Ingeniería del conocimiento automatizada en la creación del modelo del estudiante de los sistemas de enseñanza aprendizaje inteligentes

Texto completo

(1)Universidad Central “Marta Abreu” de Las Villas Facultad de Matemática, Física y Computación. Trabajo para optar por Título de Máster en Ciencia de la Computación. Ingeniería del Conocimiento Automatizada en la creación del Modelo del Estudiante de los Sistemas de Enseñanza-Aprendizaje Inteligentes. Autor Lic. Maikel León Espinosa. Tutoras Dra. Zoila Zenaida García Valdivia Dra. María Matilde García Lorenzo. 2007.

(2) Hago constar que el presente Trabajo para optar por Título de Master en Ciencia de la Computación ha sido realizado en la facultad de Matemática, Física y Computación de la Universidad Central “Marta Abreu” de Las Villas (UCLV) como parte de la culminación de los estudios de Maestría en Ciencia de la Computación, autorizando a que el mismo sea utilizado por la institución para los fines que estime conveniente, tanto de forma total como parcial y que además no podrá ser presentado en eventos ni publicado sin la previa autorización de la UCLV.. ______________________________ Firma del Autor. Los abajo firmantes, certificamos que el presente trabajo ha sido realizado según acuerdo de la dirección de nuestro centro y que el mismo cumple con los requisitos que debe tener un trabajo de esta envergadura referido a la temática señalada.. ____________________ Firma del Tutor Dra. Zoila Zenaida García Valdivia Jefa del Laboratorio de Investigación de Informática Educativa. ____________________ Firma del Tutor Dra. María Matilde García Lorenzo.

(3) “El genio se compone del dos por ciento de talento y del noventa y ocho por ciento de perseverante aplicación”. Ludwing Van Beethoven.

(4) A mis padres.

(5) “Saber agradecer es mirar positivamente los gestos, las actitudes, las manos abiertas de los que nos favorecen. No es simple cuestión de cortesía, de buena educación, sino de buen corazón”. Debo agradecer: •. A la Dra. Zoila Zenaida García Valdivia, quien encabezó los agradecimientos de mi Trabajo de Diploma, de igual forma en esta Tesis de Maestría, y siento que aún me falta una vez más, gracias por su dedicación durante tantos años, por guiarme, soportarme, darme tanto apoyo, inspiración, ayuda incondicional y por tantas cosas que no sabría decir. No sólo es tutora de este y otros trabajos de mi investigación, sino de mi vida.. •. A mi tutora Dra. María Matilde García Lorenzo, por tanta ayuda, impulso, apoyo e ideas. Por sus valiosas revisiones y sus sugerencias. La respeto mucho.. •. A mi familia que me ha dado ánimo y confianza, en especial a mis padres, hermanas y sobrinos, gracias por confiar en mí.. •. A Darianny y a Elisabet por toda su consagración en el desarrollo de esta investigación. Sin ustedes no hubiese sido posible. De igual forma a Yuneisy y Yanirys.. •. A mis amigos por estar siempre conmigo en los momentos difíciles, en especial a Denysde, por seguirme en la interminable y difícil tarea de la investigación científica, eres mi eterna aleada, compañera de lucha, verdadera amiga; a Norma, por siempre estar ahí, a Damny, por soportarme cada día, y a Orlando, por tolerarme tanto.. •. A todos los profesores que a lo largo de estos años han influido en mi formación y madurez profesional, son verdaderamente una gran fuente de inspiración.. •. A los que me han ayudado de una forma u otra: Michel Estopiñales, Falcón, Yanet, Gheisa, Natalia, Leticia, Grau, Isis, Abdel, Daniel, Mateo, Bello, Mony, Abel, Miriam, Edilia, Yamilet, Morell. A ustedes y otros más, gracias.. Muchas gracias, Maikel..

