesario instruir? ¿Qué tipo de instrucción debe darse? Los pasos metodológicos propuestos para el diseño del modelo del tutor son los siguientes [Sierra et al., 2003]:

1. Analizar del modelo del estudiante a efectos de definir claramente cuáles son las acciones que este puede llevar a cabo.

2. Interpretar adecuadamente las acciones definidas en el Paso 1 en función del tipo

de conocimiento que el estudiante debería poseer para llevar a cabo dichas acciones en forma correcta.

3. En base a los diferentes tipos de conocimiento identificados en el paso 2,

determinar las estrategias de instrucción más apropiadas a fin que el estudiante incorpore significativamente estos conocimientos a su estructura cognitiva.

En la década del setenta Carbonell [Carbonell, 1970] presentó una nueva postura, que llevó a la práctica a través del sistema Scholar, donde tomó en consideración la forma en la que el tutor estructuraba el contenido del dominio en el aula. El profesor recibe el

Page 66: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

66 Fernando A. Salgueiro ESTADO DEL ARTE

“feedback” de los alumnos e intenta inferir el estado cognitivo actual del alumno y a partir de esto el modifica su comportamiento (a través de estrategias de enseñanza) para que el alumno obtenga el mayor beneficio. El Scholar es el primer programa para la enseñanza que utiliza una representación del conocimiento basada en Inteligencia Artificial (IA) [Castillo et al., 1998]. Su principal objetivo es enseñar la geografía de América del Sur a estudiantes de nivel primario. Es el primer sistema en reconocer la posibilidad de separar el conocimiento de la materia a estudiar del resto de la aplicación. Consta de una interface de línea de comandos tradicional, donde Scholar plantea preguntas sobre el tema y el alumno las contesta. Se evalúa la respuesta y se genera una retroalimentación. Cuenta también con un reloj para indicarle al estudiante que está tardando demasiado [Carbonell, 1970]. Este enfoque pretende buscar una instrucción más personalizada, al contrario de los CAI´s, en la que estos sistemas no realizan la tarea de enseñar en una única forma. El sistema propuesto por Carbonell utilizaba redes semánticas15 para mantener un dialogo con el alumno en formato textual utilizando un subconjunto de palabras del lenguaje natural. Luego aparecieron trabajos como Why o Sophie de Collins y Brown [Stevens et al., 1977]. Hasta ese entonces los términos CAI (o Intelligent CAI) y los Sistemas Tutores Inteligentes (STI) eran considerados sinónimos [Villareal Goulart et al., 2001], actualmente estos tipos se encuentran el área de IA-Education [Giraffa et al., 1999]. A través del análisis de la aplicación Scholar, Collins [Stevens et al., 1977] presentó el proyecto Why, donde utilizó el método socrático de enseñanza siguiendo los lineamientos propuestos por Carbonell [Carbonell, 1970]. En este caso el tutor socrático enseñaba a través de la exposición indirecta, mediante las cuestiones sucesivas que se requieren para formular los principios principales para poder analizar y evaluar las hipótesis, descubrir las contradicciones y finalmente realizar las inferencias correctas. En la década de los ochenta, el creciente interés en los modelos didácticos computacionales diversificados, amplió el campo en el conocimiento y entendimiento del tutor humano, cuya complejidad no había sido tratada computacionalmente. El tutor Quadratic [O'Shea, 1981] podía modificar sus propias estrategias, aunque era solamente una modificación de parámetros en lugar de un cambio efectivo de estrategias. Luego, se desarrolló el sistema Predicate Logic Advisory Tool denominado Plato que enseñaba matemáticas a los niños de nivel primario. Plato generaba problemas y presentaba “apuntes” al alumno. Uno de sus módulos estaba constituido por el juego “How the West was won”, que consistía en usar operaciones matemáticas, para avanzar; el juego incluye a West, el asesor inteligente que apoya al estudiante aprendizaje los conceptos matemáticos asociados al juego. Se lo puede ver como el primer entorno de aprendizaje completo [Castillo et al., 1998]. El paradigma utilizado es “Issues and Examples” (temas pendientes y ejemplos). En él, se enumeraron todos los tipos de combinaciones de operadores, a los que se llaman “temas pendientes”, es decir, lo que 15 Una red semántica es una estructura para la representación de conocimiento definida como un conjunto de nodos interconectados por arcos rotulados. Las redes de este tipo sólo captan las definiciones de los conceptos, también y de manera inherente proporcionan uniones entre otros conceptos [Chaiben, 1996].

Page 67: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 67

al alumno le resta por aprender (esta es la información que debe ser utilizada en el módulo tutor). Luego, se esperaba el momento oportuno para mostrarle los ejemplos de cómo aplicar el tema pendiente y el beneficio que esto representa. Este paradigma es aplicable, y se pueden construir STI en forma general estableciendo los conceptos a enseñar (los “temas pendientes”); y reconocedores de patrones para saber si el estudiante los domina o no [Castillo et al., 1998]. En la década de los noventa las contribuciones en áreas, como las redes de computadoras y los sistemas distribuidos y de comunicación proporcionaron nuevas herramientas que se podían aplicar a los STI, como por ejemplo: e-mail, los foros, Internet en general, con información On-Line; además de los recursos didácticos importantes, como videos, imágenes, videoconferencias, etc. [Boff et al., 2000; Fernández et al., 2000; Zeve et al., 2000]. Estas nuevas herramientas permitieron revalorizar el aprendizaje guiado por computadora. A principios del dos mil Konzen [Konzen, 1995] dio el primer paso para determinar el perfil del alumno, esto influenciará la exposición del contenido a través de un cuestionario que se presenta al alumno. También Kawasaki propone un modelo siguiendo distintos principios pedagógicos [Kawasaki, 2000] y en la actualidad existen implementaciones del módulo del estudiante usando de redes Bayesianas para el modelado.

STI Autor Año Dominio Características

Scholar Carbonell 1970 Geografía Lenguaje natural Why Stevens, Collins 1977 Meteorología Dialogo socrático

Sophie Brown, Burton 1977 Electrónica Interface NLP Wusor Goldstein 1979 Estrategia Estructura superpuesta Guidon Clancey 1981 Tutor Mycin Primer “glass-box” West Burton 1981 Estrategia Entrenamiento y ejemplos

Buggy Brown 1981 Aritmética Conocimiento incorrecto Debuggy Burton, VanLehn 1982 Aritmética Diagnostico off-line Steamer Stevens, Hollan 1983 Diseño de calderas Simulación, modelo mental

LMS Sleeman 1984 Algebra Reglas MAL Meno Wolf 1984 Programación Gerenciamiento de discurso Proust Jhonson 1984 Programación Diagnostico de intenciones ACTP Anderson 1984 Tutor de Lisp Modelado cognitivo Sierra VanLehn 1987 Aritmética Predicción de errores

Sherlock Lesgold, Katz 1991 Electrónica Aprendizaje cognitivo CircSim Evens, Michael, Rovick 1996 Medicina Realmente utilizado

Tabla 2.5: Características de los STI entre los 70’ y 90’ [Kinshuk, 1996] La Tabla 2.5 resume las principales características de los primeros Sistemas Tutores Inteligentes que aparecieron, desde principios de la década del setenta hasta mediados de la década de los noventa.

2.3.6.2 – Técnicas Educativas Generales La idea de utilizar la tecnología y particularmente la computación en el campo de la enseñanza tanto en las escuelas como en universidades no es nueva. La Instrucción Asistida por Computadora (CAI) hoy se ha integrado, alentada por el abaratamiento de los costos de hardware y el acceso a Internet. [Nakabayashi, 1997; Alpert et al., 1999; Yang et al., 2002].

Page 68: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

68 Fernando A. Salgueiro ESTADO DEL ARTE

Durante el proceso de aprendizaje, se quiere promover la interacción entre el estudiante y el docente (en este caso personificado por el Sistema Tutor Inteligente) por lo que sería adecuado un sistema que permita “múltiples estrategias”. Esto le brindaría robustez y el nivel de adaptación a las características cambiantes de los estudiantes. Castillo [Castillo et al., 1998] establece que la pedagogía influye en el desarrollo de sistemas de enseñanza, los que deben basarse en el modelo del estudiante, así como las estrategias para enseñar efectivamente, en teorías de instrucción, por lo tanto abarca tanto al modelo del estudiante y al modelo del tutor (estrategias de enseñanza). Castillo [Castillo et al., 1998] sostiene que: “La psicología interviene en el establecimiento de modelos cognitivos, necesarios para el entendimiento y aplicación apropiadas de los modelos de enseñanza citados” a fin de dar cuenta que para enseñar se debe conocer como los sujetos conocen. La necesidad de que la instrucción asistida por computadora se transforme en un apoyo efectivo para el tutelado, requiere de una base teórica que respalde el desarrollo de los sistemas para que estos sean efectivos en el proceso de enseñanza.

2.3.6.3 – Teorías de Aprendizaje Existen diferentes teorías que explican el proceso del aprendizaje, que se pueden agrupar en:

• Instruccional: Es donde el profesor o tutor es el centro y el encargado de diseñar el contenido, relegando al alumno a la función de “aprender” el conocimiento que el profesor le comunica. Este proceso de aprendizaje es altamente guiado por el profesor y no requiere la iniciativa personal del alumno.

• Aprendizaje por descubrimiento: Es donde el profesor tiene una tarea de

“explorador”, entregándole al alumno las herramientas necesarias para que este descubra el conocimiento a su propio ritmo. Este proceso de aprendizaje no es guiado y requiere de iniciativa por parte del alumno, ya que es este el encargado de “descubrir” el conocimiento por sus propios medios, guiado por el tutor para que se puedan lograr los objetivos de la sesión pedagógica planteados, pero dando lugar a nuevos objetivos que surgen de la experimentación del alumno.

Los procesos de aprendizaje fueron tema de estudio desde siempre. Las primeras reflexiones las expone Platón cuando en su libro La República [Platón, 2001], explica el mito de las cavernas y aclarando que: “el mundo que se conoce es la proyección de nuestras ideas innatas”. A esto se lo conoce como pensamiento racionalista. Luego, Aristóteles, rechaza la teoría de las ideas innatas y establece que el conocimiento procede de los sentidos que dotan a la mente de imágenes que se asocian entre si según tres leyes: contigüidad, similitud y contraste, iniciando así el pensamiento empirista. Estas teorías son reflotadas nuevamente, posteriormente, por Santo Tomás de Aquino.

Page 69: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 69

Las primeras aplicaciones de la CAI se dieron desde la visión conductista. Skinner año muy influenciado por las investigaciones de Pavlov16 define al conductismo no como una forma de estudiar la conducta sino como una filosofía de la ciencia dedicada al objeto y a los métodos de la psicología. Skinner plantea que la conducta de los organismos puede ser explicada a través de las contingencias ambientales, y los procesos internos de naturaleza mental no tienen ningún poder causal-explicativo [Hernández Rojas 1998]. En la actualidad el conductivismo ha evolucionado a modelos cognitivistas más flexibles y adecuados que ponen en primer plano al estudiante en el proceso educativo. A continuación se resumen los modelos más representativos y se resaltan sus características principales. A) Teoría de la Instrucción de Gagné En esta teoría, el aprendizaje se define como un proceso que permite a un organismo vivo modificar sus comportamientos en forma rápida y permanente; por tanto, el aprendizaje se verifica cuando existe un cambio de comportamiento, relativamente estable. Esto supone cuatro elementos: un aprendiz, una situación o entorno que permite el aprendizaje, un comportamiento explícito del aprendiz y un cambio interno. Esta teoría establece que hay varios tipos de aprendizajes y que por lo tanto son necesarios diferentes modos de instrucción. Estos tipos son: información verbal, destrezas intelectuales: discriminar, formar conceptos, aprender reglas, estrategias cognitivas, actitudes y destrezas motoras. Para cada tipo de aprendizaje son necesarias diferentes condiciones internas y externas. Una vez que plantea estos factores que afectan al aprendizaje, Gagné puede plantear al proceso de aprendizaje como un sistema, donde dichas entradas afectan la salida; y por lo tanto, el profesor puede mejorar la salida controlando las entradas. Gagné sugiere agregar el concepto de jerarquía como base para su descripción del funcionamiento del sistema. B) Teoría de Equilibración de Piaget Para Piaget [Piaget, 1989] existen dos tipos de aprendizaje, uno el aprendizaje en sentido estricto, a través del cual se consigue información específica y otro, el aprendizaje en sentido amplio, que consiste en el progreso de las estructuras de cognitivas. El aprendizaje se produce cuando se presentara un desequilibrio o conflicto cognitivo que da lugar a dos procesos: la asimilación y la acomodación.

16 Pavlov, médico ruso, le presentó la comida a los perros de su laboratorio y la introducía con el sonido de una campana, por medio de mediciones, luego un tiempo comprobó que el sonido de la campana provocaba salivación en los caninos, aunque el sonido no viniese acompañado de comida. Luego de años evaluando los resultados experimentales, estos darían lugar a la teoría conocida Condicionamiento Clásico de Pavlov, que aportaría, mas adelante, las bases para el Conductismo, escuela psicológica que pretende explicar y predecir la conducta y que aporta luz sobre muchos de los aprendizajes no sólo en los perros, también en los humanos.

Page 70: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

70 Fernando A. Salgueiro ESTADO DEL ARTE

La asimilación es la integración de elementos exteriores a estructuras en evolución o ya acabadas en el organismo [Piaget, 1989]. El individuo interpreta la información del medio de acuerdo a sus conceptos disponibles. A través del proceso de acomodación, el sujeto adapta sus conocimientos a la realidad en tanto y en cuanto contrasta con ella lo asimilado; por otra parte se produce el cambio de estructuras cognitivas del individuo en dos sentidos, el primero como consecuencia de la suma de nuevos conceptos y el segundo como consecuencia de una reinterpretación de lo ya sabido a la luz de los nuevos conocimientos. La teoría de Piaget reduce todo el aprendizaje a adquisiciones espontáneas y necesarias. Esto es un fallo puesto que la mayor parte de los conceptos en realidad no son necesarios y además, no pueden adquirirse sin la intervención de la cultura y la instrucción, es decir no son espontáneos. C) Teoría sociocultural de Vigotsky Vigotsky [Vigotsky, 1926] plantea que “estudiar las conducta del hombre sin lo psíquico, como pretende la psicología, es tan imposible como estudiar lo psíquico sin la conducta. Por tanto no hay lugar para ciencias distintas. El estado actual de las dos ramas del saber plantea insistentemente la cuestión de tal necesidad y fecundidad de la completa fusión de ambas ciencias”.

El aprendizaje sucede a partir de la interacción social, puede establecerse que: el individuo reconstruye su saber debido a que se entremezclan procesos de construcción personal y procesos en colaboración con los otros que intervinieron. En este el maestro debe ser un agente facilitador y mediador de la cultura. En la Tabla 2.6 se puede ver el paralelismo entre la concepción de Piaget y la de Vigotsky

Teoría de Piaget Teoría de Vigotsky El conocimiento es un proceso de interacción entre el sujeto y el medio entendido físico únicamente

El conocimiento es un proceso de interacción entre el sujeto y el medio entendido social y culturalmente

El ser humano al nacer es un individuo biológico

El ser humano al nacer es un individuo social

En el desarrollo del ser humano hay un proceso de socialización

En el desarrollo del ser humano hay un proceso de diferenciación social

La potencialidad cognoscitiva del sujeto depende de la etapa del desarrollo en la que se encuentre.

La potencialidad cognitiva del sujeto depende de la calidad de la interacción social y de la ZDP del sujeto

El ser humano al nacer se encuentra en un estado de desorganización que deberá ir organizando a lo largo de las etapas del desarrollo de su vida

El ser humano al nacer tiene una percepción organizada puesto que está dotado para dirigirla a estímulos humanos y para establecer interacciones sociales

Tabla 2.6: Paralelismo entre la concepción de Piaget y la de Vigotsky D) Teoría del Andamiaje de Bruner Esta teoría está relacionada con la de Piaget, ya que enfatiza el aprendizaje por descubrimiento. El alumno descubre, pues esto le causa mayor satisfacción y obtiene una mayor retención. Llega un paso más adelante la teoría de Piaget, desarrollando un proceso de instrucción donde el profesor debe crear un ambiente que favorezca lograr el

Page 71: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 71

descubrimiento [Bruner, 1990]. Propone que los contenidos a enseñar se presenten como un conjunto de problemas y relaciones que el alumno debe resolver a fin de que se interese y resulte significativo el aprendizaje [Guardia Robles, 1993]. Bruner [Bruner, 1990] explica cómo el estudiante llega a dominar los contenidos que el docente le propone construyendo el concepto de andamiaje, estrechamente ligado al de zona de desarrollo próximo de Vigotsky. Según esta idea, en el proceso interacción y diálogo en que se basa la enseñanza, el experto tiende un conjunto de andamios o ayudas por medio de las cuales el alumno elabora las construcciones necesarias para aprender los contenidos. El andamiaje debe contemplar los rasgos particulares del alumno. Y se irán regulando en la medida en que vayan progresando en sus habilidades. Así, algunos requerirán apoyos como explicaciones, modelos, etc., mientras que otros necesitarán apoyos más complejos. Progresivamente, el maestro ajustará el sistema de ayudas y apoyos necesarios conforme se desarrollen las habilidades de los alumnos, y así poder ir cediendo el control y el manejo de los contenidos y formas de discurso a aprender. E) Teoría del Aprendizaje Significativo de Ausubel [Ausubel et al., 1983] Trata de la adquisición de aprendizaje significativo, por lo tanto no considera el aprendizaje mecánico (de memoria). Para considerar que un aprendizaje es significativo, requiere tener un sentido para ser incorporado al conjunto de conocimientos que el sujeto posee (el concepto aprendido debe relacionarse con conceptos previamente adquiridos). También considera al aprendizaje como receptivo, ya que es el profesor quien establece los contenidos para facilitar la organización del nuevo contenido en la estructura mental del alumno. Ausubel establece que para que se produzca la reestructuración es necesario una instrucción que presente la información organizada y explícita que desequilibre las estructuras existentes. Un aprendizaje es significativo si puede incorporarse a las estructuras de conocimiento, es decir los nuevos conceptos adquieren significado para el sujeto dentro de sus estructuras cognitivas. Un aprendizaje es memorístico cuando los conceptos aprendidos no están relacionados entre sí y carecen de significado para la estructura del sujeto. En general un aprendizaje significativo es más eficaz que el memorístico puesto que: produce retención más duradera, facilita nuevos aprendizajes y produce cambios que persisten más allá del olvido de los detalles concretos. Otro aporte de Ausubel es el concepto de los organizadores previos, sobre los cuales el alumno se apoya, de tal forma que éstos hacen las veces de estructura o andamio entre los conocimientos a adquirir y los que ya poseía. F) Inteligencias Múltiples de Howard Gardner. Esta teoría de la inteligencia humana, desarrollada por el psicólogo Howard Gardner [Gardner, 1993], establece que hay al menos ocho formas en las que las personas perciben y entienden el mundo. Gardner llama a cada una de estas formas inteligencias (conjunto de habilidades que permiten resolver problemas de la realidad).

Page 72: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

72 Fernando A. Salgueiro ESTADO DEL ARTE

Gardner [Gardner, 2003] define una inteligencia como “La capacidad de resolver problemas, o de crear productos, que sean valiosos en uno o más ambientes culturales”. Este autor fundamenta su estructura en pruebas biológicas y antropológicas y, más específicamente, en bases neurológicas, evolucionistas y transculturales. No obstante, el autor aclara que es un acercamiento que no establece las fuentes de tales capacidades o los medios para medir éstas. Gardner [Gardner, 1993] presenta una clasificación de inteligencias, aunque sugiere que no es terminante:

• Verbal-lingüística. • Lógico-matemático. • Visual-espacial. • Kinestésica.

• Musical-Rítmica. • Interpersonal. • Intrapersonal. • Naturalista.

Para Gardner [Gardner, 1993]: “El objetivo de la escuela debe ser el de desarrollar las inteligencias y ayudar a la gente a alcanzar los fines vocacionales y aficiones que se adecuen a su particular espectro de inteligencias”. Este objetivo se consigue con una escuela centrada en los individuos, donde la evaluación de las capacidades y las tendencias individuales es continua.

2.3.6.3 – Técnicas Educativas Aplicables Una vez presentadas las técnicas educativas mas importantes, se debe analizar cuales de ellas son aplicables a la enseñanza de lenguajes de programación con paradigma lineal estructurado y dentro de ellas, cuales son implementables en un asesor inteligente o un sistema tutor inteligente. Cualquiera de las teorías de enseñanza explicadas en los apartados anteriores resulta útil para entender el proceso de aprendizaje de lenguajes de programación. La selección de un marco teórico adecuado solo puede justificarse por medio de razones pedagógicas, correspondientes al tipo de alumnos con el que se va a enfrentar al sistema y a las técnicas de programación o características disponibles para el futuro sistema [Perkins, 1995]. A continuación se estudiará la aplicabilidad de cada uno de los modelos anteriormente detallados a un Sistema Tutor Inteligente (STI) aplicado a la enseñanza de la programación. Como no es el propósito de esta tesis evaluar los distintos modelos de enseñanza y de aprendizaje, por loo que se seleccionó la Teoría Uno [Perkins, 1995] que no es un modelo, ni un método de enseñanza, sino un conjunto de recomendaciones compatibles con cualquier teoría. Básicamente, ella estipula que: “La gente aprende más cuando tiene una oportunidad razonable y una motivación para hacerlo” y para aplicarla se deben reunir las siguientes condiciones [Perkins, 1995]:

• Información clara a través de descripción, ejemplos de los objetivos, conocimientos requeridos y de los resultados esperados.

• Práctica reflexiva, es decir, oportunidad para el alumno de ocuparse activa y

reflexivamente de aquello que deba aprender.

Page 73: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 73

• Realimentación informativa a través de consejos claros y precisos para que el alumno mejore el rendimiento y pueda proceder de manera más eficaz.

• Fuerte motivación intrínseca y extrínseca mediante actividades ampliamente

recompensadas, sea porque son muy interesantes y atractivas en sí mismas o porque permiten obtener otros logros que importan al alumno.

Por lo tanto se tomará la Teoría Uno planteada por Perkins [Perkins, 1995] como la base teórica del Sistema Tutor Inteligente (STI), de la que se toman las bases de las distintas formas de enseñanza disponibles. Perkins [Perkins, 1995] plantea que si se combinan las condiciones que estipula la Teoría Uno con cada uno de los programas de estudio, se obtienen los métodos respectivos. En otras palabras, la Teoría Uno se “personifica” de distintas maneras según el programa del momento. Las cuatro formas principales se enumeran a continuación y se explican más detalladamente en las secciones siguientes:

• La instrucción didáctica (o magistral). • El entrenamiento. • La enseñanza socrática. • Otras.

A) La Instrucción Didáctica. Según Perkins [Perkins, 1995] es la presentación clara y correcta de la información por parte de los maestros y de los textos. Su objetivo se centra especialmente en la explicación donde se exponen “los qué” y “los por qué” de un determinado tema. Es fundamental que se aclaren los componentes básicos de una buena explicación, ya que en la instrucción didáctica el alumno queda relegado a un papel de sujeto pasivo y el tutor o maestro queda en primer plano de proveedor único de los saberes y conocimientos. Algunas de las características que debe reunir una buena explicación en la práctica educativa pueden enumerarse a continuación:

• Identificación de objetivos para los alumnos: Este paso quizás es uno de los más importantes ya que establece cuál es el objetivo de la sesión pedagógica que se está llevando a cabo y qué es lo que se pretende obtener como resultado para los estudiantes una vez finalizada dicha sesión.

• Supervisar y señalar el avance hacia los objetivos: Se debe verificar a través

de preguntas clave para la lección que los conocimientos que se han explicado han sido correctamente interpretados por el estudiante y que este puede seguir adelante hacia los objetivos de la lección sin correr el riesgo de que concepciones erróneas puedan llegar a modificar la interpretación por parte del alumno de conocimientos posteriores.

• Mostrar numerosos ejemplos sobre los conceptos analizados: Los ejemplos

son la herramienta pedagógica más útil a la hora de verificar si los estudiantes realmente entendieron el concepto explicado, así como también para incorporar

Page 74: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

74 Fernando A. Salgueiro ESTADO DEL ARTE

a la estructura cognitiva dicho concepto, yendo desde una abstracción mayor, como lo es el concepto, hasta instancias particulares de dicho concepto.

• Legitimar un nuevo concepto o procedimiento mediante principios ya

conocidos por los alumnos: Un elemento pedagógico realmente útil es la relación entre conceptos conocidos por el estudiante con el concepto que se está intentando explicar. Perkins [Perkins, 1995] da un ejemplo típico de tal cosa para ilustrar esta característica de la instrucción didáctica:

Maestro: “¿El concepto de nicho es realmente útil para hablar de los sistemas ecológicos? Bien, examinemos esta cuestión. Pensemos en otras situaciones en las que hablamos de funciones dentro de un sistema; por ejemplo, las funciones de las personas en una empresa o en la escuela.”

Las clases del tipo prácticas no quedan fuera de este modelo, sino que en ellas se alienta a incluir exposiciones complementarias, para señalar vínculos entre los conceptos familiares y los nuevos conceptos, aclarando las condiciones de aplicabilidad y de no aplicabilidad de los mismos. La interacción siempre está liderada por el maestro o el tutor relegando al estudiante a un segundo plano donde su único rol es el de asimilar la información que se le está presentando, por lo tanto los elementos básicos de la instrucción didáctica tienen que ver sobre todo con la claridad informativa.

B) El Entrenamiento. Existe un vínculo entre el entrenamiento y la instrucción didáctica y por eso se lo presenta en segundo lugar. Sin una instrucción didáctica que presente cierta base de información clara sobre los conceptos nuevos, los estudiantes carecerían de los conocimientos básicos para realizar las ejercitaciones prácticas. Surge entonces una aparente contradicción, que es, dada la claridad informativa de la instrucción didáctica, cuál pasa a ser la función del maestro, si en una forma ideal, la instrucción didáctica aclaró todas las dudas posibles sobre el concepto explicado. El entrenamiento ofrece una respuesta, ya que hace hincapié en dos de las condiciones planteadas por la Teoría Uno: la práctica reflexiva y la realimentación informativa. Las principales actividades del docente entrenador consisten:

• Asignar prácticas. • Alentar a los alumnos a reflexionar sobre lo que están haciendo. • Ofrecer la realimentación.

Al mismo tiempo, se espera que el docente entrenador suministre la información en forma clara mientras que es la relación entre el entrenador y sus alumnos la que debe fomentar mecanismos de motivación de estos últimos y garantizar así una de las cuestiones fundamentales planteadas por la Teoría Uno que afirma que “La gente aprende más cuando tiene una oportunidad razonable y una motivación para hacerlo”. Perkins [Perkins, 1995] plantea una analogía muy clara con respecto al fútbol: “El entrenador observa desde afuera el desempeño de los deportistas y les da consejos. Elogia los puntos fuertes, detecta los débiles, hace observar ciertos principios, ofrece

Page 75: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 75

guía e inspiración y decide qué tipo de prácticas se deben enfatizar”. Y es esta función tan importante la que se extrapola y se aplica en cualquier dominio, sea este fútbol, clase de matemática o literatura.

C) La Enseñanza Socrática. Ambos métodos vistos con anterioridad (la instrucción didáctica y el entrenamiento) poseen un aspecto regulativo, pues su función consiste en moldear y guiar las actividades de los alumnos y como se explicó anteriormente se relega al estudiante a un papel secundario, teniendo como única función la de asimilar los conocimientos que se le presentan por el maestro tutor o el maestro entrenador. En este marco surge el método socrático, a través del cual se logra que los estudiantes trabajen de una manera más flexible, pero no en forma libre, sino que continuamente estén recibiendo el apoyo en sus investigaciones por parte de un maestro o tutor, pero sin el esquema más rígido en el que el tutor les dice todo el tiempo lo que tienen que hacer. Perkins [Perkins, 1995] plantea que de esta forma el estudiante debe aprender no solo las respuestas sino que también el “arte de las preguntas”. La enseñanza se realiza cuando el maestro socrático plantea un enigma conceptual e incita a investigar el asunto de manera libre por parte de los estudiantes, haciendo preguntas del tipo:

• ¿Qué piensan al respecto? • ¿Qué posición se podría tomar? • ¿Qué definiciones necesitamos?

Luego de la investigación inicial se proponen ideas, criterios y definiciones, donde el maestro actúa como incitador y moderador en la conversación: presta ayuda cuando las paradojas estancan el proceso de aprendizaje y genera contraejemplos y potenciales contradicciones cuando percibe en los estudiantes una satisfacción prematura. De esta manera el aprendizaje es “guiado” por los tutores hasta alcanzar el objetivo, ya que sin una guía eficaz los estudiantes pueden perderse por las ramas, pero esto no se hace de una manera rígida como en la instrucción didáctica y el entrenamiento, ya que el método socrático espera que sea el mismo estudiante el que realice los descubrimientos por si mismo. El científico cognitivo Collins [Perkins, 1995] analizó los pasos fundamentales del método socrático que se describen a continuación:

• Se seleccionan ejemplos positivos y negativos para ilustrar las cualidades pertinentes al tema en consideración.

• Se varían los casos sistemáticamente a fin de centrar la atención en datos específicos.

• Se emplean contraejemplos para poner en tela de juicio las conclusiones del alumno.

• Se proponen casos hipotéticos para que el alumno reflexione sobre situaciones afines que podrían no ocurrir naturalmente.

Page 76: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

76 Fernando A. Salgueiro ESTADO DEL ARTE

• Se utilizan estrategias de identificación de hipótesis a fin de forzar la articulación de una hipótesis específica de trabajo.

• Se emplean estrategias de evaluación de hipótesis para fomentar la evaluación crítica de predicciones e hipótesis.

• Se promueve la identificación de otras predicciones que podrían explicar el fenómeno en cuestión.

• Se utilizan estrategias capciosas para inducir al alumno a hacer predicciones incorrectas y formulaciones prematuras.

• Se procura que el alumno deduzca las consecuencias hasta llegar a una contradicción para que aprenda a construir teorías válidas y consistentes.

• Se cuestionan las respuestas provenientes de autoridades tales como el maestro y el manual a fin de promover el pensamiento independiente.

Uno de los conceptos claves de la Teoría Uno, es que el maestro socrático no provea abundancia de datos, pero controle la claridad y la calidad de la información suministrada por los alumnos haciéndoles preguntas. Cuando los alumnos discuten entre sí sobre una determinada cuestión, el maestro socrático les exige una práctica continua de reflexión. Provee además, realimentación inmediata por medio de estímulos y críticas, e incita a que todos los participantes de la conversación hagan lo mismo.

D) Otros Métodos de Enseñanza. Los protocolos pedagógicos propuestos por la Teoría Uno no son los únicos acercamientos que proveen las características requeridas por la Teoría Uno: “información clara, práctica reflexiva, realimentación informativa y fuerte motivación intrínseca y extrínseca”. Existen otras aproximaciones como pueda serlo el aprendizaje cooperativo y la colaboración entre pares, que vale la pena resaltar en el marco de los asesores inteligentes, donde el sistema debe reaccionar como un “estudiante virtual” que interactúa con los estudiantes usuarios del sistema para resolver los distintos problemas que se le presentan y para lograr definiciones básicas para los conceptos que se pretenden enseñar en una sesión pedagógica a través del “andamiaje” [Ausubel et al., 1983; Guardia Robles, 1993] como lo hará un ayudante alumno. Perkins [Perkins, 1995] sostiene que los niños aprenden mucho mejor en grupos cooperativos bien configurados que en soledad. Por lo general, las agrupaciones cooperativas pueden ayudar a lograr determinados fines, sin la planificación cuidadosa que requieren los métodos como la instrucción didáctica y el entrenamiento. Los resultados obtenidos son satisfactorios por que el aprendizaje cooperativo exige que todos los participantes se hagan responsables del desempeño del grupo. El aprendizaje cooperativo y la colaboración entre pares pueden utilizar la dinámica de grupos para promover el aprendizaje reflexivo, donde los estudiantes piensan y discuten los conceptos que se les intenta enseñar y los problemas que se deben resolver. En el aprendizaje cooperativo y colaborativo la predisposición hacia la resolución de la tarea brinda la motivación del contacto social para mantener a los estudiantes interesados en sus actividades académicas.

Page 77: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 77

Entonces parecería que en el caso del aprendizaje cooperativo y colaborativo el docente no posee un rol que deba cumplir y por lo tanto este método de enseñanza no seria aplicable en los Sistemas Tutores Inteligentes, pero un análisis mas profundo revela que los docentes tienen las siguientes tareas [Perkins, 1995]:

• El maestro “entrena” a los alumnos para que juzguen con criterios propios adecuados a la circunstancia planteada.

• El maestro debe “aumentar” el interés intrínseco de los problemas que el mismo presenta.

• El maestro puede “pedir a los alumnos que se califiquen mutuamente”, pero ofreciendo una fuerte realimentación con respecto a qué tipo de respuestas tienen más o menos sentido y por qué.

Esta teoría sobre la motivación intrínseca supera a la Teoría Uno por una razón muy sencilla: la Teoría Uno no dice nada sobre las interacciones entre la motivación intrínseca y la motivación extrínseca; sin embargo, hay muchas interacciones importantes por las que hay que preocuparse cuando se quiere brindar una fuerte motivación intrínseca. También podrían tenerse en cuenta la valoración de las inteligencias múltiples, desarrolladas por el psicólogo Howard Gardner [Gardner, 1993], alegando que las concepciones convencionales de la inteligencia humana basadas en el coeficiente intelectual son demasiado monolíticas. Según Gardner, la inteligencia humana posee siete dimensiones diferentes o siete inteligencias y a cada una de ellas le corresponde un determinado sistema simbólico (ver sección 2.3.6.3 – Teorías de Aprendizaje). Por lo tanto se podría desarrollar un protocolo pedagógico especifico para cada una de estas inteligencias múltiples, donde, por ejemplo para un individuo con una inteligencia del tipo lógico-matemática, los problemas se le presenten en forma de notación formal matemática, mientras que para el resto de las inteligencias se les presente en lenguaje natural, para maximizar la comprensión del problema en cada uno de los casos. Gardner [Gardner, 1993] señala que la práctica educativa convencional se centra fundamentalmente en la inteligencia lingüística y matemática, pero dado el carácter múltiple de la inteligencia humana se debería dar cabida a las diversas habilidades de las personas. Esto puede incluirse en el Sistema Tutor Inteligente (STI) a través de distintos protocolos pedagógicos que se adecuen de la mejor manera a cada uno de los estudiantes.

2.3.7 – Modelos de Implementación de Sistemas Tutores Inteligentes (STI) Las técnicas convencionales de programación para desarrollar Sistemas Tutores Inteligentes (STI), se basan en el planteo de los módulos básicos, que interactúan entre sí y donde cada uno de ellos posee la información necesaria para poder cumplir con su tarea. Esta definición de módulos dentro de un sistema tutor inteligente es útil a la hora de identificar cada una de las partes de éste, pero es casi imposible, hasta el momento, que en las implementaciones de los Sistemas Tutores Inteligentes estos módulos estén definidos completamente como lo indica la teoría que los soporta, ya que siempre existe un solapamiento con el dominio del problema a resolver con todos los demás módulos.

Page 78: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

78 Fernando A. Salgueiro ESTADO DEL ARTE

La mayoría de los Sistemas Tutores Inteligentes (STI) no presenta el nivel esperado de “inteligencia” [Bolan Frigo et al., 2004]. Independientemente de las técnicas de programación utilizadas, la dificultad de modelar como funciona la mente humana impide que muchos de los Sistemas Tutores Inteligentes alcancen sus objetivos. Si bien existen versiones que aseguran que el modelado de Sistemas Tutores Inteligentes (STI) con el paradigma de programación multiagentes es el mejor camino para construir el modelo pedagógico, como la de Bolan Frigo, Pozzebon y Bittencour [Bolan Frigo et al., 2004], no existen pruebas sólidas de que esto sea así, ya que existen problemas de comunicación entre los agentes que dificultan su cooperación. Además, tanto el paradigma de agentes como el orientado a objetos comparten el pasaje de mensajes para realizar la comunicación y el empleo de la herencia y la agregación para definir su estructura. Ahora, las principales diferencias entre estos paradigmas estriban en que los mensajes de los agentes tienen un tipo predeterminado, en el uso de actos comunicativos y en que el estado mental del agente se basa en sus creencias, intenciones, acuerdos, deseos y demás motivaciones (módulo BDI) [Iglesias et al., 2001]. Una de las ventajas principales, según Iglesias, Garijo y Gonzalez [Iglesias et al., 2001] es la popularidad de las metodologías orientadas a objetos, para las que existen muchas metodologías para implementar este paradigma, como es el caso de OMT (Object Modeling Technique), OOSE (Object Oriented Software Engineering), OOD (Object Oriented Design), RDD (Responsibility Driving Design) y UML (Unified Modeling Language) entre otras. La experiencia adquirida con la utilización de estas metodologías desde hace por lo menos una década puede dificultar la adopción de las metodologías de agentes por la “inercia” que se genera en la industria, hasta tanto se disponga de una propia. Por lo tanto, independientemente del paradigma de programación que se utilice para la implementación de los Sistemas Tutores Inteligentes, siempre se deberán respetar las estructuras de los módulos, las interfaces y los distintos submódulos que componen las estructura compuesta por Carbonell [Carbonell, 1970] o alguna de sus modificaciones posteriores [Salgueiro et al., 2004; Costa et al., 2004].

2.4 – Trabajos Similares Comenzando con las primeras implementaciones de los sistemas que seguían el modelo de instrucción asistida por computadora (CAI), en la década de los setenta, aparecen implementaciones como el sistema Scholar que lleva a la práctica la nueva propuesta de Carbonell [Carbonell, 1970]. Esta es la primera implementación práctica donde el sistema recibe un feedback de los alumnos e intenta inferir el estado cognitivo de los mismos. Luego, con el advenimiento de la IA y la idea de que el sistema no realice la tarea de enseñar de una única forma, aparecieron los tutores Why y Sophie de Collins y Brown [Stevens et al., 1977]; también muy limitados en su funcionalidad, pero ellos diferenciaron los Intelligent CAI de los STI que hasta esa época se los consideraba sinónimos [Villareal Goulart et al., 2001].

Page 79: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 79

El proyecto Why de Collins [Stevens et al., 1977] seguía los lineamientos propuestos por Carbonell, pero, explicando de modo socrático y por exposición indirecta. Todas las aproximaciones a resolver el problema en la década del 70 eran muy rudimentarias y se encuentran en desuso. La década del 80 trajo modelos más diversificados. El tutor Quadratic podía modificar sus estrategias pedagógicas, aunque de un modo bastante limitado, luego aparecieron contribuciones informáticas (Internet, Videos, sonidos, etc.) a los STI a fines de los 80 lo cual aumentó la cantidad de elementos didácticos disponibles con los que el tutor podía trabajar. Hasta ese momento toda la interface era en modo texto.

2.4.1 – El Proyecto CircSim Actualmente hay que destacar el proyecto CircSim, Sistema Tutor Inteligente (STI) creado en conjunto por el Departamento de Ciencias de la Computación del Illinois Institute of Technology y el Departamento de Fisiología del Rush College of Medicine. Este tutor es el más avanzado actualmente y su implementación se utiliza en el Rush College of Medicine para complementar las clases teóricas sobre problemas cardiovasculares [Kim, 1989; Kim, 2000; Cho, 2000; Hume, 1995; Shah, 1997; Hume et al., 1992]. La base es la construcción de un sistema tutor inteligente basado en el lenguaje natural para los estudiantes de medicina del primer año que están aprendiendo el tema de control de reflejos de la presión sanguínea. En el CircSim, los estudiantes resuelven pequeños problemas mientras son tutelados en forma socrática por la computadora [Woo Woo, 1991]. Dado que es el único gran tutor inteligente que realmente se está utilizando, esto hace necesario estudiar sus características y motivaciones para evaluar los factores de su éxito y analizar su puesta en operación para asistir a los estudiantes de medicina sin la supervisión directa de un tutor humano. La idea de este proyecto no es nueva, sino que viene de la década del 70, donde MacMan propone un modelo matemático para el reflejo baroreceptor [Dickinson et al., 1973], se generó una implementación para Fortran, con una interface simple donde solo se podían modificar los parámetros de funcionamiento. Se realizaron luego distintas codificaciones, pero no fueron muy utilizadas por que no resultaban útiles para la enseñanza por varios factores [Kim, 1989; Kim, 2000; Cho, 2000; Hume, 1995; Shah, 1997; Hume et al., 1992; Woo Woo, 1991]. Como una mejora, nació el sistema Hearsim [Rovick et al., 1983] en 1983 el cual ya contenía dos grandes componentes: el modelo matemático de MacMan y un segundo componente llamado el módulo de enseñanza. Hearsim podía predecir el estado del alumno en un momento dado y mostrar una tabla con las características más probables del mismo. Si bien se realizaron muchas pruebas con este simulador, los estudiantes no llegaron a utilizarlo.

Page 80: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

80 Fernando A. Salgueiro ESTADO DEL ARTE

En este entorno nace el CircSim programado en Basic para Microsoft D.O.S. ® [Rovick et al., 1986] y su desarrollo se centra en que no todos los profesores de las escuelas médicas pueden acceder a Plato [Walsh, 1987] y por lo tanto se les dificultaba el uso de los programas anteriores. A diferencia del Hearsim, el CircSim no solamente almacena las predicciones correctas que realizaba, sino también la información necesaria para mostrar los resultados de cada uno de los procedimientos. En CircSim no existe más el modelo matemático. Del lado del estudiante, éstos adquieren hechos y conceptos acerca el reflejo baroreceptor por sus lecturas, al asistir a las clases y por participar en otras sesiones de resolución de problemas. El CircSim no explica los temas desde su base, sino que el alumno ya tiene conocimientos del tema cuando utiliza el simulador. Desde entonces el programa se utiliza regularmente en los laboratorios de computadoras, en sesiones donde algún instructor humano se encuentra presente para interactuar con los estudiantes en caso de problemas [Hume, 1995; Shah, 1997]. Este tutor se basa en un modelo cualitativo en el que intervienen siete parámetros fisiológicos básicos. Los parámetros y sus relaciones causales forman un mapa de conceptos [Evens et al., 2001]. Esto elimina el modelo del dominio, que al ser fijo en este tutor no requiere modelado adicional. Los componentes básicos del tutor CircSim son [Evens et al., 2001]:

• El Input Understander. • El modelador del alumno. • El planeador de la lección.

• El procesador de discurso. • El generador de textos. • La base de conocimientos /

solucionador de problemas. Para hacer una analogía con el modelo planteado en esta tesis se pueden agrupar estos componentes de la siguiente manera:

• Interface: El Input Understander, Generador de textos. • Módulo del alumno: Se representa por el modelador del alumno. • Módulo del tutor: El planeador de la lección, el procesador de discurso y el

solucionador de problemas. • Módulo de conocimientos: es la base de conocimientos

La analogía es incompleta ya que el CircSim no está pensado como un Sistema Tutor Inteligente (STI) multipropósito, con todos los módulos completos, sino que desde el momento en el que Rovick y Michael en 1986 plantean el CircSim para PC [Rovick et al., 1986] (y antes también en el Hearsim [Rovick et al., 1983]) el asesor se basó en la enseñanza del reflejo baroreceptor. Su funcionamiento básico es el siguiente: se presenta un problema a un alumno, quien lo resuelve (si puede) y la respuesta de éste se compara con la del solucionador de problemas. Para continuar en el siguiente paso, el planificador de la lección toma las predicciones del alumno y el modelo del alumno, para generar una conversación y detectar los errores posibles del alumno [Evens et al., 2001]. Este ciclo continúa hasta obtener el objetivo final del problema planteado. El ciclo está implementado sobre una máquina de estados finitos y los planes están almacenados en una pila.

Page 81: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 81

Además, posee unos 750 lemas así como también un léxico básico, complementado con funciones léxicas y gramáticas que se utilizan para generar las frases. Como es importante la corrección ortográfica de las frases para que el sistema pueda entenderlas, existe un corrector que corrige automáticamente las palabras, que o bien son escritas mal por los alumnos, o bien son mal abreviadas [Evens et al., 2001]. La corrección se basa en un algoritmo de tres vías, el cual abre una ventana para preguntar las palabras que no se reconoció correctamente y las palabras candidatas a suplantarlas. Para los errores más comunes, como elisiones (por ejemplo: del por de el, al por a el), substituciones (por ejemplo: fusión por fusóin), etc. estos no se preguntan y se toma el candidato más probable. [Evens et al., 2001] El generador de texto produce oraciones de forma lógica por el planificador. Las explicaciones pueden darse en varias maneras, por ejemplo en forma declarativa y en forma interrogativa. Las formas lógicas se utilizan para llenar templates abstractos y se los transforma por medio de la pasivación, la inserción de verbos auxiliares y otros elementos gramáticos necesarios para crear oraciones con significado en el lenguaje natural. El tutor esta construido para dar sus respuestas en el idioma inglés americano.

