Módulo Tutor

Las tareas del modulo tutor bajo nuestra aproximación son desempeñadas por un Sistema Multi-agente. Las propias características que brindan los agentes, la versatilidad a la hora de combinar e integrar los agentes en sistemas de razonamiento y aprendizaje y sobre todo la posibilidad de utilizar diferentes tipos de agentes para realizar las distintas tareas que desempeña el módulo tutor, son las principales razones que han influenciado en la decisión de elegir como módulo tutor un sistema multiagente.

• Dar soporte al proceso de diagnóstico del alumno

• Monitorizar el comportamiento del alumno durante el proceso de aprendizaje.

• Evaluar y calcular el grado de conocimiento adquirido por el alumno en cada uno

de los conceptos del tutorial

• Aconsejar al alumno sobre las decisiones que éste toma a lo largo del proceso de

aprendizaje del tutorial.

Estas tareas son llevadas a cabo por tres tipos de agentes existentes en el sistema multi-agente. Estos tipos de agentes son el agente tutor, el agente de adaptación y el agente orientador. A continuación se describen en detalle las funciones que desempeñan estos dos tipos de agentes.

1. Agente Tutor: Este agente inicia la fase de recuperación del sistema CBR. Cada vez que un nuevo estudiante ingresa al sistema este corresponderá a un nuevo caso. El agente tutor, tiene como función recuperar de los casos existentes los que mejor se ajusten al perfil del nuevo alumno que quiere utilizar el sistema de tutorización. El objetivo es seguir los pasos de tutorización que se han utilizado para otros alumnos.

5.1.1.1. Fase de Recuperación de Casos (Retrieve Cases)

Dada la descripción de un nuevo problema la primera etapa que un sistema de razonamiento basado en casos debe llevar a cabo es la Recuperación. En nuestro contexto el agente tutor recupera de la base de casos las situaciones pasadas más similares al problema actual (o instancia-problema). Para la recuperación existe un conjunto de técnicas que se circunscriben dentro de los siguientes modelos:

Similitud: Dado un nuevo problema, la relevancia de los casos almacenados en la memoria del sistema CBR, se calcula en base a alguna medida de distancia o

similitud predefinida (k-nearest neighbord) entre las variables que describen el nuevo

problema.

Indexado: Parten de una estructura subyacente que interconecta todas las instancias almacenadas en la memoria del sistema CBR, agrupando aquellas más similares. El cálculo de la relevancia, se determina mediante un procedimiento que recorre la estructura de indexación.

Aproximaciones híbridas: Constituyen una combinación de los dos modelos anteriores.

La regla de los k-vecinos más próximos, conocida comúnmente como modelo de recuperación k-NN (k-Nearest Neighbour) [111] es la escogida en este trabajo por su simplicidad y facilidad de modificaciones y adiciones. Este sistema de recuperación permite determinar los casos más relevantes a uno dado (mediante el cálculo de distancias) que son utilizados posteriormente como base del proceso de razonamiento. El modelo k-NN depende directamente de la ponderación de los pesos usados para calcular la similitud entre casos. La ecuación 2, muestra la formula para el cálculo de la similaridad de los casos.

∑

∑

Ecuación 2. Cálculo de la similaridad entre casos Donde:

= i

W Importancia de la dimensión i (Weight)

=

Sim Función de similaridad

= r i i andf

f1 Valores para la característica fi en cada entrada.

2. Agente Adaptador: Este agente combina el nuevo caso, con el caso (s) similar recuperado, en orden a obtener la estrategia a seguir. Una vez la estrategia es confirmada, se organizan los recursos para ser presentados al estudiante. La estrategia utilizada se va modificando dependiendo de cómo avance el alumno actual.

5.1.1.2. Fase de Adaptación (Reuse Cases)

En general, la adaptación es una de las fases más problemáticas en los distintos tipos de sistemas CBR, especialmente si el problema con el que se trata es complejo, dinámico y heterogéneo, como el que se persigue resolver en este trabajo. Dado un conjunto de casos similares (Caso = Descripción + Solución) a un problema dado, la segunda etapa que un sistema de razonamiento basado en casos debe llevar a cabo,

es la de Adaptar ese subconjunto de casos con el fin de construir una solución inicial

al problema. La mayoría de las técnicas de adaptación se basan en heurísticas de generalización y refinamiento [112].

Una vez se recupera el caso, la solución debe adaptarse. La adaptación se fija en las diferencias entre los casos y aplica reglas de adaptación. La adaptación puede ser:

Estructural: La adaptación con reglas es sobre la solución.

Derivacional: Reutiliza los algoritmos, métodos o reglas usados para generar la solución (la solución debe guardarse con la secuencia o plan utilizado), conocida también como reinstanciación.

Los algoritmos mas usados en la etapa de adaptación son los k-NN. Este tipo de mecanismo resulta idóneo en problemas para los que se pueden identificar reglas o patrones de comportamiento estándar. En este trabajo de tesis, el agente adaptador utiliza como técnica alternativa el algoritmo del K- vecino más cercano.

3. Agente Orientador: Este agente revisa cada paso que el estudiante realiza en el tutorial. Para ello utiliza un sistema de evaluación el cual, además de evaluar los conocimientos que va adquiriendo el alumno, también evalúa el sistema para saber si le está aconsejando bien.

5.1.1.3. Fase de Revisión y Aprendizaje (Revise and Retain Cases)

Dada una solución inicial a un nuevo problema, la tercera etapa que un sistema de razonamiento basado en casos debe llevar a cabo, es la de revisar dicha solución, en función del conocimiento disponible en el sistema acerca del dominio del problema. La fase de revisión ha sido la etapa, de todo el ciclo de vida de los sistemas CBR, que históricamente más ha costado automatizar [113]. Las características propias de los problemas a resolver, así como el tipo de técnicas utilizadas en esta etapa, han hecho que los modelos utilizados en esta fase fueran dependientes, en mayor o menor medida, del dominio del problema, y que en la mayoría de los casos tuviera que ser un

experto humano el que refrendara la solución final propuesta por el sistema

.

La fase de revisión se puede automatizar utilizando diferentes técnicas de simulación [77], técnicas de Belief-Revision [114], un sistema difuso, o simplemente con reglas que describen el comportamiento de un experto humano.

La última etapa del ciclo de vida de un sistema de razonamiento basado en casos, es la incorporación a la memoria del sistema CBR de lo aprendido tras resolver un nuevo problema. Cuando se dispone del valor real a un problema planteado al sistema con anterioridad, se construye un nuevo caso (Descripción del problema + Solución + Resultado), que se almacena en la memoria del sistema CBR. Aparte de la actualización global de conocimiento que supone la inserción de un nuevo caso en la memoria del sistema CBR, el sistema propuesto debe realizar una adaptación local de las estructuras de conocimiento que mantiene cada una de las partes que lo componen.

Cada una de las tecnologías seleccionadas como mecanismos de recuperación y adaptación del sistema CBR, modifican su estructura en función del error obtenido tras la aplicación de la solución proporcionada por el sistema.

Las fases de revisión y aprendizaje son las más críticas dentro del sistema CBR. La revisión mediante un agente orientador es uno de nuestros principales aportes.