(6) Resumen. RESUMEN Las Tecnologías de la Información y las Comunicaciones han permitido la evolución de la enseñanza asistida por computadoras, y el uso de técnicas de Inteligencia Artificial ha favorecido el desarrollo cualitativo de los Sistemas de Enseñanza-Aprendizaje que tienen en cuenta las características de los estudiantes. Sin embargo, el proceso de adquisición del conocimiento continúa siendo una etapa difícil y necesaria al implementar este tipo de sistemas. En este trabajo se desarrolla una herramienta computacional que permite crear de forma automatizada la Base de Conocimiento que representa al alumno en un Sistema de Enseñanza-Aprendizaje Inteligente. La arquitectura de la herramienta la integran varios módulos de ayuda a la importante y difícil tarea de ingeniería del conocimiento, permitiéndose de esta forma la obtención de rasgos cognitivos y afectivos-motivacionales que caracterizan al alumno. El profesor elabora las preguntas interactuando con un editor dinámico, a partir de las cuales se obtienen los rasgos cognitivos. Por su parte, los rasgos afectivos-motivacionales son captados a través de un sistema que permite la confección, perfeccionamiento y aplicación de test con un estilo conversacional. Para lograr una comparación entre los términos y las clasificaciones del test se hace uso de un Sistema Basado en Casos y de la aplicación de técnicas para la comparación de textos en el procesamiento de Lenguaje Natural. Luego de conocer los rasgos que conforman el modelado inicial del alumno, se aplican técnicas de selección de rasgos, utilizándose los FS-Testores, basados en el enfoque Lógico Combinatorio del Reconocimiento de Patrones, para simplificar la representación inicial del conocimiento y garantizar un mejor desempeño computacional de los Sistemas de Enseñanza-Aprendizaje Inteligentes. Se logra entonces una herramienta que permite la transferencia automatizada del conocimiento de los profesores a bases de conocimiento con fines educativos, donde los expertos construyen una representación simplificada del Modelo del Estudiante con resultados satisfactorios..

(7) Abstract. ABSTRACT The Information & Communication Technologies have allowed the evolution of the computer-aided education whereas the employment of Artificial Intelligence techniques has forwarded the qualitative development of the Teaching-Learning Systems which take into account the features of each student. Yet the knowledge acquisition process remains a tough albeit necessary stage at the time of building such sort of systems. A computational tool for the automated creation of the knowledge base representing a student in an Intelligent Teaching-Learning System is envisioned and deployed in this study. Its architecture is comprised of several modules which aid to the difficult and troublesome task of getting knowledge from the human expert, thus enabling the obtaining of the cognitive as well as affective-motivational features which characterize the students. The instructor works out the questions by means of the interaction with a dynamic editor. From such questions, the cognitive features are derived. On the other hand, the affective-motivational features are captured through a system which allows the makeup, enhancement and application of conversational-styled tests. In order to establish a comparison between the tests’ terms and classifications, a Case-Based System and several text comparison procedures borrowed from Natural Language Processing are utilized. Once the features comprising the initial modeling of the student are known, feature selection techniques come into play, especially suggesting the use of FS-Testors, which fully rely on the Logical Combinatory approach of Pattern Recognition so as to simplify the knowledge’s early representation and guarantee a better computational performance of the Intelligent TeachingLearning Systems. The final product is a tool which permits the automated transfer of expert knowledge flowing from instructors to knowledge bases with educational ends, wherein the very experts build their own abbreviated representation of the Student Model with satisfactory results..

(8) Tabla de Contenidos. TABLA DE CONTENIDOS INTRODUCCIÓN ................................................................................................................................ 1 CAPÍTULO I. BASES DE CONOCIMIENTO PARA SISTEMAS DE ENSEÑANZAAPRENDIZAJE INTELIGENTES ....................................................................................................... 5 1.1 Uso de técnicas de Inteligencia Artificial en la Enseñanza Asistida por Computadora ............ 5 1.1.1 Sistemas de Enseñanza-Aprendizaje Inteligentes ............................................................... 7 1.1.2 Modelo del Estudiante......................................................................................................... 9 1.2 La Ingeniería del Conocimiento en los Sistemas de Enseñanza-Aprendizaje Inteligentes ..................................................................................................................... 10 1.2.1 Modos de adquisición del conocimiento........................................................................... 12 1.2.2 Automatización de la adquisición del conocimiento......................................................... 12 1.2.3 Ingenieros del Conocimiento Automatizado..................................................................... 13 1.3 Composición de Bases de Conocimiento de los Sistemas de Enseñanza-Aprendizaje Inteligentes ..................................................................................................................... 14 1.3.1 Rasgos cognitivos.............................................................................................................. 14 1.3.2 Rasgos afectivos-motivacionales ...................................................................................... 15 1.3.2.1 Detección del estado afectivo-motivacional .............................................................. 16 1.3.2.2 Procesamiento de las respuestas................................................................................. 17 1.3.3 Selección de rasgos desde el enfoque Lógico Combinatorio del Reconocimiento de Patrones ............................................................................................................................ 24 1.3.3.1 Enfoque Lógico Combinatorio para la solución de problemas de Reconocimiento de Patrones.................................................................................... 25 1.3.3.2 Extensiones del concepto de testor y de testor típico................................................. 26 1.4 Conclusiones parciales ............................................................................................................. 29 CAPÍTULO II. PROCEDIMIENTO PARA LA OBTENCIÓN Y SELECCIÓN DE RASGOS DEL MODELO DEL ESTUDIANTE................................................................................ 30 2.1 Implementación de un editor dinámico para la obtención de rasgos cognitivos...................... 31 2.2 Implementación de un sistema para la obtención de rasgos afectivos-motivacionales............ 33 2.2.1 Estructura del Test............................................................................................................. 34 2.2.2 Análisis de las respuestas .................................................................................................. 35 2.2.3 Sistema Basado en Casos para clasificar el estado afectivo-motivacional ....................... 36 2.2.3.1 Razonador Basado en Casos ...................................................................................... 40 2.3 Módulo de selección de rasgos................................................................................................. 44 2.3.1 El conjunto difuso de los FS-Testores............................................................................... 47.