2.4.2 – Falencias del CircSim Si bien el CircSim posee excelentes resultados en experiencias en aulas reales, carece de una característica fundamental, que es su escalabilidad, solo funciona correctamente en el dominio de la enseñanza del reflejo baroreceptor [Evens et al., 2001] ya que no ha sido pensado para representar un asesor inteligente general multipropósito. Este problema se reitera todos los tutores estudiados en esta tesis, y se debe sacrificar versatilidad para mejorar el resultado del tutelado de un tema en particular. Si bien esta solución de compromiso puede ser la única opción válida en el estado actual de desarrollo de los STI, se podría modularizar en el marco teórico clásico de los STI lo cual permitiría un cambio de dominio mucho más simple. Otro problema del CircSim es que las variables que influyen en el reflejo baroreceptor están relacionadas linealmente hacia un único objetivo, es decir, la respuesta final al problema planteado por el CircSim es única. En la mayoría de los problemas en ingeniería en general, y en los de programación en particular, un problema puede admitir más de una solución satisfactoria, donde existen soluciones factibles o probables y una o más que se revela como óptima. El diálogo de la Figura 2.10 se genera por la interacción entre el CircSim y un alumno real de prueba. Si bien el sistema guía por medio de una serie de pistas [Hume, 1995] al alumno, la solución buscada del problema planteado es única [Bhatt et al., 2004].

T: What are the determinants of Stroke Volume? S: CO, HR T: It is true that CO=SV*HR, but what I am asking is what determines how much blood is ejected from the heart each time it beats (the sv)? S: VENTRICULAR FILLING T: Do you know what parameter in the prediction table determines filling?

Page 82: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

82 Fernando A. Salgueiro ESTADO DEL ARTE

S: CVP T: Right, Central Venous Pressure determines filling, therefore determines Stroke Volume. T: The other determinant is neurally controlled. What is the other determinant of Stroke Volume? S: TPR T: No, Total Peripheral Resistance is not a determinant. Stroke Volume is determined by Central Venous Pressure and Inotropic State.

Figura 2.10: Ejemplo de interacción del sistema CircSim [Hume, 1995]. T es la pregunta generada por el tutor y S es la respuesta del estudiante usuario del sistema.

Lo que determina el volumen de un latido del corazón es la presión central venosa y el estado inotrópico. Independientemente de la capacidad del alumno para encontrar una respuesta a la pregunta, o si requiere una intervención activa por parte del STI, la respuesta permanece única; y cada paso que se da, acerca al alumno un poco más a la solución. Si bien pueden aparecer metas secundarias, el problema se considera resuelto cuando se responden todas las metas (primaria y secundaria). En el Figura 2.11 se puede ver la solución a un problema simple de la materia Algoritmos I de la Facultad de Ingeniería de la UBA. La solución para hallar el factorial de un entero positivo puede ser alcanzada por medio de métodos iterativos (usando varias estructuras posibles) o de métodos recursivos. En ambos casos, la solución es completamente válida, lo que dificulta entender el estado del alumno y el camino que su solución particular seguirá desde la perspectiva del CircSim. function fact (n:integer):longint var i:integer; acum:longint; begin acum:=1; for i:=1 to n do acum:=acum*i; factorial:=acum; end;

function fact(n:integer):longint begin if (n=0) then factorial:=1 else factorial:=n*factorial(n-1); end;

Figura 2.11: Solución del problema factorial tanto en forma recursiva como en forma iterativa .

2.4.3 – STI Orientados a la Enseñaza de Lenguajes de Programación. Se han desarrollado varios tutores y asesores inteligentes para apoyar la enseñanza de los lenguajes de programación [Castillo et al., 1998]. Se implementaron y se observa utilizan distintas arquitecturas base, que se detallan a continuación con sus características más sobresalientes. El primer sistema tutor inteligente orientado a la enseñanza de programación es Meno [Wolf, 1984], estaba específicamente orientado a la enseñanza de programación en el lenguaje Pascal. El sistema Meno utiliza una serie de “plantillas” que representan las soluciones posibles al problema planteado. Además contiene una base de datos con los errores más comunes que realizan los estudiantes, para poder reconocerlos a través de un análisis del código fuente. De acuerdo a los errores encontrados, se le presentan al alumno una serie de sugerencias para corregir el programa, indicándole además, cuales son las causas de su

Page 83: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 83

error y que conceptos aplicó en forma incorrecta o conceptos que desconoce [Castillo et al., 1998]. Por otra parte, el tutor Proust de Carbonell [Carbonell, 1970] puede analizar completamente el código fuente sin necesidad de utilizar plantillas como el Meno para identificar las soluciones posibles. El Proust posee una innovación que es el “diagnóstico de intenciones” [Johnson, 1986]. Esto significa que el asesor es capaz de deducir las metas del usuario y compararlas con el código que analiza, lo que permite detectar errores no triviales en la lógica de programación. Esta característica se extendió luego a otros dominios, fuera del asesor Proust, por su gran utilidad. Otro ejemplo de asesor inteligente orientado hacia la enseñanza de lenguajes de programación, es el Coach (Cognitive Adaptive Computer Help) [Selker, 1989]. En él la asistencia al estudiante se ofrece en forma de un ambiente interactivo de ayuda, donde el estudiante proporciona un programa LISP como entrada y el asesor le ofrece información relevante [Castillo et al., 1998]. La innovación que presenta Selker [Selker, 1989] en el Coach, es la de un ambiente de ayuda interactiva y con un modelo del estudiante adaptativo en el cual se tienen en cuenta parámetros tal como la tasa de cambio del alumno. De esta manera el sistema va evolucionando cuando el estudiante aprende y recibe distintos tipos de asesorías, dependiendo del grado de conocimientos previos del estudiante. Además Coach demostró que el modelo de dominio era lo suficientemente adaptable para soportar dominios similares, como es el caso de la enseñanza de los comandos del sistema operativo UNIX. Por lo tanto Coach [Selker, 1989] logró crear ayuda personalizada a cada uno de los estudiantes usuarios y por medio de la observación de las acciones del usuario se construye el modelo adaptativo del estudiante. Para describir a los estudiantes (usuarios en el sistema Coach) Selker utilizó diversos modelos de usuarios, representados por medio de “frames adaptativos”. Luego comparó los resultados entre los estudiantes “asistidos” con el Coach y los estudiantes no asistidos para medir el éxito del Coach como asistente de programación. Otro tutor de Lisp es el ACTP [Russell et al., 2003] y es uno de los precursores en el uso de modelado cognitivo en los Sistemas Tutores Inteligentes (STI) [Russell et al., 2003], pero no llega a ser un asesor inteligente completo. Utiliza “plantillas de comparación”, que son librerías de código común, para encontrar los errores que cometen los estudiantes a la hora de escribir código fuente en Lisp. Este sistema podía detectar pequeños, pero comunes, errores en código Lisp, con lo cual mejoró el conocimiento global de los estudiantes. El Tutor Capra de Fernández [Fernández, 1989] es otro tutor inteligente utilizado para la enseñanza de programadores novatos; fue desarrollado dentro del marco de la investigación del diagnóstico y detección de errores en entornos de programación. Este tutor propone lidiar con esta problemática antes mencionada, mediante un tutor inteligente que posea las siguientes características:

• Clasificación heurística de los errores. • Análisis del flujo de datos.

Page 84: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

84 Fernando A. Salgueiro ESTADO DEL ARTE

• Ejecución Simbólica Una de las características más importantes que se puede observar en el Capra es que esta construido en castellano, ya que fue desarrollado en España. Este es uno de los primeros intentos para desarrollar un asesor inteligente en el idioma español.

2.4.4 –Falencias de los STI Orientados a la Programación El proyecto Meno Tutor [Wolf, 1984] comenzó a finales de los setenta en la Universidad de Massachussets en Amherst, y su principal objetivo radicaba en el diagnóstico de los errores de tipo “no sintácticos” en programas simples en Pascal, para conectar estos errores con los “conceptos erróneos” que subyacían en la mente del estudiante. Para lograr esto, el Meno Tutor utilizaba un sistema de plantillas, donde las soluciones posibles a un determinado problema estaban estandarizadas y el sistema verificaba en cuál de estas planillas podía encajar de forma satisfactoria la resolución diagramada por el estudiante. De acuerdo a los errores encontrados según las planillas, se le presentan al alumno una serie de sugerencias para corregir el programa, indicándole además, cuáles son las causas de su error y que conceptos aplicó en forma incorrecta o conceptos que desconoce [Castillo et al., 1998]. Más tarde apareció el tutor llamado Meno-II Tutor, también en la Universidad de Massachussets [Wolf, 1984] que estaba orientado al diagnóstico y análisis de las estructuras repetitivas, pero con la misma base original que tenía el Meno Tutor original. En esta nueva versión se agregó un módulo denominado “Bug Finder” que se encargaba de analizar el programa del estudiante dentro de un árbol de la solución propuesta y lo comparaba con un árbol almacenado que describía la solución de una manera mucho más sencilla. Esto es una mejora con respecto al uso de plantillas, pero el esquema continúa siendo demasiado rígido para poder encontrar los errores para una solución cualquiera con respecto a la solución factible. Otra de las desventajas de los tutores Meno radican en lo observado por Soloway y Johnson [Johnson et al., 1986] donde no existían estudios empíricos para generar el conocimiento de la programación que tenía el estudiante, es decir, no existía un módulo respectivo en forma definida. Esta carencia no deja ver las diferencias entre los programadores novicios y los expertos, quienes pueden adaptar las estructuras aplicadas en otros lenguajes (como C o C++) a la resolución del problema original. Es en este contexto que aparece el Tutor Proust de Carbonell [Carbonell, 1970] que puede analizar completamente el código fuente sin necesidad de utilizar plantillas como el Meno para identificar las soluciones posibles. Luego de analizar las debilidades de los Meno Tutor, el nuevo Tutor Proust reconsidera el problema del análisis de los programas y agrega conocimiento de la base de cada uno de los estudiantes, quedando algo más definido de esta manera el módulo del estudiante. A diferencia del Meno Tutor, el Proust está menos interesado en explicar los orígenes de los errores en la programación que en solucionarlos, por lo tanto posee una estructura más similar a un consejero que a un verdadero tutor.

Page 85: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ESTADO DEL ARTE Fernando A. Salgueiro 85

Luego, los métodos de diagnóstico de errores fallan en reconocer problemáticas de tipo no sintácticos que no son una propiedad intrínseca del programa erróneo, pero son satisfactorios para detectar las intenciones del estudiante programador con respecto a las estructuras y funciones. Se definió entonces, al “diagnostico de intenciones” como la gran innovación del Proust [Johnson, 1986]. Esto significa que el asesor es capaz de deducir las metas del usuario y compararlas con el código que analiza, lo que permite detectar errores no triviales en la lógica de programación. Esta característica se extendió luego a otros dominios, fuera del asesor Proust por su gran utilidad. Como contrapartida, el tutor Meno realizaba una comparación entre las funciones y estructuras esperadas y las entregadas por el estudiante. El acercamiento del Proust, por otro lado, realiza un diagnóstico sobre el proceso de diseño que distingue tres niveles distintos:

• Primero, la especificación del problema, que da origen a una meta final y a una serie de submetas.

• Segundo, una vez establecidas las metas del problema se generan los planes posibles para encontrar una solución.

• Tercero, se implementaba el código para resolver el problema conforme a los planes establecidos.

De esta manera, se producen informes de cada uno de los errores de los alumnos mucho más precisos, ya que se conocen los distintos pasos mentales que el estudiante daba para hallar la resolución del problema. Por lo tanto, el Proust busca la interpretación más plausible para el programa respecto a las especificaciones dadas y luego puede llegar a inferir un diseño posible que se adecua a las intenciones del estudiante programador novato. Esto le da la capacidad, al Proust, de poder detectar las diferencias entre un error en el programa, con su correspondiente error conceptual, y el código fuente inusual, pero en forma correcta. Tampoco existe dentro del Proust una definición básica de los módulos fundamentales propuestos por Carbonell [Carbonell, 1970], esto se debe a que generar un sistema tutor inteligente es un proceso largo y delicado, donde se deben tener en cuenta aspectos que corresponden a distintas áreas del saber, como puede ser la mejor codificación, en el área de la programación y el estilo de aprendizaje del alumno, perteneciente al área educativa, o los diseños de interfaces, para hacer llegar de manera correcta la información al usuario del sistema, perteneciente al campo del diseño gráfico. Otros Tutores Inteligentes, como el Bridge, son derivados del Meno y del posterior Proust se basan en el estudio de los errores típicos de programación y se considera el conocimiento inicial lingüístico que conlleva el aprendizaje de un nuevo lenguaje de programación. Al tutor Bridge no se le ha agregado un sistema de diagnóstico eficiente y en su lugar se utiliza un sistema más empírico que se desprende de los resultados obtenidos del tutor Proust, ya que estos tutores son muy similares. Vale la pena resaltar el caso del Tutor Capra de Fernández [Fernández, 1989] que es otro tutor STI, para el diagnostico y detección de errores de programación. Éste es uno de los primeros intentos para desarrollar un asesor inteligente en idioma español.

Page 86: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

86 Fernando A. Salgueiro ESTADO DEL ARTE

Ahora, tanto el Proust como el Meno Tutor, así como todos sus derivados, no son Sistemas Tutores completos, ya que no presentan los nuevos contenidos, sino que solo analizan los resultados de los conocimientos ya adquiridos por el estudiante y le muestran los errores y le proporcionan una solución aceptable, esto coincide con la forma de explicar los nuevos conceptos en forma socrática, soportada por la Teoría Uno [Perkins, 1995], pero carece de una forma para modificar el protocolo pedagógico conforme a las características de cada uno de los estudiantes, como pueden ser los estudiantes novatos y los estudiantes que poseen una base de programación. En la Tabla 2.7 se pueden ver algunas de las características de los distintos tutores aplicados a la enseñanza de la programación básica. Tutor Estructura Proceso de Búsqueda Especialidad Método para

detectar errores

Advisor Construye un grafo de dependencia de conceptos

El grafo se construye de manera bidireccional, propagando las restricciones que se derivan de una tabla de datos.

Posee “creencias” acerca del domino de aplicación y con respecto a la solución planteada y el dialogo se realiza en términos de estas “creencias”

Las “creencias” del sistema se obtienen de una base de datos y se las compara con los posibles caminos a tomar para la resolución de un ejercicio.

Flow Esquema organizado dentro de una estructura activa de red.

Utiliza un proceso en línea de ensayo de las expectativas del sistema y su posterior confirmación (o no)

Realiza todos los análisis con respecto a los estudiantes en línea, sin demoras o retrasos.

Esquema de errores estandarizados y los disparadores que pueden generar estos errores.

Proust Posee una jerarquía de objetivos y le agrega los planes para cumplirlos

Posee dos fases: primero construye un conjunto de hipótesis en forma de una búsqueda Top-Down, luego realiza un análisis diferencial que tienen en cuenta las intenciones del estudiante asi como también de errores estandarizados

Es capaz de interactuar entre múltiples metas u objetivos planteados y forma la base de los Sistemas Tutores Inteligentes como uno de los tutores mas utilizados en ambientes educativos reales.

Utiliza el “bug finder” que consiste en una serie de reglas para detectar errores. Como en Meno II, genera hipótesis de los posibles errores del estudiante acerca del dominio por medio de casos almacenados.

Spade

La estructura de los distintos planes se ve como un árbol y se analiza con un parser.

Depende de la “visión” lingüística del plan, el que sugiere las variedades de técnicas de parsing.

Incorpora aspectos globales en el proceso de diseño de algoritmos. Esto adiciona condicionamientos que son puramente técnicos (no del lenguaje)

Utiliza el árbol de las soluciones para comparar la solución probable del estudiante.

Tabla 2.7: Características de los primeros STI orientados a la programación

Page 87: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

DESCRIPCIÓN DEL PROBLEMA Fernando A. Salgueiro 87

Capítulo 3 - Descripción del Problema 3.1 – Definición Detallada del Problema El problema en el que se basa esta investigación, como ya se señaló en la introducción, se centra en el bajo porcentaje de alumnos que aprueban las materias de Programación Básica en las distintas carreras de Ingeniería. La investigación se centrará en el problema de las materias del área de docencia correspondiente a Programación Básica (tales como Algoritmos y Programación I y Computación) de la Facultad de Ingeniería de la Universidad de Buenos Aires que se basan en la resolución de problemas reales aplicando el paradigma de programación lineal estructurada. Algoritmos y Programación I (Código 75.40) corresponde a las carreras de Ingeniería Informática y Licenciatura en Análisis de Sistemas y Computación (Código 75.01) es una materia común a todas las carreras de ingeniería con excepción de Ingeniería Electrónica e Informática. Las encuestas de satisfacción realizadas en los cursos citados donde el tesista es docente auxiliar, durante el periodo 2002-2004 evidenció que antes de comenzar con el dictado de las clases el 10% de los alumnos utilizaban algún lenguaje de programación, y de ese porcentaje, solo el 3% conocía lenguajes donde se puede aplicar el paradigma lineal estructurado en la forma que requiere la materia. Luego de la interacción con los alumnos a lo largo de seis cuatrimestres, se ha observado que estos porcentajes se mantienen, por lo que se puede concluir que los alumnos no poseen un conocimiento previo de los lenguajes de programación y mucho menos del paradigma lineal estructurado. Por otra parte, durante los seis cuatrimestres en estudio se efectuó el seguimiento de los alumnos (a través de sus evaluaciones parciales y finales) a fin de saber por qué algunos de ellos no llegaban a aprobar la materia en tiempo y forma. En esta Universidad, como en otras, con asignaturas equivalentes en carreras relacionadas con la Informática y Sistemas es preocupante la baja cantidad de alumnos que aprueban la materia. En la mayoría de los casos este índice está en el orden del 30% [Madoz et al., 2000; Bruno, 2003]. Según Guardia Robles [Guardia Robles, 1993] para la enseñanza de los lenguajes de programación, los profesores tienen como objetivos básicos que los alumnos adquieran los conocimientos necesarios para desarrollar programas y sistemas computarizados que resuelvan problemas reales. En la enseñanza de la Programación Básica existen diversos factores que se pueden relacionar a la problemática del bajo rendimiento académico de los estudiantes. Entre los factores mencionados se pueden destacar los relacionados al docente y al alumno. Entre los problemas atribuibles al docente (sobre todo los novatos) se debe tener en cuenta el desconocimiento de los distintos métodos de enseñanza y la falta de manejo de

Page 88: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

88 Fernando A. Salgueiro DESCRIPCIÓN DEL PROBLEMA

las herramientas didácticas. También se evidencia la escasa base teórica para llevar al alumno hacia un cambio conceptual de sus errores. En este sentido, Guardia Robles [Guardia Robles, 1993] sostiene que: “Se ha dado demasiado peso al papel del profesor como transmisor, y menor al del alumno como receptor”, desde la visión tradicional que consideraba al docente como único transmisor de los conocimientos. Entre los problemas que se pueden atribuir al alumno se incluyen, las actitudes negativas de algunos de ellos hacia el aprendizaje, el desconocimiento de metodologías que les permitan encontrar las formas más apropiadas para evaluar las soluciones propuestas y las maneras para optimizarlas. Por otra parte, durante las clases de práctica en el laboratorio se observa que el tiempo para trabajo en máquina siempre es escaso, debido a que los recursos disponibles deben ser compartidos entre los grupos de trabajo. Se intentaron varios acercamientos para solucionar este problema, utilizando herramientas didácticas (foros de discusión, clases prácticas con computadora y cañón, clases en la sala de máquinas, etc.) ninguna logrando modificar sustancialmente los resultados antes descriptos en una manera aceptable. Por lo tanto, los bajos porcentajes de alumnos aprobados en los cursos de Programación Básica hicieron pensar en una nueva perspectiva orientada a facilitar el aprendizaje de un modo más flexible centrada en el diseñote un tutor adaptable a las preferencias de los estudiantes.

3.2 – Definición de los Objetivos de la Tesis

3.2.1 – Objetivo General El objetivo general de esta tesis se puede expresar como: Proponer un modelo de tutor inteligente que sea capaz de adaptarse a las necesidades y preferencias de los alumnos, según sus estilos de aprendizaje, para proveerles de una herramienta adicional a través de la cual puedan recibir tutorizado “uno a uno” independientemente del tiempo y la distancia en que éstos se encuentren. Para lograr el objetivo general, se requiere de los objetivos específicos que se enumeran a continuación.

3.2.2 – Objetivos Específicos

• Determinar el estado actual de las investigaciones en el tema del tutorizado humano e inteligente, relevantes para la tarea que desempeña el módulo correspondiente al tutor en un Sistema Tutor Inteligente (STI).

o Establecer los fundamentos que sustentan las teorías seleccionadas. o Seleccionar los componentes del módulo del tutor, mediante el uso de

submódulos, que permitan guiar a los estudiantes en el proceso de aprendizaje de manera de poder responder a sus necesidades.

Page 89: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

DESCRIPCIÓN DEL PROBLEMA Fernando A. Salgueiro 89

• Modelar el subsistema tutor enmarcado dentro de la arquitectura de los Sistemas Tutores Inteligentes (STI), con sus submódulos e interfaces, utilizando las herramientas que provee la Ingeniería de Software y la Inteligencia Artificial (IA).

• Validar el modelo planteado con datos característicos de los alumnos, tales

como los estilos de aprendizaje y el rendimiento académico.

3.2.3 – Preguntas de Investigación A partir de los objetivos específicos, se desprenden una serie de interrogantes que deben ser respondidos para que el objetivo general pueda ser cumplido. Se pueden formular de la siguientes preguntas de investigación: Pregunta 1: ¿Cuál es la herramienta más adecuada para la toma de datos

representativos de las necesidades y preferencias de los estudiantes y el procesamiento de los mismos?

Pregunta 2: ¿Cuál es el tamaño muestral mínimo para que el error de generalización

sea lo suficientemente pequeño como para que los resultados puedan generalizar a toda la población de alumnos?.

Pregunta 3: ¿En cuántos grupos o familias pueden organizarse los datos relevados de

los alumnos? ¿Es este número aceptable para una relación lineal con los distintos protocolos pedagógicos?.

Pregunta 4: De todos los atributos relevados por la herramienta (planilla de toma de

datos): ¿Cuáles de ellos tienen una mayor ganancia de información? Y a su vez, ¿Cómo quedan expresados los grupos o familias en función de los atributos más relevantes?.

Pregunta 5: La información requerida para determinar el protocolo pedagógico del

estudiante: ¿estará disponible en el módulo del estudiante o deberá agregarse a la estructura general de un Sistema Tutore Inteligente (STI) un nuevo submódulo para relevar y procesar la información requerida?.

Pregunta 6: ¿Cada uno de los grupos o familias en las que los estudiantes se unen

pueden ser relacionadas con un protocolo de enseñanza específico? Si la respuesta es afirmativa: ¿Con qué protocolo están relacionados?.

Pregunta 7: ¿Cómo reacciona la estructura de la solución propuesta en el caso en que el

protocolo pedagógico requerido por el sistema se encuentre faltante parcialmente (en algún tema) en el módulo del dominio?.

Pregunta 8: ¿Cómo se adapta la solución propuesta al uso de las nuevas tecnologías de

la información y comunicación (NTIC)? Pregunta 9: ¿Qué impacto global tiene la propuesta en el marco especifico de los

Sistemas Tutores Inteligentes (STI)?.

Page 90: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

90 Fernando A. Salgueiro DESCRIPCIÓN DEL PROBLEMA

3.3 – Límites y Restricciones del Trabajo Ya se ha señalado que el campo de los Sistemas Tutores Inteligentes (STI) es muy amplio y muchas de sus aplicaciones reales recién comienzan a tomar forma hoy día, como son los Asistentes Inteligentes, los Sistemas Tutores Inteligentes Multiagentes Distribuidos y los Sistemas Tutores Inteligentes basados en la Web que utilizan las nuevas tecnologías disponibles. Ante la diversidad de opciones posibles en esta investigación se limitará el campo de aplicación como se detalla en los párrafos siguientes. Para este trabajo se considerará el modelo básico de componentes planteado por Carbonell [Carbonell, 1970] con tres módulos básicos (módulo del tutor, del estudiante y del dominio) y sus rediseños posteriores [Salgueiro et al., 2004; Salgueiro et al., 2005; Costa et al., 2004; García-Martínez et al., 2004; Cataldi et al. 2004]. No se contemplaran los modelos netamente experimentales y con poca cantidad de prototipos implementados, tal como puede ser el modelo planteado por Self [Self, 1998], expuesto anteriormente en el Estado del Arte. Se optó por utilizar la arquitectura de Carbonell [Carbonell, 1970] debido a que es la base de la mayor parte de los desarrollos en todo el mundo y se adapta a la propuesta de modelado del sistema tutor. Las arquitecturas que definen el resto de los investigadores son experimentales y muy pocos de los tutores que las utilizan han sido probados con estudiantes fuera de los casos de laboratorio. La estructura clásica de Carbonell, como ya se dijo, ha sido implementada en muchas ocasiones, siendo los resultados más tangibles los Sistemas Tutores Inteligentes (STI): Scholar [Carbonell, 1970], Why [Stevens et al., 1977], Sophie [Brown et al., 1989], Guidon [Clancey et al., 1991], West [Burton et al., 1981], Buggy [Brown et al., 1989], Debuggy [Brown et al., 1989] Steamer [Stevens et al., 1977], Meno [Wolf, 1984], Proust [Johnson et al., 1984], Sierra [VanLehn, 1988], Andes [Gertner et al., 1998] y el CircSim [Kim, 1989; Kim, 2000; Cho, 2000; Hume, 1995; Shah, 1997; Hume et al., 1992] entre otros. Por otra parte, los Sistemas Tutores Inteligentes (STI) analizados pueden responder a las preguntas de los usuarios estudiantes, siempre y cuando la interacción esté iniciada por el sistema, ya que éste debe realizar un proceso guiado de aprendizaje. En el caso en que la interacción sea iniciada por el estudiante, el sistema no puede conocer de antemano los objetivos a cumplir y por lo tanto no puede establecer el mejor camino para llegar a ellos. Este tipo de interacciones, entonces, no se tendrán en cuenta para el análisis de los distintos submódulos en la estructura del módulo del tutor dentro del esquema de los Sistemas Tutores Inteligentes (STI). Se pueden destacar varios Sistemas Tutores Inteligentes (STI) que se adaptan a la restricción de no aceptar interacciones no guiadas o iniciadas por el estudiante usuario: Scholar [Carbonell, 1970], Why [Stevens et al., 1977], Sophie [Brown et al., 1977], Guidon [Clancey et al., 1988], West [Burton et al., 1981], Buggy [Brown et al., 1989], Debuggy [Brown et al., 1989] Steamer [Stevens et al., 1977], Meno [Wolf, 1984], Proust [Johnson et al., 1984], Sierra [VanLehn, 1987], Andes [Gertner et al., 1998] y el CircSim [Kim, 1989; Kim, 2000; Cho, 2000; Hume, 1995; Shah, 1997; Hume et al., 1992] entre otros.

Page 91: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

DESCRIPCIÓN DEL PROBLEMA Fernando A. Salgueiro 91

Para diseñar e implementar un Sistema Tutor Inteligente (STI) que soporte la iniciativa del alumno se requiere de un análisis adicional para detectar los patrones de comportamiento y los casos particulares en que sus iniciativas pueden encontrar (o no) situaciones útiles para lograr un objetivo dentro del marco del aprendizaje. En consecuencia, las interacciones iniciadas por el estudiante usuario no serán contempladas, por lo que esto no impactará en los distintos marcos teóricos utilizados, como lo son la instrucción didáctica (que expande el repertorio de conocimientos del alumno), el entrenamiento (que satisface la necesidad de asegurar una práctica efectiva) y la enseñanza socrática (cuyo objetivo es ayudar al alumno a comprender ciertos conceptos por sí mismo y darle la oportunidad de investigar y de aprender cómo hacerlo). Todas ellas están dentro del marco teórico de la Teoría Uno [Perkins, 1995]. Por lo tanto, se analizará la integración de la Teoría Uno dentro del marco de los Sistemas Tutores Inteligentes (STI) y la forma en que el sistema deberá responder a cada uno de los distintos perfiles de los estudiantes de acuerdo a su estilo de aprendizaje, realizando la menor cantidad de indagaciones a fin de obtener buenos resultados para la sesión pedagógica con respecto a los recursos disponibles en el sistema (en el módulo del dominio).

3.4 – Recursos Necesarios. En esta sección se detallan los recursos necesarios para llevar a cabo la tesis. Se tratan de recursos bibliográficos, tecnológicos y humanos. Debido al desarrollo de la tesis centrada en un modelo computacional, se requirió de tecnología de computadora de última generación para correr las diferentes las redes neuronales, que insumen una cantidad de tiempo considerable debido a que se deben ajustar los distintos parámetros. También, el carácter interdisciplinario de la tesis, requiere tanto de conocimientos pertenecientes al área de la Inteligencia Artificial (IA) como también de las Ciencias de la Educación: tales como las teorías de aprendizaje, de enseñanza y la psicología educativa, esto incrementó el número de consultas a los materiales bibliográficos específicos de un área que inicialmente estaba fuera de las previsiones del tesista durante su carrera, por lo que se requirió de una formación adicional en este dominio en particular.

3.4.1 – Recursos tecnológicos Básicamente, los recursos tecnológicos utilizados son los necesarios para el entrenamiento de las redes neuronales y la confección del informe de tesis. Como se mencionó en el párrafo anterior, el entrenamiento de las redes es una tarea costosa a la hora de medir tiempos, ya que se requiere de cientos y hasta miles de ciclos de entrenamiento para una red, a fin de poder evaluar el error de entrenamiento que la misma posee. Cuando el error es inaceptable (mayor al 5%), se debe descartar la red. De este modo se debe comenzar el proceso de entrenamiento nuevamente, variando los

Page 92: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

92 Fernando A. Salgueiro DESCRIPCIÓN DEL PROBLEMA

distintos parámetros que la definen (entre los que se pueden citar el parámetro de aprendizaje α (el valor inicial y el régimen de modificación a lo largo de los ciclos), el momentum β, los pesos aleatorios iniciales, el vecindario gaussiano, la cantidad de atributos que se utilizarán para el entrenamiento, la cantidad de las observaciones que se utilizarán y las que se descartaran, justificando por qué se descartarán). En promedio, el tiempo de entrenamiento de una red neuronal para los valores utilizados en esta tesis es de aproximadamente 1.5 horas. Se entrenaron redes con más de 600 variaciones en los parámetros hasta encontrar los adecuados y los valores mínimos correspondientes al error, lo que da un tiempo total neto de 38 días de entrenamiento. Este proceso no puede realizase en forma completamente automática ya que es el tesista quien debe variar los distintos parámetros y evaluar los resultados en cada caso. Los recursos utilizados se enumeran a continuación:

• Computadoras el entrenamiento de la red: Básicamente se utilizó una: o PC INTEL Pentium 4 de 2.4 GHz, con HDD de 120GB y 1024MB de RAM o Servidor INTEL Pentium 4 de 2.4 GHz c/u, HDD de 120 GB y 2 GB de RAM

• Computadora para la confección del documento de la tesis: PC AMD 2600+

de 2.1GHz, con HDD de 120GB, 512MB de RAM. o Con Impresora: Lexmark Z31. o Con Procesador de texto Microsoft Word 2004 y Planilla de cálculo para la

trascripción de planillas, notas, etc: Microsoft Excel 2004.

• Implementación de redes utilizadas: Aplicaciones creadas por Angshuman Saha, en el John F. Welch Technology Center (Bangalore, India) y de uso y distribución gratuitas.

o NNClust: Agrupador basado en SOM. o NNClass: Clasificador basado en BackPropagation. o Ctree: Algoritmo de Inducción basado en C4.5.

3.4.2 – Recursos Bibliográficos Básicamente se utilizaron los recursos bibliográficos provistos por la biblioteca central de la Facultad de Ingeniería de la Universidad de Buenos Aires, además de la Biblioteca del Instituto Tecnológico de Buenos Aires y el acceso a Centros de Investigación disponibles a través de Internet de la SeCyT para comunicaciones a eventos internacionales y revistas especializadas, que son citados en la sección de Bibliografía. Se debe resaltar que los recursos bibliográficos concernientes a educación fueron consultados en la Biblioteca Nacional de Maestros de la Ciudad de Buenos Aires, en la Biblioteca del Congreso Nacional y muchos de los libros fueron aportados al tesista por la Mg. Ing. Zulma Cataldi. Además, se accedió al material educativo de Universidades que disponen de Bibliotecas Virtuales en el área (como por ejemplo Sevilla y Barcelona) por medio de Internet.

Page 93: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

DESCRIPCIÓN DEL PROBLEMA Fernando A. Salgueiro 93

3.4.3 – Recursos Humanos Dado que el proyecto es desarrollado por una sola persona, el tesista, tanto la planificación de las pruebas, el análisis de los resultados, las transcripciones y codificación de las planillas y notas, la compaginación, la comparación de los resultados y el entrenamiento de las redes han sido realizadas por la misma persona con la guía de los directores. Debido a que las planillas para la toma de datos (los estilos de aprendizaje) requieren de alumnos para la toma de los datos básicos se requirió:

• Una muestra de estudiantes que cursasen materias del área de Programación Básica dispuestos a completar de forma fehaciente las planillas de estilos de aprendizaje para ser tomadas como los datos de entrada de las distintas redes neuronales, tanto para el entrenamiento de la red como para su validación. Por otra parte, de acuerdo a la matrícula de estudiantes se calculó el número mínimo de alumnos a relevar para mantener acotado al error de generalización por debajo de valores aceptables (entre 3 y 5 %). En la sección 5.3.2.- validación del modelo se pueden ver los detalles del cálculo del tamaño muestral.

• Dos cursos en los que se dicten las materias del área de Programación Básica y

que los docentes se puedan asimilar a dos de las formas básicas de enseñanza que estipula la Teoría Uno de Perkins [1995]. Las distintas formas de enseñanza de la Teoría Uno se encuentran detalladas en la Sección 2.3.3.4.2 - Técnicas educativas aplicables.

Page 94: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

94 Fernando A. Salgueiro SOLUCION PROPUESTA

Capitulo 4 – Solución Propuesta 4.1 – Establecimiento y Justificación de la Solución. Para obtener un Sistemas Tutores Inteligentes (STI) verdaderos, con módulos intercambiables, se debe partir del modelo tripartito propuesto por Carbonell [Carbonell, 1970] sin solapamiento de funciones. De este modo se obtendrán módulos intercambiables que pueden interactuar entre si. Se piensa entonces en módulos independientes con interfaces completamente definidas, de modo tal que puedan intercambiarse, por ejemplo el dominio, sin necesidad de modificar el resto de la estructura del Sistema Tutor Inteligente (STI). Para el caso en que se plantea la solución, se ha tomado como dominio de aplicación el correspondiente al área de Programación Básica. El módulo del tutor debe diseñarse de tal modo que pueda brindar una solución adecuada a los problemas descriptos en el capítulo anterior que presentan los estudiantes. También es deseable mostrar los contenidos de cada una de las sesiones pedagógicas utilizando la mayor cantidad de recursos didácticos como lo señala Guardia Robles [Guardia Robles, 1993]. Algunos investigadores presentan una estructura teórica [Carbonell, 1970; Salgueiro et al., 2004; Costa et al., 2004] que difiere de la real implementada en los Sistemas Tutores Inteligentes (STI). La diferencia entre la descripción teórica y la implementada se debe a que no están bien diferenciadas las distintas interfaces. Se observa que muchos de los conocimientos particulares del dominio (pertenecientes al módulo de dominio) se encuentran dentro de los módulos del tutor y del estudiante tal como se observa en la Figura 4.1 existiendo zonas de solapamiento entre módulos.

Figura 4.1.a Figura 4.1.b

Figura 4.1: Diferencias entre el esquema teórico de un Sistema Tutor Inteligente y su versión final implementada. En la Figura 4.1.a: Se puede ver el esquema de un Sistema Tutor Inteligente Teórico,

mientras que en la Figura 4.1.b: Se ve el esquema de un Sistema Tutor Inteligente real (implementado) con solapamiento de los módulos.

Interfaz

Modulo Tutor

Modulo Dominio

Modulo Estudiante

Modulo Dominio

Modulo Tutor

Modulo Estudiante

Interfaz

Page 95: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 95

Algunos Sistemas Tutores Inteligentes que presentan superposiciones son: el tutor CircSim (simulador de la PhD Evens y los médicos Michael y Rovick) [Kim, 1989; Kim, 2000; Cho, 2000; Hume, 1995; Shah, 1997; Hume et al., 1992] en el campo de la medicina y los tutores Meno [Wolf, 1984] y Proust [Johnson, 1986] desarrollado para el área de la informática, ya que son tutores para el apoyo de la enseñanza de lenguajes de programación. Existen también otros problemas en las implementaciones de los Sistemas Tutores Inteligentes (STI), ya que muchas funciones están relacionadas tanto al módulo tutor como al módulo del estudiante. Por ello, se debe identificar qué módulo será el encargado de realizar cada una de las funciones del Sistema Tutor Inteligente (STI) a fin de que éste quede definido en su totalidad. De este modo se lo podría desarrollar a través de módulos completamente intercambiables e independientes del dominio de la aplicación. La definición de cada una de las tareas particulares de los módulos, permite realizar agrupamientos de tareas en cada uno de ellos. A estos agrupamientos se los definirá como submódulos pudiéndose realizar un análisis similar al de los grandes bloques del sistema tutor inteligente, definiendo sus funcionalidades básicas y sus interfaces, para permitir la independencia de los submódulos. Un entorno de desarrollo (framework) para la implementación de los Sistemas Tutores Inteligentes (STI), debe permitir la reusabiliadad de código, como plantean El Sheikh y Sticklen [El Sheikh et al., 1998] entre otros. De acuerdo a lo planteado en la descripción del problema, en el modelo planteado el estudiante usuario debe comprender un tópico en particular y el sistema tutor inteligente debe adaptarse de acuerdo a las sus necesidades y preferencias. Es decir, se trata de un modelo de tutor adaptable. Los sistemas tutores inteligentes están en desarrollo desde hace más de quince años, pero muy pocos realizaron la transición hacia el mercado comercial. Esta imposibilidad de los STI para ser comercializados como productos de uso masivo se debe a:

• La dificultad inherente al desarrollo de un sistema tutor inteligente (STI), ya que son proyectos multidisciplinarlos, al menos entre la ingeniería del conocimiento, la ingeniería de software, la ciencias de la educación y el dominio particular en el que se centra el sistema tutor. Esto da como resultado sistemas masivos, que, por la falta de reutilización de los módulos y de interfaces compatibles requieren que se comience un nuevo desarrollo desde cero para cada STI.

• El tiempo, para la planificación y el desarrollo de sistemas como los

mencionados, es de varios años, más otros tantos de puesta a punto con pruebas piloto antes de salir como un producto comercial. Para cada Sistema Tutor Inteligente (STI) se deben desarrollar todos los componentes, tanto particulares para el domino como los componentes generales así como los módulos de tutor y del estudiante.

• La relación Costo/Beneficio debe ser analizada para cada tutor, ya que todos los

módulos son desarrollados nuevamente para cada producto, deben ser probados y debe ser evaluada la efectividad del modelo en cada caso, aumentando el costo y el tiempo que insume el proyecto en forma global.

Page 96: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

96 Fernando A. Salgueiro SOLUCION PROPUESTA

Se puede afirmar entonces que estos inconvenientes y argumentos, generan un problema serio en los Sistemas Tutores Inteligentes (STI), pero no en cada caso particular, ya que el problema reside en la metodología actual de desarrollo de este tipo de sistemas. El problema es que pocas secciones de código o partes de un sistema tutor inteligente pueden ser reutilizada por otro tutor. A esto se le suma que los módulos, no están bien definidos y que el tutor inteligente está particularizado para un dominio especifico. Se genera código de tipo “hard-coded”17 donde muchos de los elementos que no son dependientes del dominio se encuentran dentro de cada uno de los módulos. Por otra parte, se detecta una falta de lenguaje estándar para representar los conocimientos en el módulo de conocimientos y de una interface que permita a las distintas aplicaciones y a los distintos módulos acceder a ese conocimiento. Además, se requiere desarrollar herramientas estandarizadas que permitan a los diseñadores de los Sistemas Tutores Inteligentes (STI) manipular el conocimiento: obtenerlo y generar las relaciones (de pertenencia, de correlatividad, de generalización, entre otras) con mayor facilidad. Las evidencias de las diferencias entre los modelos teóricos y los implementados surgen en los planteos de Clancey y Joerger [Clancey et al., 1988] quienes se lamentan que “...la realidad hoy es una empresa que solo experimentan los programadores” y la mayoría del desarrollo teórico realizado en las últimas décadas no aportó mucho en cuanto a la estandarización de los Sistemas Tutores Inteligentes (STI), ya que la mayor parte de los investigadores se centraron en el desarrollo de tutores para aplicaciones individuales o para aplicaciones muy dependientes del dominio. Por otro lado, se puede ver que los Sistemas Tutores inteligentes (STI) son, en general, construidos por programadores y profesionales del área de la informática que poseen poca experiencia en el campo de las ciencias de la educación y teorías del aprendizaje. Esto, en contraposición con el párrafo anterior, da como resultado sistemas que pueden ser excelentes en términos de diseño, uso de recursos y rendimiento, pero que pueden ser poco eficientes en la puesta en producción en un ambiente educativo real. Por lo tanto, este trabajo surge motivado por las debilidades detectadas en el análisis y la existencia de una falta de estandarización para generar Sistemas Tutores Inteligentes (STI) reutilizables y de propósito general que puedan aplicarse a una gran diversidad de dominios, en particular en lo referente al remodelado del módulo del tutor. Tomando esta base se puede plantear la solución que se sustenta esta tesis. El problema que se intenta solucionar se puede reformular entonces del siguiente modo: “Existe una necesidad de desarrollar una arquitectura para los STI, de modo que sus componentes puedan ser reutilizables por lo que se deberá contar con las herramientas apropiadas de diseño (estandarizadas) que permitan desarrollar interfaces y submódulos con funciones perfectamente definidas”.

17 Partes del código fuente que se encuentran “hard-coded” son partes que se definen de tal manera de que no pueden ser modificadas sin recompilar todo el código fuente, a diferencia de los datos que se obtienen del DBMS, bases de datos o sistemas mas primitivos de manejo de información.

Page 97: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 97

Además de las necesidades de un mayor análisis sobre cada uno de los módulos planteados por Carbonell [Carbonell, 1790] para desarrollar Sistemas Tutores Inteligentes efectivos, éstos deben centrarse en las necesidades reales de los estudiantes usuarios. Esto significa contar con los protocolos pedagógicos más adecuados de acuerdo a las necesidades y las preferencias de cada usuario del sistema en particular que tenga en cuenta la diferencia entre los distintos tipos de conocimientos a explicar: el conocimiento declarativo, que incluye los hechos, conceptos y vocabulario y el conocimiento procedural que incluye los pasos, las formulas y los algoritmos a utilizar en la resolución de problemas. Es decir, la hipótesis principal se puede describir como: “Un Sistema Tutor Inteligente (STI) que se adapte a las preferencias del estudiante este obtendrá mejores resultados”. A continuación se plantean de los submódulos y las interfaces que se proponen para solucionar la problemática actual de los Sistemas Tutores Inteligentes (STI), de los cuales se tomará el módulo del tutor para su modelado.

4.1.1 – Submódulos e Interfaces Para el análisis se partirá del diagrama básico de los Sistemas Tutores Inteligentes (STI) planteado por Carbonell [Carbonell, 1970] y Guardia Robles [Guardia Robles, 1993], luego se ampliará ese esquema a los submódulos se ha detectado como faltantes [Salgueiro et al., 2004] cuya falta ha sido comunicada por Cataldi [Cataldi et al., 2004], por Costa [Costa et al., 2004] y por García-Martínez [García-Martínez et al., 2004] planteando de este modo las necesidades básicas de cada submódulo y cómo estos submódulos deben articularse entre sí para poder contribuir con partes completamente independientes. A pesar de los avances tecnológicos, el modelado de los Sistemas Tutores Inteligentes (STI) sigue siendo una tarea compleja, ya que más allá de considerar los tres módulos básicos de la arquitectura tripartita propuesta por Carbonell [Carbonell, 1970] se deben tener en cuenta las interfaces, las comunicaciones entre los módulos y la gestión de la información en los mismos. A la hora de modelar un STI se deben tomar en consideración las características del dominio (o sea del contenido), del comportamiento observable del alumno (modelos del alumno) y del conjunto de estrategias que serán abordadas por el módulo del tutor en búsqueda de una enseñanza personalizada (modelos de tutor). Si bien el desarrollo de esta tesis solo abarca con profundidad el modelado del tutor, no se deben dejar de lado los otros módulos, ya que los datos que recibe o envía el módulo del tutor deben proceder de (o dirigirse a) alguna parte, ya que no todos provienen directamente del usuario. Estos datos solo pueden provenir de las interfaces con los otros módulos, porque en caso contrario habría solapamiento entre los módulos. De este modo, mantener la estructura teórica no es suficiente para que quede definido el sistema sin superposiciones. Hay que considerar el listado de funcionalidades de los módulos para que no se realicen dos veces las mismas tareas. La división de los módulos en funcionalidades puede evitar el solapamiento, como se verá en el apartado 4.1.1.2 – Componentes básicos de los Módulos.

Page 98: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

98 Fernando A. Salgueiro SOLUCION PROPUESTA

Figura 4.2: Estructura clásica de un Sistema Tutor Inteligente propuesta por Carbonell [Carbonell, 1970].

Figura 4.3: Estructura de un STI, con la identificación de submódulos y un módulo evaluador. En la Figura 5.2 se observa la estructura básica de un Sistema Tutor Inteligente (STI) en forma teórica. Luego, la estructura del módulo del tutor se puede complementar con la del módulo del estudiante planteado por Costa [Costa et al., 2005] y con el módulo de evaluación planteado por Cánepa Paulín [Cánepa Paulín et al., 2004] en su plan de tesis en función de la metodología propuesta por Cataldi [Cataldi et al., 2004].

Modulo Dominio Modulo Tutor Modulo Estudiante

Interfaz

Sistema Tutor Inteligente

Interfaz

Modulo Evaluador

Modulo del Tutor

Protocolos Pedagógicos

Planificador de la lección

Generador de

Contenidos

Generador de Lenguaje

Natural

Evaluador

Stack de Objetivos

Analizador de Perfil Protocolos

Pedagógico

Modulo Dominio

Conocimiento Elementos Pedagógicos

Parámetros del sistema

Modulo del Estudiante

Estilos

Estilos de Estudiante

Estado de Conocimiento

Actualizador de estados

Stack de Objetivos

Usuarios Estudiantes

Clasificación

Estado actual de

conocimientos

Page 99: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 99

4.2 – Análisis de los Submódulos En los apartados siguientes se describen cada uno de los submódulos que se proponen para el módulo del tutor. Se presentan las interfaces y las tareas especificas de cada uno de los submódulos, comparándolos con los desarrollos actuales en los Sistemas Tutores Inteligentes (STI) y se los ubica dentro de la estructura global del módulo del tutor.

4.2.1 – Submódulo Protocolos Pedagógicos En la Figura 4.4 se puede ver el esquema general del submódulo de los protocolos pedagógicos, con sus dos componentes básicos: el analizador de perfil y la base de protocolos pedagógicos disponibles. Este submódulo interactúa, con el resto de los submódulos del módulo del tutor y además es el que realiza las peticiones de los datos al módulo del estudiante, para saber cuál es el perfil de éste y su estado de conocimientos.

Figura 4.4: Submódulo de Protocolos Pedagógicos El submódulo de protocolos pedagógicos consta de un analizador de perfil, para determinar, a partir de los datos almacenados en el módulo del estudiante, cuál será el mejor protocolo pedagógico para utilizar en la siguiente sesión pedagógica. El sistema cuenta con una base de protocolos pedagógicos donde su uso estará subordinado a la disponibilidad de los contenidos en el módulo de conocimientos, pero la lección siempre se puede generar para alguno de los protocolos, o de una manera incompleta para los protocolos que requieran más recursos didácticos. Esto se puede aclarar a través de un ejemplo: cuando el sistema determina que requiere presentar un contenido del tipo magistral de un tema en particular, pero el módulo de conocimientos no contiene la cantidad suficiente de elementos didácticos como para que la sesión se pueda completar, el sistema puede decidir que el material es insuficiente y cambiar a otro protocolo pedagógico. En el peor de los casos, se mostrarán solamente las definiciones de los conceptos y las relaciones básicas entre ellos, utilizando un mapa conceptual como lo define Novak [Novak, 1988] que es la información o discernimiento mínimo que puede poseer el módulo de dominio de un tema en particular. En el apartado siguiente, se analizará cómo el módulo del tutor puede realizar la selección del protocolo pedagógico más adecuado y el objetivo de la sesión pedagógica en particular para un estudiante usuario.

Protocolos Pedagógicos

Analizador de Perfil Protocolos

Pedagógico

Page 100: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

100 Fernando A. Salgueiro SOLUCION PROPUESTA

4.2.1.1 – Analizador de Perfil El Analizador de Perfil debe encontrar el mejor protocolo pedagógico disponible en el Sistema Tutor Inteligente (STI) que se adecue a las preferencias del estudiante para una dada sesión pedagógica. La eficacia resultante en la elección de protocolo estará influida por la precisión en el método de selección utilizado. Para obtener datos acerca del modo en que cada alumno aprende, se utilizarán las planillas de estilo de aprendizaje que son herramientas para la toma de datos. Se ha determinado la validez18 y confiabilidad19 de este instrumento a través de su aplicación por diversos investigadores desde la fecha de su creación [Felder, 1990; Figueroa, 2004]. Partiendo de los datos que proveen las planillas se determinará el protocolo pedagógico de preferencia para cada estudiante en particular. El objetivo de las planillas de estilos de aprendizaje es obtener datos acerca de la forma en que el alumno aprende normalmente de un modo más natural. En el Estado del Arte, sección 2.3.6.3 – Técnicas Educativas Generales, se analizaron los diferentes estilos de aprendizaje. Se seleccionó la planilla de estilos de aprendizaje de Felder [Felder, 1998; Figueroa et al, 2004] entre las opciones disponibles, ya que la misma había sido utilizada con buenos resultados en estudios acerca de los estilos de aprendizaje de los estudiantes de Ingeniería Química e Ingeniería Informática. A su vez esta planilla es una herramienta validada, que permite obtener información sólida para dar de sustento a una metodología más abarcativa con vistas a la aplicación en el ámbito específico de la Ingeniería Informática y de las Ingenierías en general. La planilla completa de estilos de aprendizaje se puede ver en el Estado del Arte de esta tesis. Luego de la administrar el cuestionario a los alumnos, con esos datos se propone utilizar las herramientas que proporciona la Inteligencia Artificial (AI), tales como las Redes Neuronales (NN) a fin de obtener la relación de las preferencias de los estudiantes con los protocolos pedagógicos. A partir de una muestra significativa estadísticamente20 de estudiantes de los cuales se tienen las planillas de estilos de aprendizaje completas, se verá como los estilos de aprendizaje permiten el agrupamiento de acuerdo a las técnicas de enseñanza o protocolos pedagógicos. Esto permitirá correlacionar la preferencia del alumno con la disponibilidad del protocolo pedagógico más adecuado existente en el sistema. Como la selección del protocolo pedagógico es uno de los elementos a determinar se desea agrupar los estudiantes en familias con características comunes, aunque desconocidas de antemano. Esto se puede llevar a cabo utilizando las redes neuronales del tipo Self Organizing Maps (S.O.M.) (también conocidas con el nombre de mapas de

18 Validez significa que la definición se ajusta al concepto y ésta debe referirse justamente a ese concepto

y no a algo similar, para asegurar que se está midiendo justamente lo que pretende y no otra cosa. 19 Confiabilidad se refiere a que si se repite la medición o el registro de información, el resultado será

siempre el mismo, independientemente del investigador. 20 Con un error de generalización menor al 3% para una población de 800 alumnos, el tamaño de la

muestra es de 120 sujetos, como se muestra en el apartado 5.2.1.

Page 101: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 101

Kohonen) [Kohonen, 2001] que realizan una “clusterización” o agrupamiento según determinadas características comunes del conjunto de individuos original. Las redes S.O.M. utilizan aprendizaje no supervisado, donde las salidas de la red no poseen un valor esperado durante la etapa de entrenamiento, por lo tanto los “clusters”21 resultantes al aplicar la red S.O.M. a los datos de entrada, si bien poseen características en común, estas no pueden verse a simple vista. En la Figura 4.5 se puede ver activa solamente el conjunto Mc que mejor se adapta al patrón de entrada x. Existen también otros conjuntos Mi que se concuerdan aceptablemente con x, en la zona de Mc.

Figura 4.5: Conjunto autoorganizado. Cuando se ingresa un mensaje “x”, este se envía a todos los conjuntos Mi del modelo. De todos estos conjuntos, solo Mc es el que mejor concuerda con “x”. A su vez, todos los modelos que se encuentran en las cercanías de Mc (marcados con el círculo grande) tienen una buena concordancia con el mensaje “x”. Cabe resaltar que Mc difiere de un mensaje “x” al siguiente. [Kohonen, 2001]

Una vez finalizado el proceso de formación del mapa topológico obteniendo los cluster o familias con características comunes, se agrega a cada uno de los individuos pertenecientes a la población original el identificador del grupo generado por la red S.O.M. para continuar con el análisis. En la Figura 4.6 se puede ver el esquema general de una red neuronal del tipo S.O.M., donde se establecen los pesos Wij para todas las conexiones entre las neuronas de entrada y las de salida.

Figura 4.6: Arquitectura típica de una red neuronal del tipo S.O.M.

21 Un cluster es una familia de datos o atributos que poseen características en común. Estas características

pueden ser explicitas o implícitas a los usuarios de los datos de la red.

x

MC

Mi

Las neuronas artificiales de entradas representan todos los parámetros del sistema. En el caso particular de la clasificación de las planillas de estilos cada una de las neuronas de entrada representara la respuesta multiple-choice a cada una de las preguntas del cuestionario

Dadas las entradas una única neurona se activará y esta representará la clasificación de la red.

Entr

adas

Sa

lidas

W IJ

Page 102: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

102 Fernando A. Salgueiro SOLUCION PROPUESTA

Una vez obtenidos los agrupamientos resultantes de la red S.O.M. se utilizará un algoritmo de inducción para hallar las reglas que caracterizan a cada uno de estos grupos. En este caso se utilizarán algoritmos que pertenecen a la familia Top-Down Induction Trees (TDIT) (o en castellano Árboles Inductivos de Arriba Hacia Abajo). Si bien existen varios algoritmos que realizan estas funciones, uno de los mas completos es el C4.5 de Quinlan [Quinlan, 1993], que es una extensión del algoritmo ID3 (Induction Decision Trees) propuesto también por Quinlan [Quinlan, 1986]. Su objetivo es generar un árbol de decisión y luego las reglas de inferencia que caracterizan a dicho árbol. En este caso particular, el C4.5 tomará como entradas los datos de los estudiantes ya categorizados y como salida se obtendrán reglas del tipo:

Si Precondición1, Precondición2, …, Precondiciónn Entonces Clusterk. Se utiliza el C4.5 en lugar del ID3 ya que el primero permite trabajar con valores continuos para los atributos, separando los posibles resultados en dos ramas: una para aquellos Ai≤θ y otra para Ai>θ, (donde Ai es un atributo y θ es un valor limite para el cual todos los elementos de la regla menores a θ se abren en un subárbol de reglas y los mayores en otro). El algoritmo genera un árbol de decisión a partir de los datos mediante particiones realizadas recursivamente. El árbol se construye mediante la estrategia de depth-first (profundidad primero) considerando todas las divisiones posibles del conjunto de datos. Se selecciona, luego, la división del conjunto de datos que resulta en la mayor ganancia de información. En el caso particular de que existan atributos discretos, se considerará una división por cada uno de sus n resultados. C4.5, construye reglas que abarcan todos los datos, cubriendo todos los ejemplos positivos y ninguno de los negativos. En el caso de existir un ejemplo negativo a una de las reglas, se continúa avanzando en profundidad en el árbol de atributos. Además, el algoritmo puede aceptar entradas incompletas que soluciona mediante pre o post procesamiento, donde se reduce la cantidad de reglas generadas mediante pruning22 (truncamiento o poda), sin afectar la precisión de las reglas obtenidas. El resultado será un conjunto de reglas que describen a cada uno de los clusters, pudiendo identificar las características de cada una de las familias de elementos encontradas. En la Figura 4.7 se puede ver un resultado gráfico posible como salida del algoritmo de inducción C4.5. Para clasificar a un individuo dentro de los grupos establecidos se debe partir del nodo denominado Root y se debe evaluar cada uno de los atributos hasta llegar a un nodo terminal que contiene la clasificación final.

22 En el caso particular del algoritmo C4.5, el mecanismo de pruning funciona de la siguiente manera: una vez creado el árbol de decisión sobre un conjunto de instancias de entrenamiento, se realizan ajustes al árbol y se evalúa esta versión modificada contra un conjunto de instancias de validación. El algoritmo solo mantiene los cambios si el árbol modificado o podado (pruned) se comporta de manera superior al original. El uso de un conjunto de instancias de validación ayuda a eliminar el overfitting en la información por medio de la evaluación de las inconsistencias y las coincidencias de este conjunto contra el conjunto de instancias de entrenamiento. El error se reduce podando los nodos internos del árbol, reetiquetándolos con la nueva clasificación y descartando todos sus nodos descendientes. Esto obviamente limita el overfitting, pero es un proceso de costo computacional elevado.

Page 103: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 103

Figura 4.7: Árbol de decisión generado por el algoritmo C4.5 a partir de la clasificación obtenida mediante la aplicación de redes S.O.M., donde S representa el soporte y C es la confianza de la regla.

Una vez obtenida la menor cantidad posible de reglas por medio de pruning (poda) para evitar el overfitting23 (sobre ajuste), se esta en condiciones de pasar a otra etapa del análisis en la que, por medio de un proceso de inferencia, se relaciona las reglas descriptivas de los distintos clusters con los protocolos pedagógicos disponibles. Para llevar a cabo la inferencia se cuenta con datos adicionales del desempeño de los mismos estudiantes en los cursos en estudio con diferentes protocolos de enseñanza. En la Figura 4.8 se puede ver el esquema que representa al proceso de selección en forma global, donde se parte de una población de estudiantes de los cuales se posee sus preferencias con respecto a los estilos de aprendizaje a través de las planillas, se los agrupa usando S.O.M. Se arma una tabla de estudiantes clasificados, donde para todos los atributos que describen a la planilla se le asigna un cluster Cj predicho por S.O.M. y el algoritmo C4.5 se encarga de generar las reglas de describen a los clusters, relacionando el cluster Cj no con todos los atributos, como en la tabla de estudiantes clasificados, sino con un conjunto de reglas del estilo Si Pre1 y Pre2 y … Prem entonces Cj. Una vez identificadas las reglas que describen a cada uno de los clusters generados como salida de S.O.M., se realiza una inferencia, planteando una serie de hipótesis, para poder relacionar la relación entre los protocolos pedagógicos con los estilos de aprendizaje relevados y agregar esta característica dentro del submódulo correspondiente de un STI.

23 En el caso en que los datos relevados sean demasiado homogéneos (una varianza muy pequeña) el

algoritmo de inducción podría encontrar un modelo demasiado optimista, que satisface demasiado la tendencia de los datos tomados, pero que a la vez es pobre para hacer predicciones para los datos que tiene una varianza grande, los cuales pueden ser los más representativos del dominio.

Root Nodo 0

Edad < 21

Nodo 1

3 S: 35%

C: 100%

3 S: 50% C: 95%

Edad ≥ 21

Nodo 2

Sexo Masc

Nodo 3

Sexo Fem

Nodo 4

3 S: 06% C: 80%

2 S: 5%

C: 100%

3 S: 08% C: 83%

3 S: 0%

C: 100%

Carrera 0

Nodo 5

Carrera 1

Nodo 6

Carrera 5

Nodo 7

Carrera Otras

Nodo 8

Page 104: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

104 Fernando A. Salgueiro SOLUCION PROPUESTA

Figura 4.8: Esquema básico para la inferencia de los distintos patrones para categorizar los estilos pedagógicos de los alumnos.

4.2.1.2 – Inferencia del Protocolo Pedagógico En esta etapa se busca relacionar los agrupamientos generados por S.O.M. con los protocolos pedagógicos entrenando una red neuronal del tipo Backpropagation. Para hallar la relación entre el estilo de aprendizaje y el protocolo pedagógico que corresponde a cada grupo se tomaran los protocolos básicos que describe Perkins [Perkins, 1995] en la Teoría Uno:

• La instrucción didáctica o Magistral: Satisface una necesidad que surge en el marco de la instrucción: la de expandir el repertorio de conocimientos del alumnado.

• El entrenamiento: Satisface la necesidad de asegurar una práctica efectiva.

• La enseñanza socrática: El docente ayuda al alumno a comprender ciertos

conceptos por sí mismo y darle la oportunidad de investigar y de aprender cómo hacerlo.

Por lo tanto la investigación se orienta en la búsqueda de la relación entre la predilección de los alumnos de aprender de manera más eficiente y los protocolos pedagógicos utilizados por los tutores humanos (profesores); Para ello, como parámetro orientador se usarán las notas de las evaluaciones parciales para establecer dicha relación. Para realizar la inferencia y relacionar los clusters obtenidos por medio de las redes neuronales S.O.M. con los protocolo pedagógicos (ver sección 2.3.3.4.1 – Modelos Enseñanza y Aprendizaje) se tomarán dos cursos (A y B) en los que se dictan materias pertenecientes al área de Programación Básica. El único cambio fundamental entre ambos se centró en la forma de enseñanza del docente, es decir, en el protocolo pedagógico utilizado para dictar las clases.

Atr11 , Atr

12 , …, Atr

1n Ci

Atr21 , Atr

22 , …, Atr

2n Cj

… …

Atrn1 , Atr

n2 , …, Atr

nn Ck

Reglas de los C

lusters

Si Pre11 , Pre

12 , …, Pre

1n Entonces Ci

Si Pre21 , Pre

22 , …, Pre

2n Entonces Cj

… …

Si Pren1 , Pre

n2 , …, Pre

nn Entonces Ck

Submodulo Pedagógico

C1

C2 Cn

Protocolos Pedagógicos

S.O.M. N.N.

Inferencia

Estudiantes Clusters Estudiantes Clasificados

Inducción

Page 105: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 105

Desde este marco de referencia, se evalúan dos cursos según el control de variables planteado por García en el libro El Paradigma del Pensamiento del Profesor [García, 1995]. Las variables planteadas para los cursos de referencia son las siguientes24:

• Contenidos de la materia similares. • Horarios Similares (dentro de un turno, como puede ser mañana, tarde, noche).

• Bibliografía utilizada como referencias similares. • Ingreso aleatorio de los estudiantes, sin preferencia definida por algún curso. • Cantidad y formación similar en los ayudantes y Jefes de trabajos prácticos. • Herramientas didácticas similares (como el uso de cañón y foros de discusión). • Modo en el dictado de la clase, donde cada uno de los docentes presenta las

clases en función del protocolo pedagógico que le resulta más natural de llevar a cabo entre las opciones posibles que se definen en la Teoría Uno y que se analizan en esta investigación, independientemente de las necesidades o preferencias de los estudiantes individualizados.

A partir del análisis de García, se observa para este estudio que la única que cambia es la denominada “Modo de dictado de clase”, es decir, el protocolo pedagógico para cada curso. Se tomarán como base para realizar la inferencia los datos correspondientes a las calificaciones en los primeros parciales, o las primeras oportunidades de evaluación (que pueden incluir eventualmente los exámenes recuperatorios), ya que es el único estado del que se poseen datos completos y donde el estudiante es precisamente un novato en el tema. En la etapa del final del curso, el estudiante ya ha puesto a prueba sus conocimientos durante el examen parcial y conoce, por lo menos, la mecánica de algunos ejercicios y la estructura general de las evaluaciones. Para llevar a cabo la inferencia, se planteará la siguiente hipótesis: Es posible relacionar los estilos de aprendizaje con los protocolos pedagógicos. De esta se desprenden dos hipótesis más particulares:

24 Se ha observado que en el aprendizaje, no solo impactan las variables antes mencionadas, sino que

también en el marco global de una clase para un grupo de personas, con uno o varios tutores humanos, sólo puede explicarse utilizando un protocolo pedagógico que debido al número de tutores limitados, no pueden individualizarse las necesidades de cada uno de los estudiantes, como casos particulares. Esta limitación no la poseen los Sistemas Tutores Inteligentes (STI), sino que por el contrario, éstos planean las sesiones en forma independiente para cada uno de los estudiantes usuarios, con objetivos definidos en función de las necesidades instantáneas de los mismos.

Page 106: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

106 Fernando A. Salgueiro SOLUCION PROPUESTA

1. La composición de estilos de aprendizaje (necesidades y preferencias de los estudiantes) de cada estudiante determina el estilo de enseñanza (o protocolo pedagógico) más adecuado.

2. Aquellos estudiantes en los que el estilo de enseñanza no coincide con su

preferencia, presentan dificultades en la aprobación de la asignatura. A partir de la segunda hipótesis se desprende que para los alumnos aprobados, el protocolo mayoritario preferido por los estudiantes deberá ser el que coincida con el utilizado en clase, mientras que para los reprobados, el protocolo mayoritario deberá encontrarse invertido25. Para validar esta afirmación se entrenó una red del tipo Backpropagation con las siguientes características:

o Se seleccionaron los aprobados del curso con profesor que dicta en estilo socrático más la mayoría de los reprobados del curso con profesor que dicta en modo magistral y se entrenó la red considerando la salida como protocolo socrático.

o Se seleccionaron los aprobados del curso con profesor que dicta en estilo

magistral más los reprobados del curso con profesor que dicta en modo socrático y se entrenó la red considerando la salida como protocolo magistral.

Para realizar el entrenamiento de esta manera se debe suprimir el “ruido” que aportan los grupos que quedan fuera del análisis (los que aprobaron con cualquier protocolo, que se denominarán indiferentes y los que reprobaron por falta de estudio u otras razones) y se espera que el error de la herramienta sea menor que el porcentaje de elementos que quedan fuera del análisis. Por lo tanto, para cada cluster generado se analizará: Con protocolo Correcto à Es mayoritario

o Estudiantes Aprobados Indiferentes y mal clasificados à Es minoritario Con protocolo Invertido à Es mayoritario

o Estudiantes Reprobados Falta de estudio y otras causas à Es minoritario En este punto la problemática se reduce a la Figura 4.9.a donde el profesor, divide al universo de estudiantes en dos conjuntos disjuntos: los aprobados y los reprobados basándose en su rendimiento académico, mientras que la red S.O.M. divide al universo de estudiantes en dos conjuntos disjuntos, el cluster 1 y cluster 2 (Figura 4.9.b), basándose en el estilo de aprendizaje.

25 Si un alumno pertenece al protocolo mayoritario (predicho por S.O.M) de los reprobados, es por que su preferencia de protocolo pedagógico no coincide con el del curso en el que esta inscripto y debería haberse anotado en otro.

Page 107: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 107

Figura 4.9.a Figura 4.9.b

Figura 4.9: Se ven los dos procesos: por un lado al estudiante siendo evaluado por el docente (4.9.a) y por el otro a las redes S.O.M. clasificando el universo de estudiantes en distintos clusters (4.9.b).

Ahora se busca relacionar las formas de enseñanza y los estilos de aprendizaje, tomando como base para el análisis a los estudiantes reprobados. En la Figura 4.10 se observa, tomando como base un ejemplo en donde solo existen dos protocolos pedagógicos y dos preferencias en el conjunto de estudiantes, que los estudiantes cuya preferencia coincide con la forma o estilo de enseñanza no tienen problemas para aprobar. Existen dos subconjuntos (en rojo) de estudiantes cuya preferencia no coincide con la forma de enseñanza y son los que reprueban, ya que se encuentran “mal ubicados”.

Figura 4.10: Esquema general de la inferencia, para relacionar los clusters con los protocolos

pedagógicos. Siendo la hipótesis: Los alumnos reprobados que no pertenecen al cluster mayoritario predicho por S.O.M. deben tener la preferencia de un protocolo pedagógico diferente (invertido en este caso) al del profesor con que cursaron la materia.

Figura 4.11: Procedimiento para llevar a cabo la inferencia a fin de detectar a los estudiantes que no coinciden con el protocolo pedagógico de su preferencia.

Estudiantes de un Curso (A o B) Clústers Generados (1 o 2)

Universo de Estudiantes

Universo de Estudiantes

Aprobados

Reprobados

Clúster

1

Clúster

2

Red Neuronal

S.O.M.

Profesor (con un determinado

protocolo pedagógico asociado)

Planillas de Estilos de

aprendizaje

Reprobados con protocolo

invertido

Los alumnos reprobados que no pertenecen al cluster

mayoritario predicho por S.O.M. deben tener la preferencia de un protocolo pedagógico diferente (invertido en este

caso) al del profesor con que cursaron la materia.

Cambio a un curso más acorde a las preferencias del

estudiante

Curso Diferente

Magistral

Socrático

Magistral Socrático

Protocolo de preferencia del Estudiante

Reprobados.

Tuto

r

Problemática: Se analizan los estudiantes desaprobados que prefieren el protocolo pedagógico invertido al utilizado al recibir las clases. Estos son los que, según las hipótesis, están mal clasificados.

Reprobados.

Reprobados de un Curso (A o B)

Requieren de

Page 108: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

108 Fernando A. Salgueiro SOLUCION PROPUESTA

Por otra parte, en la Figura 4.11 se muestra la idea de la hipótesis, donde los alumnos reprobados, que no pertenecen al cluster mayoritario, deben tener una preferencia de protocolo pedagógico diferente al protocolo pedagógico recibido en las clases. Existen además dos casos que no se encuadran en las ideas precedentes y que son:

• Los estudiantes aprobados: Que no han recibido lecciones utilizando el protocolo pedagógico de su preferencia y los que si lo han hecho, que puede denominarse indiferentes al protocolo. Estos casos caen fuera del análisis, ya que es posible obtener resultados satisfactorios recibiendo lecciones con protocolos pedagógicos diferentes al de preferencia del estudiante. En este sentido Perkins [1995] sólo señala que la tendencia a fallar es mayor cuando el estudiante no recibe lecciones con el protocolo de su preferencia, pero no hace referencia alguna a los estudiantes que superan los exámenes con un protocolo diferente. Estos estudiantes quedan fuera del análisis ya que el objetivo de esta tesis es la de proponer una solución al alto número de alumnos reprobados en las materias de Programación Básica.

• Los estudiantes reprobados: Que han recibido lecciones utilizando el protocolo

pedagógico de su preferencia: éstos casos se pueden deber a diversos motivos, como falta de estudio, falencias en la forma de estudiar (falta de una metodología de estudio), etc, que no modifican la inferencia realizada en este caso.

Por lo tanto, si se analizan los datos provistos por los docentes de ambos cursos con respecto a las categorizaciones realizadas por el sistema S.O.M., se puede obtener cuál es el porcentaje de alumnos que estarían mal ubicados en los cursos, y que se evidencian a través de los resultados reprobados obtenidos en las evaluaciones. Para que el resultado obtenido sea satisfactorio, la red neuronal Backpropagation deberá tener un error de clasificación menor al porcentaje de elementos que quedaron fuera del análisis, de esta manera esta herramienta será útil para la clasificación de las preferencias de enseñanza (protocolo pedagógico) de los estudiantes a partir de sus estilos de aprendizaje. De este modo, no solo el submódulo analizador de perfil entrega el mejor protocolo pedagógico, sino que debería dar una escala o ranking de estos protocolos en orden descendente con respecto de su preferencia para el estudiante seleccionado. Luego, lo único que se requiere es recorrer todos los protocolos pedagógicos incluidos en el sistema, en el orden que se indica en este ranking y comprobar que el material necesario para llevar a cabo la lección utilizando ese protocolo en particular esté disponible en el módulo del dominio. Es necesario evaluar las opciones alternativas de protocolos pedagógicos ya que el módulo del dominio puede no contener almacenados los datos suficientes para completar satisfactoriamente una sesión pedagógica en todos los protocolos que se encuentran en el sistema. Dado que las redes Backpropagation son redes neuronales artificiales multicapa, con n capas ocultas y con conexiones hacia delante y no auto recurrentes [Werbos, 1990] se deben establecer los parámetros para el funcionamiento óptimo (cantidad de neuronas en las capas ocultas, cantidad de neuronas de entrada y salida, parámetros de aprendizaje, etc.).

Page 109: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 109

El esquema básico de la solución modificada que se ve en la Figura 4.12, donde la red del tipo Backpropagation proporciona un ranking de aptitud de los protocolos pedagógicos disponibles en el sistema, mientras que el esquema general de la solución original, donde la red S.O.M. entrenada o el árbol de decisión son los que proveen de la salida básica como seleccionadores de protocolo pedagógico se observa en la Figura 4.13.

Figura 4.12: Estructura modificada de la solución, utilizando la red neuronal Backpropagation que genera una lista de los protocolasen orden de preferencia.

Figura 4.13.a Figura 4.13.b

Figura 4.13: Se observa la estructura de la solución en sus dos versiones, una utilizando directamente las reglas resultantes, modificando las salidas para que concuerden con los protocolos pedagógicos

(4.13.a) y otra donde se utiliza la red neuronal artificial S.O.M. ya entrenada para establecer el protocolo pedagógico a utilizar (4.13.b).

Red Backpropagation

Módulo del Dominio

Conceptos

Características del Estudiante

E1

E2 N1

Nn

Ns

En

E3 N2

Ns

Planificador de Lección

Listado de semejanza porcentual

entre los datos de entrada del estudiante y el protocolo de

salida.

Se evalúan los conceptos disponibles y los necesarios para cada uno de los protocolos pedagógicos resultantes. Se analiza el primero, si no alcanzan los recursos se pasa al segundo y asi sucesivamente.

Se verifica que el

módulo del dominio

posee los datos

necesarios.

Modulo del Estudiante

Árbol de Decisión

A

C

D

B

E

G H F

Módulo del Estudiante

Protocolo Pedagógico

(E)

Módulo del Dominio

Conceptos

Al P

lanificador de Lección Características del

Estudiante

S.O.M Entrenada

Módulo del Estudiante

Protocolo Pedagógico

(E)

Módulo del Dominio

Conceptos

Al P

lanificador de Lección Características del

Estudiante

E1

E2

En

N1

Nn

Ns

Page 110: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

110 Fernando A. Salgueiro SOLUCION PROPUESTA

4.2.1.3 – Submódulo de Generador de la Lección. Una vez seleccionado el protocolo pedagógico por el submódulo Analizador de Perfil, se deben generar los contenidos de la sesión a ser presentados al alumno usuario del sistema. Además el trabajo del Generador de la Lección es el de manejar la interacción entre el sistema y el alumno usuario. Luego de la selección del protocolo pedagógico, el paso que sigue es encontrar cuál es el concepto a explicar en la lección, esto se realiza comparando el mapa de conocimientos que se obtiene del módulo del dominio y los conocimientos que el sistema supone que el estudiante posee que se obtiene del módulo del estudiante. Se deben “superponer” los conocimientos del estudiante sobre el mapa de conocimiento que se obtiene del módulo de dominio para encontrar los conocimientos faltantes, y de acuerdo al tiempo disponible o una función que destaque la importancia parcial de cada uno de los temas, se agregaran al stack de objetivos de la lección. El Generador de contenidos debe ahora encargarse de presentar los contenidos en orden y procesar las respuestas de los estudiantes, agregando conceptos mal clasificados del alumno por el sistema en el stack de objetivos de la lección e informando de esta discrepancia entre la realidad y lo supuesto por el sistema el módulo del estudiante. Cuando el sistema detecta que el estudiante ha adquirido un nuevo concepto, o que se ha corregido un concepto erróneo, es el generador de contenidos el encargado el encargado de actualizar el estado del stack de objetivos y si este se encontrase vacío, dará por finalizada la sesión tutelar.

Figura 4.14: Esquema general de los pasos a seguir luego de la obtención del protocolo pedagógico por el submódulo analizador de perfil y de la creación de los contenidos de la lección.

Módulo Dominio Módulo estudiante

A A

A

B B

B

C C

C

D

D

E E

E

F

F G

G

H

H

Submódulo de Lenguaje Natural

Protocolo Pedagógico “n”

D

Stack de Objetivos

Generador de Contenidos

Interfaz

Submódulo Analizador de Perfil

Conocim

ientos a im

partir en la sesión pedagógica

Los conceptos que aparecen

punteados son la diferencia entre

los conocimientos a impartir y los conocimientos actuales del estudiante

usuario

Page 111: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 111

Una vez que las salidas son procesadas por el generador del lenguaje natural, estas se envían directamente a la interface del sistema. Cuando el estudiante responde las preguntas del sistema, es decir, continúa la interacción planteada por el sistema, todos los datos son pasador desde la interface del sistema al módulo de lenguaje natural y de este, parte la información procesada para convertirse en la entrada del generador de la lección, el cual la evaluara y provocara las respuestas pertinentes. El esquema general del funcionamiento del generador de la lección puede verse en la Figura 4.14 donde gestiona sobre el módulo del estudiante los conocimientos del alumno y sobre el módulo del dominio los conocimientos a explicar, los superpone y detecta los conocimientos faltantes en la estructura del estudiante y seleccionando uno y utilizando el protocolo pedagógico resultante del submódulo analizador de perfil se pasa a generar los contenidos necesarios. Este módulo es el responsable de controlar la interacción entre el tutor y el estudiante, por lo tanto debe decidir cómo responder ante el estudiante dado un problema en particular [Woolf, 1984]. La lección debe ser planeada especialmente y debe ser lo suficientemente flexible y coherente como para respetar la interacción. El ítem de la flexibilidad es central en el planeamiento de la lección, ya que en tutores mas antiguos, como el tutor Meno [Woolf, 1984], el STI era capaz de seleccionar discursos almacenados con anterioridad, pero la falta de control global sobre la lección no permitían flexibilidad con respecto a las interacciones del alumno (el grado de la flexibilidad de la interacción está dada por el tamaño de los discursos almacenados: cuanto más largo el discurso almacenado, menor el grado de flexibilidad de la interacción). Por lo tanto se pueden redefinir las funciones básicas del módulo generador de contenidos cómo decidir la forma de presentar al estudiante la información, el orden en la que esta información se presentará y cómo se responderá a las interacciones del estudiante usuario. Se pueden plantear los objetivos principales de este módulo como las mencionadas por Woo Woo [Woo Woo, 1991]:

• Decidir cuando presentar los contenidos de la lección, interactuando con los otros módulos del sistema tutor inteligente en general y con los submódulos del módulo tutor en particular, como el generador de lenguaje natural, el evaluador, los protocolos pedagógicos, etc.

• Corregir los conceptos erróneos del estudiante para un problema dado y generar

el feedback en todas las respuestas del usuario hacia el sistema durante la sesión pedagógica.

• Si el estudiante usuario no logra dar con la respuesta correcta, el tutor debe

proveer los medios para que el estudiante se encauce nuevamente en el camino correcto para solucionar el problema. Es aquí donde se insertaran los conceptos de pistas que aporta Hume [Hume, 1995; Hume, 1996]. Es en este paso donde esta función difiere levemente con lo planteado por Woo Woo, ya que se utilizara el stack de objetivos para conocer el estado de la lección.

• La forma en la que el discurso de la sesión se encuentra en el sistema, debe estar

en forma explicita, en lugar de almacenado en forma procedural como en el tutor Meno [Woolf, 1984]. Esto debe permitir modificar las estrategias de enseñanza a

Page 112: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

112 Fernando A. Salgueiro SOLUCION PROPUESTA

medida que la lección progresa en el tiempo. Se pueden utilizar las técnicas de “guiones” para codificar las acciones posibles en el discurso dentro de cada uno de los temas o unidades didácticas. Así se pueden generar los contenidos de una manera sencilla y lo suficientemente flexible como para obtener un mayor rendimiento de una interacción entre el sistema y el estudiante usuario.

• El sistema debe responder las preguntas del usuario con la respuesta mas

apropiada dentro de todas sus opciones (Solo se están evaluando las interacciones que son iniciadas por el sistema y no por el estudiante).

A continuación se detallará la forma de establecer los objetivos de la lección pedagógica (estrategia) y luego se detallarán qué tácticas implementan estas estrategias.

4.2.1.4 – Determinación de Objetivos de la Lección. La determinación de los objetivos de la lección es una tarea esencial a llevar a cabo por los Sistemas Tutores Inteligentes, ya que debe generar objetivos globales, coherentes y consistentes para que estos sean impartidos a cada estudiante en particular. [Woo Woo, 1991]. Dado que cada uno de los conceptos almacenados en el módulo del dominio para cada asignatura están relacionados entre sí, la secuencia en la que éstos se presenten afectará de manera decisiva la performance del sistema en su conjunto y las necesidades del estudiante. La determinación de los objetivos dejará planteada la estrategia del sistema para una sesión pedagógica en particular. Woo Woo [Woo Woo, 1991] plantea la determinación de objetivos utilizando como base una “tabla de predicción” que almacena los resultados en el módulo del estudiante. Estas ideas son implementadas en el tutor CircSim [Kim, 1989; Kim, 2000; Cho, 2000; Hume, 1995; Shah, 1997; Hume et al., 1992] y pueden generar un planeamiento tanto de tipo dinámico como de tipo jerárquico. El problema del CircSim es el mismo que se resalta en la sección 2.3.5.1 – El Proyecto CircSim, que al ser un Sistema Tutor Inteligente aplicado al dominio de la medicina, mas precisamente a las afecciones del sistema circulatorio, posee módulos superpuestos. Por lo tanto, la determinación de los objetivos de la lección no solo requiere el uso de conocimientos almacenados en el módulo del estudiante, para determinar lo que éste conoce y lo que desconoce, sino que también requiere metainformación sobre los conceptos a impartir. La metainformación es información adicional acerca del conocimiento y se utiliza en el caso del módulo del dominio para determinar las dependencias entre los distintos conceptos, el tiempo que puede tardarse en impartirlos y la importancia de los mismos (si son un concepto aislado, si son subtemas o si son temas principales o capítulos). Con la metainformación se puede armar el mapa de conocimientos del alumno como el conjunto básico de conocimientos necesarios para finalizar con la curricula de la asignatura. Por otra parte no es el objetivo de una lección pedagógica obtener las dependencias del módulo del dominio e impartirlas todas en una única “mega” sesión pedagógica, sino que la idea de la flexibilidad de un Sistema Tutor Inteligente también reside en que este sea capaz de evaluar los conocimientos adquiridos por el estudiante y actuar conforma e ello. Es por esto que se requiere contrastar los datos del módulo del dominio con el

Page 113: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

SOLUCION PROPUESTA Fernando A. Salgueiro 113

mapa de conocimientos instantáneo del estudiante que se obtiene en el módulo del estudiante para encontrar cuales son los conceptos posibles y disponibles para impartirle al estudiante. Un esquema del procedimiento a seguir puede verse en la Figura 1.15.

Figura 4.15: Esquema general para la selección de objetivos para la sesión pedagógica y retroalimentación luego de finalizar dicha sesión.

Una vez que se determinan todas las combinaciones válidas entre los conocimientos faltantes en el mapa de conocimientos del estudiante y los conceptos almacenados en el módulo de dominio debe existir una función para determinar cuál de todas las combinaciones será la seleccionada para la sesión en particular. Se debe tener en cuenta que el número de opciones puede ser relativamente grande y éstas requieren un análisis mas complejo, el cual no es el objetivo de esta tesis explicar. Existen distintas opciones para implementar la función que determinará cual de todas las opciones será la seleccionada para una determinada sesión pedagógica. Por ejemplo, en el tutor CircSim [Kim, 1989; Kim, 2000; Cho, 2000; Hume, 1995; Shah, 1997; Hume et al., 1992] se selecciona el objetivo de la sesión por medio de un conjunto de reglas que toman como base los conocimientos del estudiante [Woo Woo, 1991], estas reglas son tomadas de sesiones de educción de conocimiento con tutores humanos, pero fallan nuevamente en la separación de los módulos, ya que los conocimientos resultantes a enseñar deben provenir del módulo de dominio y no estar escritos en forma “Hard-Coded” dentro del módulo del estudiante. Otra opción es, por ejemplo, la que se utiliza en el tutor Meno [Woolf, 1984] donde se va avanzando linealmente por cada uno de los temas de la curricula. Independientemente el método que se utilice para la creación de la función para determinar el objetivo de la lección, los parámetros sobre los que se puede realizar la evaluación están relacionados con los metaconocimientos que almacenan los conceptos en el módulo del dominio. Por ejemplo, se pueden citar los siguientes criterios como evaluación de cada una de las opciones: duración, profundidad, relación con la curricula docente, etcétera.

Módulo Dominio Módulo Estudiante

A A

B C

E

B C

D E F

MA

MB MC

MD ME MF

Objetivos de la Sesión Pedagógica (Estrategias) Concepto D. Concepto F Concepto D + Concepto F

Metainformación D Metainformación F Metainformación D+F

Protocolo pedagógico

seleccionado para la sesión

+

Se imparte la sesión con el protocolo pedagógico seleccionado, logrando

los objetivos preestablecidos.

F

Una vez finalizada la sesión y cumplidos los objetivos se realiza el feedback hacia el módulo del estudiante para actualizar el mapa de conocimientos del estudiante.

ƒ (F)

Page 114: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

114 Fernando A. Salgueiro SOLUCION PROPUESTA

4.2.1.5 – Arquitectura del planeador de la Lección. Este submódulo interactúa con varios componentes del Sistema Tutor Inteligente para ejercer el control entre la interacción entre las preguntas y respuestas entre el sistema y el estudiante. Cuando se procesan las respuestas a una serie de preguntas realizadas por el sistema, el planeador de la lección debe decidir qué acción tomar a continuación, siguiendo las pautas básicas del protocolo pedagógico seleccionado, por lo tanto el planeador requiere conocimientos en cada punto de la lección para poder comunicarse con el usuario, esto se logra a través de reglas o “guiones”, las cuales se obtienen de los expertos por las técnicas de educción de conocimientos. Este proceso formal se lleva a cabo utilizando la metodología para generar sistemas expertos. Por otro lado se requiere mantener el estado de la interacción entre el sistema y el estudiante usuario, para ello se mantiene el stack de objetivos, donde se almacenan, en la forma de estructura del tipo LIFO26. El generador de contenidos se encargará de conocer el contexto de las respuestas del estudiante con respecto al valor tope del stack de objetivos (o a los primeros n valores del stack).

26 LIFO es el acrónimo en ingles de Last In – First Out, o en castellano el último en entrar es el primero

en salir. Es la metodología básica para la operación de una estructura del tipo pila.

Page 115: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

RESULTADOS EXPERIMENTALES Fernando A. Salgueiro 115

Capitulo 5 – Resultados Experimentales 5.1 – Introducción En este capítulo se describe cómo fueron obtenidos los datos y cuáles fueron los procesos realizados a fin de generar las reglas de decisión para seleccionar el protocolo pedagógico en el submódulo correspondiente en un Sistema Tutor Inteligente (STI). Los resultados experimentales permitirán validar la solución propuesta y quedarán establecidos los pasos para poder repetir las experiencias con otro grupo de estudiantes o aplicar el método en otros dominios diferentes al de la Programación Básica.. Los pasos fundamentales para el diseño experimental se describen en la Tabla 5.1 donde se comienza con la toma de datos de los estudiantes (a planillas de estilos de aprendizaje) y se las utiliza como entrada para el entrenamiento de una red neuronal artificial S.O.M. para generar los diferentes agrupamientos. Luego se buscan las reglas que describen estos agrupamientos por medio del algoritmo C4.5 A su vez, partiendo de los datos de rendimiento académico se analizan los estudiantes aprobados y se los relaciona con los reprobados, para proceder luego a entrenar una red del tipo Backpropagation para establecer la relación entre el estilo de aprendizaje y el método de enseñanza. Paso Entrada Acción Salida

1 Toma de datos de alumnos de la materia

Administración de Planillas de estilos de aprendizaje

Resultado de las planillas de estilos de aprendizaje

2 Datos de planillas de estilos de aprendizaje

Entrenamiento red Neuronal S.O.M.

Agrupamientos con cardinalidad consistente con la cantidad de protocolos pedagógicos propuestos en la teoría uno.

3

Agrupamientos + Datos de planillas de estilos de aprendizaje.

Encontrar las reglas que gobiernan los clusters generados por S.O.M. utilizando el algoritmo inductivo C4.5

Reglas de cada cluster generado y su árbol correspondiente.

4

Datos de rendimiento académico de alumnos de la materia

Evaluaciones parciales Registro en Planillas de calificaciones

5

Datos de Planillas de estilos de aprendizaje + calificaciones + Clusters

Análisis de los clusters y determinación del cluster de los Reprobados

Lista de alumnos desaprobados por cluster

6 Datos de Planilla de estilos de aprendizaje

Entrenamiento red Neuronal Backpropagation con: Mayoría Aprobados Magistral +Mayoría desaprobados socrático = Magistral Mayoría Aprobados Socrático +Mayoría desaprobados Magistral= Socrático

Determinación del error de las observaciones que quedaron fuera del análisis. Establecimiento de la relación entre estilo de enseñanza y estilo de aprendizaje.

Tabla 5.1: Etapas fundamentales del diseño experimental, que se llevarán cabo a lo largo de este capitulo.

Page 116: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

116 Fernando A. Salgueiro RESULTADOS EXPERIMENTALES

5.2 –Instrumento de Toma de Datos Aplicado al Dominio Se parte de la planilla de estilos de aprendizaje descrita en la sección 1.6.1 – Instrumento para la toma de datos y se la aplica a una muestra de individuos en estudio pertenecientes al área de la Programación Básica. Se recaba la información y se requieren verificar los siguientes aspectos:

1. Calculo del tamaño muestral: Se debe analizar la cantidad de muestras de la planilla de estilos de aprendizaje a obtener para el análisis.

2. Error de Generalización: Se debe calcular cuál es la cota del error de

generalización al tomar solo una fracción representativa del total de individuos y como impacta ese error en el resto del análisis.

3. Codificación de los resultados: Para ser utilizados en los pasos sucesivos de la

solución propuesta, los datos relevados deben ser codificados. Por lo tanto se deberá proponer una codificación eficiente que sea compatible con las herramientas que se le aplicarán a los datos obtenidos.

5.2.1 –Cálculo del Tamaño Muestral La muestra utilizada corresponde a 121 estudiantes de las materias de Programación Básica de la Facultad de Ingeniería de la Universidad de Buenos Aires, correspondientes al primer cuatrimestre del año 2004 (74 pertenecen a Computación y 47 a Algoritmos y Programación I). La muestra incluye las carreras que se dictan en dicha Facultad a excepción de Ingeniería Electrónica, por el motivo ya explicado. Además la cantidad de alumnos que cursan esas materias para el primer cuatrimestre del 2005 asciende a 80027, en la Tabla 5.2 se puede ver la disponibilidad de cursos para ambas materias según datos obtenidos de los cursos y cupos disponibles del sistema de inscripción de la Facultad (http://intra.fi.uba.ar/insc/consultas/cursos.html).

Materia Cátedras Vacantes

Computación (75.01) 9 390 Algoritmos y programación I(75.01) 7 410

Totales 16 800

Tabla 5.2: Cupos disponibles para las de Programación Básica para el primer cuatrimestre del 2005 Por lo tanto, el tamaño de la muestra corresponde con el 15% de ambas materias (el 20% de los alumnos de la materia Computación y el 11% de los alumnos de la materia Algoritmos y Programación I).

27 Se tiene en cuenta la capacidad máxima de los distintos cursos, mientras que la matricula real puede

encontrarse por debajo de este numero y los errores obtenidos pueden ser menores. Se toma este número como una cota superior máxima para todos los errores.

Page 117: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESULTADOS EXPERIMENTALES Fernando A. Salgueiro 117

Para determinar el tamaño muestral mínimo se trabajó con el desarrollo que presenta Hernández Sampieri [Hernández Sampieri, 2001] para el cálculo de la muestra. Se tiene una población inicial de 800 estudiantes donde S2 es la varianza de la muestra n que puede determinarse en términos de la probabilidad p donde: V=0.03

(5.1)

V2= (0.03) 2=0.0009

(5.2)

Por lo que el tamaño de la muestra sin ajustar a la población es: n= (S2 /σ2)= 0.09/0.0009= 100 Estudiantes.

(5.3)

Corrigiendo en función de la población N se tendrá el tamaño ajustado de la muestra: n = (n´/(1+n´/N))=100/(1+100/800) = 89 Estudiantes.

(5.4)

El error de generalización está por debajo del 3% (tanto la muestra ajustada como la no ajustada), con lo que se puede decir que el tamaño de la muestra es representativa para todos los alumnos de las materias Computación y Algoritmos y Programación I. El error para la generalización de los resultados es suficiente bajo como para utilizarlos como entrada para el entrenamiento y posterior clusterización por medio de una red tipo S.O.M. De esta manera la cantidad de planillas obtenidas permite el análisis de los resultados, teniendo en consideración que los datos representan adecuadamente a la población en estudio.

5.2.2 –Codificación de los Datos Relevados. Una vez relevados los datos utilizando las planillas, éstos fueron codificados para realizar el entrenamiento de las redes neuronales S.O.M para agrupar estudiantes con características comunes. Los datos se codificaron en función de las respuestas de los estudiantes a las preguntas de la Figura 5.1 de planilla de los estilos de aprendizaje en cuatro formas básicas, que se explican a continuación y se pueden ver en la Figura 5.2:

• Respuesta A (o respuesta 0): Es la primera respuesta del grupo de dos respuestas posibles a una pregunta particular. Por ejemplo, para la pregunta número 21) Prefiero estudiar: (a) en grupo. (b) solo, corresponde a la respuesta en grupo, que según la codificación utilizada en la planilla corresponde a una pregunta del tipo Activo/Reflexivo y por lo tanto la característica detectada será Activo.

• Respuesta B (o respuesta 1): Es el caso contrario al anterior, donde se marco la

segunda respuesta del grupo. Tomando el mismo ejemplo, la pregunta número

Page 118: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

118 Fernando A. Salgueiro RESULTADOS EXPERIMENTALES

21) Prefiero estudiar: (a) en grupo. (b) solo, corresponde a la respuesta solo, y según la codificación utilizada será del tipo Reflexivo.

• Marcó ambas respuestas: Puede darse el caso que un alumno no haya

entendido la consigna y marque ambas respuestas. De cualquier manera, una planilla con datos ambiguos todavía tiene valor para el análisis, ya que una respuesta doble solo invalida a uno de los 11 grupos de preguntas en el peor de los casos (en realidad es menos, ya que solo invalida la asociación, por ejemplo del tipo Sensorial/Intuitivo, del grupo de cuatro preguntas).

• No marcó ninguna respuesta: Como en el caso anterior esta pregunta no

provee de ninguna información, pero esto no invalida el cuestionario, sino solo una pregunta del grupo de cuatro, pero como todavía restan 10 preguntas en 10 grupos para poder encontrar el perfil del estudiante, la planilla continua siendo útil.

Figura 5.1.a Figura 5.1.b Figura 5.1.c Figura 5.1.d Figura 5.1: Respuestas posibles de los alumnos encuestados por medio de la planilla. Las opciones válidas se pueden ver en 5.1.a y 5.1.b mientras que las opciones 5.1.c y 5.1.d son inválidas para la

interpretación correcta de la planilla. Para entrenar una red neuronal del tipo S.O.M., se requieren valores numéricos como origen de los datos (reales o enteros) para el entrenamiento. En el caso de faltar alguno de los datos de un campo, se lo puede reemplazar por el promedio de todos los datos de ese campo para no alterar la tendencia de la información y para no desechar ese registro. Esto llevó a buscar una tercera codificación en el caso de información faltante en las planillas (o la información ambigua, en el caso de las dobles respuestas). Se resolvió categorizarla con un estado adicional, llamado 2. Por lo tanto, para las respuestas de las preguntas se poseen tres estados posibles, el estado 0, para las respuestas del tipo A. El estado 1, para las respuestas del tipo B y el estado 2 para todas los demás tipos de respuestas. El resto de los datos no requiere la introducción de estados adicionales para poder codificar las anormalidades, ya que aquí todos los estudiantes llenaron los datos con los valores deseados, es decir, ninguno omitió ni el sexo, ni la carrera, así como tampoco se omitieron los años de entrada a la facultad y año de cursada. Para el sexo se utilizó la siguiente convención arbitraria: el sexo masculino se codificará con 0 mientras que el sexo femenino se codificará con 1. Para la codificación de las carreras se tomó como base la codificación utilizada en el nomenclador de carreras interno a la facultad de Ingeniería de la Universidad de Buenos Aires, pero luego surgieron dos hechos que obligaron a tomar una codificación ajustada: primero la carrera Ingeniería Electrónica, que se dicta en dicha facultad no está contemplada en las planillas, ya que ninguno de sus estudiantes fue relevado por no pertenecer a la materia Algoritmos y Programación I con código 75.40, sino que pertenecen a la materia Algoritmos y Programación I con código 75.02, la cual no fue relevada. La otra razón es que se intentó dejar que el código de carrera solo posea un

Page 119: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESULTADOS EXPERIMENTALES Fernando A. Salgueiro 119

dígito y la cantidad de carreras relevadas es de 10, por lo tanto se las codifico del 0 al 9 como se muestra en la Tabla 5.3.

Carrera Código Ingeniería Civil 1 Ingeniería Naval 2 Ingeniería Mecánica 3 Ingeniería Industrial 4 Ingeniería Química 5 Ingeniería Electricista 6 Ingeniería Agrimensura 7 Ingeniería Alimentos 8 Ingeniería Sistemas 9 Ingeniería Informática 0

Tabla 5.3: Codificación de las Carreras para utilizar como entrada para la red S.O.M.

Las cifras de las edades, el año de ingreso y el año que actualmente está cursando el estudiante son valores numéricos que no requieren una codificación previa para ser procesados por la red, por lo tanto se los mantiene en el formato en el que son relevados. Esta codificación define las entradas de las redes del tipo S.O.M. de manera de que cada uno de los atributos queda expresado en forma numérica, como solo soporta la estructura de las redes autoorganizadas de Kohonen, ya que estas requieren trabajar con los datos normalizados en el intervalo [0,1].

5.3 – Redes S.O.M. y Clusters Resultantes. Una vez codificados los datos relevados, éstos fueron utilizados como entradas de una red neuronal del tipo S.O.M. para obtener grupos de estudiantes con características en común para intentar relacionarlos luego con los diferentes protocolos pedagógicos utilizados en las sesiones con los estudiantes.

5.3.1 –Puesta a Punto de las Redes S.O.M. No alcanza con configurar las características de las redes S.O.M., sino que se le debe proveer de datos para el entrenamiento y la validación de los resultados (en este caso los de las planillas relevadas). También se deben configurar parámetros adicionales, de manera experimental (ya que los coeficientes óptimos dependen de los valores ingresados como datos) para lograr la mejor clasificación. En la Figura 5.2 se puede ver como varía la clasificación predicha por una red S.O.M. entrenada con 200 datos si la cantidad de neuronas de salida es 2 o si es 3 (en el primer caso se generan 2 clusters de salida, mientras que en el segundo se generan 3 clusters de salida).

Page 120: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

120 Fernando A. Salgueiro RESULTADOS EXPERIMENTALES

Figura 5.2.a Figura 5.2.b

Figura 5.2: Resultado de la clusterización con distinta cantidad de neuronas. 5.2.a: Muestra de 9 clusters con 200 datos en total (3 neuronas para S.O.M.). 5.2.b: Muestra de 4 clusters con 200 datos en total (2

neuronas para S.O.M.). La mayoría de los parámetros de la red S.O.M. surgen a través de un proceso iterativo, donde se entrena la red y luego se analizan los resultados. Si los resultados son satisfactorios (es decir, el error de entrenamiento es lo suficientemente pequeño), se modifican levemente los parámetros para intentar mejorarlos aún más. Si los resultados son poco satisfactorios comparado con corridas anteriores, se modifican en un valor más elevado. Cabe señalar que para la obtención de los valores finales de entrenamiento de la red neuronal se han probado más de cien combinaciones, logrando los mejores resultados con la lista de parámetros que se observa en la Tabla 5.4.

Parámetro Valor Número de Observaciones 121 Número de Variables 47 Cantidad de Neuronas Artificiales28 10 Cantidad de Ciclos 1000 Aleatoriedad Si Parámetro de Aprendizaje Inicial Final Función de decaimiento

0.9 0.1 Exp

Parámetro para el vecindario Gaussiano Inicial Final Función de decaimiento

99,0% 01,0% Exp

Tabla 5.4: Parámetros utilizados para el entrenamiento de las Redes Neuronales S.O.M. con los que se clasificaron los datos de los alumnos.

Una vez fijados los parámetros para el entrenamiento de la red, solo resta comenzar el entrenamiento de las mismas para obtener los clusters de datos, que se analizarán en la próxima sección.

28 Si bien el valor hallado es muy elevado con respecto a la cantidad de clústers que se forman, esto sólo

agrega un retardo temporal en el entrenamiento de la red. Los valores para el caso presentado obtienen un resultado similar utilizando, por ejemplo, 3 neuronas (9 clústers como máximo) en lugar de 10 neuronas artificiales (100 clústers como máximo).

Page 121: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESULTADOS EXPERIMENTALES Fernando A. Salgueiro 121

5.3.2 – Resultados de la Aplicación de la Red S.O.M. Una vez concluido el entrenamiento no supervisado de las redes S.O.M. con los parámetros mencionados, en la Tabla 5.3 se procede al análisis de los datos resultantes. En este paso se busca obtener:

• La cantidad de clusters: Si la cantidad de clusters es demasiado elevada, puede que no exista una correlación entre tantos protocolos pedagógicos y los clusters, ya que se parte de la hipótesis de que existen 3 protocolos pedagógicos (los propuestos por la Teoría Uno). Una cantidad de clusters reducida, por ejemplo solo uno indicará que los resultados no son utilizables para la identificación de las características relacionadas con los protocolos pedagógicos, ya que se utilizan dos cursos con métodos de enseñanza diferentes. Por lo tanto el número de clusters que se busca obtener estará acotado entre dos y tres.

• Los atributos más relevantes: La planilla contiene 44 preguntas distribuidas

en 11 grupos de 4 preguntas más 6 atributos adicionales. Es necesario que el sistema pueda clasificar al estudiante realizando la menor cantidad de preguntas (o requiriendo la menor cantidad de información al módulo del estudiante). De esta manera se busca determinar cuáles atributos poseen la mayor ganancia de información y cuáles no son requeridos para el análisis en cuestión.

Los resultados que arrojó el entrenamiento de la des S.O.M. se resumen en la Tabla 5.5, donde los elementos de cada cluster generado se encuentran totalizados y se indican los porcentajes respectivos.

Cluster 1 Cluster 2 Datos con todos los atributos 6 (5.00%) 114 (95.00%)

Tabla 5.5: Resumen de elementos resultantes luego de aplicar redes neuronales S.O.M. a los datos de entrada.

El resultado se encuentra dentro de la cantidad de clusters esperada y por lo tanto los datos experimentales, concuerdan en la cantidad de clusters generados con la solución propuesta29.

29 Cabe mencionar que en el entrenamiento aparece un Cluster 3, compuesto para ambos casos

únicamente del elemento número 83, que codificado para transformarse en una entrada de la red S.O.M. resulta de la siguiente manera:

Carrera

Edad

Sexo Pregunta 1 Pregunta 2 Pregunta 3 Pregunta 4 Pregunta 5 Pregunta 6 Pregunta 7 Pregunta 8 Pregunta 9 Pregunta 10 Pregunta 11 Pregunta 12 Pregunta 13 Pregunta 14 Pregunta 15 Pregunta 16 Pregunta 17 Pregunta 18 Pregunta 19 Pregunta 20 Pregunta 21 Pregunta 22 Pregunta 23 Pregunta 24 Pregunta 25 Pregunta 26 Pregunta 27 Pregunta 28 Pregunta 29 Pregunta 30 Pregunta 31 Pregunta 32 Pregunta 33 Pregunta 34 Pregunta 35 Pregunta 36 Pregunta 37 Pregunta 38 Pregunta 39 Pregunta 40 Pregunta 41 Pregunta 42 Pregunta 43 Pregunta 44

0 20 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 Una codificación “2” indica que el estudiante completó en forma errónea la pregunta (o no marcó ningún casillero, o marco ambas respuestas en la misma pregunta), por lo que una vez encontrada la planilla de estilos número 83, lo que la diferencia de las demás resulta claro, solo la mitad de las preguntas fueron

Page 122: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

122 Fernando A. Salgueiro RESULTADOS EXPERIMENTALES

5.3.3 – Atributos Más Relevantes. Luego se buscaron, los atributos más relevantes para clasificar los clusters generados. Para entrenar las redes S.O.M. los valores son normalizados entre cero y uno para adaptarse a la estructura de la red. El entrenamiento de las redes con todos los atributos (44 preguntas más 6 atributos adicionales) o solamente con los que presentan mayor ganancia de información no modifica la cantidad de elementos de los clusters, pero puede modificar las reglas generadas por el algoritmo C4.5. Por lo tanto, se requiere ver cómo influyen esas variables en la clasificación final. En las Figuras 5.3 a y b se pueden ver los valores medios de los clusters generados entrenando la red S.O.M. con todos los atributos, o con los 9 que presentan mayor ganancia de información, observando que los valores medios se mantienen casi constantes, salvo la observación número 92 que es clasificada en forma diferente en los dos entrenamientos, pero pudiendo concluir que para esta etapa del entrenamiento es indistinto si se discrimina o no por los atributos mencionados (existe una diferencia porcentual del 0.82%). Los dos clusters tienen valores medios “no triviales” (ni 0 ni 1) porque están compuestos por más de una observación, entonces no es suficiente encontrar algunas relaciones entre los clusters y los valores de entrada de los atributos, es necesario encontrar todas las relaciones y S.O.M. no provee información suficiente para tal fin, por lo que se requiere utilizar el algoritmo de inducción C4.5.

-0,2

0

0,2

0,4

0,6

0,8

1

CarreraEdad

SexoPreg. 1

Preg. 2

Preg. 3

Preg. 4

Preg. 5

Preg. 6

Preg. 7

Preg. 8

Preg. 9

Preg. 10

Preg. 11

Preg. 12

Preg. 13

Preg. 14

Preg. 15

Preg. 16

Preg. 17Preg. 18

Preg. 19Preg. 20Preg. 21Preg. 22Preg. 23

Preg. 24Preg. 25

Preg. 26

Preg. 27

Preg. 28

Preg. 29

Preg. 30

Preg. 31

Preg. 32

Preg. 33

Preg. 34

Preg. 35

Preg. 36

Preg. 37

Preg. 38

Preg. 39

Preg. 40

Preg. 41

Preg. 42Preg. 43

Preg. 44

-0,2

0

0,2

0,4

0,6

0,8

1Carrera

Sexo Preg. 1Preg. 2

Preg. 3Preg. 4

Preg. 5

Preg. 6

Preg. 7

Preg. 8

Preg. 9

Preg. 10

Preg. 11

Preg. 12

Preg. 13

Preg. 14

Preg. 15

Preg. 16

Preg. 17Preg. 18

Preg. 19Preg. 20Preg. 21

Preg. 22Preg. 23Preg. 24

Preg. 25Preg. 26

Preg. 27

Preg. 28

Preg. 29

Preg. 30

Preg. 31

Preg. 32

Preg. 33

Preg. 34

Preg. 35

Preg. 36

Preg. 37

Preg. 38

Preg. 39

Preg. 40Preg. 41

Preg. 42Preg. 43Preg. 44

Figura 5.3.a: Valor medio de cada una de las variables normalizadas en relación a cada uno de

Figura 5.3.b: Valor medio de cada una de las variables normalizadas en relación a cada uno de

respondidas por el alumno (una carilla del cuestionario), mientras que el anverso se encontraba en blanco (probablemente el estudiante no se dio cuenta que debía llenar ambas páginas, anverso y reverso, del formulario). En la codificación se hace evidente, que después de la pregunta número 18 (última del anverso del cuestionario) todos los valores del juego de datos son 2, lo que significa según la codificación implementada, que son preguntas sin contestar y por lo que se descarta este dato para el análisis posterior.

Page 123: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESULTADOS EXPERIMENTALES Fernando A. Salgueiro 123

sus clusters (utilizando 44 preguntas más 6 atributos para el entrenamiento).

sus clusters (utilizando solo las 44 preguntas para el entrenamiento).

Por tal motivo, la relevancia de un atributo para identificar un cluster no es un “proceso simple”: se requiere una herramienta adicional para encontrar estos resultados para lo cual se aplicará el algoritmo C4.5 a fin de realizar la inducción y la generación del árbol de decisión y utilizar éste último para generar las reglas que describen a cada uno de los clusters.

5.4 – Inducción, Árboles de Decisión y Reglas Para identificar las variables que más información otorgan al proceso de identificación de los protocolos pedagógicos y para cuáles de ellas su entropía es menor, se utilizará un algoritmo C4.5 modificado. Originalmente, este algoritmo de inducción generaba árboles de decisión donde cada una de las ramas del árbol conducía, luego de n pasos, a hojas las cuales representan al 100% de las observaciones sin error de categorización. En este caso se optó por permitir leves márgenes de error en la clasificación, de manera que el error de categorización de cada una de las reglas, sea de un valor igual o inferior al error de generalización de la muestra, esto supone que se está llevando a un máximo valor la “confianza” (para conocer la medida de la exactitud de las reglas generadas). Se utilizarán los estudios de Oates [Oates et al., 1997] como base para asegurar que la cantidad de observaciones tomadas (incluyendo el error de generalización) permitan generar reglas que se pueden aplicar a toda la población, sin que los casos particulares no relevados disminuyan significativamente la precisión de las reglas generadas. Se analizarán dos casos para intentar procesar los datos: el primero incluye a las 44 preguntas de la planilla más los 6 atributos adicionales para realizar la clasificación, mientras que el segundo solo utiliza las 9 preguntas que más información otorgan. Con esta discriminación se busca:

• Por un lado: Identificar la relevancia de las preguntas del cuestionario para la pertenencia de un elemento de la muestra a cluster. Cuanto mayor sea el número de atributos necesarios para la identificación de un cluster especifico, el sistema deberá recabar mayor cantidad de datos por parte del estudiante, dificultando el proceso de selección.

• Por el otro: Analizar cómo influye el conjunto de entradas en la complejidad del

árbol resultante y si en este caso se cumple que los árboles de menor profundidad obtienen resultados comparables con los de una profundidad y complejidad mayor, como plantea Oates [Oates et al., 1997; Oates et al., 1998] y Quinlan [Quinlan, 1987].

Para resolver la primera cuestión se analizarán los resultados de aplicar C4.5 a los atributos más relevantes, mientras que luego se aplicará al conjunto de todos los atributos y preguntas. Una vez generadas todas las reglas, se deben analizar en forma separada para ver:

• ¿Qué tan aplicables son las reglas generadas? Es decir, su soporte.

Page 124: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

124 Fernando A. Salgueiro RESULTADOS EXPERIMENTALES

• ¿Cuál es la medida de la exactitud de las reglas generadas? O sea su confianza. • ¿Qué parte del espacio predictor puede capturar una regla de manera exacta? O

su captura.

5.4.1 – Inducción Utilizando los Atributos con Mayor Ganancia de Información. Como todos los datos son categóricos, las reglas generadas serán igualdades y no se encontrarán rangos para ellas (como en el caso de los datos continuos). Para encontrar los atributos con mayor ganancia de información, se requiere utilizar los primeros n pasos del algoritmo C4.5. En este caso se tomaron los primeros nueve, resultando las reglas que se presentan en la Tabla 5.6

Reglas Antecedente Consecuente Regla 1 Si “Normalmente me consideran: Extrovertido” Entonces Cluster 2

Regla 2 Si “Normalmente no me consideran ni Extrovertido ni

Reservado” Entonces Cluster 1

Regla 3 Si “Recuerdo más fácilmente: Algo que he pensado mucho”

Entonces Cluster 2

Regla 4 Si “Recuerdo no más fácilmente algo que he pensado mucho o algo que hice”

Entonces Cluster 1

Regla 5 Si “Aprendo: A un ritmo normal, metódicamente. Si me esfuerzo, lo logro”.

Entonces Cluster 2

Regla 6 Si “No aprendo a un ritmo normal, metódicamente ni a tontas y a locas (desordenadamente)”.

Entonces Cluster 1

Regla 7 Si “Cuando pienso en lo que hice ayer, la mayoría de las veces pienso en: Imágenes”

Entonces Cluster 2

Regla 8 Si “Cuando pienso en lo que hice ayer, la mayoría de las veces pienso en: Palabras”

Entonces Cluster 2

Regla 9 Si “Cuando pienso en lo que hice ayer, la mayoría de las veces no pienso ni en palabras ni imágenes”

Entonces Cluster 1

Tabla 5.6: Reglas resultantes de recorrer el árbol generado por el Algoritmo C4.5 En la Tabla 5.7 se observan las características antes mencionadas para cada una de las reglas generadas, así como también el cluster que definen y la cantidad de antecedentes que poseen cada una de ellas (la columna “largo” indica la distancia entre el nodo raíz del árbol y la hoja de esa regla, el largo del nodo raíz Root es 0 y el largo de un nodo cualquiera es el largo de su padre más uno).

Regla Cluster Largo Soporte Confianza Captura 0 Cluster 2 0 100,0% 94,0% 100,0% 1 Cluster 2 1 35,9% 100,0% 38,2% 2 Cluster 1 1 2,6% 100,0% 42,9% 3 Cluster 2 1 43,6% 96,1% 44,5% 4 Cluster 1 1 1,7% 100,0% 28,6% 5 Cluster 2 1 76,5% 94,4% 76,8% 6 Cluster 1 1 0,9% 100,0% 14,3% 7 Cluster 2 1 79,9% 95,7% 81,4% 8 Cluster 2 1 17,5% 95,1% 17,7% 9 Cluster 1 1 2,6% 66,7% 28,6%

Tabla 5.7: Características de cada una de las reglas generadas por el Algoritmo C4.5: donde se detallan las características mínimas necesarias para analizar cada una de ellas.

Page 125: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESULTADOS EXPERIMENTALES Fernando A. Salgueiro 125

Figura 5.4: Esquema del árbol generado por el algoritmo C4.5. Se muestran los nodos internos con sus valores y los clusters resultantes con su Soporte (S) y

Confianza (C) respectivamente. La Figura 5.4 es la representación gráfica del árbol de decisión generado por el algoritmo C4.5. Para generar cada una de las reglas es necesario partir desde la raíz del

Root Nodo 0

Nodo 1

3 S: 36%

C: 100%

Nodo 3

3 S: 3%

C: 100%

Nodo 2

Nodo 5

Nodo 4

Nodo 6

3 S: 24%

C: 100%

2 S: 2%

C: 100%

Nodo 7

Nodo 8

Nodo 9

3 S: 29%

C: 100%

2 S: 1%

C: 100%

Nodo 10

Nodo 11

Nodo 12

3 S: 4%

C: 100%

3 S: 1%

C: 100%

2 S: 1%

C: 100%

Si “Normalmente me consideran: Extrovertido”

Si “Recuerdo más fácilmente: Algo que hice”

Si “Normalmente no me consideran ni Extrovertido ni Reservado”

Si “Recuerdo más fácilmente: Algo que he pensado mucho”

Si “No recuerdo más fácilmente algo que he pensado mucho o que hice”

Si “Aprendo: A un ritmo normal, metódicamente. Si me esfuerzo, lo logro”.

Si “No aprendo a un ritmo normal, metódicamente ni desordenadamente”.

Si “Aprendo: A tontas y locas (Desordenadamente)”.

Si “Cuando pienso en lo que hice ayer, la mayoría de las veces pienso en: Imágenes”

Si “Cuando pienso en lo que hice ayer, la mayoría de las veces pienso en: Palabras”

Si “Cuando pienso en lo que hice ayer, la mayoría de las veces no pienso ni en

Imágenes ni en Palabras”

Si “Normalmente me consideran: Reservado”

Page 126: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

126 Fernando A. Salgueiro RESULTADOS EXPERIMENTALES

árbol (root) y descender por los nodos interiores (numerados desde el 0, para el nodo raíz hasta el 12) llegando a las hojas, donde se encuentra la clase resultante del camino seleccionado y los datos asociados a su soporte y su confianza. En la Tabla 5.8 se resumen los aspectos técnicos del algoritmo C4.5 y el tiempo insumido en generar el árbol, podarlo y utilizar dicho árbol para evaluar el conjunto de observaciones. En la misma tabla se detalla el porcentaje de datos mal clasificados en las dos fases del algoritmo: la de entrenamiento y la de prueba posterior.

Característica Valor Número Total de Nodos 12 Número de Nodos Hoja 9 Número de Niveles 5 % Error de Clasificación En el conjunto de Entrenamiento En el conjunto de testeo

1.28% 2.21%

Tiempo Insumido en el proceso Procesamiento de Datos Crecimiento del Árbol Poda del Árbol Clasificación utilizando el árbol final Recorrido del árbol para generar reglas

10 Seg. 04 Seg. 01 Seg. 04 Seg. 01 Seg.

Tiempo Total Insumido 20 Sec.

Tabla 5.8: Resumen del árbol C4.5 generado, incluyendo los errores de clasificación y el tiempo insumido desglosado del proceso.

Una vez analizada la representación gráfica del árbol, es necesario centrarse en cada uno de los nodos, numerados de 0 al 12, para tener una idea precisa de cómo cada una de las bifurcaciones influye sobre la clase resultante. De este modo se puede plantear un ejemplo utilizando uno de los grupos de entrada cualquiera: seleccionando la observación n=121 tal como se muestra en la Tabla 5.9, se buscará de clasificarla con el árbol:

Protocolo Pedagógico Predicho Protocolo Magistral30 Carrera 9 Edad 19 Sexo Masculino Entiendo un tema después de Pensarlo Prefiero ser considerado como Realista Cuando pienso acerca de lo que hice ayer, pienso en Imágenes En general tiendo a Entender la estructura general Cuando aprendo algo nuevo me ayuda Pensar acerca de ello Si fuera profesor, preferiría enseñar En base a teorías e ideas Prefiero obtener nueva información en forma de Dibujos y diagramas Una vez que entiendo El tema en su conjunto Estudiando en grupo, en temas difíciles Este sentado y escuche Es más fácil para mi Aprender conceptos En un libro con dibujos y esquemas Mire los dibujos y esquemas Cuando resuelvo un problema de matemática Un paso a la vez En el aula Raramente conozco a todos Cuando leo libros que no son de ficción prefiero Libros de nuevos hechos Prefiero docente que Muchos dibujos y diagramas Cuando analizo una historia o novela Pienso acerca de los hechos Cuando inicio la resolución de un problema Primero entiendo el problema

30 El valor 3 corresponde a la clasificación de la observación número 121 dada por la red S.O.M.

configurada con los parámetros mencionados en la sección A.3.3 – Clusters Resultantes del Anexo A.

Page 127: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESULTADOS EXPERIMENTALES Fernando A. Salgueiro 127

Prefiero la idea de Teoría Recuerdo mejor Lo que veo Es más importante que el docente Sea claro y secuencial Prefiero estudiar Solo Probablemente sea considerado Creativo en como hacer el trabajo Cuando recibo indicaciones para ir a un lugar uso Un mapa Aprendo A ritmo normal Preferiría primero Pensar en la solución Cuando leo por placer, prefiero escritores Creativos e interesantes Cuando veo un diagrama, recuerdo El dibujo Cuando considero nueva información Trato de entender el esquema gral. Recuerdo más fácilmente Alo que hice Cuando tengo que realizar una tarea, prefiero Conocer como la llevare a cabo Cuando alguien me muestra datos, prefiero Esquemas o gráficos Cuando escribo un trabajo, prefiero Elaborar las partes desordenadas Cuando debo trabajar en grupo, prefiero Pensar las ideas individualmente La mejor alabanza para mi es que me digan Imaginativo Cuando me reúno, normalmente recuerdo Como ellos reveían Cuando estoy aprendiendo un tema nuevo, prefiero Conectar el tema con otros Normalmente me consideran Reservado Prefiero cursos que enfaticen Material abstracto Para entretenerme prefiero Mirar televisión Resúmenes de clases me resultan Muy útiles para mi Realizar tareas grupales con una única nota Me desagrada Cuando realizo cálculos extensos Chequeo los resultados Recuerdo los lugares donde he estado Fácilmente y con precisión Cuando resuelvo un problema en grupo, prefiero Pienso los pasos de la solución

Tabla 5.9: Observación número 121 como fue relevada de la planilla, con el cluster resultante agregado luego de ser clasificado por el algoritmo C4.5

Para ver si esta observación está bien categorizada en el árbol se seguirán los nodos desde el nodo 0 (root) descendiendo según los valores de los atributos de la observación:

1. Se parte del nodo 0 marcado como Raíz (Root). 2. Se pasa al nodo 2 por que la respuesta a la pregunta “Normalmente me

consideran:” es “Extrovertido”. 3. Se pasa al nodo 4 Por que la respuesta a la pregunta “Aprendo:” es “A un ritmo

normal, metódicamente. Si me esfuerzo, lo logro”. 4. Se pasa al nodo 7 que es un nodo hoja y por lo tanto el final del recorrido. 5. Se pasa a la hoja que contiene el número de Cluster 3, con un soporte del 29% y

confianza del 100%. Aquí termina esta rama del árbol y por lo tanto se tiene clasificada la observación inicial.

Se estudiará ahora, el mismo proceso, utilizando todos los atributos y preguntas y no solo un subconjunto de estos, para validar las afirmaciones de Oates [Oates et al., 1998] y Quinlan [Quinlan, 1987] entre otros, sobre el tamaño del árbol en relación el error cometido, analizando en que tipo de ventajas redunda esto en el Sistema Tutor Inteligente (STI).

5.4.2 – Comparación de Resultados. En este caso se repite el proceso de aplicar el algoritmo C4.5 a las planillas de estilos de aprendizaje clasificadas por la red S.O.M. pero utilizando todas las preguntas y todos los atributos disponibles, para analizar como impacta sobre el conjunto de resultados la cantidad de atributos de la muestra.

Page 128: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

128 Fernando A. Salgueiro RESULTADOS EXPERIMENTALES

En la Tabla 5.10 se resumen los aspectos técnicos del algoritmo C4.5 para el árbol generado con el atributo de la edad. En la misma tabla se detalla el porcentaje de datos mal clasificados en las dos fases del algoritmo, la de entrenamiento y el posterior testeo.

Característica Valor Número Total de Nodos 18 Número de Nodos Hoja 13 Número de Niveles 6 % Error de Clasificación En el conjunto de Entrenamiento En el conjunto de testeo

0.00% 1.44%

Tiempo Insumido en el proceso Procesamiento de Datos Crecimiento del Árbol Poda del Árbol Clasificación utilizando el árbol final Recorrido del árbol para generar reglas

20 Sec. 4 Sec. 2 Sec. 1 Sec. 1 Sec.

Tiempo Total Insumido 28 Sec.

Tabla 5.10: Resumen del árbol C4.5 generado. Incluyendo los errores de clasificación y el tiempo insumido total desglosado del proceso.

Entonces, comparando las dos soluciones disponibles, las reglas generadas clasifican aceptablemente a los 121 elementos, salvo que para el caso de utilizar solo 9 preguntas de la planilla de estilos de aprendizaje, se recorren dos niveles de profundidad menos que para el árbol generado teniendo en cuenta todos los atributos. Ahora se debe analizar cómo influye el conjunto de entradas en la complejidad del árbol resultante y como impactan las mejoras de los árboles complejos globalmente sobre el modelo. Cuanto mayor sea la cantidad de variables a analizar, mayores serán los requerimientos al módulo del estudiante y mayor será el trabajo que el STI en su conjunto deberá realizar para satisfacer las necesidades básicas para poder seleccionar el protocolo pedagógico más adecuado. Oates [Oates et al., 1997] entre otros ha analizado varios algoritmos de “poda” (o pruning en inglés) para recortar el tamaño de las reglas generadas a partir de un gran número de observaciones. Oates ha encontrado que a medida que se aumenta el tamaño de las observaciones iniciales, el tamaño de las reglas aumenta en forma lineal. Este aumento en la cantidad de antecedentes de las reglas no aumenta significativamente la precisión en la clasificación de las reglas. Siguiendo a Quinlan [Quinlan, 1987], éste explica que si bien muchos sistemas han desarrollados árboles de decisión complejos, acertados y eficientes, tienen la desventaja de una complejidad excesiva que puede llevar a los expertos a la obtención de resultados incomprensibles. Por lo tanto es cuestionable utilizar estructuras complejas, si las simples se adaptan correctamente al modelo, introducen únicamente a un pequeño error. En este aspecto Quinlan [Quinlan, 1987] esta de acuerdo con el trabajo The Effects of Training Set Size on Decision Tree Complexity” [Oates et al., 1997] de Oates. Según Last y Maimon [Last et al., 1998] la relación entre las entradas del modelo (predicativas) y los objetivos (clasificación) se utilizan (dado el atributo de entrada) para seleccionar los valores de las instancias que minimizan la función global de entropía de

Page 129: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESULTADOS EXPERIMENTALES Fernando A. Salgueiro 129

ese atributo, una vez descartado ese atributo, se lo reemplaza por el valor seleccionado y se continúan evaluando los atributos de igual manera hasta que todos los elementos pertenezcan a la misma clase. Luego, se aplican los algoritmos de poda para minimizar la profundidad de los árboles generados, sin perder el poder de clasificación. Para el caso específico que se está evaluando, el error de clasificación al utilizar un árbol mas sencillo, con un 33% menos de nodos, incrementa el error de clasificación del 5.98 % al 6.25% (un incremento solo del 0.27 %). Se lo puede resumir de la siguiente manera:

• Árbol de 5 niveles y 12 nodos (figura 5.9.a), error de clasificación 5.98%. • Árbol de 4 niveles y 8 nodos (figura 5.9.b), error de clasificación 6.25%.

De esta manera se llega a un resultado, para este caso en particular, como el propuesto en los trabajos de Quinlan [Quinlan, 1986] y Oates [Oates et al., 1997] anteriormente citados, brindado la ventaja adicional al utilizar el segundo árbol (con menos niveles y menor cantidad de nodos), el Sistema Tutor Inteligente requiere menor cantidad de información para seleccionar el protocolo pedagógico del estudiante y con información de más fácil acceso (es más simple de conocer las respuestas a algunas preguntas claves de la planilla que las respuestas a todo el cuestionario). Ahora, solo es necesario resolver la inquietud de que protocolo pedagógico se relaciona con que cluster obtenido para la solución particular sobre el dominio de Programación Básica que esta en estudio para contrastar el modelo teórico planteado.

5.5 – Inferencia. Se requiere ahora hallar la relación entre el estilo de aprendizaje y el protocolo pedagógico que corresponde a cada grupo se tomaran los protocolos básicos que describe Perkins [Perkins, 1995] en la Teoría Uno:

• La instrucción didáctica o Magistral • El entrenamiento • La enseñanza socrática

Por lo tanto la investigación se orienta en la búsqueda de la relación entre la predilección de los alumnos de aprender de manera más eficiente y los protocolos pedagógicos utilizados por los tutores humanos (profesores); Para ello como parámetro orientador se usarán las notas de las evaluaciones parciales para establecer dicha relación. Para llevar a cabo la inferencia, se plantearon las siguientes hipótesis:

1. La composición de estilos de aprendizaje (necesidades y preferencias de los estudiantes) de cada estudiante determina el estilo de enseñanza (o protocolo pedagógico) más adecuado.

2. Aquellos estudiantes en los que el estilo de enseñanza no coincide con su

preferencia, presentan dificultades en la aprobación de la asignatura.

Page 130: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

130 Fernando A. Salgueiro RESULTADOS EXPERIMENTALES

A partir de la segunda hipótesis para los alumnos aprobados se desprende, que el protocolo mayoritario de preferencia deberá ser el que coincide con el utilizado en clase, mientras que para los reprobados, el protocolo mayoritario debe encontrarse invertido. Para verificar esta afirmación se entrenó una red del tipo Backpropagation con las siguientes características:

o Se seleccionaron los aprobados del curso con profesor socrático más la mayoría de los reprobados del curso con profesor magistral y se entrenó la red considerando protocolo socrático.

o Se seleccionaron los aprobados del curso con profesor magistral más los

reprobados del curso con profesor socrático y se entrenó la red considerando protocolo magistral.

Característica Observada Curso A Curso B

Alumnos Totales (Contabilizados para este análisis) 47 53 Alumnos que reprobaron la evaluación parcial y estaban en un curso con distinto protocolo pedagógico 30 0

Alumnos aprobaron la evaluación parcial y estaban en un curso con distinto protocolo pedagógico (invertido) 10 33

Alumnos Aprobados (sin importar si el protocolo es correcto o no) 7 20 Alumnos reprobados respecto de los aprobados, dentro del subconjunto de los mal clasificados 75% 0%

Tabla 5.11: Resumen de los porcentajes obtenidos para el análisis de los estudiantes, discriminados por cursos. Se observan los alumnos que reprobaron y no recibieron tutorías en el protocolo de su preferencia. Realizando el entrenamiento de esta manera se logra suprimir el “ruido” que aportan los grupos que quedan fuera del análisis. En la Tabla 5.11 se pueden ver los resultados de los estudiantes discriminados por cursos, contabilizando alumnos totales, alumnos reprobados clasificados como pertenecientes al cluster contrario al de la mayoría y el porcentaje que relaciona a los alumnos reprobados y aprobados que además se encuentran mal clasificados. Para esta experiencia se entrenó la red del tipo Backpropagation y se obtuvo un ranking (escala) de protocolos pedagógicos y no solo el más adecuado para una situación particular, a fin de dar flexibilidad al módulo que almacena los contenidos. El esquema de este tipo de redes se puede ver en la Figura 2.5 de la sección 2.2.4.5.1 – Redes Backpropagation. Para el entrenamiento de la red backpropagation se utilizaron aleatoriamente el 67% de los datos (calificaciones) pertenecientes a la Tabla A.32 mientras que el 33% de los datos restantes se utilizaron para validar el modelo generado. Luego de más de 100 entrenamientos de 1000 ciclos cada uno, donde se buscó minimizar el error en la red resultante, se llegó a la conclusión que los valores óptimos para los parámetros de la red son los que están ven en la Tabla 5.12.

Page 131: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

RESULTADOS EXPERIMENTALES Fernando A. Salgueiro 131

Característica Valor

% Error (Conjunto de Entrenamiento) 3.75% % Error (Conjunto de Validación) 2.00% Características de la Red Neuronas de Entrada Neuronas primera capa oculta Neuronas Segunda capa oculta Neuronas de Salida

13 20 20 2

Tabla 5.12: Resultados de los datos de entrenamiento de la red tipo Backpropagation.

Este entrenamiento es válido ya que el error de la herramienta (3.75% para el conjunto de entrenamiento y 2.00 % para el conjunto de validación) es menor que el error de los elementos que quedaron fuera del análisis, que representan a los estudiantes que no aprobaron la materia por no estudiar lo suficiente, aunque el protocolo pedagógico coincidiera con la preferencia del estudiante (que es el 25%). Por lo tanto se puede concluir que:

• El curso B está relacionado con el cluster 1: Ya que los errores inducidos por elementos del cluster 2 dentro del Curso A están en un 75%. O en otras palabras, la red clasifica al 75% de los estudiantes reprobados en el curso A como pertenecientes al cluster B.

• El Curso A está relacionado con el cluster 2: Ya que no existe otra asignación

posible en este caso y además el porcentaje de error de clasificación y reprobación es del 0%.

Perkins [1995] (en el capítulo 3: La enseñanza y el aprendizaje del libro la Escuela Inteligente) plantea que a los estudiantes a los que se les presenta el contenido una la lección utilizando un protocolo pedagógico en el cual el alumno no siente que se le facilita su proceso de aprendizaje, se evidencia una tendencia superior a fallar en las evaluaciones. Si en cambio, se presentan los contenidos utilizando un protocolo pedagógico más adecuado al estilo de aprendizaje de cada estudiante (preferencia), su rendimiento se incrementa. Los resultados obtenidos concuerdan con las afirmaciones de Perkins, donde la red Backpropagation predice que la mayoría de los estudiantes reprobados deberían haber recibido clases utilizando otro protocolo pedagógico.

• El protocolo Socrático está relacionado con el Cluster 2. • El protocolo Magistral está relacionado con el Cluster 1.

De esta manera se obtiene el mismo resultado del paso inferencial a fin de poder incorporar los resultados experimentales al diseño del módulo tutor en el marco de los Sistema Tutor Inteligente (STI). Se concluye, que se posee un módulo del tutor capaz de categorizar a los estudiantes según sus características, dentro de alguno de los protocolos pedagógicos disponibles en el sistema, para el caso en estudio, se poseían datos de 2 protocolos pedagógicos (Magistral y Socrático) y en este caso se puede categorizar automáticamente a los estudiantes dentro de cada uno de ellos, según sus preferencias para mejorar los resultados de una sesión pedagógica.

Page 132: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

132 Fernando A. Salgueiro RESULTADOS EXPERIMENTALES

Una ventaja adicional que se presenta al utilizar una red del tipo Backpropagation en lugar de una red S.O.M. para entrenar en la detección del protocolo pedagógico más adecuado es que la primera no solamente proporciona una única salida, sino que en lugar de activarse una única neurona de salida, ambas neuronas se activan (tanto la que indica el protocolo Magistral como el Socrático) entregando un puntaje, que es la relación entre los datos de entrada y el elemento que representa esa neurona en particular. De esta manera, en los casos donde se posean varios protocolos pedagógicos en los cuales se pueda optar, se podrá seleccionar el segundo más adecuado si el primero faltase en el módulo del dominio y así sucesivamente. Esto se puede ilustrar por medio de un ejemplo, en el que la observación número 120 es clasificada por la red Backpropagation entrenada. La neurona que representa al protocolo pedagógico Socrático en la observación de entrada le obtiene un puntaje de 0.00453776, mientras que la neurona que representa al protocolo pedagógico Magistral obtiene un puntaje de 0.99432725, por lo tanto el sistema decide implementar la sesión de tutoría utilizando el protocolo pedagógico Magistral (ya que 0.99432725 > 0.00453776).

Page 133: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

CONCLUSIONES Fernando A. Salgueiro 133

Capítulo 6 - Conclusiones 6.1 – Contribución Realizada a la Solución del Problema. Se comenzó determinando el estado actual de las investigaciones sobre el tema de tutorizado inteligente, partiendo como base de trabajos generales, desde el histórico Acholar de Carbonell, hasta el moderno CircSim de Evens para analizar las funcionalides básicas, los puntos fuertes y las debilidades de los Sistemas Tutores Inteligentes implantados hasta la fecha de impresión de este trabajo. Luego se continúo analizando los casos concretos de Sistemas Tutores Inteligentes que comparten el dominio de aplicación de esta tesis, como el Meno Tutor de Wolf, el Proust de Jonhson y el tutor Coach de Selker para determinar el estado de desarrollo de los mismos. De esta manera quedan establecidos los fundamentos básicos que sustentan a los distintos tipos de Sistemas Tutores Inteligentes, así como también el modelo tripartito de módulos propuesto por Carbonell y extensamente utilizado en el ámbito de los STI. Se procedió luego al análisis de las interfaces, submódulos y componentes fundamentales para detectar los fallos en las implementaciones previas y alterar una estructura teórica con más de 35 años para soportar las nuevas tecnologías. De esta manera quedan determinados los componentes necesarios para guiar a los estudiantes en el proceso de aprendizaje, respondiendo a sus necesidades inmediatas y a largo plazo de la manera más conveniente dados los recursos del sistema. Se modelaron las partes por separado y se las integro dentro de la arquitectura planteada de Sistema Tutor Inteligente, utilizando en el caso del submódulo de protocolos pedagógicos las herramientas que brinda la Inteligencia Artificial (IA) para modelar el comportamiento del sistema como un tutor humano. Se utilizaron redes neuronales y demostraron, en el paso posterior de la validación del modelo, de ser aptas para la tarea propuesta, clasificando a los distintos estudiantes de una manera satisfactoria y funcionando como el pilar del módulo para la selección del protocolo pedagógico que más se adapta a las necesidades del estudiante usuario. Al validar el modelo con los datos reales, tanto para la triangulación de datos como para el entrenamiento de las redes neuronales que soportan el modelo, se encontró que los datos se adaptan muy satisfactoriamente a las condiciones de prueba, transformándose así, no solo en una herramienta teórica valida para guiar a los estudiantes en el proceso de aprendizaje, sino también en un instrumento practico, que permite implantaciones de un Sistema Tutor Inteligente capaz de generar resultados satisfactorios mesurables y útiles en un entorno real. De esta manera queda cumplido el objetivo general, ya que para el modelo planteado, se ha validado que es capaz de adaptarse a las necesidades y preferencias de los alumnos, según sus estilos de aprendizaje. Además, cumple con la condición de ser un instrumento adicional para realizar tutorizado “uno a uno” entre el estudiante y el tutor virtual.

Page 134: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

134 Fernando A. Salgueiro CONCLUSIONES

Queda cumplido también el objetivo de este trabajo de proveer una herramienta adicional para los tutores humanos, quienes pueden relegar algunas de sus tareas que, ya sea por falta de tiempo o recursos, no pueden cumplir de la forma más satisfactoria para el estudiante, mientras que provee un soporte secundario para los alumnos que quieren complementar sus conocimientos o regular su propio ritmo de aprendizaje. Con el objetivo del trabajo cumplido, se provee al campo de los Sistemas Tutores Inteligentes de una nueva herramienta, para facilitar la selección del protocolo pedagógico adecuado, redundando esto en una ganancia, no solo para el desempeño del STI en si mismo, sino en el estudiante, que es el componente humano fundamental que hace útil al sistema y le brinda identidad. Así se pretende realizar un aporte y mejorar el desempeño académico de los distintos estudiantes y por ende su calidad de vida. H1) La composición de estilos de aprendizaje (necesidades y preferencias de los estudiantes) de cada estudiante determina el estilo de enseñanza (o protocolo pedagógico) más adecuado. La hipótesis 1 se valida ya que se ha encontrado una herramienta que es capaz de determinar el estilo de enseñanza partiendo de la planilla de estilos de aprendizaje. H2) Aquellos estudiantes en los que el estilo de enseñanza no coincide con su preferencia, presentan dificultades en la aprobación de la asignatura. Los estudiantes mayoritarios desaprobados (75%) son recatalogados, tanto por la red neuronal S.O.M. como por la Backpropagation, como pertenecientes a otro protocolo pedagógico que difiere del utilizado en las clases tomadas.

6.1.1 – Respuesta a las Preguntas de Investigación. Se procederá ahora a contestar las preguntas de investigación propuestas en el Capítulo 1 con las deducciones que se obtuvieron del capítulo experimental. A continuación Se presentara cada pregunta con su correspondiente respuesta: Pregunta 1: ¿Cuál es la herramienta más adecuada para la toma de información para

luego ser procesada? Respuesta 1: La herramienta es la planilla de estilos de aprendizaje se ajusta a las

necesidades para relevar información sobre las distintas preferencias de los estudiantes con respecto a sus estilos de aprendizaje y a su vez su formato permite un post-procesamiento como el realizado en este trabajo.

Pregunta 2: ¿Cuál es la mínima cantidad de muestras a tomar para que el desarrollo

sea válido y el error de generalización sea lo suficientemente pequeño como para que los resultados sean aplicables en un caso real?.

Respuesta 2: Con 120 planillas y 120 juegos de notas, se puede obtener de una

población de 800 un error de generalización menor al 3%.

Page 135: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

CONCLUSIONES Fernando A. Salgueiro 135

Pregunta 3: ¿En cuántos grupos o familias pueden organizarse los datos relevados? ¿Es este número aceptable para una relación lineal con los distintos protocolos pedagógicos?.

Respuesta 3: Se pueden organizar en 2 grupos y este número esta dentro del rango de

los protocolos pedagógicos predichos por la Teoría Uno. Estos grupos presentan características similares

Pregunta 4: De todos los atributos analizados por la herramienta: ¿Cuáles de ellos

tienen una ganancia de información mayor? Y a su vez, ¿Cómo quedan expresados los grupos o familias en función de los tributos más relevantes?.

Respuesta 4: Existen atributos que presentan una mayor ganancia de información y se

ha detectado que para las preguntas específicas de la planilla estos son:

1. Edad 2. Sexo 3. Carrera

Mientras que para los datos adicionales la mayor ganancia de

información se encuentra en los atributos:

1. Normalmente me consideran: Extrovertido / Reservado / Ninguna.

2. Recuerdo más fácilmente: Algo que he pensado mucho / algo que he hecho / ninguno.

3. Aprendo: A un ritmo normal, metódicamente. Si me esfuerzo, lo logro / A tontas y locas (Desordenadamente) /Ninguna.

4. Cuando pienso en lo que hice ayer, la mayoría de las veces no pienso ni en Imágenes ni en Palabras

En ambos casos, el orden en que se presentan es decreciente con respecto

a la ganancia de información. Pregunta 5: La información requerida para la clasificación del estudiante: ¿estará

disponible en el módulo del estudiante o deberá agregarse a la estructura general de un Sistemas Tutores Inteligentes (STI) un nuevo submódulo para relevar y procesar la nueva información requerida?.

Respuesta 5: Existen para utilizar estilos de aprendizaje, toda la información necesaria

estará disponible dentro del módulo del estudiante y no requiere interacción extra con la interfaz, y por lo tanto se mantiene la independencia de los módulos así como también la estructura propuesta por Carbonell. Si la información que se requiere para la identificación adecuada de los protocolos pedagógicos no se encuentra disponible en el sistema, esta debería ser ingresada directamente al módulo del tutor, rompiendo la independencia de los módulos.

Page 136: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

136 Fernando A. Salgueiro CONCLUSIONES

Pregunta 6: ¿Cada uno de los grupos o familias en las que los estudiantes se agrupan

pueden ser relacionadas con un protocolo específico? Y si la respuesta es afirmativa, ¿Con que protocolo están relacionadas?.

Respuesta 6: Existe una forma de relacionar las familias generadas con las redes

neuronales S.O.M. y el protocolo pedagógico, utilizando las dos hipótesis siguientes:

H1) La composición de estilos de aprendizaje (necesidades y preferencias de los estudiantes) de cada estudiante determina el estilo de enseñanza (o protocolo pedagógico) más adecuado.

La hipótesis 1 se valida ya que se ha encontrado una herramienta que es capaz de determinar el estilo de enseñanza partiendo de la planilla de estilos de aprendizaje.

Los estudiantes mayoritarios desaprobados (75%) son recatalogados, tanto por la red neuronal S.O.M. como por la Backpropagation, como pertenecientes a otro protocolo pedagógico que difiere del utilizado en las clases tomadas, resultando que el Cluster 1 generado por S.O.M. esta relacionado con el protocolo pedagógico Socrático, mientras que el Cluster 2 generado por S.O.M. lo está con el protocolo Magistral

Pregunta 7: ¿Cómo reacciona la estructura de la solución propuesta ante el caso de

que el protocolo pedagógico requerido por el sistema se encuentre faltante dentro del módulo del dominio?.

Respuesta 7: La utilización de una red Backpropagation en lugar de una S.O.M.

permite armar un ranking de protocolos más adecuados. Pregunta 8: ¿Cómo la nueva estructura propuesta se adapta a las nuevas tecnologías? Respuesta 8: Utiliza las nuevas tecnologías, sobre todo las de los ambientes

distribuidos, así como también las tecnologías que propone la Inteligencia Artificial (IA).

Pregunta 9: ¿Qué impacto global tiene la propuesta dentro del marco especifico de los

Sistemas Tutores Inteligentes (STI)?. Respuesta 9: Aporta una solución viable para la implementación de un STI capaz de

brindar a cada estudiante con el protocolo pedagógico que mejor se adapte a cada estudiante, mejorando sus posibilidades de aprobación y por ende combatiendo el problema de el alto índice de desaprobados.

Page 137: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

CONCLUSIONES Fernando A. Salgueiro 137

6.2 – Futuras líneas de investigación Esta investigación, si bien ha propuesto una solución sobre la selección de los protocolos pedagógicos, no propone soluciones a temas que incluyen al sistema tutor inteligente como un conjunto. La interacción no guiada, donde el sistema funciona como un compañero, que presenta respuestas “posibles” a las inquietudes del estudiante no puede ser tratada como un problema perteneciente solamente al módulo del tutor, sino que comprende al Sistema Tutor Inteligente (STI) como un conjunto. De esta manera se requiere un análisis mucho más profundo sobre la manera de “encausar” una interacción no guiada para que conduzca a fines útiles y no caer en casos donde toda la interacción gira en torno a un concepto pero, por no poder el objetivo de la interacción correctamente, no puede dar con la solución. A su vez, esto puede que quede fuera del campo de acción de los Sistemas Tutores Inteligentes clásicos, para ingresar en el terreno de los Asesores Inteligentes, ya que el sistema no “tutoriza” directamente al estudiante, sino más bien que “acompaña” en un proceso de descubrimiento donde no existe un objetivo determinado, pero si existe la necesidad de “guiar” o “asistir” al estudiante en este proceso de descubrimiento para que rinda buenos resultados. Por lo tanto una de las futuras líneas de investigación, para ampliar el desarrollo de este trabajo es la de adaptar las ideas aquí planteadas a otras estructuras similares a la de los Sistemas Tutores Inteligentes (STI), como pueden serlo los Asesores Inteligentes o mismos Sistemas Tutores Inteligentes que no poseen un modelo de interacción tradicional. De aquí también se desprende que las mismas ideas pueden ser adaptadas a modelos en los que no se aplica el marco de referencia tripartito planteado por Carbonell, adaptando y redistribuyendo los submódulos que desempeñan las tareas del tutor a las nuevas estructuras, que, si bien difieren de la estructura clásica, deberán seguir cumpliendo las mismas funciones y logrando los mismos objetivos. Otro campo en el que la investigación puede seguir su curso es en el de agregado de nuevos módulos a la estructura clásica. Se mantienen los tres módulos básicos, pero se agregan módulos para ampliar los campos de aplicación del sistema, como puede ser el módulo evaluador o el módulo ambiental, propuesto por varios autores. De esta manera, las interfaces que unen a los diferentes módulos añadidos deberán ser definidas para que la interacción con el módulo del tutor se realice de forma eficiente y sin la superposición de funcionalidades que tanto ha demorado el desarrollo de Sistemas Tutores Inteligentes implantables.

Page 138: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

138 Fernando A. Salgueiro BIBLIOGRAFÍA

Bibliografía Ackley, D. H.; Hinton,G. F.; Sejnowski, T. J. (1985). A learning algorithm for Boltzman

machines. Cognitive Science, 9, p 147-169. Alpert, S. R.; Singley, M. K.; Fairweather, P. G. (1999). Deploying Intelligent Tutors on

the Web: Architecture and an Example. International Journal of Artificial Intelligence in Education, 10, 183-197

Anderson, J. A.; Silverstein, J. W.; Ritz, S. A.; Jones, R.S. (1977). Distinctive features, categorical perception, and probability learning: Some applications of a neural model. Psychological Review, 84, 413-451. Reimpreso en Anderson y Rosenfeld en 1988.

Ausubel, D.; Novak, J.; Hanessian, H. (1983) Psicología educativa: un punto de vista cognitivo. México: Trillas.

Barr, A.; Feigenbaum, E. A. (1981). The Handbook of Artificial Intelligence. Volume I. William Kaufman, Los Altos, CA.

Barto, A. G.; Sutton, R. S.; Anderson, C. W. (1983). Neuron like elements that can solve difficult learning control problems. IEEE Transactions on Systems, Man, and Cybernetics 13, p. 834-846.

Bhatt, K.; Evens ,M.; Argamon, S. (2004): Hedged Responses and Expressions of Affect in Human/Human and Human/Computer Tutorial Interactions. Computer Science Department, Illinois Institute of Technology. Proceedings of COGSCI 2004, Chicago, IL

Boff, E.; Giraffa, L. M. (2000). Construyendo un ambiente de enseñanza-aprendizaje cooperativo: una experiencia interdisciplinaria. En SBIE 2000 - Simposio brasilero de informática educativa. Maceio, Halagaos. Anales. p. 112-119.

Bolan Frigo, L.; Pozzebon, E.; Bittencourt, G. (2004). O Papel dos Agentes Inteligentes nos Sistemas Tutores Inteligentes. World Congress on Engineering and Technology Education (WCETE'2004). Guarujá / Santos, SP. Proceedings of the World Congress on Engineering and Technology Education.

Brown, E.; Palincsar, B. (1989) Guided, Cooperative learning and the individual knowledge acquisition. En Resnick B. (comp.) Knowing, learning, and instruction. Hillsdale. N.J.

Bruner, J. (1990). Actos de significado. Más allá de la revolución cognitiva. Alianza. Madrid. 2002.

Bruno, O. (2003). Resultados de investigación acerca de los problemas de aprendizaje de algoritmos. UTN.

Buchanan, B. G.; Shortliffe, E. H. (1984). Rule-Based Expert Systems: The MYCIN Experiments of the Stanford Heuristic Programming Project. Addison-Wesley, Reading, MA.

Buchanan, B. G.; Sutherland, G. L., and Feigenbaum, E. A. (1969). Heuristic DENDRAL: a program for generating explanatory hypotheses in organic

Page 139: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

BIBLIOGRAFÍA Fernando A. Salgueiro 139

chemistry. In Meltzer, B., Michie, D., and Swann, M., editors, Machine Intelligence 4, p. 209-254. Edinburgh University Press, Edinburgh, Scotland.

Burton, R. R.; Brown, J. S. (1981). An investigation of computer coaching for informal learning activities. In: Sleeman, D., Brown, J. (eds.): Intelligent Tutoring Systems, Capitulo 4, p. 79-98, London: Academic Press.

Carbonell, J. R. (1970). AI in CAI: An artificial intelligence approach to computer assisted instruction. IEEE transaction on Man Machine System. Volumen 11 número 4, p. 190-202.

Carpenter, G. A.; Grossberg, S.; Markuzon, N.; Reynolds, J.H.; Rosen, D.B. (1992). Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks, 3, 698-713.

Carpenter, G. A.; Grossberg, S.; Reynolds, J.H. (1991). ARTMAP: Supervised real-time learning and classification of nonstationary data by a self-organizing neural network. Neural Networks, 4, 565-588.

Castillo, E.; Gutiérrez, J. M.; Hadi A. S. (1998). Sistemas Expertos y Modelos de Redes Probabilísticas. Monografías de la Academia Española de Ingeniería, Madrid.

Cataldi, Z. (2004). Metodología para el diseño y evaluación de sistemas tutores inteligentes. FI-UNLP. CAPIS. ITBA.

Cataldi, Z.; Figueroa, N.; Lage, F.; Denazis, J. (2003). Analysis of the interactions between students taking part in problem based learning experiences using software for groupware in an initial course of computer science engineering career. Full Paper Aceptado en FIE 2003. 35th ASEE/IEEE Frontiers in Education Conference. 5-8 de noviembre. Colorado.

Cheeseman, P. (1985). In defense of probability. In Proceedings of the Ninth International Joint Conference on Artificial Intelligence (IJCAI-85), p. 1002-1009, Los Angeles, California. Morgan Kaufmann.

Cho, B. (2000). Dynamic Planning Models to Support Curriculum Planning and Multiple Tutoring Protocols in Intelligent Tutoring Systems. Ph.D. tesis, Illinois Institute of Technology.

Clancey, W. J. (1991). Intelligent tutoring systems: A tutorial survey, en Applied Artificial Intelligence: A Sourcebook. McGraw-Hill.

D.A.R.P.A. (1988). Neural Network Study. Defense advanced research projects agency http://darpa.mil, AFCEA international press. p. 60. Consultado el 15/06/05

Dickinson, C. J.; Goldsmith, C. H.; Sackett, D. L. (1973). J. Clin. Computing, vol. 2, p. 42-50.

Duda, R. O.; Gaschnig, J. G.; Hart, P. E. (1980). Model Design in the Prospector Consultant System for Mineral Exploration. En Michie, D., editor, Expert Systems in the Microelectronic Age. Edinburgh University Press, Edinburgh, p. 153–167.

El Sheikh, E.; Sticklen, J. (1998). A Framework for Developing Intelligent Tutoring Systems Incorporating Reusability. IEA-98-AIE: 11th International Conference on Industrial and Engineering Applications of Artificial Intelligence and Expert Systems, Benicassim, Castellon, España, Springer-Verlag (Lecture Notes in Artificial Intelligence, vol. 1415).

Page 140: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

140 Fernando A. Salgueiro BIBLIOGRAFÍA

Evens, M. W.; Spitkovsky, J.; Boyle, P.; Michael, J.; Rovick, A. A. (1993). Synthesizing tutorial Dialogues. Preoceedings of the 15th Annual Conference of the Cognitive Science Society.

Evens, M. W.; Stefan, B.; Ru-Charn, C.; Freedman; Glass, M; Hee Lee, Y.; Leem Seop, Shim; Woo Woo, C.; Yuemei, Z.; Yujian, Z,; Joel, A. M.; Rovick, A. A. (2001). CIRCSIM-Tutor: An Intelligent Tutoring System Using Natural Language Dialogue. Twelfth Midwest AI and Cognitive Science Conference, MAICS 2001, Oxford, OH, p. 16-23.

Fausett, L. (1994). Fundamentals of Neural Networks, Englewood Cliffs, NJ: Prentice Hall.

Felder, R. M.; Baker-Ward, L. (1990). How engenieering students learn, how engineering professor teach, and what goes wrong in the process. proceedings ofthe 1990 frontiers in education conferenca, p 82-84.

Felder, R.; Soloman, B. (1998). Learning styles and strategies. Consultado el 21 de junio de 2004 en www.2.ncsu.edu/unity/lockers/users/f/felder/ .

Feng-Jen, Y. (2001). Turn planning for Dialogue-Based Intelligent tutoring systems. PhD tesis de PhD. Illinois Institute of Technology. Chicago Illinois.

Fernández, C. T.; Lima, M. D. De Alecar; Zuanásbar, D.; Adeche H. M. (2000) ambiente de apoyo del desenvolvimiento de cursos hipermedia en la web. SBIE 2000- Simposio brasilero de informática educativa.Maceio, Halagaos. Anales. p. 24-31.

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.

Figueroa, N.; Cataldi Z.;Lage F. J.; Salgueiro F. A.; Costa G.; Rendón J. (2004). Nuevos enfoques para el estudio del desgranamiento universitario. CAEDI 2004: IV Congreso Argentino de enseñanza de Ingeniería. 1, 2 y 3 de Septiembre, ITBA, Buenos Aires.

Figueroa, N.; Lage, F.; Cataldi, Z.; Denazis, J. (2003). Evaluación de las experiencias para mejoramiento del proceso de aprendizaje en asignatura inicial de la carrera ingeniería informática. International Conference on Engineering and Computer Education, ICECE 2003, paper 804. 16-19 de Marzo San Paulo.

Freeva, R.; Evens, M. (1996). Generating and revising multi-turn text plans in STI. Evens. Lecture Notes in Computer Science. Pp 632-640.

Friedberg, R. M..; Dunham, B.; North, T. (1959). A learning machine: Part II. IBM Journal of Research and Development, 3(3):282-287.

Fukushima, K. (1975). Cognitron: a self-organizing multilayered neural network. Biological Cybernetics, 20:121 - 136.

Fukushima, K. (1988). Neocognitron: A hierarchical neural network capable of visual pattern recognition. Neural Networks, 1, p. 119-130.

García, M. (1995). El paradigma de Pensamiento del profesor. Editorial CEAC, Barcelona.

García-Martínez, R. (1997). Sistemas Autónomos. Aprendizaje Automático. Editorial Nueva Librería.

Page 141: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

BIBLIOGRAFÍA Fernando A. Salgueiro 141

Garcia-Martinez, R.; Britos P. (2004). Ingeniería de sistemas expertos. Nueva librería, Buenos Aires.

García-Martínez, R.; Servente; M. y Pasquini (2003) Sistemas Inteligentes. Nueva Librería. ISBN 987-1104-05-7.

Gardner, H. (1993) Las inteligencias múltiples. La teoría en la práctica. Paidós. Barcelona.

Gardner, H. (2003). Multiple Intelligences after twenty years. American Educational Research Association.

Gelernter, H. (1959). Realization of a geometry theorem proving machine. In Proceedings of an International Conference on Information processing, pages 273-282, Paris. UNESCO House.

Gertner, A. S; Conati; C.; VanLehn, K. (1998). Learning Procedural help in Andes: Generating hints using a Bayesian network student model. Research & Development. American Association for Artificial Intelligence.

Giraffa, L. M. M.; Viccari, R. M. (1999). Intelligent tutoring system built using agent techniques. Revista de educación, ciencia y cultura, Canoas: La Salle, p. 23-40.

Grossberg, S. (1976). Adaptive pattern classification and universal recoding: I. Parallel development and coding of neural feature detectors. Biological Cybernetics 23, p 121-134.

Guardia Robles, B. (1993). Asesores Inteligentes para apoyar el proceso de enseñanza de lenguajes de programación. Tesis de grado. Asesor. ITESM: Instituto Tecnológico de Monterrey.

Gurney, K. (1995). Neural Nets Course. Brunel University. Internet http://www.shef.ac.uk/psychology/gurney/notes/index.html. Consultado el 08/11/2005.

Haykin, S. (1999). Neural Networks: A comprehensive foundation. Prentice Hall 2nd. edition.

Hebb, D. O. (1949). The Organization of Behavior, NY: John Wiley & Sons. Hecht-Nielsen, R. (1988), Applications of counterpropagation networks. Neural

Networks, 1, 131-139. Hernández, C.; García, P. (1991). Las teorías de la psicología educativa: análisis por

dimensiones educativas, México, Facultad de Psicología UNAM. Hernandez Sampieri, C. (2001). Metodología de la investigación. Mc Graw Hil.

México. Herrmann, N. (1996) The Whole brain business book, McGraw-Hill.

Hopfield, J. J. (1982). Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences, 79, 2554-2558. Reimpreso en Anderson and Rosenfeld (1988).

Hume G., Michael, J; Rovick, A.; Evens, M. (1996), Hinting as a tactic in one-on-one tutoring. Journal of Learning Sciencies.

Page 142: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

142 Fernando A. Salgueiro BIBLIOGRAFÍA

Hume G., Michael, J; Rovick, A.; Evens, M. (1997). The Use of Hints by Human and Computer Tutors: The Consequences of the Tutoring . Illinois Institute of Technology.

Hume, G. D. (1995). Using Student Modelling to Determine When and How to Hint in an Intelligent Tutoring System Ph.D., Illinois Institute of Technology.

Hume, G.; Evens, M. (1992) Student modeling and the classification of errors cardiovascular intelligent tutoring system. Proceedings of the 4th Midwest Artificial Intelligence and Cognitive Science Society Conference, Utica, IL.

Hunt, E. B. (1975). Artificial Intelligence. New York. Academic Press, EE.UU.

Iglesias, C. A.; Garijo, C.; González, J. (2001). Metodologías orientadas a agentes. Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial. Número 6, Volumen 2. p. 12-23.

Jang, J. S. R.; Sun, C. T.; Mizutani, E. (1997). Neuro-fuzzy and Soft Computing. Prentice-Hall, 1997, page 184.

Johnson, W. L. (1986). Intention-based diagnosis of novice programming errors. Morgan-Kauffman.

Kawasaki, E. I.; Imar, N.; Fernández, C. T. (2000). Un modelo de sistema de tutoría inteligente basado en principios pedagógicos para educación de adultos. En SBIE 2000: Simposio brasilero de informática educativa. Maceio, Halagaos. Anales. p. 154-159.

Keefe, J. (1988). Aprendiendo Perfiles de Aprendizaje. Asociación. Nacional de Escuelas Secundarias.

Kim, J. H. (1989). CIRCSIM-Tutor: An Intelligent Tutoring System for Circulatory Physiology. Ph.D. tesis, Illinois Institute of Technology.

Kim, J. H. (2000) Natural Language Analysis and Generation for Tutorial Dialogue. Ph.D. tesis, Illinois Institute of Technology.

Kinshuk, D. (1996). Effectiveness of Intelligent Tutoring Tools Interfaces in relation to Student, Learning Topic and Curriculum Characteristics. Tesis de doctorado en De Montfort University, Leicester, Inglaterra.

Klopf, A. H. (1986). A drive-reinforcement model of single neuron function. InDenker, J. S., editor, neural networks for computing: AIP Conf. Proc. Volume 151. New York: American Institute of Physics.

Kohonen, T. (1988). Self-Organizing Maps Springer Series in Information Sciences. Vol. 30, Springer, Berlin, Heidelberg, NY. P. 236.

Kohonen, T. (2001). Self-Organizing Maps, third edition. Springer series in information sciences. Ed Springer.Helsinki University of Technology Neural etworks Research Centre. P. 286-310. Pitman, London.

Konzen, A. A. (1995) Uma estratégia de ensino híbrida para sistemas tutores inteligentes. En: Simposio Brasilero de Informática en Educación, 1995, Florianópolis, Brasil. Imprensa Universitária da Universidade Federal de Santa Catarina, p.327–338.

Kosko, B. (1988). Bidirectional associative memory. IEEE Trans. Syst., Man, Cybern., vol. 18, p. 49–60.

Page 143: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

BIBLIOGRAFÍA Fernando A. Salgueiro 143

Krishnamoorthy, C. S.; Rajeev, S. (1996). Artificial Intelligence and Expert Systems for Engineers. CRC Press, CRC Press LLC.

Laird, J. E., Newell, A., and Rosenbloom, P. S. (1987). SOAR: an architecture for general intelligence. Artificial Intelligence, 33(1): 1-64.

Last, M.; Oded, M. (1998) A Compact and Accurate Model for Classification . Department of Information Systems Engineering, Ben-Gurion University of the Negev, Beer-Sheva 84105, Israel.

Lighthill, J. (1973). Artificial intelligence: A general survey. In Lighthill, J., Sutherland, N. S., Needham, R. M., Longuet-Higgins, H. C., and Michie, D., editors, Artificial Intelligence: A Paper Symposium. Science Research Council of Great Britain, London.

Madoz, C; DeGiusti, A. (1997) Vinculacion de un curso interactuvi multimedial. Congreso Argentino de Ciencias de la Computación. CACIC97. La Plata. UNLP.

Maturana, H. (1998) Da Biologia à Psicologia Artmed Editora Ltda.. Minsky, M. (1974). A Framework for Representing Knowledge. MIT-AI Laboratory

Memo 306. Reimpreso en The Psychology of Computer Vision, P. Winston, McGraw-Hill, 1975. versión corta en J. Haugeland, Mind Design, MIT Press, 1981, and in Cognitive Science, Collins, Allan and Edward E. Smith. Morgan-Kaufmann, 1992.

Minsky, M. L. (1954). Neural Nets and the Brain-Model Problem (SNARC). PhD thesis, Princeton University.

Myers, I., Briggs, K. (1962) The Myers-Briggs Type Indicator, Princeton Educational testing Services.

Nakabayashi, K., Maruyama, M., Kato, Y., Touhei, H., & Fukuhara, Y. (1997). Architecture of an Intelligent Tutoring System on the WWW, in: B.D. Boulay and R. Mizoguchi (Eds.), Proceedings of AI-ED'97, World Conference on Artificial Intelligence in Education, Kobe, Japan, 18–22 August 1997. IOS, Amsterdam, 1997, pp. 39–46.

Narendra, K. S.; Thathachar, M. A. (1974). Learning Automata: A Survey. IEEE Transactions on Systems, Man, and Cybernetics, vol. 14, p. 323-334.

Newell, A. (1969). Heuristic programming, in Ill-Structured Problems in Progress in Operations Research. Ed. I. S. Aronofsky, John Wiley and Sons, New York.

Nilson, N. (1995). Principles of Artificial Intelligence. Nils Nilson Editors.

Nilson, N. (2001) Inteligencia Artificial. Una nueva síntesis. Mc Graw-Hill Interamericana de España.

Oates, T. D. J. (1997). The Effects of Training Set Size on Decision Tree Complexity. Proc. 14th International Conference on Machine Learning

Oates, Tim, David Jensen. (1998). Large Datasets lead to overly complex models: an explanation and a solution. Experimental Knowledge Systems laboratory. Department of computer Science. University of Massachusetts. Amherst, MA 01003-4610

Patel, A.; Kinshuk. (1996). Knowledge Characteristics: Reconsidering the design of Intelligent Tutoring Systems. CAL Software Engineering & Research Centre 8.1-

Page 144: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

144 Fernando A. Salgueiro BIBLIOGRAFÍA

8.3, Bosworth House, De Montfort University The Gateway, Leicester LE1 9BH Phone/Fax: (44) 116 257 7193.

Perkins, D. (1995) La escuela inteligente. Gedisa.

Piaget, J.(1989). La construcción de lo real en el niño. Crítica. Grijalbo. Platon (2001), la Republica. Ed Tecnos. Reimpresion 2001.

Quinlan, J. R. (1987). Simplifying Decision Trees. Simplifying Decision Trees. International Journal of Man-Machine Studies 27(3): 221-234.

Quinlan, J. R. 1993. C4.5: Programs for Machine Learning. Morgan Kaufmann. Rosenblatt, F. (1958), The perceptron: A probabilistic model for information storage

and organization in the brain. Psychological Review, 65, p. 386-408. Rovick, A.; Brenner L. (1983). HEARTSIM: A Cardiovascular Simulation with Didactic

Feedback. The Physiologist, vol. 26 no. 4, p. 236-239. Rovick, A.; Michael J. (1986). CIRCSIM: IBM-PC Computer Teaching Exercise on

Blood Pressure Regulation. Proceedings XXX Congress of International Union of Physiological Sciences, Vancouver, Canada. p. 138.

Rumelhart, D. E.; Hinton, G. E.; Williams, R. J. (1986). Learning internal representations by back-propagating errors in Parallel Distributed Processing: Explorations in the Microstructure of Cognition. Eds. Cambridge, MA: MIT Press, vol. 1, p. 318-362.

Russell,S.J. y Norvig P. (2003). Artificial Intelligence: A Modern Approach (2nd Edition). Prentice Hall.

Sejnowski, T. J. (1977). Storing covariance with nonlinearly interactingneurons. Journal of Mathematical Biology, 4 (4), 303–321.

Self, J. (1998). The defining characteristics of intelligent tutoring systems research: STIs care, precisely. Computer Based Learning Unit University of Leeds, Leeds LS2 9JT, England. Luego publicado en el International Journal of Artificial intelligence in education (1999), Leeds, England.

Selker, T. (1989). Cognitive Adaptive Computer Help (COACH). 4th Intl. Conference on AI and Education, Elsevier Science Publishers.

Seu, Jai, Ru-Charn Chang, Jun Li, Evens, M.; Michael, J. and Rovick, a. (1991). Language Differences in Face-to-Face and Keyboard-to-Keyboard tutoring Session. Proceedings of the Cognitive Science Society.

Shah, F. (1997). Recognizing and Responding to Student Plans in an Intelligent Tutoring System: CIRCSIM-Tutor Ph.D. tesis, Illinois Institute of Technology.

Sierra, E., Hossian, A. y García Martínez, R. (2001). Selección de Estrategias Instruccionales. Abordaje desde la Teoría del Conocimiento. Revista del Instituto Tecnológico de Buenos Aires. Volumen 25. Páginas 24-36.

Sierra, E.; García-Martínez, R.; Cataldi, Z.; Britos, P.; Hossian, A.(2003). Sistemas Tutoriales Inteligentes Centrados en Reparación de Mecanismos. Una Propuesta Metodológica de Diseño. Revista Latinoamericana de Tecnología Educativa. Volumen 1 N° 1. Páginas 19-30. Facultad de Educación. Universidad de Extremadura.

Page 145: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

BIBLIOGRAFÍA Fernando A. Salgueiro 145

Slagle, J. R. (1963). A heuristic program that solves symbolic integration problems in freshman calculus. Journal of the Associationfor Computing Machinery. Feldman.

Stevens, A.; Collins, A. (1977). The goal structure of a Socratic tutor. In Proceedings of the National ACM Conference. New York: ACM.

Stuart J. R.; Norvig, P.; Canny, J. F.; Malik, J. M.; Douglas D. E. (1995). Artificial Intelligence A Modern Approach. Prentice Hall, Englewood Cliffs, New Jersey 07632.

Turing, A. (1950). Computing machinery and intelligence. Mind, vol. LIX, no. 236, p. 433-460.

VanLehn, K (1988). Student Modelling. M. Polson. Foundations of Intelligent Tutoring systems. Hillsdale. N.J. Lawrence Erlbaum Associates, 55-78

Vigotsky, L. (1978) Mind in society. The development on Higher psychological process. Harvard University Press Cambridge M.A

Villareal Goulart R. R.; Giraffa M. L. (2001). Arquitecturas de Sistemas Tutores Inteligentes .

Walsh, T. (1987). PLATO: Predicate Logic Advisory Tool. M.Sc. thesis, Department of Artificial Intelligence, University of Edinburgh.

Wan, E.A. (1990). Temporal backpropagation: An efficient algorithm for finite impulse response neural networks. in Proceedings of the 1990 Connectionist Models Summer School, Touretzky, D.S., Elman, J.L., Sejnowski, T.J., Hinton, G.E., eds., San Mateo, CA: Morgan Kaufmann, pp. 131-140.

Wee, W. G. (1968). Generalized Inverse Approach to Adaptive Multiclass Pattern Classification. IEEE Transactions on Computers, Vol. C-17, pp. 1157-1164.

Wenger, E. (1987). Artificial intelligence and tutoring systems. Computational and Cognitive Approaches to the Communication of Knowledge. Los Altos C. A. Morgan and Kaufman.

Werbos, P.J. (1990). Backpropagtion through time: What it is and how to do it. Proceedings of the IEEE, 78, p.1550-1560.

Widrow, B.; Hoff, M. E. (1960). Adaptive switching circuits. WESCON Convention Record. part 4, pp. 96-104. Reimpreso en Reprinted in Anderson and Rosenfeld (1988).

Winograd, T. (1972). Understanding natural language. Cognitive Psychology, 3(l).Reprinted as a book by Academic Press.

Wolf, B. (1984). Context Dependent Planning in a Machine Tutor. Ph.D. Dissertation, University of Massachusetts, Amherst, Massachusetts.

Woo Woo, C. (1991). Instructional planning in an Intelligent Tutoring System: Combining global lesson plan with local discourse control. Degree of Doctor of Philosophy in Computer Science in the Graduate School of the Illinois Institute of Technology. Chicago, Illinois. December, 1991.

Woods, W. A. (1973). Progress in natural language understanding: An application to lunar geology. In AFIPS Conference Proceedings, volume 42, p. 441-450.

Yang A., Kinshuk & Patel A. (2002). A Plug-able Web-based Intelligent Tutoring System. In S. Wrycza (Ed.) Proceedings of the Xth European Conference on

Page 146: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

146 Fernando A. Salgueiro BIBLIOGRAFÍA

Information Systems (June 6-8, 2002, Gdańsk, Poland), Gdansk, Poland. paginas 1422-1429.

Zeve C. M. D.; Sloczinski H.; Polonia E.; Nitz-Ke J. A.; Lima J. V. (2000) Aprendizaje colaborativo: la utilización de cd-rom e Internet en un sistema integrado. En SBIE 2000: Simposio brasilero de informática educativa.Maceio, Halagaos. Anales. p. 66-72.

Zurada, J. M. (1992). Introduction to Artificial Neural Systems. West Publishing Company.

Page 147: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

ANEXO A Fernando A. Salgueiro 147

Anexo A: Datos Experimentales para el Submódulo Pedagógico A.1 – Introducción Este Anexo contiene la información relevada a través de las planillas de estilos de aprendizaje, así como también el procesamiento realizado para llegar a las conclusiones que se detallaron en el Capítulo 5. Como ya se señalo, las planillas de estilos de aprendizaje se clasifican en once grupos de cuatro preguntas cada uno. Cada pregunta del grupo se utiliza para categorizar a un estudiante dentro de la clasificación. Así, la pregunta 1 de todos los grupos corresponde a la clasificación: Tareas activas – Tareas de reflexión: (forma de procesar la información), la pregunta 2 a la clasificación Sensorial – Intuitiva (racional) (forma de percibir la información), la pregunta 3 a la clasificación Visual – Verbal (forma de presentar la información) y la pregunta cuatro a la clasificación Secuencial – Global (forma del proceso del aprendizaje) y así hasta la pregunta 44. Es decir, cada pregunta de clasificación se repite totalizando once grupos. Se suman también los datos básicos para caracterizar al estudiante, como la carrera, universidad, el año de ingresó a dicha universidad, el año que cursa con respecto al plan de estudio de su carrera, la carrera seleccionada dentro de la universidad, la edad del estudiante y el sexo. Estas planillas fueron relevadas durante los años 2004-2005 para las materias de Programación Básica de la Facultad de Ingeniería de la Universidad de Buenos Aires tomando una muestra representativa a fin de trabajar con un error de generalización se encontrara por debajo de valores aceptables, del padrón total de estudiantes matriculados en el área. En este caso el error de generalización es menor al 5%.

A.2 – Planillas de Estilos de Aprendizaje En esta sección se muestran los resultados obtenidos a partir de los datos de los estilos de aprendizaje. Se muestran por separado los datos obtenidos para los alumnos de la materia Computación (75.01) y para la materia Algoritmos y Programación I (75.40) ambas del área de Programación Básica. Los datos se presentarán en grupos de 4 preguntas para facilitar su lectura. En la sección A.2.1.- Datos obtenidos para la materia Computación se pueden ver los valores resultantes de las planillas para la materia Computación (75.01), mientras que cada uno de los once grupos de preguntas se pueden ver en las Tablas A.1 hasta A.11. Los valores resultantes de las planillas para la materia Algoritmos y Programación I (75.40) se pueden ver en la sección A.2.2.- Datos obtenidos de la materia Algoritmos y programación I y cada uno de los once grupos de preguntas se pueden ver en la Tabla A.12 hasta la Tabla A.22.

Page 148: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

148 Fernando A. Salgueiro ANEXO A

A.2.1 – Datos Obtenidos para la Materia Computación Se presentan los datos obtenidos a partir de las planillas de estilos de aprendizajes correspondientes a los alumnos de la materia Computación de la Facultad de Ingeniería de la Universidad de Buenos Aires, materia incluida dentro del área de Programación Básica.

A.2.1.1 – Primer Grupo Se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al primer grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.1

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M Activo Intuitivo Visual Global Naval 20 M Activo Intuitivo Visual Global Mecánica 20 M Activo Intuitivo Verbal Global Industrial 21 M Activo Sensorial Visual Global Química 20 F Activo Sensorial Visual Secuencial Industrial 24 M Activo Intuitivo Verbal Secuencial Industrial 23 F Activo Sensorial Visual Global Química 19 F Activo Intuitivo Visual Global Civil 19 F Activo Intuitivo Visual Global Electricista 24 M Activo Intuitivo Visual Global Industrial 22 M Activo Sensorial Visual Secuencial Civil 21 M Activo Intuitivo ? Secuencial Industrial 20 M Activo Intuitivo Visual Secuencial Química 18 M Reflexivo Sensorial Visual Global Química 29 M Activo Sensorial Visual Secuencial Industrial 19 M Activo Sensorial Verbal Global Química 18 M Activo Sensorial Visual Global Industrial 19 M Activo Sensorial Visual Global Industrial 20 M Activo Sensorial Visual Global Industrial 20 M Activo Sensorial Visual Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Civil 19 M Activo Sensorial Visual Global Civil 19 M Activo Intuitivo Visual Global Civil 20 M Activo Sensorial Visual Secuencial Química 21 M Activo Sensorial Verbal Global Civil 21 M Reflexivo Sensorial Visual Global Industrial 20 M Activo Sensorial Visual Global Industrial 21 M Activo Intuitivo Visual Global Química 19 F Activo Sensorial Visual Global Química 21 M Reflexivo Intuitivo Verbal Global Industrial 22 M Activo Sensorial Visual Secuencial Civil 22 M Activo Sensorial Visual Global Industrial 19 M Activo Intuitivo Visual Global Civil 22 M Activo Sensorial Verbal Global Industrial 20 M Activo Sensorial Visual Global Industrial 21 M Reflexivo Intuitivo Visual Global Mecánica 19 M Reflexivo Intuitivo Visual Global Industrial 19 M Activo Sensorial Visual Global Civil 20 M Activo Sensorial Verbal Secuencial Industrial 21 M Activo Sensorial Verbal Secuencial Agrimensura 20 M Activo Sensorial Visual Global Industrial 21 M Activo Sensorial Visual Global Química 22 F Activo Intuitivo Visual Secuencial Química 18 F Activo Intuitivo Visual Secuencial Industrial 19 M Activo Intuitivo Visual Global Industrial 20 M Activo Sensorial Visual Global Industrial 19 M ? Sensorial Visual Global Industrial 20 M ? ? ? Global Industrial 21 F Activo Sensorial Visual Global

Page 149: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 149

Industrial 21 M Activo Intuitivo Visual Global Química 20 F Activo Sensorial Visual Global Mecánica 27 M Activo Sensorial Visual Global Química 20 F Reflexivo Sensorial Visual Global Química 20 M Reflexivo Sensorial ? Global Química 18 M Activo Sensorial Visual Global Mecánica 23 M Activo Sensorial Visual Global Química 19 F Activo Sensorial Visual Global Industrial 21 F Activo Sensorial Visual Global Mecánica 23 M Activo Sensorial Visual Secuencial Alimentos 20 M Activo Intuitivo Visual Global Civil 20 M Reflexivo Sensorial Visual Global Mecánica 24 M Activo Intuitivo Visual Secuencial Mecánica 20 M Activo Intuitivo Verbal Secuencial Química 21 F Activo Intuitivo Visual Global Química 20 F Reflexivo Sensorial Visual Global Electricista 29 M Reflexivo Sensorial Verbal Global Mecánica 23 M Activo Intuitivo Visual Global Agrimensura 24 M Activo Sensorial Verbal Secuencial Naval 20 M Reflexivo Sensorial Visual Global Naval 22 M Activo Sensorial Visual Global Industrial 20 M ? Sensorial Visual Global Mecánica 24 M Reflexivo ? Visual Global Química 18 M Activo Intuitivo Visual Global Alimentos 20 F Activo Intuitivo Visual Global

Tabla A.1: Primer grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.1.2 – Segundo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al segundo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.2

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M ? Sensorial ? Secuencial Naval 20 M Reflexivo Sensorial Visual Global Mecánica 20 M Activo Intuitivo Visual Global Industrial 21 M Activo Intuitivo Verbal Secuencial Química 20 F Activo Sensorial Visual Secuencial Industrial 24 M Activo Intuitivo Visual Secuencial Industrial 23 F Activo Sensorial Visual Secuencial Química 19 F Activo Sensorial Visual Global Civil 19 F Activo ? Visual Global Electricista 24 M Activo Sensorial Visual Global Industrial 22 M Reflexivo Sensorial Verbal Global Civil 21 M Activo Sensorial Visual Global Industrial 20 M Activo Intuitivo Visual Secuencial Química 18 M Reflexivo Intuitivo Verbal Global Química 29 M Reflexivo Sensorial Visual Global Industrial 19 M Activo Sensorial Verbal Global Química 18 M Activo Intuitivo Visual Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Reflexivo Intuitivo Verbal Secuencial Industrial 20 M Reflexivo Sensorial Visual Global Industrial 19 M Reflexivo Intuitivo Verbal Secuencial Civil 19 M Activo Sensorial Visual Global Civil 19 M Reflexivo Sensorial Verbal Secuencial Civil 20 M Activo Sensorial Visual Secuencial Química 21 M Reflexivo Sensorial Verbal Secuencial Civil 21 M Reflexivo Intuitivo Verbal Global Industrial 20 M Activo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Verbal Global Química 19 F Activo Intuitivo Verbal Global Química 21 M Reflexivo Sensorial Verbal Secuencial

Page 150: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

150 Fernando A. Salgueiro ANEXO A

Industrial 22 M Reflexivo Sensorial Verbal Secuencial Civil 22 M Reflexivo Sensorial Verbal Secuencial Industrial 19 M Activo Sensorial Visual Global Civil 22 M Activo Sensorial Visual Secuencial Industrial 20 M Reflexivo Intuitivo Visual Global Industrial 21 M Activo Sensorial Visual Global Mecánica 19 M Reflexivo Sensorial Visual Global Industrial 19 M Reflexivo Sensorial Visual Secuencial Civil 20 M Reflexivo Sensorial Visual Global Industrial 21 M Reflexivo Sensorial Verbal Secuencial Agrimensura 20 M Activo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Visual Global Química 22 F Activo Intuitivo Verbal Global Química 18 F Activo Intuitivo Visual Secuencial Industrial 19 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Sensorial Verbal Secuencial Industrial 19 M Reflexivo Sensorial Visual Global Industrial 20 M ? Sensorial Visual ? Industrial 21 F Activo Sensorial Verbal Secuencial Industrial 21 M Activo Sensorial Visual Global Química 20 F Reflexivo Sensorial Verbal Global Mecánica 27 M Reflexivo Sensorial Verbal Global Química 20 F Activo Sensorial Verbal Global Química 20 M Reflexivo Intuitivo Verbal Global Química 18 M Activo Sensorial Verbal Global Mecánica 23 M Reflexivo Intuitivo Visual Global Química 19 F Activo Sensorial Verbal Global Industrial 21 F Reflexivo Sensorial Visual Global Mecánica 23 M Activo Sensorial Visual Global Alimentos 20 M Reflexivo Sensorial Verbal Global Civil 20 M Activo Intuitivo Verbal Global Mecánica 24 M Activo Sensorial Visual Secuencial Mecánica 20 M Activo Sensorial Visual Global Química 21 F Activo Sensorial Visual Global Química 20 F Reflexivo Sensorial Visual Global Electricista 29 M Reflexivo Sensorial Verbal Global Mecánica 23 M Reflexivo Sensorial Visual Global Agrimensura 24 M Activo Sensorial Visual Secuencial Naval 20 M Reflexivo Sensorial Verbal Global Naval 22 M Activo Sensorial Visual Global Industrial 20 M ? Sensorial Visual Global Mecánica 24 M Reflexivo Intuitivo Visual Global Química 18 M Reflexivo Sensorial Visual Secuencial Alimentos 20 F ? Sensorial Visual Global

Tabla A.2: Segundo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.1.3 – Tercer Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al tercer grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.3

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M Activo Sensorial Visual Secuencial Naval 20 M Activo Intuitivo ? Secuencial Mecánica 20 M Activo Sensorial Visual Secuencial Industrial 21 M Reflexivo Intuitivo Verbal Secuencial Química 20 F Activo Sensorial Visual Global Industrial 24 M Activo Sensorial Verbal Secuencial Industrial 23 F Reflexivo Sensorial Visual Secuencial Química 19 F Activo Sensorial Visual Global Civil 19 F Activo Intuitivo Verbal Secuencial Electricista 24 M Activo Sensorial Visual Global Industrial 22 M Activo Sensorial Visual Secuencial

Page 151: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 151

Civil 21 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Activo Intuitivo Visual Química 18 M Activo Intuitivo Visual Secuencial Química 29 M Activo Sensorial Verbal Secuencial Industrial 19 M Activo Sensorial Verbal Secuencial Química 18 M Activo Intuitivo Visual Global Industrial 19 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Intuitivo Visual Secuencial Industrial 20 M Activo Sensorial Visual Secuencial Industrial 19 M Activo Intuitivo Verbal Secuencial Civil 19 M Activo Intuitivo Visual Secuencial Civil 19 M Activo Intuitivo Verbal Secuencial Civil 20 M Activo ? Visual Secuencial Química 21 M Activo Sensorial Verbal Secuencial Civil 21 M Activo Intuitivo Visual Global Industrial 20 M Activo Intuitivo Visual Secuencial Industrial 21 M Activo Sensorial Verbal Secuencial Química 19 F Activo Intuitivo Visual Secuencial Química 21 M Activo Intuitivo Verbal Secuencial Industrial 22 M Activo Intuitivo Visual Global Civil 22 M Activo Intuitivo ? Secuencial Industrial 19 M Activo Sensorial Visual Secuencial Civil 22 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Sensorial Visual Secuencial Industrial 21 M Activo Sensorial Visual Global Mecánica 19 M Reflexivo Intuitivo Verbal Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Civil 20 M Reflexivo Intuitivo Verbal Global Industrial 21 M Reflexivo Intuitivo Visual Secuencial Agrimensura 20 M Activo Intuitivo Visual Secuencial Industrial 21 M Activo Intuitivo Visual Secuencial Química 22 F Activo Intuitivo Visual Secuencial Química 18 F Reflexivo Intuitivo Verbal Global Industrial 19 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Sensorial Verbal Secuencial Industrial 19 M Activo Intuitivo Visual Secuencial Industrial 20 M ? ? Visual Secuencial Industrial 21 F Activo Sensorial Visual Secuencial Industrial 21 M Activo Intuitivo Visual ? Química 20 F Reflexivo Sensorial Visual Secuencial Mecánica 27 M Reflexivo Sensorial Visual Secuencial Química 20 F Activo Intuitivo Visual Secuencial Química 20 M Reflexivo Intuitivo Verbal Secuencial Química 18 M Activo Intuitivo Visual Secuencial Mecánica 23 M Reflexivo Intuitivo Visual Secuencial Química 19 F Activo Sensorial Verbal Secuencial Industrial 21 F Activo Sensorial Visual Secuencial Mecánica 23 M Activo Sensorial Verbal Secuencial Alimentos 20 M Activo Intuitivo Visual Secuencial Civil 20 M Activo Sensorial Verbal Secuencial Mecánica 24 M Activo Sensorial Visual Secuencial Mecánica 20 M Reflexivo Sensorial Visual Secuencial Química 21 F Activo Intuitivo Visual Secuencial Química 20 F Activo ? Visual Secuencial Electricista 29 M Activo Intuitivo Visual Secuencial Mecánica 23 M Reflexivo Sensorial Visual Secuencial Agrimensura 24 M Activo Intuitivo Verbal Global Naval 20 M Activo Intuitivo Visual Secuencial Naval 22 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Sensorial ? Secuencial Mecánica 24 M Activo Intuitivo Visual Secuencial Química 18 M Activo Sensorial Visual Global Alimentos 20 F Activo Intuitivo Visual Secuencial

Tabla A.3: Tercer grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 152: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

152 Fernando A. Salgueiro ANEXO A

A.2.1.4 – Cuarto Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al cuarto grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.4

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M Activo Sensorial Visual Global Naval 20 M Activo Sensorial Visual Secuencial Mecánica 20 M Reflexivo Intuitivo Visual Secuencial Industrial 21 M Reflexivo Intuitivo Visual Global Química 20 F Reflexivo Intuitivo Visual Global Industrial 24 M Reflexivo Intuitivo verbal Secuencial Industrial 23 F Reflexivo Sensorial Visual Global Química 19 F Reflexivo Intuitivo Visual Secuencial Civil 19 F Reflexivo Intuitivo verbal Secuencial Electricista 24 M Activo Sensorial Visual Secuencial Industrial 22 M Reflexivo Intuitivo Visual Global Civil 21 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Reflexivo Intuitivo Visual Global Química 18 M Reflexivo Intuitivo verbal Global Química 29 M Activo Sensorial Visual Global Industrial 19 M Reflexivo Intuitivo Visual Global Química 18 M Activo Intuitivo Visual Global Industrial 19 M Reflexivo Intuitivo Visual Secuencial Industrial 20 M Reflexivo Sensorial Visual Global Industrial 20 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Activo Intuitivo Visual Secuencial Civil 19 M Reflexivo Intuitivo Visual Global Civil 19 M Reflexivo Intuitivo Visual Secuencial Civil 20 M Activo Intuitivo verbal Secuencial Química 21 M Reflexivo Sensorial Visual Secuencial Civil 21 M Reflexivo Intuitivo verbal Global Industrial 20 M Reflexivo Intuitivo Visual Secuencial Industrial 21 M Activo Intuitivo Visual Global Química 19 F Reflexivo Intuitivo Visual Secuencial Química 21 M Reflexivo Intuitivo verbal Secuencial Industrial 22 M Reflexivo Sensorial Visual Secuencial Civil 22 M Reflexivo Intuitivo verbal Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Civil 22 M Activo Intuitivo verbal Secuencial Industrial 20 M Reflexivo Intuitivo Visual Secuencial Industrial 21 M Reflexivo Intuitivo verbal Global Mecánica 19 M Reflexivo Intuitivo verbal Global Industrial 19 M Reflexivo Intuitivo Visual Secuencial Civil 20 M Reflexivo Sensorial Visual Secuencial Industrial 21 M Activo Sensorial Visual Secuencial Agrimensura 20 M Reflexivo Sensorial Visual Secuencial Industrial 21 M Reflexivo Intuitivo Visual Secuencial Química 22 F Activo Intuitivo verbal Secuencial Química 18 F Reflexivo Sensorial verbal Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Reflexivo Intuitivo Visual Global Industrial 20 M Reflexivo Intuitivo ? Global Industrial 21 F Activo Intuitivo Visual Secuencial Industrial 21 M Activo Sensorial Visual Secuencial Química 20 F Activo Intuitivo Visual Secuencial Mecánica 27 M Reflexivo Intuitivo Visual Global Química 20 F Reflexivo Intuitivo Visual Secuencial Química 20 M Reflexivo Intuitivo verbal Secuencial Química 18 M Reflexivo Intuitivo verbal Global Mecánica 23 M Reflexivo Sensorial Visual Secuencial Química 19 F Activo Intuitivo verbal Secuencial Industrial 21 F Reflexivo Intuitivo Visual Global Mecánica 23 M Activo Sensorial Visual Global Alimentos 20 M Reflexivo Sensorial verbal Secuencial

Page 153: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 153

Civil 20 M Reflexivo Sensorial Visual Secuencial Mecánica 24 M Reflexivo Intuitivo Visual Global Mecánica 20 M Reflexivo Intuitivo Visual Secuencial Química 21 F Reflexivo Intuitivo Visual Secuencial Química 20 F Activo Intuitivo ? Global Electricista 29 M Reflexivo Intuitivo verbal Secuencial Mecánica 23 M Reflexivo ? Visual ? Agrimensura 24 M Reflexivo Intuitivo Visual Global Naval 20 M Reflexivo Intuitivo Visual Global Naval 22 M Reflexivo Sensorial Visual Global Industrial 20 M Reflexivo Sensorial Visual Global Mecánica 24 M Reflexivo Intuitivo Visual Global Química 18 M Reflexivo Intuitivo Visual Secuencial Alimentos 20 F Activo Sensorial ? Global

Tabla A.4: Cuarto grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.1.5 – Quinto Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al quinto grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.5

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M Reflexivo Sensorial Visual Secuencial Naval 20 M Reflexivo Sensorial Visual Secuencial Mecánica 20 M Reflexivo Intuitivo Verbal Secuencial Industrial 21 M Activo Intuitivo Visual Secuencial Química 20 F Reflexivo Intuitivo Visual Secuencial Industrial 24 M Reflexivo Intuitivo Verbal Secuencial Industrial 23 F Reflexivo Sensorial Verbal Secuencial Química 19 F Reflexivo Sensorial Visual Secuencial Civil 19 F Reflexivo Intuitivo Visual Secuencial Electricista 24 M Reflexivo Intuitivo Visual Secuencial Industrial 22 M Reflexivo Intuitivo Visual Secuencial Civil 21 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Reflexivo Intuitivo Visual Secuencial Química 18 M Reflexivo Sensorial Visual Global Química 29 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Reflexivo Sensorial Verbal Secuencial Química 18 M Activo ? Visual Secuencial Industrial 19 M Reflexivo Intuitivo Visual Secuencial Industrial 20 M Reflexivo Sensorial Verbal Secuencial Industrial 20 M Reflexivo Sensorial Visual Global Industrial 19 M Reflexivo Intuitivo Verbal Secuencial Civil 19 M Reflexivo Intuitivo Visual Global Civil 19 M Reflexivo Intuitivo Verbal Secuencial Civil 20 M Reflexivo Sensorial Verbal Secuencial Química 21 M Reflexivo Sensorial Verbal Secuencial Civil 21 M Reflexivo Intuitivo Visual Secuencial Industrial 20 M Activo Sensorial Verbal Global Industrial 21 M Reflexivo Intuitivo Visual Secuencial Química 19 F Reflexivo Intuitivo Visual Secuencial Química 21 M Reflexivo Intuitivo Verbal Secuencial Industrial 22 M Activo Intuitivo Visual Secuencial Civil 22 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Activo Sensorial Visual Secuencial Civil 22 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Activo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Visual Global Mecánica 19 M Reflexivo Intuitivo Visual Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Civil 20 M Activo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Visual Secuencial Agrimensura 20 M Reflexivo Sensorial Visual Secuencial

Page 154: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

154 Fernando A. Salgueiro ANEXO A

Industrial 21 M Reflexivo Sensorial Visual Secuencial Química 22 F Reflexivo Intuitivo Visual Secuencial Química 18 F Reflexivo Intuitivo Visual Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Reflexivo Sensorial Verbal Global Industrial 20 M Reflexivo ? ? ? Industrial 21 F Activo Sensorial ? Global Industrial 21 M Reflexivo Sensorial Visual Secuencial Química 20 F Reflexivo Sensorial Visual Secuencial Mecánica 27 M Reflexivo Intuitivo Visual Secuencial Química 20 F Activo Sensorial Visual Secuencial Química 20 M Activo ? Verbal Secuencial Química 18 M Reflexivo Sensorial Verbal Global Mecánica 23 M Reflexivo Intuitivo Visual Secuencial Química 19 F Reflexivo Sensorial Visual Secuencial Industrial 21 F Reflexivo Sensorial Visual Secuencial Mecánica 23 M Reflexivo Sensorial Visual Secuencial Alimentos 20 M Reflexivo Sensorial Visual Secuencial Civil 20 M Reflexivo Intuitivo Visual Secuencial Mecánica 24 M Reflexivo Sensorial Visual Secuencial Mecánica 20 M Reflexivo Sensorial Visual Secuencial Química 21 F Reflexivo Intuitivo ? Secuencial Química 20 F Reflexivo Sensorial ? Secuencial Electricista 29 M Reflexivo Sensorial Visual Secuencial Mecánica 23 M Activo Sensorial Visual Global Agrimensura 24 M Reflexivo Sensorial Visual Global Naval 20 M Reflexivo Intuitivo Visual Secuencial Naval 22 M Reflexivo Sensorial Visual Global Industrial 20 M Reflexivo Sensorial Visual Secuencial Mecánica 24 M Reflexivo Intuitivo Visual Secuencial Química 18 M Reflexivo Intuitivo Visual Secuencial Alimentos 20 F Reflexivo Sensorial Verbal Secuencial

Tabla A.5: Quinto grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.1.6 – Sexto Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al sexto grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.6

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M ? Intuitivo Visual Secuencial Naval 20 M Activo Intuitivo Visual Global Mecánica 20 M Reflexivo Sensorial Visual Global Industrial 21 M Reflexivo Sensorial Visual Secuencial Química 20 F Activo Sensorial Visual Secuencial Industrial 24 M Reflexivo Sensorial Verbal Secuencial Industrial 23 F Reflexivo Sensorial Visual Secuencial Química 19 F Activo Sensorial Visual Secuencial Civil 19 F Activo Intuitivo Visual Secuencial Electricista 24 M Activo Intuitivo Visual Global Industrial 22 M Activo Intuitivo Visual Global Civil 21 M Reflexivo Intuitivo Visual Secuencial Industrial 20 M Reflexivo Intuitivo Visual Global Química 18 M Reflexivo Intuitivo Visual Global Química 29 M Reflexivo Sensorial Verbal Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Química 18 M Reflexivo Intuitivo Visual Global Industrial 19 M Activo Intuitivo Visual Secuencial Industrial 20 M Reflexivo Sensorial Verbal Secuencial Industrial 20 M Activo Sensorial Visual Secuencial Industrial 19 M Activo Sensorial Verbal Global Civil 19 M Reflexivo Sensorial Verbal Secuencial

Page 155: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 155

Civil 19 M Reflexivo Intuitivo Visual Secuencial Civil 20 M Activo Sensorial Visual Secuencial Química 21 M Reflexivo Sensorial Verbal Secuencial Civil 21 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Activo Intuitivo Visual Secuencial Industrial 21 M Reflexivo Sensorial Visual Secuencial Química 19 F Reflexivo Sensorial Visual Secuencial Química 21 M Reflexivo Intuitivo Visual Secuencial Industrial 22 M Reflexivo Sensorial Verbal Secuencial Civil 22 M Reflexivo Sensorial Verbal Secuencial Industrial 19 M Activo Intuitivo Visual Secuencial Civil 22 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Intuitivo Visual Secuencial Industrial 21 M Activo Intuitivo Visual Global Mecánica 19 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Activo Intuitivo Visual Global Civil 20 M Activo Sensorial Visual Global Industrial 21 M Activo Sensorial Verbal Secuencial Agrimensura 20 M Reflexivo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Visual Secuencial Química 22 F Activo Intuitivo Visual Global Química 18 F Reflexivo Intuitivo Verbal Global Industrial 19 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Sensorial Visual Global Industrial 19 M Reflexivo Sensorial Visual Global Industrial 20 M ? Sensorial Verbal Secuencial Industrial 21 F Activo Sensorial ? Global Industrial 21 M Activo ? Visual Secuencial Química 20 F Reflexivo Sensorial Visual Secuencial Mecánica 27 M Activo Sensorial Visual Secuencial Química 20 F Activo Sensorial Visual Secuencial Química 20 M Activo Intuitivo Visual Global Química 18 M Activo Intuitivo Verbal Secuencial Mecánica 23 M Reflexivo Sensorial Visual Secuencial Química 19 F Activo Sensorial Visual Secuencial Industrial 21 F Reflexivo Sensorial Visual Secuencial Mecánica 23 M Activo Intuitivo Visual Global Alimentos 20 M Activo Sensorial Visual Secuencial Civil 20 M Activo Sensorial Visual Secuencial Mecánica 24 M Activo Intuitivo Visual Secuencial Mecánica 20 M Reflexivo Sensorial Visual Secuencial Química 21 F ? Intuitivo Visual Secuencial Química 20 F ? ? Visual Secuencial Electricista 29 M Reflexivo Sensorial Visual Secuencial Mecánica 23 M Reflexivo Intuitivo Visual Secuencial Agrimensura 24 M Reflexivo Sensorial Visual Secuencial Naval 20 M Reflexivo Sensorial Visual Secuencial Naval 22 M Activo Intuitivo Visual Global Industrial 20 M Activo Sensorial Visual Secuencial Mecánica 24 M Reflexivo Sensorial Visual Secuencial Química 18 M Reflexivo Intuitivo Visual Global Alimentos 20 F Activo Intuitivo Verbal Secuencial

Tabla A.6: Sexto grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.1.7 – Séptimo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al séptimo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.7

Page 156: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

156 Fernando A. Salgueiro ANEXO A

Carrera Edad Sexo Activo

Reflexivo Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M Activo Intuitivo ? Global Naval 20 M Activo Intuitivo Visual Global Mecánica 20 M Activo Intuitivo Verbal Global Industrial 21 M Activo Intuitivo Verbal Global Química 20 F Activo Sensorial Visual Secuencial Industrial 24 M Reflexivo Intuitivo Verbal Secuencial Industrial 23 F Reflexivo Sensorial Visual Secuencial Química 19 F Reflexivo Sensorial Visual Global Civil 19 F Activo Intuitivo Verbal Global Electricista 24 M Activo Intuitivo Verbal Global Industrial 22 M Activo Intuitivo Visual Global Civil 21 M Activo Intuitivo Visual Secuencial Industrial 20 M Activo Intuitivo Visual Secuencial Química 18 M Reflexivo Intuitivo Visual Global Química 29 M Activo Sensorial Visual Global Industrial 19 M Reflexivo Sensorial Verbal Global Química 18 M Activo Sensorial Visual Global Industrial 19 M Activo Sensorial Verbal Global Industrial 20 M Activo Sensorial Visual Global Industrial 20 M Activo Sensorial Visual Global Industrial 19 M Activo Intuitivo Verbal Global Civil 19 M Activo Intuitivo Visual Global Civil 19 M Reflexivo Intuitivo Visual Global Civil 20 M Activo Sensorial Verbal Global Química 21 M Reflexivo Intuitivo Verbal Global Civil 21 M Activo Intuitivo Visual Global Industrial 20 M Activo Intuitivo Verbal Global Industrial 21 M Activo Intuitivo Visual Secuencial Química 19 F Activo Intuitivo Verbal Global Química 21 M Activo Intuitivo Verbal Secuencial Industrial 22 M Activo Sensorial ? Global Civil 22 M Activo Intuitivo Visual Global Industrial 19 M Activo Sensorial Visual Global Civil 22 M Reflexivo Intuitivo Visual Global Industrial 20 M Activo Sensorial Visual Global Industrial 21 M Reflexivo Intuitivo Verbal Global Mecánica 19 M Reflexivo Intuitivo Verbal Global Industrial 19 M Reflexivo Intuitivo Visual Global Civil 20 M Reflexivo Intuitivo Visual Secuencial Industrial 21 M Activo Intuitivo Verbal Global Agrimensura 20 M Activo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Verbal Global Química 22 F Activo Intuitivo Visual Global Química 18 F Reflexivo Sensorial Verbal Secuencial Industrial 19 M Activo Intuitivo Visual Global Industrial 20 M Activo Sensorial Verbal Global Industrial 19 M Activo Intuitivo Verbal Global Industrial 20 M Reflexivo Intuitivo ? Global Industrial 21 F Activo Intuitivo Verbal Global Industrial 21 M Activo Intuitivo Visual Global Química 20 F Reflexivo Sensorial Visual Global Mecánica 27 M Reflexivo Intuitivo Visual Global Química 20 F Reflexivo Sensorial Verbal Global Química 20 M Reflexivo Intuitivo Verbal Global Química 18 M Reflexivo Intuitivo Visual Global Mecánica 23 M Reflexivo Intuitivo Verbal Global Química 19 F Activo Sensorial Verbal Secuencial Industrial 21 F Activo Intuitivo Visual Secuencial Mecánica 23 M Activo Sensorial Visual Global Alimentos 20 M Activo Intuitivo Visual Global Civil 20 M Activo Sensorial Verbal Global Mecánica 24 M Activo Intuitivo Visual Global Mecánica 20 M Reflexivo Intuitivo Visual Global Química 21 F Reflexivo Intuitivo Visual Global Química 20 F Activo ? ? Global Electricista 29 M Activo Intuitivo Verbal Global Mecánica 23 M Activo Sensorial Visual Global Agrimensura 24 M Activo Intuitivo Visual Global

Page 157: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 157

Naval 20 M Reflexivo Sensorial Verbal Global Naval 22 M Activo Intuitivo Visual Global Industrial 20 M Reflexivo Sensorial Visual Global Mecánica 24 M Reflexivo Intuitivo Visual Global Química 18 M Activo Intuitivo Visual Global Alimentos 20 F Reflexivo Sensorial Verbal Global

Tabla A.7: Séptimo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.1.8 – Octavo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al octavo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.8

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M Activo Sensorial Visual Secuencial Naval 20 M Activo Intuitivo Visual Global Mecánica 20 M Reflexivo Sensorial Visual Secuencial Industrial 21 M Activo Sensorial Verbal Global Química 20 F Reflexivo Sensorial Visual Global Industrial 24 M Reflexivo Sensorial Verbal Global Industrial 23 F Activo Sensorial Visual Global Química 19 F Reflexivo Intuitivo Visual Secuencial Civil 19 F Reflexivo Sensorial Verbal Secuencial Electricista 24 M Reflexivo Sensorial Verbal Secuencial Industrial 22 M Reflexivo Sensorial Verbal Secuencial Civil 21 M Reflexivo Intuitivo Verbal Secuencial Industrial 20 M Activo Intuitivo Visual Secuencial Química 18 M Reflexivo Intuitivo Verbal Secuencial Química 29 M Activo Sensorial Visual Secuencial Industrial 19 M Activo Sensorial Visual Global Química 18 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Activo Intuitivo Visual Global Industrial 20 M Reflexivo Intuitivo Verbal Secuencial Industrial 20 M Reflexivo Intuitivo Visual Global Industrial 19 M Activo Intuitivo Verbal Secuencial Civil 19 M Reflexivo Intuitivo Verbal Secuencial Civil 19 M Activo Sensorial Visual Secuencial Civil 20 M Activo Sensorial Visual Secuencial Química 21 M Reflexivo Sensorial Visual Global Civil 21 M Activo Sensorial ? Global Industrial 20 M Reflexivo Intuitivo Visual Global Industrial 21 M Reflexivo Sensorial Verbal Global Química 19 F Activo Sensorial Verbal Secuencial Química 21 M Reflexivo Sensorial Verbal Global Industrial 22 M Activo Sensorial Verbal Global Civil 22 M Activo Sensorial Visual Global Industrial 19 M Activo Sensorial Visual Global Civil 22 M Activo Sensorial Visual Global Industrial 20 M Activo Intuitivo Visual Secuencial Industrial 21 M Activo Intuitivo Visual Secuencial Mecánica 19 M Activo Sensorial Verbal Global Industrial 19 M Reflexivo Sensorial Visual Secuencial Civil 20 M Activo Sensorial Visual Global Industrial 21 M Activo Intuitivo Verbal Global Agrimensura 20 M Activo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Visual Secuencial Química 22 F Reflexivo Sensorial Visual Secuencial Química 18 F Activo Sensorial Verbal Secuencial Industrial 19 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Sensorial Visual Global Industrial 19 M Reflexivo Sensorial Visual Global Industrial 20 M Activo ? Visual ? Industrial 21 F Activo Intuitivo Visual Secuencial

Page 158: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

158 Fernando A. Salgueiro ANEXO A

Industrial 21 M Activo ? Visual Global Química 20 F Activo Sensorial Verbal Global Mecánica 27 M Reflexivo Sensorial Verbal Secuencial Química 20 F Activo Intuitivo Visual Global Química 20 M Activo Intuitivo Verbal Secuencial Química 18 M Activo Intuitivo Visual Global Mecánica 23 M Reflexivo Sensorial Verbal Global Química 19 F Reflexivo Sensorial Verbal Global Industrial 21 F Activo Intuitivo Visual Global Mecánica 23 M Activo Sensorial Visual Global Alimentos 20 M Reflexivo Intuitivo Visual Global Civil 20 M Activo Intuitivo Verbal Secuencial Mecánica 24 M Activo Intuitivo Visual Secuencial Mecánica 20 M Reflexivo Sensorial Visual Global Química 21 F Reflexivo Sensorial Visual Secuencial Química 20 F ? Intuitivo ? Secuencial Electricista 29 M Reflexivo Sensorial Verbal Global Mecánica 23 M Activo Intuitivo Visual Secuencial Agrimensura 24 M Activo Sensorial Visual Global Naval 20 M Reflexivo Sensorial Visual Global Naval 22 M Activo Intuitivo Visual Global Industrial 20 M Activo Sensorial Verbal Secuencial Mecánica 24 M Reflexivo Sensorial Visual Secuencial Química 18 M Reflexivo Intuitivo Verbal Global Alimentos 20 F Activo Intuitivo Verbal Global

Tabla A.8: Octavo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.1.9 – Noveno Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al noveno grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.9

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M Activo Intuitivo Verbal Secuencial Naval 20 M Activo Intuitivo Visual Secuencial Mecánica 20 M Reflexivo Sensorial Verbal Global Industrial 21 M Activo Sensorial Verbal Secuencial Química 20 F Activo Sensorial Verbal Global Industrial 24 M Activo Sensorial Verbal Secuencial Industrial 23 F Activo Sensorial Verbal Global Química 19 F Activo Sensorial Visual Secuencial Civil 19 F Activo Intuitivo Verbal ? Electricista 24 M Activo Intuitivo Verbal Global Industrial 22 M Activo Intuitivo Verbal Global Civil 21 M Reflexivo Intuitivo Visual Global Industrial 20 M Reflexivo Sensorial Verbal Global Química 18 M Reflexivo Intuitivo Visual Global Química 29 M Activo Sensorial Visual Secuencial Industrial 19 M Reflexivo Sensorial Verbal Global Química 18 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Activo Intuitivo Verbal Global Industrial 20 M Activo Intuitivo Verbal Global Industrial 20 M Activo Sensorial Visual Secuencial Industrial 19 M Activo Intuitivo Verbal Global Civil 19 M Reflexivo Intuitivo Verbal Global Civil 19 M Activo Sensorial Verbal Global Civil 20 M Activo Sensorial Verbal Global Química 21 M Activo Intuitivo Verbal Secuencial Civil 21 M Reflexivo Sensorial Visual Global Industrial 20 M Activo Intuitivo Verbal Global Industrial 21 M Activo Intuitivo Verbal Global Química 19 F Activo Intuitivo Verbal Secuencial Química 21 M Reflexivo Intuitivo Verbal Global

Page 159: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 159

Industrial 22 M Reflexivo Sensorial Verbal Global Civil 22 M Reflexivo Sensorial Verbal Secuencial Industrial 19 M Activo Sensorial Visual Global Civil 22 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Reflexivo Sensorial Visual Global Industrial 21 M Reflexivo Intuitivo Verbal Secuencial Mecánica 19 M Reflexivo Intuitivo Verbal Secuencial Industrial 19 M Activo Intuitivo Verbal Secuencial Civil 20 M Activo Sensorial Verbal Secuencial Industrial 21 M Activo Sensorial Verbal Secuencial Agrimensura 20 M Reflexivo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Verbal Secuencial Química 22 F Reflexivo Intuitivo Visual Global Química 18 F Activo Intuitivo Verbal Secuencial Industrial 19 M Activo Intuitivo Verbal Secuencial Industrial 20 M Reflexivo Sensorial Visual Global Industrial 19 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Reflexivo ? ? Global Industrial 21 F Reflexivo Intuitivo Verbal Global Industrial 21 M Activo Intuitivo Visual Secuencial Química 20 F Reflexivo Sensorial Visual Secuencial Mecánica 27 M Activo Intuitivo Verbal Global Química 20 F Activo Sensorial Visual Global Química 20 M Activo ? Verbal Global Química 18 M Reflexivo Intuitivo Visual Global Mecánica 23 M Activo Sensorial Verbal Secuencial Química 19 F Reflexivo Sensorial Verbal Secuencial Industrial 21 F Reflexivo Intuitivo Verbal Secuencial Mecánica 23 M Reflexivo Intuitivo Verbal Global Alimentos 20 M Activo Sensorial Verbal Global Civil 20 M Reflexivo Intuitivo Verbal Global Mecánica 24 M Activo Intuitivo Verbal Global Mecánica 20 M Activo Intuitivo Verbal Global Química 21 F Activo Intuitivo Verbal Secuencial Química 20 F Activo Intuitivo Visual Global Electricista 29 M Reflexivo Sensorial Verbal Secuencial Mecánica 23 M Activo Intuitivo ? Global Agrimensura 24 M Reflexivo Intuitivo Visual Global Naval 20 M Reflexivo Sensorial Verbal Secuencial Naval 22 M Reflexivo Intuitivo Visual Global Industrial 20 M Reflexivo Sensorial Visual Global Mecánica 24 M Reflexivo Intuitivo Verbal Secuencial Química 18 M Activo Intuitivo Verbal Secuencial Alimentos 20 F Activo Sensorial Verbal Global

Tabla A.9: Noveno grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.1.10 – Décimo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al décimo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.10

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M Reflexivo Sensorial Visual Secuencial Naval 20 M Reflexivo Sensorial Visual Secuencial Mecánica 20 M Reflexivo Sensorial Verbal Secuencial Industrial 21 M Activo Sensorial Visual Secuencial Química 20 F Reflexivo Sensorial Verbal Secuencial Industrial 24 M Activo Sensorial Visual Secuencial Industrial 23 F Reflexivo Sensorial Visual Global Química 19 F Activo Sensorial Visual Secuencial Civil 19 F ? ? ? Secuencial Electricista 24 M Activo Sensorial Visual Secuencial Industrial 22 M Reflexivo Sensorial Visual Secuencial

Page 160: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

160 Fernando A. Salgueiro ANEXO A

Civil 21 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Activo Sensorial Visual Global Química 18 M Activo Intuitivo Verbal Secuencial Química 29 M Activo Sensorial Visual Global Industrial 19 M Reflexivo Sensorial Visual Secuencial Química 18 M Activo Sensorial Verbal Global Industrial 19 M Reflexivo Sensorial Visual Global Industrial 20 M Reflexivo Sensorial Verbal Secuencial Industrial 20 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Activo Intuitivo Visual Secuencial Civil 19 M Reflexivo Sensorial Verbal Secuencial Civil 19 M Reflexivo Sensorial Visual Secuencial Civil 20 M Activo Sensorial Visual Secuencial Química 21 M Reflexivo Sensorial Verbal Secuencial Civil 21 M Reflexivo ? Visual Secuencial Industrial 20 M Activo Sensorial Visual Secuencial Industrial 21 M Activo Intuitivo Verbal Global Química 19 F Activo Sensorial Verbal Global Química 21 M Reflexivo Intuitivo Verbal Secuencial Industrial 22 M Activo Sensorial Visual Secuencial Civil 22 M Reflexivo Sensorial ? Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Civil 22 M Activo Sensorial Visual Secuencial Industrial 20 M Reflexivo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Verbal Global Mecánica 19 M Reflexivo Intuitivo Verbal Global Industrial 19 M Reflexivo Sensorial Visual Secuencial Civil 20 M Reflexivo Sensorial Visual Secuencial Industrial 21 M Reflexivo Sensorial Visual Secuencial Agrimensura 20 M Reflexivo Sensorial Verbal Global Industrial 21 M Activo Intuitivo Visual Global Química 22 F Activo Sensorial Verbal Secuencial Química 18 F Reflexivo Intuitivo Visual Global Industrial 19 M Activo Sensorial Visual Global Industrial 20 M Reflexivo Sensorial Visual Secuencial Industrial 19 M Activo Sensorial ? Global Industrial 20 M ? Sensorial Verbal ? Industrial 21 F Activo Sensorial Verbal Secuencial Industrial 21 M Activo Sensorial Visual Global Química 20 F Reflexivo Sensorial Verbal Secuencial Mecánica 27 M Activo Sensorial ? Secuencial Química 20 F Reflexivo Sensorial Visual Secuencial Química 20 M Reflexivo ? Verbal ? Química 18 M Activo Sensorial Visual Secuencial Mecánica 23 M Reflexivo Intuitivo Visual Secuencial Química 19 F Activo Sensorial Verbal Secuencial Industrial 21 F Reflexivo Sensorial Visual Secuencial Mecánica 23 M Activo Sensorial Visual Global Alimentos 20 M Activo Sensorial Visual Global Civil 20 M Activo Sensorial Visual Global Mecánica 24 M Reflexivo Sensorial Visual Global Mecánica 20 M Reflexivo Sensorial Visual Global Química 21 F Activo Sensorial Verbal Global Química 20 F Reflexivo Sensorial ? Secuencial Electricista 29 M Reflexivo Sensorial Verbal Secuencial Mecánica 23 M Reflexivo ? Verbal Global Agrimensura 24 M Reflexivo ? Verbal Secuencial Naval 20 M Reflexivo Sensorial Visual Secuencial Naval 22 M Activo Sensorial Visual Secuencial Industrial 20 M Reflexivo Sensorial Verbal Global Mecánica 24 M Activo Intuitivo Verbal Secuencial Química 18 M Reflexivo Intuitivo Verbal Global Alimentos 20 F Reflexivo Sensorial Visual Global

Tabla A.10: Décimo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 161: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 161

A.2.1.11 – Undécimo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Computación pertenecientes al undécimo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.11

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Civil 20 M Activo Sensorial Visual Secuencial Naval 20 M Activo Sensorial Visual Secuencial Mecánica 20 M Reflexivo Intuitivo Visual Secuencial Industrial 21 M Activo Sensorial Visual Global Química 20 F Activo Intuitivo Verbal Secuencial Industrial 24 M Activo Intuitivo Verbal Secuencial Industrial 23 F Reflexivo Sensorial Verbal Secuencial Química 19 F Activo Sensorial Visual Secuencial Civil 19 F Reflexivo Intuitivo Visual Global Electricista 24 M Activo Intuitivo Visual Global Industrial 22 M Activo Sensorial Visual Global Civil 21 M Reflexivo Intuitivo Visual Global Industrial 20 M Reflexivo Intuitivo Visual Global Química 18 M Reflexivo Sensorial Visual Global Química 29 M Activo Sensorial Visual Secuencial Industrial 19 M Reflexivo Intuitivo Visual Secuencial Química 18 M Reflexivo Intuitivo Visual Secuencial Industrial 19 M Reflexivo Sensorial Visual Secuencial Industrial 20 M Reflexivo Intuitivo Visual Secuencial Industrial 20 M Activo Intuitivo Visual Secuencial Industrial 19 M Activo Sensorial Visual Secuencial Civil 19 M Reflexivo Intuitivo Visual Secuencial Civil 19 M Activo Sensorial Visual Secuencial Civil 20 M Activo Intuitivo Visual Global Química 21 M Activo Intuitivo Verbal Secuencial Civil 21 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Intuitivo Visual Global Industrial 21 M Activo Intuitivo Visual Global Química 19 F Activo Intuitivo Verbal Global Química 21 M Activo Sensorial Visual Secuencial Industrial 22 M Reflexivo Sensorial Visual Secuencial Civil 22 M Activo Sensorial Visual Global Industrial 19 M Activo Sensorial Visual Secuencial Civil 22 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Sensorial Visual Secuencial Industrial 21 M Activo Sensorial Visual Secuencial Mecánica 19 M Activo Sensorial Visual Secuencial Industrial 19 M Activo Sensorial Visual Secuencial Civil 20 M Activo Intuitivo Visual Secuencial Industrial 21 M Activo Sensorial Visual Secuencial Agrimensura 20 M Activo Sensorial Visual Secuencial Industrial 21 M Activo Intuitivo Visual Secuencial Química 22 F Activo Sensorial Visual Global Química 18 F Activo Sensorial Verbal Secuencial Industrial 19 M Activo Sensorial Visual Secuencial Industrial 20 M Activo Intuitivo Visual Secuencial Industrial 19 M Activo Intuitivo Visual Global Industrial 20 M ? Intuitivo Visual Secuencial Industrial 21 F Activo Intuitivo Visual Global Industrial 21 M Activo Intuitivo Visual Secuencial Química 20 F Activo Sensorial Visual Secuencial Mecánica 27 M Reflexivo Sensorial Visual Secuencial Química 20 F Activo Intuitivo Visual Secuencial Química 20 M Activo Intuitivo Visual Secuencial Química 18 M Activo Intuitivo Visual Global Mecánica 23 M Reflexivo Sensorial Verbal Secuencial Química 19 F Activo Intuitivo Verbal Secuencial Industrial 21 F Activo Intuitivo Verbal Secuencial Mecánica 23 M Activo Sensorial Visual Secuencial Alimentos 20 M Activo Sensorial Visual Secuencial

Page 162: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

162 Fernando A. Salgueiro ANEXO A

Civil 20 M Reflexivo Sensorial Visual Secuencial Mecánica 24 M Activo Sensorial Visual Global Mecánica 20 M Reflexivo Sensorial Verbal Secuencial Química 21 F Activo Sensorial Verbal Secuencial Química 20 F Activo Intuitivo Visual Global Electricista 29 M Activo Sensorial Visual Secuencial Mecánica 23 M Activo Sensorial Visual Global Agrimensura 24 M Reflexivo Sensorial Visual Secuencial Naval 20 M Reflexivo Sensorial Visual Global Naval 22 M Activo Intuitivo Visual Global Industrial 20 M Activo Intuitivo Visual Global Mecánica 24 M ? Sensorial Visual Secuencial Química 18 M Activo Intuitivo Verbal Secuencial Alimentos 20 F Activo Sensorial Verbal Secuencial

Tabla A.11: Undécimo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje,

con los datos de la carrera, el sexo y la edad del estudiante.

A.2.2 – Datos Obtenidos de la Materia Algoritmos y Programación I Se presentarán los datos obtenidos de las planillas de estilos de aprendizajes correspondientes a los alumnos de la materia Algoritmos y Programación I de la Facultad de Ingeniería de la Universidad de Buenos Aires, materia incluida dentro del área de Programación Básica.

A.2.2.1 – Primer Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al primer grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.12

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Activo Sensorial Visual Global Informática 19 M Activo Sensorial Verbal Secuencial Informática 20 M Activo Intuitivo Verbal Global Informática 19 M Activo Sensorial Visual Global Sistemas 22 F Activo Sensorial Visual Secuencial Informática 20 F Activo Sensorial Visual Global Informática 19 M Reflexivo Sensorial Visual Secuencial Sistemas 19 M Activo Sensorial Visual Global Informática 20 M Activo Sensorial Visual Global Informática 19 M Activo Intuitivo Visual Secuencial Sistemas 19 M Activo Sensorial Verbal Secuencial Informática 18 M Activo Intuitivo Visual Secuencial Informática 19 M Activo Intuitivo Visual Global Informática 20 M Activo Intuitivo Visual Global Informática 20 M Reflexivo Sensorial Visual Global Informática 18 M Activo Sensorial Verbal ? Informática 18 M Activo Intuitivo Visual Secuencial Informática 20 M Activo ? Verbal Global Sistemas 20 M Activo Intuitivo Verbal Secuencial Sistemas 25 F Activo Intuitivo Visual Global Sistemas 21 M Reflexivo Intuitivo Visual Global Informática 19 F Reflexivo Intuitivo Visual Global Sistemas 28 F Reflexivo Intuitivo Visual Global Informática 20 M Activo Intuitivo Verbal Global Sistemas 19 M Activo Sensorial Visual Global Informática 18 F Activo Sensorial Visual Global Informática 21 M Activo Sensorial Visual Global Informática 19 F Reflexivo Intuitivo Visual Global Informática 19 M Activo Sensorial Visual Global Informática 21 M Activo Intuitivo Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Global

Page 163: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 163

Sistemas 20 F Activo Intuitivo Visual Global Informática 18 F Activo Intuitivo Visual Secuencial Sistemas 19 M Activo Sensorial Verbal Global Sistemas 21 M Activo Intuitivo Visual Global Informática 19 M Activo Intuitivo Visual Global Informática 21 M Activo Intuitivo Visual Secuencial Informática 19 F Reflexivo Intuitivo Verbal Global Informática 20 M Activo Intuitivo Visual Global Informática 20 M Activo Sensorial Visual Global Informática 21 M Activo Intuitivo Visual Global Informática 20 F Activo Intuitivo Visual Global Informática 20 M Activo Sensorial Verbal Global Informática 19 M Reflexivo Sensorial Visual Global Informática 19 M Activo Intuitivo Visual Secuencial Informática 19 F Reflexivo Intuitivo Visual Global Sistemas 19 M Reflexivo Sensorial Visual Global

Tabla A.12: Primer grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.2.2 – Segundo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al segundo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.13

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Reflexivo Intuitivo Visual Secuencial Informática 19 M Reflexivo Sensorial Verbal Secuencial Informática 20 M Activo Sensorial Verbal Global Informática 19 M Reflexivo Sensorial Verbal Global Sistemas 22 F Activo Intuitivo Verbal Global Informática 20 F Activo Sensorial Visual Global Informática 19 M Activo Sensorial Visual Secuencial Sistemas 19 M Activo Sensorial Verbal Secuencial Informática 20 M Activo Sensorial Visual Global Informática 19 M Activo Sensorial Verbal Secuencial Sistemas 19 M Reflexivo Sensorial Verbal Secuencial Informática 18 M Reflexivo Intuitivo Visual Secuencial Informática 19 M Reflexivo Intuitivo Visual Global Informática 20 M Reflexivo Intuitivo Visual Global Informática 20 M Reflexivo Sensorial Verbal Secuencial Informática 18 M Reflexivo Intuitivo Verbal Global Informática 18 M Reflexivo Sensorial Visual Global Informática 20 M Reflexivo Intuitivo Verbal Global Sistemas 20 M Activo Sensorial Verbal Global Sistemas 25 F Activo Intuitivo Visual Global Sistemas 21 M Reflexivo Sensorial Visual Global Informática 19 F Activo Sensorial Visual Secuencial Sistemas 28 F Activo Sensorial Visual Global Informática 20 M Reflexivo Sensorial Visual Global Sistemas 19 M Reflexivo Sensorial Verbal Global Informática 18 F Reflexivo Sensorial Visual Global Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 19 F Activo Sensorial Verbal Global Informática 19 M Reflexivo Sensorial Visual ? Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Verbal Global Sistemas 20 F Activo Intuitivo Visual Global Informática 18 F Reflexivo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Sensorial Visual Secuencial Sistemas 21 M Reflexivo Intuitivo Verbal Secuencial Informática 19 M Reflexivo Sensorial Verbal Secuencial Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 19 F Activo Intuitivo Verbal Secuencial Informática 20 M Reflexivo Sensorial Visual Global

Page 164: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

164 Fernando A. Salgueiro ANEXO A

Informática 20 M Activo Sensorial Visual Global Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 20 F Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Sensorial Verbal Secuencial Informática 19 M Reflexivo Sensorial Verbal Global Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 19 F Activo Intuitivo Visual Global Sistemas 19 M Reflexivo Intuitivo Visual Global

Tabla A.13: Segundo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

A.2.2.3 – Tercer Grupo En la Tabla A.14 se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al tercer grupo de cuatro preguntas.

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Reflexivo Intuitivo Verbal Global Informática 19 M Activo Sensorial Visual Secuencial Informática 20 M Activo Sensorial Verbal Global Informática 19 M Activo Sensorial Visual Global Sistemas 22 F Activo Sensorial Visual Global Informática 20 F Activo Sensorial Visual Secuencial Informática 19 M Activo Sensorial Visual Secuencial Sistemas 19 M ? Sensorial Verbal Global Informática 20 M Activo Sensorial Visual Global Informática 19 M Activo Intuitivo Visual Secuencial Sistemas 19 M Activo Sensorial Visual Secuencial Informática 18 M Activo Sensorial Verbal Secuencial Informática 19 M Activo Intuitivo Visual Secuencial Informática 20 M Activo Intuitivo Verbal Secuencial Informática 20 M Activo Sensorial Verbal Secuencial Informática 18 M Reflexivo Sensorial Visual Secuencial Informática 18 M Activo Sensorial Verbal Secuencial Informática 20 M Reflexivo Sensorial Visual Global Sistemas 20 M Activo Sensorial Verbal Secuencial Sistemas 25 F Activo Intuitivo Visual Secuencial Sistemas 21 M Activo Intuitivo Visual Global Informática 19 F Activo Sensorial Visual Secuencial Sistemas 28 F Activo Sensorial Visual Secuencial Informática 20 M Activo Intuitivo Visual Secuencial Sistemas 19 M Activo Sensorial Verbal Secuencial Informática 18 F Activo Sensorial Visual Secuencial Informática 21 M Reflexivo Sensorial Verbal Secuencial Informática 19 F Activo Intuitivo Verbal Secuencial Informática 19 M Activo Sensorial Verbal Secuencial Informática 21 M Activo Intuitivo Visual Secuencial Informática 19 M Reflexivo Intuitivo Verbal Global Sistemas 20 F Activo Sensorial Visual Secuencial Informática 18 F Activo Sensorial Verbal Secuencial Sistemas 19 M Reflexivo Sensorial Verbal Secuencial Sistemas 21 M Activo Sensorial Visual Secuencial Informática 19 M Activo Sensorial Verbal Secuencial Informática 21 M Activo Sensorial Visual Secuencial Informática 19 F Activo Sensorial Verbal Secuencial Informática 20 M Activo Intuitivo Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Global Informática 21 M Activo Sensorial Visual Secuencial Informática 20 F Activo Sensorial Visual Global Informática 20 M Activo Intuitivo Verbal Secuencial Informática 19 M Activo Intuitivo Visual Secuencial Informática 19 M Activo Sensorial Visual Secuencial Informática 19 F Reflexivo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Intuitivo Visual Secuencial

Tabla A.14: Tercer grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 165: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 165

A.2.2.4 – Cuarto Grupo Se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al cuarto grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.15

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Reflexivo Sensorial Verbal Secuencial Informática 19 M Activo Intuitivo Verbal Secuencial Informática 20 M Reflexivo Intuitivo Verbal Global Informática 19 M Reflexivo Intuitivo Verbal Secuencial Sistemas 22 F Reflexivo Sensorial Visual Secuencial Informática 20 F Reflexivo Intuitivo Visual Secuencial Informática 19 M Activo Intuitivo Visual Global Sistemas 19 M Activo Sensorial Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Global Sistemas 19 M Activo Sensorial Verbal ? Informática 18 M Reflexivo Intuitivo Visual Secuencial Informática 19 M Reflexivo Intuitivo Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Global Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 18 M Reflexivo Sensorial Verbal Global Informática 18 M Activo Intuitivo Visual Secuencial Informática 20 M Reflexivo Intuitivo Visual Global Sistemas 20 M Reflexivo Intuitivo Verbal Secuencial Sistemas 25 F Activo Intuitivo Visual Secuencial Sistemas 21 M Activo Sensorial Verbal Secuencial Informática 19 F Reflexivo Sensorial Visual Secuencial Sistemas 28 F Reflexivo Intuitivo Visual Secuencial Informática 20 M Reflexivo Sensorial Verbal Global Sistemas 19 M Reflexivo Intuitivo Verbal Secuencial Informática 18 F Reflexivo Intuitivo Visual Secuencial Informática 21 M Reflexivo Sensorial Verbal Secuencial Informática 19 F Activo Intuitivo Verbal Secuencial Informática 19 M Activo Sensorial Visual Secuencial Informática 21 M Reflexivo Intuitivo Visual Global Informática 19 M Reflexivo Intuitivo Visual Global Sistemas 20 F Reflexivo Intuitivo Visual Global Informática 18 F Activo Intuitivo ? Secuencial Sistemas 19 M Reflexivo Intuitivo Visual Secuencial Sistemas 21 M Activo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 21 M Reflexivo Intuitivo Visual Secuencial Informática 19 F Reflexivo Intuitivo Visual Secuencial Informática 20 M Reflexivo Intuitivo Visual Secuencial Informática 20 M Activo Intuitivo Visual Secuencial Informática 21 M Reflexivo Intuitivo Visual Global Informática 20 F Reflexivo Intuitivo Visual Secuencial Informática 20 M Activo Intuitivo Visual Global Informática 19 M Reflexivo Intuitivo Visual Secuencial Informática 19 M Activo Intuitivo Visual Global Informática 19 F Reflexivo Intuitivo Visual Global Sistemas 19 M Reflexivo Sensorial Visual Secuencial

Tabla A.15: Cuarto grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 166: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

166 Fernando A. Salgueiro ANEXO A

A.2.2.5 – Quinto Grupo Se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al quinto grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.16

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Intuitivo Verbal Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Sistemas 22 F Reflexivo Intuitivo Verbal Global Informática 20 F Reflexivo Intuitivo Visual Secuencial Informática 19 M Activo Intuitivo Visual Secuencial Sistemas 19 M Activo Intuitivo Visual Secuencial Informática 20 M Activo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Intuitivo Visual Secuencial Informática 18 M Reflexivo Sensorial Verbal Secuencial Informática 19 M Reflexivo Intuitivo Verbal Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 18 M Reflexivo Sensorial Visual Secuencial Informática 18 M Reflexivo Intuitivo Verbal Secuencial Informática 20 M Activo ? Visual ? Sistemas 20 M Reflexivo Intuitivo Verbal Secuencial Sistemas 25 F Reflexivo Sensorial Visual Secuencial Sistemas 21 M Reflexivo Sensorial Visual Secuencial Informática 19 F Reflexivo Sensorial Visual Secuencial Sistemas 28 F Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Sensorial Visual Secuencial Informática 18 F Reflexivo Sensorial Visual ? Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 19 F Reflexivo Sensorial Verbal Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 19 M Activo Sensorial Visual Secuencial Sistemas 20 F Reflexivo Sensorial Visual Global Informática 18 F Reflexivo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Sensorial Visual Secuencial Sistemas 21 M Reflexivo Intuitivo Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 21 M Activo Sensorial Visual Secuencial Informática 19 F Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Intuitivo Verbal Secuencial Informática 20 M Activo Sensorial Visual Secuencial Informática 21 M Reflexivo Intuitivo Visual Secuencial Informática 20 F Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Intuitivo Visual Secuencial Informática 19 M Activo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 19 F Reflexivo Intuitivo Visual Secuencial Sistemas 19 M Reflexivo Intuitivo Visual Secuencial

Tabla A.16: Quinto grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 167: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 167

A.2.2.6 – Sexto Grupo Se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al sexto grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.17

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Activo Sensorial Verbal Secuencial Informática 19 M Reflexivo Sensorial Verbal Secuencial Informática 20 M Activo Intuitivo Visual Global Informática 19 M Activo Intuitivo Visual Secuencial Sistemas 22 F Activo Intuitivo Verbal Secuencial Informática 20 F Activo Sensorial Visual Secuencial Informática 19 M Activo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Sensorial Visual Secuencial Informática 20 M ? ? ? ? Informática 19 M Reflexivo Intuitivo Visual Global Sistemas 19 M Reflexivo Sensorial Verbal Secuencial Informática 18 M Reflexivo Sensorial Visual Secuencial Informática 19 M Reflexivo Intuitivo Visual Global Informática 20 M Reflexivo Intuitivo Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 18 M Reflexivo Sensorial Visual Secuencial Informática 18 M Activo Intuitivo Verbal Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Sistemas 20 M Activo Sensorial Verbal Secuencial Sistemas 25 F Activo Intuitivo Visual Secuencial Sistemas 21 M Activo Intuitivo Visual Secuencial Informática 19 F Reflexivo Sensorial Visual Secuencial Sistemas 28 F Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Intuitivo Visual Secuencial Informática 18 F ? ? ? ? Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 19 F Activo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 21 M Reflexivo Intuitivo Visual Global Informática 19 M Reflexivo Sensorial Visual Global Sistemas 20 F Activo Sensorial Visual Global Informática 18 F Reflexivo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Sensorial Visual Secuencial Sistemas 21 M Reflexivo Sensorial Verbal Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 21 M Activo Intuitivo Visual Secuencial Informática 19 F Reflexivo Sensorial Visual Secuencial Informática 20 M Activo Intuitivo Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Global Informática 21 M Reflexivo Intuitivo Visual Secuencial Informática 20 F Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Intuitivo Visual Secuencial Informática 19 M Activo Intuitivo Verbal Secuencial Informática 19 M Reflexivo Sensorial Verbal Secuencial Informática 19 F Reflexivo Intuitivo Visual Secuencial Sistemas 19 M Reflexivo Intuitivo Visual Secuencial

Tabla A.17: Sexto grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 168: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

168 Fernando A. Salgueiro ANEXO A

A.2.2.7 – Séptimo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al séptimo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.18

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Reflexivo Intuitivo Visual Global Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 20 M Activo Intuitivo Verbal Global Informática 19 M Reflexivo Sensorial Verbal Global Sistemas 22 F Reflexivo Sensorial Visual Secuencial Informática 20 F Activo Intuitivo Visual Secuencial Informática 19 M Reflexivo Intuitivo Visual Secuencial Sistemas 19 M Activo Sensorial Verbal Global Informática 20 M ? ? ? ? Informática 19 M Reflexivo Sensorial Visual Secuencial Sistemas 19 M Activo ? Verbal Secuencial Informática 18 M Activo Intuitivo Verbal Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Intuitivo ? Global Informática 20 M Reflexivo Sensorial Verbal Global Informática 18 M Reflexivo Sensorial Visual Global Informática 18 M Activo Intuitivo Verbal Global Informática 20 M ? Intuitivo Visual Global Sistemas 20 M Reflexivo Intuitivo Visual Global Sistemas 25 F Activo Intuitivo Visual Global Sistemas 21 M Reflexivo Intuitivo Verbal Global Informática 19 F Reflexivo Intuitivo Visual Global Sistemas 28 F Activo Sensorial Visual Global Informática 20 M Activo Intuitivo Visual Global Sistemas 19 M Activo Sensorial Visual Global Informática 18 F ? ? ? Global Informática 21 M Activo Intuitivo Verbal Global Informática 19 F Reflexivo Intuitivo Verbal Global Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 21 M Reflexivo Sensorial Visual Global Informática 19 M Activo Intuitivo Visual Global Sistemas 20 F Reflexivo Intuitivo Verbal Global Informática 18 F Reflexivo Intuitivo Verbal Global Sistemas 19 M Activo Sensorial Verbal Global Sistemas 21 M Reflexivo Sensorial Verbal Global Informática 19 M Reflexivo Sensorial Verbal Global Informática 21 M Activo Intuitivo Visual Secuencial Informática 19 F Reflexivo Intuitivo Verbal Global Informática 20 M Activo Intuitivo Visual Global Informática 20 M Activo Intuitivo Verbal Secuencial Informática 21 M Reflexivo Intuitivo Visual Global Informática 20 F Activo Intuitivo Visual Global Informática 20 M Activo Intuitivo Visual Global Informática 19 M Reflexivo Sensorial Visual Global Informática 19 M Activo Intuitivo Visual Global Informática 19 F Reflexivo Intuitivo Verbal Global Sistemas 19 M Reflexivo Intuitivo Visual Global

Tabla A.18: Séptimo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 169: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 169

A.2.2.8 – Octavo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al octavo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.19

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Activo Intuitivo Visual Secuencial Informática 19 M Reflexivo Sensorial Verbal Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Verbal Global Sistemas 22 F Reflexivo Sensorial Verbal Secuencial Informática 20 F Reflexivo Sensorial Visual Secuencial Informática 19 M Activo Sensorial Visual Secuencial Sistemas 19 M Activo Sensorial Verbal Global Informática 20 M ? ? ? ? Informática 19 M Reflexivo Sensorial Visual Global Sistemas 19 M Reflexivo Intuitivo Verbal Secuencial Informática 18 M Activo Sensorial Visual Global Informática 19 M Reflexivo Intuitivo Visual Secuencial Informática 20 M Reflexivo Intuitivo Visual Global Informática 20 M Reflexivo Sensorial Visual Global Informática 18 M Activo Intuitivo Visual Global Informática 18 M Activo Intuitivo Visual Secuencial Informática 20 M ? ? Verbal Secuencial Sistemas 20 M Activo Sensorial Verbal Secuencial Sistemas 25 F Reflexivo Intuitivo Visual Secuencial Sistemas 21 M Activo Sensorial Visual Secuencial Informática 19 F Reflexivo Intuitivo Visual Global Sistemas 28 F Activo Intuitivo Visual Secuencial Informática 20 M Activo Sensorial Visual Secuencial Sistemas 19 M Activo Sensorial Verbal Global Informática 18 F Activo Intuitivo Verbal Global Informática 21 M Activo Sensorial Visual Secuencial Informática 19 F Reflexivo Sensorial Verbal Global Informática 19 M Activo Intuitivo Visual Global Informática 21 M Activo Intuitivo Visual Global Informática 19 M Reflexivo Sensorial Verbal Global Sistemas 20 F Activo Sensorial Visual Global Informática 18 F Reflexivo Sensorial Verbal Global Sistemas 19 M Activo Sensorial Visual Global Sistemas 21 M Activo Intuitivo Visual Global Informática 19 M Activo Sensorial Visual Secuencial Informática 21 M Reflexivo Sensorial Verbal Secuencial Informática 19 F Reflexivo Sensorial Verbal Global Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 21 M Reflexivo Intuitivo Visual Secuencial Informática 20 F Activo Sensorial Visual Global Informática 20 M Activo Sensorial Verbal Global Informática 19 M Activo Intuitivo Visual Global Informática 19 M Activo Sensorial Visual Secuencial Informática 19 F Reflexivo Sensorial Visual Global Sistemas 19 M Activo Sensorial Visual Secuencial

Tabla A.19: Octavo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 170: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

170 Fernando A. Salgueiro ANEXO A

A.2.2.9 – Noveno Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al noveno grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.20

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Reflexivo Sensorial Visual Global Informática 19 M Reflexivo Sensorial Verbal Secuencial Informática 20 M Activo Intuitivo Verbal Secuencial Informática 19 M Activo Intuitivo Visual Secuencial Sistemas 22 F Reflexivo Intuitivo Verbal Secuencial Informática 20 F Activo Sensorial Verbal Global Informática 19 M Activo Sensorial Verbal Secuencial Sistemas 19 M Reflexivo Intuitivo Visual Secuencial Informática 20 M ? ? ? ? Informática 19 M Reflexivo Intuitivo Visual Secuencial Sistemas 19 M Reflexivo Sensorial Verbal Global Informática 18 M Activo Intuitivo Verbal Secuencial Informática 19 M Reflexivo Intuitivo Visual Secuencial Informática 20 M Reflexivo Intuitivo Verbal Global Informática 20 M Reflexivo Sensorial Verbal Secuencial Informática 18 M Activo Sensorial Visual Secuencial Informática 18 M Reflexivo Intuitivo Verbal Global Informática 20 M Reflexivo Sensorial ? Secuencial Sistemas 20 M Activo Intuitivo Verbal Global Sistemas 25 F Reflexivo Intuitivo Visual Global Sistemas 21 M Reflexivo Intuitivo Visual Global Informática 19 F Activo Intuitivo Verbal Global Sistemas 28 F Reflexivo Intuitivo Visual Global Informática 20 M Reflexivo Sensorial Visual Global Sistemas 19 M Activo Sensorial Visual Global Informática 18 F Reflexivo Sensorial Verbal Global Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 19 F Activo Intuitivo Verbal Secuencial Informática 19 M Reflexivo Sensorial Verbal Secuencial Informática 21 M Activo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Global Sistemas 20 F Reflexivo Intuitivo Visual Global Informática 18 F Reflexivo Sensorial Verbal Secuencial Sistemas 19 M Reflexivo Sensorial Verbal Secuencial Sistemas 21 M Reflexivo Sensorial Verbal Secuencial Informática 19 M Activo Sensorial Verbal Secuencial Informática 21 M Activo Sensorial Visual Global Informática 19 F Reflexivo Intuitivo Verbal Secuencial Informática 20 M Reflexivo Sensorial Verbal Secuencial Informática 20 M Reflexivo Sensorial Verbal Secuencial Informática 21 M Reflexivo Sensorial Visual Global Informática 20 F Reflexivo Sensorial Verbal Secuencial Informática 20 M Activo Intuitivo Visual Global Informática 19 M Activo Intuitivo Verbal Secuencial Informática 19 M Activo Intuitivo Visual Global Informática 19 F Reflexivo Intuitivo Verbal Global Sistemas 19 M Reflexivo Intuitivo Visual Global

Tabla A.20: Noveno grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 171: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 171

A.2.2.10 – Décimo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al décimo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.21

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Global Informática 20 M Activo Intuitivo Visual Global Informática 19 M Activo Sensorial Verbal Secuencial Sistemas 22 F Reflexivo Sensorial Verbal Secuencial Informática 20 F Reflexivo Sensorial Visual Secuencial Informática 19 M Activo Sensorial Verbal Global Sistemas 19 M Activo Sensorial Visual Global Informática 20 M ? ? ? ? Informática 19 M Activo Sensorial Visual Secuencial Sistemas 19 M Reflexivo ? Visual Global Informática 18 M Reflexivo Intuitivo Verbal Secuencial Informática 19 M Reflexivo Intuitivo Verbal Secuencial Informática 20 M ? Intuitivo Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 18 M Reflexivo ? Visual Secuencial Informática 18 M Reflexivo Sensorial Verbal Secuencial Informática 20 M Reflexivo Intuitivo Visual Secuencial Sistemas 20 M Reflexivo Sensorial Visual Secuencial Sistemas 25 F Reflexivo Intuitivo Verbal Secuencial Sistemas 21 M Activo Intuitivo Visual Global Informática 19 F Activo Sensorial Visual Secuencial Sistemas 28 F Reflexivo Sensorial Verbal Secuencial Informática 20 M Reflexivo Intuitivo Verbal Secuencial Sistemas 19 M Reflexivo Sensorial Visual Secuencial Informática 18 F Reflexivo Sensorial Visual Global Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 19 F Reflexivo Intuitivo Visual Secuencial Informática 19 M Activo Sensorial Verbal Secuencial Informática 21 M Activo Sensorial Visual Global Informática 19 M Reflexivo Sensorial Visual Secuencial Sistemas 20 F Reflexivo Intuitivo Visual Global Informática 18 F Activo Sensorial Visual Global Sistemas 19 M Reflexivo Sensorial Verbal Global Sistemas 21 M Reflexivo Intuitivo ? Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 21 M Activo Sensorial Verbal Global Informática 19 F Reflexivo Intuitivo Visual Secuencial Informática 20 M Reflexivo Intuitivo Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Global Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 20 F Reflexivo Sensorial Visual Global Informática 20 M Reflexivo Sensorial Verbal Secuencial Informática 19 M Activo Sensorial Visual Global Informática 19 M Activo Sensorial Visual Secuencial Informática 19 F Reflexivo Intuitivo Verbal Secuencial Sistemas 19 M Reflexivo Intuitivo Verbal Secuencial

Tabla A.21: Décimo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 172: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

172 Fernando A. Salgueiro ANEXO A

A.2.2.11 – Undécimo Grupo A continuación se transcriben los datos relevados de los alumnos de la materia Algoritmos y Programación I pertenecientes al undécimo grupo de cuatro preguntas de la planilla. Éstos se pueden ver en la Tabla A.22

Carrera Edad Sexo Activo Reflexivo

Sensorial Intuitivo

Visual Verbal

Secuencial Global

Informática 20 M Activo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Verbal Secuencial Informática 20 M Reflexivo Intuitivo Verbal Secuencial Informática 19 M Reflexivo Intuitivo Visual Global Sistemas 22 F Reflexivo Sensorial Visual Secuencial Informática 20 F Activo Intuitivo Visual Secuencial Informática 19 M Activo Intuitivo Visual Secuencial Sistemas 19 M Activo Sensorial Visual Secuencial Informática 20 M ? ? ? ? Informática 19 M Activo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Intuitivo Visual Secuencial Informática 18 M Reflexivo Sensorial Visual Global Informática 19 M Reflexivo Sensorial Verbal Global Informática 20 M Reflexivo Intuitivo Visual Secuencial Informática 20 M Reflexivo Sensorial Visual Secuencial Informática 18 M Activo Sensorial Verbal Secuencial Informática 18 M Activo Intuitivo Visual Secuencial Informática 20 M Activo Intuitivo Visual Secuencial Sistemas 20 M Reflexivo Sensorial Visual Secuencial Sistemas 25 F Activo Intuitivo Visual Secuencial Sistemas 21 M Activo Sensorial Visual Global Informática 19 F Reflexivo Sensorial Visual Secuencial Sistemas 28 F Activo Intuitivo Verbal Secuencial Informática 20 M Activo Intuitivo Visual Global Sistemas 19 M Reflexivo Sensorial Verbal Global Informática 18 F Reflexivo Intuitivo Visual Secuencial Informática 21 M Reflexivo Intuitivo Visual Secuencial Informática 19 F Reflexivo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Secuencial Informática 21 M Reflexivo Sensorial Visual Secuencial Informática 19 M Reflexivo Sensorial Visual Global Sistemas 20 F Reflexivo Sensorial Visual Secuencial Informática 18 F Activo Sensorial Visual Secuencial Sistemas 19 M Reflexivo Sensorial Visual Secuencial Sistemas 21 M Activo Intuitivo Visual Global Informática 19 M Reflexivo Intuitivo Verbal Secuencial Informática 21 M Activo Sensorial Visual Secuencial Informática 19 F Reflexivo Sensorial Visual Secuencial Informática 20 M Activo Intuitivo Visual Secuencial Informática 20 M Activo Intuitivo Visual Global Informática 21 M Activo Intuitivo Verbal Secuencial Informática 20 F Reflexivo Sensorial Visual Secuencial Informática 20 M Activo Sensorial Visual Secuencial Informática 19 M Activo Intuitivo Visual Secuencial Informática 19 M Activo Sensorial Visual Secuencial Informática 19 F Activo Intuitivo Visual Secuencial Sistemas 19 M Reflexivo Sensorial Visual Secuencial

Tabla A.22: Undécimo grupo de preguntas relevadas a partir de las planillas de estilos de aprendizaje, con los datos de la carrera, el sexo y la edad del estudiante.

Page 173: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 173

A.3 – Valores de Entrenamiento para la Red S.O.M.

A.3.1 – Datos Codificados Como se mencionó en la sección 2.2.4 – Redes Self Organizing Maps (S.O.M.), los datos de entrada para las redes neuronales del tipo Self Organizing Maps (S.O.M.) sólo pueden ser numéricos, tanto reales como enteros. A continuación se presentan los datos de la sección A.2- Planillas de estilos de Aprendizaje, pero esta vez se los muestra codificados como se usaron para entrenar la red. La codificación de estos datos puede encontrarse en la sección 5.2.2 –Codificación de los Datos Relevados del Capitulo 5. En la Tabla A.23 se muestran los datos relevados codificados para las 121 planillas, sin discriminar la materia a la que pertenecen (aunque esta discriminación se puede realizar fácilmente utilizando el atributo carrera).

Grupo 1

Grupo 2

Grupo 3

Grupo 4

Grupo 5

Grupo 6

Grupo 7

Grupo 8

Grupo 9

Grupo 10

Grupo 11

Car

rera

Edad

Sexo

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4

1 20 0 0 1 0 1 2 0 2 0 0 0 0 0 0 0 0 1 1 0 0 0 2 1 0 0 0 1 2 1 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 2 20 0 0 1 0 1 1 0 0 1 0 1 2 0 0 0 0 0 1 0 0 0 0 1 0 1 0 1 0 1 0 1 0 1 0 1 0 0 1 0 0 0 0 0 0 0 3 20 0 0 1 1 1 0 1 0 1 0 0 0 0 1 1 0 0 1 1 1 0 1 0 0 1 0 1 1 1 1 0 0 0 1 0 1 1 1 0 1 0 1 1 0 0 4 21 0 0 0 0 1 0 1 1 0 1 1 1 0 1 1 0 1 0 1 0 0 1 0 0 0 0 1 1 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 1 5 20 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0 0 1 0 0 1 1 1 0 1 0 0 1 1 0 4 24 0 0 1 1 0 0 1 0 0 0 0 1 0 1 1 1 0 1 1 1 0 1 0 1 0 1 1 1 0 1 0 1 1 0 0 1 0 0 0 0 0 0 1 1 0 4 23 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 1 0 1 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 1 1 1 0 0 1 1 0 1 0 5 19 1 0 1 0 1 0 0 0 1 0 0 0 1 1 1 0 0 1 0 0 0 0 0 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 19 1 0 1 0 1 0 0 0 1 0 1 1 0 1 1 1 0 1 1 0 0 0 1 0 0 0 1 1 1 1 0 1 0 0 1 1 2 2 2 2 0 1 1 0 1 6 24 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 0 0 0 1 0 1 0 1 1 1 1 0 1 0 0 1 1 1 0 0 0 0 0 1 0 1 4 22 0 0 0 0 0 1 0 1 1 0 0 0 0 1 1 0 1 1 1 0 0 0 1 0 1 0 1 0 1 1 0 1 0 0 1 1 1 1 0 0 0 0 0 0 1 1 21 0 0 1 2 0 0 0 0 1 1 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0 1 0 0 1 1 1 0 1 1 0 1 1 0 0 0 1 1 0 1 4 20 0 0 1 0 0 0 1 0 0 0 1 0 1 1 0 1 1 1 0 0 1 1 0 1 0 1 0 0 0 1 0 0 1 0 1 1 0 0 0 1 1 1 0 1 5 18 0 1 0 0 1 1 1 1 1 0 1 0 0 1 1 1 1 1 0 0 1 1 1 0 1 1 1 0 1 1 1 1 0 1 1 0 1 0 1 1 0 1 0 0 1 5 29 0 0 0 0 0 1 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 1 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 4 19 0 0 0 1 1 0 0 1 1 0 0 1 0 1 1 0 1 1 0 1 0 1 0 0 0 1 0 1 1 0 0 0 1 1 0 1 1 1 0 0 0 1 1 0 0 5 18 0 0 0 0 1 0 1 0 0 0 1 0 1 0 1 0 1 0 2 0 0 1 1 0 1 0 0 0 1 1 0 0 0 1 0 0 0 0 0 1 1 1 1 0 0 4 19 0 0 0 0 1 1 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 0 1 0 0 0 0 1 1 0 1 0 1 0 1 1 1 1 0 0 1 1 0 0 0 4 20 0 0 0 0 1 1 1 1 0 0 1 0 0 1 0 0 1 1 0 1 0 1 0 1 0 0 0 0 1 1 1 1 0 0 1 1 1 1 0 1 0 1 1 0 0 4 20 0 0 0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 0 0 0 1 1 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 4 19 0 1 0 0 0 1 1 1 0 0 1 1 0 0 1 0 0 1 1 1 0 0 0 1 1 0 1 1 1 0 1 1 0 0 1 1 1 0 1 0 0 0 0 0 0 1 19 0 0 0 0 1 0 0 0 1 0 1 0 0 1 1 0 1 1 1 0 1 1 0 1 0 0 1 0 1 1 1 1 0 1 1 1 1 1 0 1 0 1 1 0 0 1 19 0 0 1 0 1 1 0 1 0 0 1 1 0 1 1 0 0 1 1 1 0 1 1 0 0 1 1 0 1 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 20 0 0 0 0 0 0 0 0 0 0 2 0 0 0 1 1 0 1 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 1 1 0 0 0 0 0 1 0 1 5 21 0 0 0 1 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 1 0 1 0 1 0 1 1 1 1 1 0 0 1 0 1 1 0 1 0 1 0 0 1 1 0 1 21 0 1 0 0 1 1 1 1 1 0 1 0 1 1 1 1 1 1 1 0 0 1 0 0 0 0 1 0 1 0 0 2 1 1 0 0 1 1 2 0 0 0 0 0 0 4 20 0 0 0 0 1 0 0 0 0 0 1 0 0 1 1 0 0 0 0 1 1 0 1 0 0 0 1 1 1 1 1 0 1 0 1 1 1 0 0 0 0 0 1 0 1 4 21 0 0 1 0 1 1 0 1 1 0 0 1 0 0 1 0 1 1 1 0 0 1 0 0 0 0 1 0 0 1 0 1 1 0 1 1 1 0 1 1 1 0 1 0 1 5 19 1 0 0 0 1 0 1 1 1 0 1 0 0 1 1 0 0 1 1 0 0 1 0 0 0 0 1 1 1 0 0 1 0 0 1 1 0 0 0 1 1 0 1 1 1 5 21 0 1 1 1 1 1 0 1 0 0 1 1 0 1 1 1 0 1 1 1 0 1 1 0 0 0 1 1 0 1 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 4 22 0 0 0 0 0 1 0 1 0 0 1 0 1 1 0 0 0 0 1 0 0 1 0 1 0 0 0 2 1 0 0 1 1 1 0 1 1 0 0 0 0 1 0 0 0 1 22 0 0 0 0 1 1 0 1 0 0 1 2 0 1 1 1 0 1 0 0 0 1 0 1 0 0 1 0 1 0 0 0 1 1 0 1 0 1 0 2 0 0 0 0 1 4 19 0 0 1 0 1 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 1 22 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 1 1 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0

Page 174: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

174 Fernando A. Salgueiro ANEXO A

4 20 0 0 0 0 1 1 1 0 1 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 1 0 0 1 0 0 1 1 0 0 0 0 0 0 0 4 21 0 1 1 0 1 0 0 0 1 0 0 0 1 1 1 1 1 1 0 0 1 0 1 0 1 1 1 1 1 0 1 0 0 1 1 1 0 1 0 1 1 0 0 0 0 3 19 0 1 1 0 1 1 0 0 1 1 1 1 0 1 1 1 1 1 1 0 0 1 0 0 0 1 1 1 1 0 0 1 1 1 1 1 0 1 1 1 1 0 0 0 0 4 19 0 0 0 0 1 1 0 0 0 1 0 0 0 1 1 0 0 1 0 0 0 0 1 0 1 1 1 0 1 1 0 0 0 0 1 1 0 1 0 0 0 0 0 0 0 1 20 0 0 0 1 0 1 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 0 0 1 0 1 0 0 0 0 1 0 0 4 21 0 0 0 1 0 1 0 1 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 1 1 1 0 1 1 1 0 0 1 0 1 0 0 0 0 0 0 0 7 20 0 0 0 0 1 0 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 1 1 0 0 0 0 4 21 0 0 0 0 1 1 0 0 1 0 1 0 0 1 1 0 0 1 0 0 0 1 0 0 0 1 0 1 1 1 0 0 0 1 0 1 0 0 1 0 1 0 1 0 0 5 22 1 0 1 0 0 0 1 1 1 0 1 0 0 0 1 1 0 1 1 0 0 0 1 0 1 0 1 0 1 1 0 0 0 1 1 0 1 0 0 1 0 0 0 0 1 5 18 1 0 1 0 0 0 1 0 0 1 1 1 1 1 0 1 0 1 1 0 0 1 1 1 1 1 0 1 0 0 0 1 0 0 1 1 0 1 1 0 1 0 0 1 0 4 19 0 0 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0 4 20 0 0 0 0 1 0 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0 1 0 0 1 1 0 0 0 1 1 0 0 1 1 0 0 0 0 1 0 0 4 19 0 2 0 0 1 1 0 0 1 0 1 0 0 1 1 0 1 1 0 1 1 1 0 0 1 0 1 1 1 1 0 0 1 1 0 0 0 0 0 2 1 0 1 0 1 4 20 0 2 2 2 1 2 0 0 2 2 2 0 0 1 1 2 1 1 2 2 2 2 0 1 0 1 1 2 1 0 2 0 2 1 2 2 1 2 0 1 2 2 1 0 0 4 21 1 0 0 0 1 0 0 1 0 0 0 0 0 0 1 0 0 0 0 2 1 0 0 2 1 0 1 1 1 0 1 0 0 1 1 1 1 0 0 1 0 0 1 0 1 4 21 0 0 1 0 1 0 0 0 1 0 1 0 2 0 0 0 0 1 0 0 0 0 2 0 0 0 1 0 1 0 2 0 1 0 1 0 0 0 0 0 1 0 1 0 0 5 20 1 0 0 0 1 1 0 1 1 1 0 0 0 0 1 0 0 1 0 0 0 1 0 0 0 1 0 0 1 0 0 1 1 1 0 0 0 1 0 1 0 0 0 0 0 3 27 0 0 0 0 1 1 0 1 1 1 0 0 0 1 1 0 1 1 1 0 0 0 0 0 0 1 1 0 1 1 0 1 0 0 1 1 1 0 0 2 0 1 0 0 0 5 20 1 1 0 0 1 0 0 1 1 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 1 0 1 0 0 0 1 1 0 0 0 0 1 0 0 5 20 0 1 0 2 1 1 1 1 1 1 1 1 0 1 1 1 0 0 2 1 0 0 1 0 1 1 1 1 1 0 1 1 0 0 2 1 1 1 2 1 2 0 1 0 0 5 18 0 0 0 0 1 0 0 1 1 0 1 0 0 1 1 1 1 1 0 1 1 0 1 1 0 1 1 0 1 0 1 0 1 1 1 0 1 0 0 0 0 0 1 0 1 3 23 0 0 0 0 1 1 1 0 1 1 1 0 0 1 0 0 0 1 1 0 0 1 0 0 0 1 1 1 1 1 0 1 1 0 0 1 0 1 1 0 0 1 0 1 0 5 19 1 0 0 0 1 0 0 1 1 0 0 1 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 1 0 1 0 1 1 1 0 1 0 0 0 1 0 0 1 1 0 4 21 1 0 0 0 1 1 0 0 1 0 0 0 0 1 1 0 1 1 0 0 0 1 0 0 0 0 1 0 0 0 1 0 1 1 1 1 0 1 0 0 0 0 1 1 0 3 23 0 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 1 0 1 0 0 0 1 0 0 0 1 1 1 1 1 0 0 0 1 0 0 0 0 8 20 0 0 1 0 1 1 0 1 1 0 1 0 0 1 0 1 0 1 0 0 0 0 0 0 0 0 1 0 1 1 1 0 1 0 0 1 1 0 0 0 1 0 0 0 0 1 20 0 1 0 0 1 0 1 1 1 0 0 1 0 1 0 0 0 1 1 0 0 0 0 0 0 0 0 1 1 0 1 1 0 1 1 1 1 0 0 0 1 1 0 0 0 3 24 0 0 1 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 0 0 1 0 0 0 1 0 1 0 1 0 0 0 1 1 1 1 0 0 1 0 0 0 1 3 20 0 0 1 1 0 0 0 0 1 1 0 0 0 1 1 0 0 1 0 0 0 1 0 0 0 1 1 0 1 1 0 0 1 0 1 1 1 1 0 0 1 1 0 1 0 5 21 1 0 1 0 1 0 0 0 1 0 1 0 0 1 1 0 0 1 1 2 0 2 1 0 0 1 1 0 1 1 0 0 0 0 1 1 0 0 0 1 1 0 0 1 0 5 20 1 1 0 0 1 1 0 0 1 0 2 0 0 0 1 2 1 1 0 2 0 2 2 0 0 0 2 2 1 2 1 2 0 0 1 0 1 1 0 2 0 0 1 0 1 6 29 0 1 0 1 1 1 0 1 1 0 1 0 0 1 1 1 0 1 0 0 0 1 0 0 0 0 1 1 1 1 0 1 1 1 0 1 0 1 0 1 0 0 0 0 0 3 23 0 0 1 0 1 1 0 0 1 1 0 0 0 1 2 0 2 0 0 0 1 1 1 0 0 0 0 0 1 0 1 0 0 0 1 2 1 1 2 1 1 0 0 0 1 7 24 0 0 0 1 0 0 0 0 0 0 1 1 1 1 1 0 1 1 0 0 1 1 0 0 0 0 1 0 1 0 0 0 1 1 1 0 1 1 2 1 0 1 0 0 0 2 20 0 1 0 0 1 1 0 1 1 0 1 0 0 1 1 0 1 1 1 0 0 1 0 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 0 0 1 0 0 1 2 22 0 0 0 0 1 0 0 0 1 0 0 0 0 1 0 0 1 1 0 0 1 0 1 0 1 0 1 0 1 0 1 0 1 1 1 0 1 0 0 0 0 0 1 0 1 4 20 0 2 0 0 1 2 0 0 1 0 0 2 0 1 0 0 1 1 0 0 0 0 0 0 0 1 0 0 1 0 0 1 0 1 0 0 1 1 0 1 1 0 1 0 1 3 24 0 1 2 0 1 1 1 0 1 0 1 0 0 1 1 0 1 1 1 0 0 1 0 0 0 1 1 0 1 1 0 0 0 1 1 1 0 0 1 1 0 2 0 0 0 5 18 0 0 1 0 1 1 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 1 1 0 1 0 1 0 1 1 1 1 1 0 1 1 0 1 1 1 1 0 1 1 0 8 20 1 0 1 0 1 2 0 0 1 0 1 0 0 0 0 2 1 1 0 1 0 0 1 1 0 1 0 1 1 0 1 1 1 0 0 1 1 1 0 0 1 0 0 1 0 0 20 0 0 0 0 1 1 1 0 0 1 1 1 1 1 0 1 0 1 0 0 0 0 0 1 0 1 1 0 1 0 1 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 19 0 0 0 1 0 1 0 1 0 0 0 0 0 0 1 1 0 1 0 0 0 1 0 1 0 1 0 0 0 1 0 1 0 1 0 1 0 1 0 0 1 1 0 1 0 0 20 0 0 1 1 1 0 0 1 1 0 0 1 1 1 1 1 1 1 1 1 0 0 1 0 1 0 1 1 1 1 0 0 0 0 1 1 0 0 1 0 1 1 1 1 0 0 19 0 0 0 0 1 1 0 1 1 0 0 0 1 1 1 1 0 1 0 0 0 0 1 0 0 1 0 1 1 1 0 1 1 0 1 0 0 0 0 1 0 1 1 0 1 9 22 1 0 0 0 0 0 1 1 1 0 0 0 1 1 0 0 0 1 1 1 1 0 1 1 0 1 0 0 0 1 0 1 0 1 1 1 0 1 0 1 0 1 0 0 0 0 20 1 0 0 0 1 0 0 0 1 0 0 0 0 1 1 0 0 1 1 0 0 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 1 1 0 0 0 0 1 0 0 0 19 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 1 1 0 1 0 0 9 19 0 0 0 0 1 0 0 1 0 2 0 1 1 0 0 0 0 0 1 0 0 1 0 0 0 0 0 1 1 0 0 1 1 1 1 0 0 0 0 0 1 0 0 0 0 0 20 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0 0 0 0 0 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 0 19 0 0 1 0 0 0 0 1 0 0 1 0 0 1 0 0 1 1 0 0 0 1 1 0 1 1 0 0 0 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 9 19 0 0 0 1 0 1 0 1 0 0 0 0 0 0 0 1 2 1 1 0 0 1 0 1 0 0 2 1 0 1 1 1 0 1 0 1 1 1 2 0 1 1 1 0 0 0 18 0 0 1 0 0 1 1 0 0 0 0 1 0 1 1 0 0 1 0 1 0 1 0 0 0 0 1 1 0 0 0 0 1 0 1 1 0 1 1 1 0 1 0 0 1 0 19 0 0 1 0 1 1 1 0 1 0 1 0 0 1 1 0 0 1 1 1 0 1 1 0 1 1 0 0 0 1 1 0 0 1 1 0 0 1 1 1 0 1 0 1 1 0 20 0 0 1 0 1 1 1 0 1 0 1 1 0 1 0 0 1 1 0 0 0 1 1 0 0 1 1 2 1 1 1 0 1 1 1 1 1 2 1 0 0 1 1 0 0

Page 175: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 175

0 20 0 1 0 0 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 1 1 0 0 1 1 0 1 0 1 0 0 0 1 0 0 0 0 18 0 0 0 1 2 1 1 1 1 1 0 0 0 1 0 1 1 1 0 0 0 1 0 0 0 1 0 0 1 0 1 0 1 0 0 0 0 1 2 0 0 0 0 1 0 0 18 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 1 1 0 0 1 1 0 0 1 1 1 0 1 0 0 1 1 1 1 1 0 1 0 0 1 0 0 0 20 0 0 2 1 1 1 1 1 1 1 0 0 1 1 1 0 1 0 2 0 2 1 0 0 0 2 1 0 1 2 2 1 0 1 0 2 0 1 1 0 0 0 1 0 0 9 20 0 0 1 1 0 0 0 1 1 0 0 1 0 1 1 1 0 1 1 1 0 0 0 1 0 1 1 0 1 0 0 1 0 0 1 1 1 1 0 0 0 1 0 0 0 9 25 1 0 1 0 1 0 1 0 1 0 1 0 0 0 1 0 0 1 0 0 0 0 1 0 0 0 1 0 1 1 1 0 0 1 1 0 1 1 1 1 0 0 1 0 0 9 21 0 1 1 0 1 1 0 0 1 0 1 0 1 0 0 1 0 1 0 0 0 0 1 0 0 1 1 1 1 0 0 0 0 1 1 0 1 0 1 0 1 0 0 0 1 0 19 1 1 1 0 1 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 1 1 0 1 1 1 0 1 0 1 1 1 0 0 0 0 1 0 0 0 9 28 1 1 1 0 1 0 0 0 1 0 0 0 0 1 1 0 0 1 0 0 0 1 0 0 0 0 0 0 1 0 1 0 0 1 1 0 1 1 0 1 0 0 1 1 0 0 20 0 0 1 1 1 1 0 0 1 0 1 0 0 1 0 1 1 1 0 0 0 1 0 0 0 0 1 0 1 0 0 0 0 1 0 0 1 1 1 1 0 0 1 0 1 9 19 0 0 0 0 1 1 0 1 1 0 0 1 0 1 1 1 0 1 0 0 0 1 1 0 0 0 0 0 1 0 0 1 1 0 0 0 1 1 0 0 0 1 0 1 1 0 18 1 0 0 0 1 1 0 0 1 0 0 0 0 1 1 0 0 1 0 0 2 2 2 2 2 2 2 2 1 0 1 1 1 1 0 1 1 1 0 0 1 1 1 0 0 0 21 0 0 0 0 1 1 0 0 0 1 0 1 0 1 0 1 0 1 0 0 0 1 0 0 0 0 1 1 1 0 0 0 0 1 0 0 0 1 0 0 0 1 1 0 0 0 19 1 1 1 0 1 0 0 1 1 0 1 1 0 0 1 1 0 1 0 1 0 0 0 0 0 1 1 1 1 1 0 1 1 0 1 1 0 1 1 0 0 1 0 0 0 0 19 0 0 0 0 1 1 0 0 2 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 0 0 1 0 1 1 0 1 0 0 0 1 0 1 0 0 0 0 21 0 0 1 0 0 1 0 0 0 0 1 0 0 1 1 0 1 1 0 0 0 1 1 0 1 1 0 0 1 0 1 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 19 0 1 0 0 1 1 0 1 1 1 1 1 1 1 1 0 1 0 0 0 0 1 0 0 1 0 1 0 1 1 0 1 1 1 0 0 1 1 0 0 0 1 0 0 1 9 20 1 0 1 0 1 0 1 0 1 0 0 0 0 1 1 0 1 1 0 0 1 0 0 0 1 1 1 1 1 0 0 0 1 1 1 0 1 1 1 0 1 1 0 0 0 0 18 1 0 1 0 0 1 0 0 0 0 0 1 0 0 1 2 0 1 0 0 0 1 0 0 0 1 1 1 1 1 0 1 1 1 0 1 0 0 0 0 1 0 0 0 0 9 19 0 0 0 1 1 1 0 0 0 1 0 1 0 1 1 0 0 1 0 0 0 1 0 0 0 0 0 1 1 0 0 0 1 1 0 1 0 1 0 1 1 1 0 0 0 9 21 0 0 1 0 1 1 1 1 0 0 0 0 0 0 0 0 0 1 1 0 0 1 0 1 0 1 0 1 1 0 1 0 1 1 0 1 0 1 1 2 0 0 1 0 1 0 19 0 0 1 0 1 1 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 1 0 0 0 1 0 1 1 0 0 0 0 0 0 1 0 1 0 0 0 1 1 1 0 0 21 0 0 1 0 0 1 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 1 0 0 0 0 1 0 0 1 1 0 0 0 0 0 19 1 1 1 1 1 0 1 1 0 0 0 1 0 1 1 0 0 1 0 0 0 1 0 0 0 1 1 1 1 1 0 1 1 1 1 1 0 1 1 0 0 1 0 0 0 0 20 0 0 1 0 1 1 0 0 1 0 1 0 0 1 1 0 0 1 1 1 0 0 1 0 0 0 1 0 1 1 0 0 0 1 0 1 0 1 1 0 0 0 1 0 0 0 20 0 0 0 0 1 0 0 0 1 1 0 0 1 0 1 0 0 0 0 0 0 1 0 0 1 0 1 1 0 1 0 0 0 1 0 1 0 1 0 0 1 0 1 0 1 0 21 0 0 1 0 1 1 0 0 0 0 0 0 0 1 1 0 1 1 1 0 0 1 1 0 0 1 1 0 1 1 1 0 0 1 0 0 1 1 0 0 0 0 1 1 0 0 20 1 0 1 0 1 1 0 0 0 0 0 0 1 1 1 0 0 1 0 0 0 1 0 0 0 0 1 0 1 0 0 0 1 1 0 1 0 1 0 0 1 1 0 0 0 0 20 0 0 0 1 1 1 0 1 0 0 1 1 0 0 1 0 1 1 1 0 0 1 1 0 0 0 1 0 1 0 0 1 1 0 1 0 1 1 0 1 0 0 0 0 0 0 19 0 1 0 0 1 1 0 1 1 0 1 0 0 1 1 0 0 0 0 0 0 0 1 1 0 1 0 0 1 0 1 0 1 0 1 1 0 0 0 0 1 0 1 0 0 0 19 0 0 1 0 0 1 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 1 0 1 0 0 1 0 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 19 1 1 1 0 1 0 1 0 1 1 0 0 0 1 1 0 1 1 1 0 0 1 1 0 0 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 0 0 1 0 0 9 19 0 1 0 0 1 1 1 0 1 1 1 0 0 1 0 0 0 1 1 0 0 1 1 0 0 1 1 0 1 0 0 0 0 1 1 0 1 1 1 1 0 1 0 0 0

Tabla A.23: Datos codificados de las 121 instancias relevadas de la planilla de estilos de aprendizaje. La codificación utilizada se puede ver en la sección 5.3.1 Codificación del Capítulo 5.

A.3.2 – Clusters Resultantes Luego del aprendizaje automático realizado por la red S.O.M. con los datos presentados en la sección A.3.1.- Datos Codificados de este Anexo, se presentan nuevamente los juegos de datos en las entradas de la red S.O.M. para que ésta los clasifique en familias o clusters de acuerdo a la información adquirida durante el periodo de entrenamiento automático. Como el proceso de aprendizaje es del tipo “Winner takes All” sólo se activará una neurona de salida, correspondiente a un cluster para cada juego de datos presentado a la entrada de la red, por lo tanto, cada observación será categorizada con un solo cluster según la red S.O.M. entrenada. Los juegos de datos que se utilizan para entrenar la red son procesados con el atributo edad y sin éste. La clasificación resultante de aplicar las redes S.O.M. se encuentra, para los primeros se en la Tabla A.26 de la sección A.3.3.1.- Observaciones Clasificadas (Red entrenada con el atributo Edad), mientras que para los segundos se encuentran en la Tabla A.27 de la sección A.3.3.2.- Observaciones Clasificadas (Red entrenada sin el atributo Edad).

Page 176: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

176 Fernando A. Salgueiro ANEXO A

Se presentan a continuación las 121 observaciones clasificadas por la red S.O.M. una vez entrenada con los parámetros óptimos.

Observación Cluster Observación Cluster 1 3 61 3 2 3 62 3 3 3 63 3 4 3 64 3 5 3 65 2 6 3 66 3 7 3 67 3 8 3 68 3 9 2 69 3

10 3 70 3 11 3 71 3 12 3 72 3 13 3 73 3 14 3 74 3 15 3 75 3 16 3 76 3 17 3 77 3 18 3 78 3 19 3 79 3 20 3 80 3 21 3 81 3 22 3 82 3 23 3 83 1 24 3 84 3 25 3 85 3 26 3 86 3 27 3 87 3 28 3 88 2 29 3 89 3 30 3 90 3 31 3 91 3 32 3 92 3 33 3 93 3 34 3 94 3 35 3 95 3 36 3 96 3 37 3 97 3 38 3 98 3 39 3 99 3 40 3 100 2 41 3 101 3 42 3 102 3 43 3 103 3 44 3 104 3 45 3 105 3 46 3 106 3 47 3 107 3

Page 177: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 177

48 2 108 3 49 3 109 3 50 3 110 3 51 3 111 3 52 3 112 3 53 3 113 3 54 2 114 3 55 3 115 3 56 3 116 3 57 3 117 3 58 3 118 3 59 3 119 3 60 3 120 3 121 3

Tabla A.26: Resultado de aplicar las redes neuronales S.O.M. a los datos de entrada

A.3.3 – Valores Medios y Varianzas de los Clusters Resultantes Una vez clasificadas las observaciones de las planillas de estilos de aprendizaje relevadas por la red S.O.M. como se explica en la sección A.2.- Planillas de estilos de aprendizaje de este mismo Anexo y obtenidos los resultados mencionados en la sección A.3.3.- Clusters Resultantes se pueden realizar los análisis posteriores utilizando las medias y las varianzas de cada uno de los clusters generados con respecto a los datos normalizados. Los valores medios de los distintos clusters discriminados por atributos se pueden ver en la Tabla A.24, para los datos con todos los atributos, en la sección A.3.4.1.- Valores Medios de los Clusters discriminados por atributos, mientras que los valores medios para los clusters resultantes de los juegos de datos que no utilizaron todos los atributos pueden verse en la Tabla A.25 de la misma sección. Las varianzas de los distintos clusters discriminados por atributos se pueden ver en la Tabla A.26 donde la notación que identifica a una pregunta determinada es “P” para denominar a las preguntas (que van de 1 a 4 por grupo) y “G” para denominar al grupo (existen 11 grupos de cuatro preguntas en las planillas de estilos de aprendizaje). Por lo tanto P1G1 será la pregunta número uno del primer grupo de preguntas.

Valores Medios de los Clusters Parámetro Promedio Cluster 1 Cluster 2

Carrera 3,2 2,5 3,3

Edad 20,4 19,5 20,5

Sexo 0,2 0,5 0,2

P1G1 0,2 0,7 0,2

P2G1 0,5 0,7 0,5

P3G1 0,2 0,7 0,2

P4G1 0,8 1,0 0,7

P1G2 0,6 1,0 0,6

P2G2 0,3 0,4 0,2

P3G2 0,4 0,2 0,4

P3G2 0,6 1,2 0,6

P1G3 0,2 0,5 0,2

Page 178: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

178 Fernando A. Salgueiro ANEXO A

P2G3 0,5 1,2 0,4

P3G3 0,4 0,5 0,4

P4G3 0,2 0,0 0,2

P1G4 0,7 0,8 0,7

P2G4 0,7 0,8 0,7

P3G4 0,3 1,0 0,3

P4G4 0,4 0,5 0,4

P1G5 0,8 0,8 0,9

P2G5 0,4 0,8 0,4

P3G5 0,3 0,8 0,2

P4G5 0,2 0,7 0,1

P1G6 0,6 1,2 0,6

P2G6 0,4 1,2 0,4

P3G6 0,2 0,5 0,2

P4G6 0,3 0,5 0,2

P1G7 0,5 0,8 0,4

P2G7 0,7 1,3 0,6

P3G7 0,5 1,7 0,4

P4G7 0,8 1,0 0,8

P1G8 0,5 0,7 0,5

P2G8 0,4 1,0 0,4

P3G8 0,4 0,8 0,4

P4G8 0,5 0,7 0,5

P1G9 0,5 0,5 0,5

P2G9 0,5 1,2 0,5

P3G9 0,7 1,0 0,6

P4G9 0,5 1,2 0,5

P1G10 0,7 1,5 0,6

P2G10 0,3 0,8 0,3

P3G10 0,5 1,0 0,4

P4G10 0,4 0,8 0,3

P1G11 0,4 0,8 0,4

P2G11 0,5 1,0 0,4

P3G11 0,2 0,0 0,2

P4G11 0,3 0,3 0,3

Tabla A.24: Valor medio de los 2 clusters generados para cada uno de los 47 valores recogidos por medio de la planilla de estilos de aprendizaje.

Valores Medios de los Clusters

Parámetro Promedio Cluster 1 Cluster 2 Carrera 3,2 2,1 3,3

Edad 0,2 0,4 0,2

P1G1 0,5 0,9 0,5

P2G1 0,2 0,7 0,2

P3G1 0,8 1,0 0,7

P4G1 0,6 1,0 0,6

P1G2 0,3 0,5 0,2

P2G2 0,4 0,3 0,4

P3G2 0,6 1,1 0,6

P3G2 0,2 0,6 0,2

P1G3 0,5 1,0 0,4

P2G3 0,4 0,4 0,4

Page 179: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 179

P3G3 0,2 0,1 0,2

P4G3 0,7 0,9 0,7

P1G4 0,7 0,9 0,7

P2G4 0,3 0,9 0,3

P3G4 0,4 0,6 0,4

P4G4 0,8 0,7 0,9

P1G5 0,4 1,0 0,4

P2G5 0,3 0,7 0,2

P3G5 0,2 0,9 0,1

P4G5 0,6 1,1 0,6

P1G6 0,4 1,0 0,4

P2G6 0,2 0,4 0,2

P3G6 0,3 0,4 0,2

P4G6 0,5 1,0 0,4

P1G7 0,7 1,3 0,6

P2G7 0,5 1,4 0,4

P3G7 0,8 1,0 0,8

P4G7 0,5 0,9 0,4

P1G8 0,4 1,1 0,4

P2G8 0,4 0,9 0,4

P3G8 0,5 0,6 0,5

P4G8 0,5 0,6 0,5

P1G9 0,5 1,0 0,5

P2G9 0,7 1,1 0,6

P3G9 0,5 1,0 0,5

P4G9 0,7 1,4 0,6

P1G10 0,3 0,9 0,3

P2G10 0,5 0,9 0,4

P3G10 0,4 0,7 0,3

P4G10 0,4 0,7 0,4

P1G11 0,5 1,0 0,4

P2G11 0,2 0,0 0,2

P3G11 0,3 0,3 0,3

P4G11 3,2 2,1 3,3

Tabla A.25: Valor medio de los 2 clusters generados para cada uno de los 47 valores recogidos por medio de la planilla de estilos de aprendizaje.

A.4 – Inducción y Árboles de Decisión. A continuación se realiza el análisis de los distintos nodos de los árboles de decisión generados por medio del algoritmo C4.5. Se analiza el soporte de cada uno de los nodos (a través de las observaciones totales), la confianza de los nodos (a través de las observaciones mal clasificadas) y se visualiza la distribución de la clase para cada uno de los clusters generados por S.O.M.

A.4.1 – Análisis del Árbol generado Se presenta el resumen de las características de los nodos generados por el algoritmo C4.5 para el conjunto de entrenamiento resultante de la concatenación de los datos de

Page 180: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

180 Fernando A. Salgueiro ANEXO A

entrada de las planillas de estilos de aprendizaje (ver sección A.3.1 – Datos Codificados) con los clusters resultantes de aplicar la red S.O.M. a dichos.

Nodo 0

Elemento Valor Tipo Rama Numero de registros 234 Clase Mayoritaria 3 Observaciones totales (%) 100.00% Observaciones mal clasificadas (%)

5.98%

Distribución de la clase

Cluster Proporción 2 5.98% 3 94.027%

Distribución de la Clase

cluster 394%

cluster 26%

cluster 2 cluster 3

Nodo 1

Elemento Valor Tipo Hoja Numero de registros 84 Clase Mayoritaria 35.9% Observaciones totales (%) 3 Observaciones mal clasificadas (%)

0.00%

Distribución de la clase

Cluster Proporción 2 0.00% 3 100.00%

Distribución de la Clase

cluster 3100%

cluster 20%

cluster 2 cluster 3

Nodo 2

Elemento Valor Tipo Hoja Numero de registros 144 Clase Mayoritaria 61.54% Observaciones totales (%) 3 Observaciones mal clasificadas (%)

5.56%

Distribución de la clase

Cluster Proporción 2 5.56% 3 94.44%

Distribución de la Clase

cluster 394%

cluster 26%

cluster 2 cluster 3

Page 181: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 181

Nodo 3

Elemento Valor Tipo Hoja Numero de registros 6 Clase Mayoritaria 2.56% Observaciones totales (%) 2 Observaciones mal clasificadas (%)

0.00%

Distribución de la clase

Cluster Proporción 2 100.00% 3 0.00%

Distribución de la Clase

cluster 30%

cluster 2100%

cluster 2 cluster 3

Nodo 4

Elemento Valor Tipo Rama Numero de registros 84 Clase Mayoritaria 35.90% Observaciones totales (%) 3 Observaciones mal clasificadas (%)

4.76%

Distribución de la clase

Cluster Proporción 2 4.76% 3 95.24%

Distribución de la Clase

cluster 395%

cluster 25%

cluster 2 cluster 3

Nodo 5

Elemento Valor Tipo Hoja Numero de registros 56 Clase Mayoritaria 23.93% Observaciones totales (%) 3 Observaciones mal clasificadas (%)

0.00%

Distribución de la clase

Cluster Proporción 2 0.00% 3 100.00%

Distribución de la Clase

cluster 3100%

cluster 20%

cluster 2 cluster 3

Page 182: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

182 Fernando A. Salgueiro ANEXO A

Nodo 6

Elemento Valor Tipo Rama Numero de registros 4 Clase Mayoritaria 1.71% Observaciones totales (%) 2 Observaciones mal clasificadas (%)

0.00%

Distribución de la clase

Cluster Proporción 2 100.00% 3 0.00%

Distribución de la Clase

cluster 30%

cluster 2100%

cluster 2 cluster 3

Nodo 7

Elemento Valor Tipo Hoja

Numero de Registros 68 Observaciones totales (%) 29.06%

Clase Mayoritaria 3 observaciones mal

clasificadas en porcentual 0.00%

Distribución de la clase

Cluster Proporción 2 0.00% 3 100.00%

Distribución de la Clase

cluster 3100%

cluster 20%

cluster 2 cluster 3

Nodo 8

Elemento Valor Tipo Rama Numero de registros 14 Clase Mayoritaria 5.98% Observaciones totales (%) 3 Observaciones mal clasificadas (%)

14.29%

Distribución de la clase

Cluster Proporción 2 14.29% 3 85.71%

Distribución de la Clase

cluster 386%

cluster 214%

cluster 2 cluster 3

Page 183: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 183

Nodo 9

Elemento Valor Tipo Hoja Numero de registros 2 Clase Mayoritaria 0.85% Observaciones totales (%) 3 Observaciones mal clasificadas (%)

0.00%

Distribución de la clase

Cluster Proporción 2 100.00% 3 0.00%

Distribución de la Clase

cluster 30%

cluster 2100%

cluster 2 cluster 3

Nodo 10

Elemento Valor Tipo Hoja Numero de registros 10 Clase Mayoritaria 4.27% Observaciones totales (%) 3 Observaciones mal clasificadas (%)

0.00%

Distribución de la clase

Cluster Proporción 2 0.00% 3 100.00%

Distribución de la Clase

cluster 3100%

cluster 20%

cluster 2 cluster 3

Nodo 11

Elemento Valor Tipo Hoja Numero de registros 2 Clase Mayoritaria 0.85% Observaciones totales (%) 3 Observaciones mal clasificadas (%)

0.00%

Distribución de la clase

Cluster Proporción 2 0.00% 3 100.00%

Distribución de la Clase

cluster 3100%

cluster 20%

cluster 2 cluster 3

Page 184: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

184 Fernando A. Salgueiro ANEXO A

Nodo 12

Elemento Valor Tipo Hoja Numero de registros 2 Clase Mayoritaria 0.85% Observaciones totales (%) 3 Observaciones mal clasificadas (%)

0.00%

Distribución de la clase

Cluster Proporción 2 100.00% 3 0.00%

Distribución de la Clase

cluster 30%

cluster 2100%

cluster 2 cluster 3

A.5 – Red Backpropagation La selección de un único protocolo pedagógico es restrictiva con respecto a los contenidos posibles del dominio, por lo cual se entrenara una red del tipo Backpropagation para que el modelo planteado sea aplicable en casos los de dominios incompletos y consistente a las hipótesis.

A.5.1 – Datos de entrenamiento para la red Backpropagation. En la Tabla A.26 se listan los datos utilizados para entrenar la red del tipo Backpropagation y obtener luego un “score” o “ranking” de los posibles protocolos pedagógicos.

Protocolo Pedagógico Carrera Observación

Socrático 4 1

Socrático 5 2

Socrático 5 3

Socrático 0 4

Socrático 0 5

Magistral 2 6

Magistral 3 7

Magistral 1 8

Magistral 4 9

Magistral 5 10

Magistral 4 11

Magistral 4 12

Magistral 5 13

Magistral 6 14

Magistral 4 15

Magistral 1 16

Magistral 4 17

Magistral 5 18

Magistral 5 19

Page 185: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 185

Magistral 4 20

Magistral 5 21

Magistral 4 22

Magistral 4 23

Magistral 4 24

Magistral 4 25

Magistral 1 26

Magistral 1 27

Magistral 1 28

Magistral 5 29

Magistral 1 30

Magistral 4 31

Magistral 4 32

Magistral 5 33

Magistral 5 34

Magistral 4 35

Magistral 1 36

Magistral 4 37

Magistral 1 38

Magistral 4 39

Magistral 4 40

Magistral 3 41

Magistral 4 42

Magistral 1 43

Magistral 4 44

Magistral 7 45

Magistral 4 46

Magistral 5 47

Magistral 5 48

Magistral 4 49

Magistral 4 50

Magistral 4 51

Magistral 4 52

Magistral 4 53

Magistral 5 54

Magistral 3 55

Magistral 5 56

Magistral 5 57

Magistral 3 58

Magistral 5 59

Magistral 4 60

Magistral 3 61

Magistral 8 62

Magistral 1 63

Magistral 3 64

Magistral 3 65

Magistral 5 66

Magistral 6 67

Magistral 3 68

Magistral 7 69

Magistral 2 70

Page 186: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

186 Fernando A. Salgueiro ANEXO A

Magistral 2 71

Magistral 4 72

Magistral 3 73

Magistral 5 74

Magistral 8 75

Magistral 0 76

Magistral 0 77

Magistral 0 78

Magistral 0 79

Magistral 9 80

Magistral 0 81

Magistral 0 82

Magistral 9 83

Magistral 0 84

Magistral 9 85

Magistral 0 86

Magistral 0 87

Magistral 0 88

Magistral 0 89

Magistral 0 90

Magistral 0 91

Magistral 9 92

Magistral 9 93

Magistral 9 94

Magistral 0 95

Magistral 9 96

Magistral 0 97

Magistral 9 98

Magistral 0 99

Magistral 0 100

Magistral 0 101

Magistral 0 102

Magistral 0 103

Magistral 9 104

Magistral 0 105

Magistral 9 106

Magistral 9 107

Magistral 0 108

Magistral 0 109

Magistral 0 110

Magistral 0 111

Magistral 0 112

Magistral 0 113

Magistral 0 114

Magistral 0 115

Magistral 0 116

Magistral 0 117

Socrático 1 118

Tabla A.26: Datos utilizados para el entrenamiento de la red del tipo Backpropagation.

Page 187: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 187

A.5.2 – “Score” Obtenido de las Observaciones Utilizando la Red Backpropagation Se muestran ahora los resultados, con los puntajes obtenidos por las distintas observaciones relevadas por medio de la planilla de estilos de aprendizaje. En la Tabla A.27 se pueden ver los resultados obtenidos utilizando la red entrenada, el protocolo predicho y el puntaje para cada uno de los protocolos disponibles.

Tipo Salida Output (Salida)

Obs No. Protocolo Protocolo Predicho

Puntaje (2) Socrático

Puntaje (3) Magistral

1 2 2 0,72920364 0,28641269 2 2 3 0,00420061 0,99459732 3 2 3 0,00437272 0,99441481 4 2 3 0,00980494 0,98860174 5 2 3 0,00498649 0,99380898 6 2 3 0,07856944 0,91858882 7 3 3 0,00457859 0,99425501 8 3 3 0,00446060 0,99438852 9 3 3 0,01291529 0,98618466 10 3 3 0,00415787 0,99464726 11 3 3 0,00980494 0,98860174 12 3 3 0,00405812 0,99477100 13 3 3 0,00740716 0,99073237 14 3 3 0,01087097 0,98757231 15 3 3 0,0044431 0,99452043 16 3 3 0,00412031 0,99469244 17 3 3 0,01122339 0,98778611 18 3 3 0,00420061 0,99459732 19 3 3 0,0044946 0,99429500 20 3 3 0,00408124 0,99474418 21 3 3 0,00424933 0,99454194 22 3 3 0,00449460 0,99429500 23 3 3 0,00424933 0,99454194 24 3 3 0,00420061 0,99459732 25 3 3 0,00420061 0,99459732 26 3 3 0,00424933 0,99454194 27 3 3 0,01515141 0,98407018 28 3 3 0,01515141 0,98407018 29 3 3 0,01291529 0,98618466 30 3 3 0,00432234 0,99446601 31 3 3 0,01122339 0,98778611 32 3 3 0,00420061 0,99459732 33 3 3 0,00415787 0,99464726 34 3 3 0,01087097 0,98757231 35 3 3 0,00432234 0,99446601 36 3 3 0,00412031 0,99469244 37 3 3 0,00992244 0,98901963 38 3 3 0,00424933 0,99454194 39 3 3 0,00992244 0,98901963 40 3 3 0,00420061 0,99459732 41 3 3 0,00415787 0,99464726

Page 188: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

188 Fernando A. Salgueiro ANEXO A

42 3 3 0,0045473 0,99430299 43 3 3 0,00424933 0,99454194 44 3 3 0,01291529 0,98618466 45 3 3 0,00415787 0,99464726 46 3 3 0,00453497 0,99418825 47 3 3 0,00415787 0,99464726 48 3 3 0,00823588 0,99012327 49 3 3 0,01220238 0,98628980 50 3 3 0,00424933 0,99454194 51 3 3 0,00420061 0,99459732 52 3 3 0,00424933 0,99454194 53 3 3 0,00874755 0,98933774 54 3 3 0,00415787 0,99464726 55 3 3 0,00980494 0,98860174 56 3 3 0,00409864 0,99477005 57 3 3 0,00980494 0,98860174 58 3 3 0,00449460 0,99429500 59 3 3 0,00426307 0,99458957 60 3 3 0,01087097 0,98757231 61 3 3 0,00874755 0,98933774 62 3 3 0,00426307 0,99458957 63 3 3 0,00457526 0,99419957 64 3 3 0,01291529 0,98618466 65 3 3 0,00421338 0,99464226 66 3 3 0,0044606 0,99438852 67 3 3 0,00894184 0,98943752 68 3 3 0,00421252 0,99476504 69 3 3 0,00426307 0,99458957 70 3 3 0,00427175 0,99448252 71 3 3 0,00457859 0,99425501 72 3 3 0,00442835 0,99441707 73 3 3 0,00420061 0,99459732 74 3 3 0,00421338 0,99464226 75 3 3 0,00449460 0,99429500 76 3 3 0,01598717 0,98221719 77 3 3 0,00498649 0,99380898 78 3 3 0,00513425 0,99366325 79 3 3 0,00498649 0,99380898 80 3 3 0,00513425 0,99366325 81 3 3 0,01162295 0,98687679 82 3 3 0,04385835 0,95366597 83 3 3 0,00513425 0,99366325 84 3 3 0,00453776 0,99432725 85 3 3 0,00513425 0,99366325 86 3 3 0,00453776 0,99432725 87 3 3 0,00530588 0,99349499 88 3 3 0,00513425 0,99366325 89 3 3 0,00498649 0,99380898 90 3 3 0,00530588 0,99349499 91 3 3 0,00530588 0,99349499 92 3 3 0,00498649 0,99380898 93 3 3 0,00445446 0,99440676

Page 189: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 189

94 3 3 0,00847284 0,98994881 95 3 3 0,00438148 0,99447745 96 3 3 0,05826632 0,93910235 97 3 3 0,00681117 0,99158704 98 3 3 0,00498649 0,99380898 99 3 3 0,00453776 0,99432725 100 3 3 0,00485881 0,99393594 101 3 3 0,05826632 0,93910235 102 3 3 0,00513425 0,99366325 103 3 3 0,00485881 0,99393594 104 3 3 0,00513425 0,99366325 105 3 3 0,01546693 0,98315006 106 3 3 0,07856944 0,91858882 107 3 3 0,00453776 0,99432725 108 3 3 0,00438148 0,99447745 109 3 3 0,00513425 0,99366325 110 3 3 0,00485881 0,99393594 111 3 3 0,05826632 0,93910235 112 3 3 0,00498649 0,99380898 113 3 3 0,00498649 0,99380898 114 3 3 0,00485881 0,99393594 115 3 3 0,04385835 0,95366597 116 3 3 0,00498649 0,99380898 117 3 3 0,00513425 0,99366325 118 3 3 0,00513425 0,99366325 119 3 3 0,05826632 0,93910235 120 3 3 0,00453776 0,99432725

Tabla A.27: Puntajes asignados a los datos de entrenamiento de la red tipo Backpropagation, donde se detalla la observación, los atributos para dicha observación y el cluster al que pertenece. En las ultimas tres

columnas se encuentran los puntajes asignados a cada una de las familias y el protocolo pedagógico seleccionado por la red.

Page 190: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

190 Fernando A. Salgueiro ANEXO A

A.6 – Datos de los Cursos de Prueba A continuación se muestran los datos de los alumnos relevados en los cursos observados, con las notas de las evaluaciones parciales, trabajos prácticos y evaluaciones integradoras utilizadas para realizar la inferencia. En la Tabla A.28 se pueden ver los datos sin discriminar por curso.

Evaluaciones Parciales

Trabajos Prácticos

Evaluaciones Integradoras

Nombre y Apellido (codificado)31

Primer Parcial

Recuperatorio 1

Recuperatorio 2

Trabajo Práctico 1

Trabajo Práctico 2

Final 1

Final 2

Final 3

Nicolás, A. 2 2 5 4 9 7 - - Pablo Daniel, A. 2 6 4 9 4 - - Roxana Maribel, A. 2 A 8 4 9 7 - - Ignacio Pablo, A A 2 5 4 9 5 - - Lucas Ariel B. 7 - - 4 9 5 - - German B. 2 2 2 - - - - - Darío Oscar, B. 2 2 8 4 8 5 - - Gustavo, Daniel B. A A 4 4 9 5 - - Domingo, B. 2 2 2 4 8 - - - Luís Andrés B. 4 - - 4 8 6 - - Norberto Gabriel C. 2 2 8 4 9 2 7 - Juan Martín, C. 2 2 5 4 10 4 - - Claudio Luciano 2 A 4 4 10 2 - - Rene Carlos, C. 2 4 - 4 9 2 4 - Mariano Nahuel, C. A 2 6 4 9 9 - - Fabio, C. 2 4 4 8 4 - - - Julio Nicolás, C. A A A - - - - - Fernando Martín, C. 4 - - 4 8 2 4 - Beatriz Analía 2 2 5 4 8 8 - - Graciela Natalia, E. L. A A A - - - - - Maria Eugenia, D 2 2 9 4 8 5 - - Ramiro Carlos, F 2 2 4 4 8 5 - - Damián Alejandro, F 2 2 4 4 10 4 - - Paula Soledad, F. 7 - - 4 8 8 - - Sebastián Gerardo 2 5 - 4 10 9 - - Eduardo Federico, F. 2 2 9 4 8 2 2 7 Mari cruz Vanesa 2 2 2 4 8 - - - Sabrina, G. 4 - - 4 8 8 - - Damián, G. P. 2 2 8 4 7 7 - - Gerardo Andrés, G 2 A A 4 8 - - - Gastón Matías, G. 2 6 - 4 6 2 5 -

31 Para mantener la confidencialidad de los datos, solo se pondrá el nombre del estudiante y la inicial del apellido, o de los apellidos. Esto no modifica los resultados, ya que éstos se analizan con fines estadísticos y no personales.

Page 191: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 191

Federico, H. A A 4 4 7 2 7 - Gabriel Matías, H. 2 7 - 4 9 2 8 - Lucila, H. 2 2 2 - - - - - Herman Matas, J. 4 - - 4 8 2 2 4 Mayya, C. 2 2 2 4 8 - - - Pablo Daniel, L 2 A A 4 8 - - - Maria Laura, M. 2 2 2 4 8 - - - Fernando Gabriel, M. 4 - - 4 9 7 - - Patricio. M. 5 7 - A 10 10 - - Jimena, M. 2 4 - 4 8 2 2 4 Martín Miguel, M. A 2 4 4 9 1 - - Maia Raquel, N. 2 A 7 4 8 7 - - Nahuel Fernando. N. 2 2 2 4 10 - - - Alejandro Daniel, N. 2 2 7 4 8 2 7 Fernando Ariel, O. 2 2 5 4 9 2 2 2 Teresa, O. A A A - - - - - Federico Martín, H. 2 A 4 4 9 2 2 4 Sebastián Gastón 2 2 2 4 10 - - - Nicolás Sebastián, P. 2 2 4 4 7 2 - - Santiago Pablo, P. 2 4 - 4 9 2 4 - Federico Andrés, P. 2 4 - 4 9 6 - - Marianela Elizabeth 9 - - 4 9 2 5 - Pablo Manuel, Q. A A 2 4 9 - - - Martín Gabriel, R. M. 2 2 6 4 6 7 - - Andrés Pablo, R. 2 7 - 4 7 7 - - Cesar, R. A 2 2 4 9 - - - Cesar Heriberto, R. C. A 2 6 4 9 2 4 - Augusto Cesar, R. 2 A 7 4 9 1 2 4 Fernando, R. 2 A 6 4 6 2 6 - Pablo, S. 2 A 2 4 7 - - - Leonardo Ariel, S. 2 A 7 4 8 5 - - Pablo Antonio, S. A A A - - - - - Miguel Ángel, S. 4 - - 4 4 2 6 - Nicolás Max., S. 2 A 2 4 9 - - - Adrián Estaban, S. A 2 4 4 8 4 - - Mariana Paula, S. A 2 4 4 8 4 - - Federico Carlos 2 2 4 4 8 4 - - Esteban Gabriel, T. A 2 7 4 9 4 - - Martín Ignacio, U. A A 4 4 9 1 6 - Edwin V. B. 2 2 2 4 8 - - - Mario Ignacio, W. 8 - - 4 9 2 8 - Verónica Noemí, z. 2 2 8 4 9 2 8 - Julián Rolando, z A 2 7 4 9 2 2 2 Martín Andrés, S. A A 5 4 5 7 - - Cristina, F. A 2 2 4 5 - - - Federico, A. 2 A A - - - - - Matías Leones, A. 2 2 6 4 4 2 2 5 Rodrigo Iván, A. 2 4 - 4 4 2 2 2 Ezequiel, A. I. 7 - - 4 7 8 - - Mauro Sebastián, a. 2 4 - 4 4 2 4 - Román, B. 2 2 2 4 - - - - Sergio Omar, B. A A 2 4 - - - -

Page 192: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

192 Fernando A. Salgueiro ANEXO A

Pablo, B. 2 6 - 4 5 6 - - Juana Inés, C. M. 2 4 - 4 2 7 - - Sebastián Horacio, C. 2 6 - 4 2 2 4 - Andrés Sebastián, C. 4 - - 4 6 2 4 - Mauricio Ariel, C. 2 4 - 4 4 2 8 - Iván Alejandro, C. A A A 4 - - - - Cristian, C. 2 2 2 4 - - - - Matías Ezequiel, C 2 2 4 4 6 2 2 2 Maximiliano Pablo, C 6 - - 4 7 5 - - Ezequiel, Osvaldo 4 - - 4 8 2 4 - Fernando Antonio, D. 2 7 - 4 4 4 - - Bárbara, D. 2 2 2 4 - - - - Yanina Alejandra, F. A A 2 4 - - - - Nicolás Sebastián, F. 2 4 - 4 5 2 2 5 Marcelo German, f. 2 2 5 4 4 6 - - Alejandro Manuel, G. A A A 4 - - - - Marcos Alejandro, G. 2 7 - 4 4 2 6 - Leonardo Daniel, G. 2 4 - 4 2 - - - Pablo German, G. 2 2 2 4 - - - - Hernan, G. 2 8 - 4 6 2 5 - Jessica Andrea, G 2 2 2 4 7 - - - Maria Florencia, J. A A A 4 - - - - Oscar Aníbal, L. 2 2 2 4 - - - - Daniela Alejandra, L. 2 2 2 4 5 - - - Carlos, M. 2 2 2 4 - - - - Pablo Oscar, L. 2 A A 4 - - - - Gabriel Angel, M. A A A 4 - - - - Fernando Ezequiel, M. 4 - - 4 7 4 - - Damián Ariel, M 2 4 - 4 4 2 4 - Martín Guillermo, M. 2 2 9 4 4 4 - - Oscar Horacio, N. A A A 4 - - - - Sebastián Ariel, O 7 - - 4 9 2 7 - Marín Daniel, O. A 2 4 4 4 2 2 2 Pablo Alejandro P. C. 2 2 2 4 - - - - Sebastián Leonardo, P 2 2 7 4 5 2 2 2 Emmanuel Eduardo 2 10 - 4 7 7 - - Pablo Adrián, P. 2 5 - 4 4 - - -

Tabla A.28: Resultados académicos de 121 alumnos pertenecientes a las materias Algoritmos y Programación I y Computación de la Facultad de Ingeniería de la

Universidad de Buenos Aires.

Page 193: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 193

A.6.1 – Alumnos Clasificados por la Red Backpropagation Entrenada del Curso A. A continuación se detalla en la Tabla A.29 el protocolo pedagógico predicho por la red backpropagation para cada uno de los estudiantes, así como también su desempeño a lo largo del Curso A.

Evaluaciones Parciales

Trabajos Prácticos

Evaluaciones Integradoras

Nombre y Apellido (codificado)

Primer P

arcial

Recuperatorio 1

Recuperatorio 2

Trabajo Práctico 1

Trabajo Práctico 2

Final1

Final2

Final3

Curso

Protocolo predicho

Nicolás, A. 2 2 5 4 9 7 - - A 1 Pablo Daniel, A. 2 6 4 9 4 - - A 2 Roxana Maribel, A. 2 A 8 4 9 7 - - A 2 Ignacio Pablo, A A 2 5 4 9 5 - - A 1 Lucas Ariel B. 7 - - 4 9 5 - - A 1 Darío Oscar, B. 2 2 8 4 8 5 - - A 1 Gustavo, Daniel B. A A 4 4 9 5 - - A 1 Domingo, B. 2 2 2 4 8 - - - A 1 Luís Andrés B. 4 - - 4 8 6 - - A 1 Norberto Gabriel C. 2 2 8 4 9 2 7 - A 1 Juan Martín, C. 2 2 5 4 10 4 - - A 1 Claudio Luciano 2 A 4 4 10 2 - - A 1 Rene Carlos, C. 2 4 - 4 9 2 4 - A 1 Mariano Nahuel, C. A 2 6 4 9 9 - - A 1 Fabio, C. 2 4 4 8 4 - - - A 1 Fernando Martín, C. 4 - - 4 8 2 4 - A 1 Beatriz Analía 2 2 5 4 8 8 - - A 1 Graciela Natalia, E. L. A A A - - - - - A 1 Maria Eugenia, D 2 2 9 4 8 5 - - A 1 Ramiro Carlos, F 2 2 4 4 8 5 - - A 1 Damián Alejandro, F 2 2 4 4 10 4 - - A 1 Paula Soledad, F. 7 - - 4 8 8 - - A 1 Sebastián Gerardo 2 5 - 4 10 9 - - A 1 Eduardo Federico, F. 2 2 9 4 8 2 2 7 A 1 Sabrina, G. 4 - - 4 8 8 - - A 1 Damián, G. P. 2 2 8 4 7 7 - - A 1 Gastón Matías, G. 2 6 - 4 6 2 5 - A 1 Federico, H. A A 4 4 7 2 7 - A 1 Gabriel Matías, H. 2 7 - 4 9 2 8 - A 1 Herman Matas, J. 4 - - 4 8 2 2 4 A 1 Fernando Gabriel, M. 4 - - 4 9 7 - - A 1 Patricio. M. 5 7 - A 10 10 - - A 2 Jimena, M. 2 4 - 4 8 2 2 4 A 1 Martín Miguel, M. A 2 4 4 9 1 - - A 1 Maia Raquel, N. 2 A 7 4 8 7 - - A 1 Nahuel Fernando. N. 2 2 2 4 10 - - - A 1 Alejandro Daniel, N. 2 2 7 4 8 2 7 A 2

Page 194: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

194 Fernando A. Salgueiro ANEXO A

Fernando Ariel, O. 2 2 5 4 9 2 2 2 A 1 Teresa, O. A A A - - - - - A 1 Federico Martín, H. 2 A 4 4 9 2 2 4 A 2 Sebastián Gastón 2 2 2 4 10 - - - A 1 Nicolás Sebastián, P. 2 2 4 4 7 2 - - A 1 Santiago Pablo, P. 2 4 - 4 9 2 4 - A 1 Federico Andrés, P. 2 4 - 4 9 6 - - A 1 Marianela Elizabeth 9 - - 4 9 2 5 - A 1 Martín Gabriel, R. M. 2 2 6 4 6 7 - - A 1 Andrés Pablo, R. 2 7 - 4 7 7 - - A 1

Tabla A.29: Resultados académicos y de clasificación de los alumnos pertenecientes al Curso A.

A.6.2 – Alumnos Clasificados por la Red Backpropagation Entrenada del Curso B. A continuación se detalla en la Tabla A.30 el protocolo pedagógico predicho por la red Backpropagation para cada uno de los estudiantes, así como también su desempeño a lo largo del Curso B.

Evaluaciones Parciales

Trabajos Prácticos

Evaluaciones Integradoras

Nombre y Apellido (codificado)

Primer P

arcial

Recuperatorio 1

Recuperatorio 2

Trabajo Práctico 1

Trabajo Práctico 2

Final1

Final2

Final3

Curso

Protocolo predicho

Cesar, R. A 2 2 4 9 - - - B 1 Cesar Heriberto, R. C. A 2 6 4 9 2 4 - B 1 Augusto Cesar, R. 2 A 7 4 9 1 2 4 B 1 Fernando, R. 2 A 6 4 6 2 6 - B 1 Pablo, S. 2 A 2 4 7 - - - B 1 Leonardo Ariel, S. 2 A 7 4 8 5 - - B 1 Pablo Antonio, S. A A A - - - - - B 1 Miguel Ángel, S. 4 - - 4 4 2 6 - B 2 Nicolás M., S. 2 A 2 4 9 - - - B 1 Adrián Estaban, S. A 2 4 4 8 4 - - B 1 Mariana Paula, S. A 2 4 4 8 4 - - B 1 Federico Carlos 2 2 4 4 8 4 - - B 1 Esteban Gabriel, T. A 2 7 4 9 4 - - B 1 Martín Ignacio, U. A A 4 4 9 1 6 - B 1 Edwin V. B. 2 2 2 4 8 - - - B 1 Mario Ignacio, W. 8 - - 4 9 2 8 - B 1 Verónica Noemí, z. 2 2 8 4 9 2 8 - B 1 Julián Rolando, z A 2 7 4 9 2 2 2 B 1 Martín Andrés, S. A A 5 4 5 7 - - B 1 Cristina, F. A 2 2 4 5 - - - B 1 Federico, A. 2 A A - - - - - B 1 Matías Leones, A. 2 2 6 4 4 2 2 5 B 1 Rodrigo Iván, A. 2 4 - 4 4 2 2 2 B 1 Ezequiel, A. I. 7 - - 4 7 8 - - B 1 Mauro Sebastián, A. 2 4 - 4 4 2 4 - B 1

Page 195: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1

SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR

ANEXO A Fernando A. Salgueiro 195

Román, B. 2 2 2 4 - - - - B 1 Sergio Omar, B. A A 2 4 - - - - B 1 Pablo, B. 2 6 - 4 5 6 - - B 1 Juana Inés, C. M. 2 4 - 4 2 7 - - B 1 Sebastián Horacio, C. 2 6 - 4 2 2 4 - B 1 Andrés Sebastián, C. 4 - - 4 6 2 4 - B 1 Mauricio Ariel, C. 2 4 - 4 4 2 8 - B 1 Iván Alejandro, C. A A A 4 - - - - B 1 Cristian, C. 2 2 2 4 - - - - B 1 Matías Ezequiel, C 2 2 4 4 6 2 2 2 B 1 Maximiliano Pablo, C 6 - - 4 7 5 - - B 1 Ezequiel, Osvaldo 4 - - 4 8 2 4 - B 1 Fernando Antonio, D. 2 7 - 4 4 4 - - B 1 Bárbara, D. 2 2 2 4 - - - - B 1 Yanina Alejandra, F. A A 2 4 - - - - B 1 Nicolás Sebastián, F. 2 4 - 4 5 2 2 5 B 1 Marcelo Germán, f. 2 2 5 4 4 6 - - B 1 Alejandro Manuel, G. A A A 4 - - - - B 1 Marcos Alejandro, G. 2 7 - 4 4 2 6 - B 1 Leonardo Daniel, G. 2 4 - 4 2 - - - B 1 Pablo Germán, G. 2 2 2 4 - - - - B 1 Hernán, G. 2 8 - 4 6 2 5 - B 1 Jessica Andrea, G 2 2 2 4 7 - - - B 1 Maria Florencia, J. A A A 4 - - - - B 1 Oscar Aníbal, L. 2 2 2 4 - - - - B 1 Daniela Alejandra, L. 2 2 2 4 5 - - - B 1 Carlos, M. 2 2 2 4 - - - - B 1 Pablo Oscar, L. 2 A A 4 - - - - B 1 Gabriel Ángel, M. A A A 4 - - - - B 1 Fernando Ezequiel, M. 4 - - 4 7 4 - - B 1 Damián Ariel, M 2 4 - 4 4 2 4 - B 1 Martín Guillermo, M. 2 2 9 4 4 4 - - B 1 Oscar Melchor, N. A A A 4 - - - - B 1 Sebastián Ariel, O 7 - - 4 9 2 7 - B 1 Marín Daniel, O. A 2 4 4 4 2 2 2 B 1 Pablo Alejandro P. C. 2 2 2 4 - - - - B 1 Sebastián Leonardo, P 2 2 7 4 5 2 2 2 B 1 Emmanuel Eduardo 2 10 - 4 7 7 - - B 1 Pablo Adrián, P. 2 5 - 4 4 - - - B 1

Tabla A.30: Resultados académicos y de clasificación de los alumnos pertenecientes al Curso B.

Page 196: SISTEMAS INTELIGENTES PARA EL MODELADO DEL …laboratorios.fi.uba.ar/lsi/Salgueiro-tesisingenieriainformatica.pdf · SISTEMAS TUTORES INTELIGENTES PARA EL MODELADO DEL TUTOR ... 2.3.1