(9) Tabla de Contenidos 2.3.2 Selección de los rasgos relevantes .................................................................................... 49 2.3.3 Cálculo de testores típicos usando el algoritmo LEX ....................................................... 49 2.3.4 Implementación de los FS-Testores .................................................................................. 52 2.4 Conclusiones Parciales............................................................................................................. 54 CAPÍTULO III. USABILIDAD, VALIDACIÓN Y VERIFICACIÓN ............................................. 55 3.1 Usabilidad de las herramientas elaboradas............................................................................... 55 3.1.1 Ventanas del editor dinámico para captar el estado cognitivo .......................................... 56 3.1.2 Ventanas de la herramienta para captar el estado afectivo-motivacional ......................... 59 3.1.2.1 Administrador del Test............................................................................................... 59 3.1.2.2 Manejador de Bases de Casos .................................................................................... 64 3.1.2.3 Evaluador ................................................................................................................... 68 3.1.3 Ventanas para la selección de rasgos ................................................................................ 69 3.2 Validación de la herramienta propuesta ................................................................................... 73 3.2.1 Validación del módulo de obtención de rasgos que caracterizan el estado afectivomotivacional del estudiante.............................................................................................. 73 3.2.2 Validación del módulo de selección de rasgos.................................................................. 75 3.2.2.1 Evaluación empírica de rendimiento temporal del algoritmo LEX ........................... 75 3.2.2.2 Evaluación empírica del algoritmo FS-Testores ........................................................ 76 3.2.2.3 Verificación de los FS-Testores en la selección de rasgos del Modelo del Estudiante................................................................................................................. 77 3.3 Conclusiones Parciales............................................................................................................. 79 CONCLUSIONES .............................................................................................................................. 80 RECOMENDACIONES ..................................................................................................................... 81 REFERENCIAS BIBLIOGRÁFICAS................................................................................................ 82 ANEXOS............................................................................................................................................. 88 Anexo 1. Test ................................................................................................................................. 88 Anexo 2. Tablas calculadas en el proceso de validación de SAT .................................................. 90 Anexo 3. Comparación del algoritmo LEX con Yablonskii, CC, CT y BT................................. 106 Anexo 4. Iris data ......................................................................................................................... 108 Anexo 5. Cálculo de la subfamilia difusa de los FS-Testores para los datos Iris ........................ 112 Anexo 6. Resultados obtenidos en WEKA con Iris data.............................................................. 113 Anexo 7. Ejemplos de matrices de aprendizajes para el Modelo del Estudiante ......................... 114 Anexo 8. Resultados obtenidos con WEKA tomando como matriz de aprendizaje la tabla 3 del Anexo 7 .................................................................................................................. 115.

(10) Introducción. INTRODUCCIÓN A través de la historia el hombre ha experimentado diversos métodos y procedimientos con el propósito de lograr en forma efectiva tanto la enseñanza como el aprendizaje. La idea de utilizar la computadora como medio de enseñanza es casi tan antigua como ella, pues prácticamente desde que surgió, se usa en el área educativa. Antonio Vaquero expresó: “Enseñar es mucho más que dejar aprender. La enseñanza ha de crear los estímulos que activen y aceleren el aprendizaje. El problema radical de la enseñanza es acoplar la mente del alumno a la materia objeto de aprendizaje. Esto implica una enseñanza individualizada de forma que, dada una materia a enseñar, lo ideal es encontrar para cada individuo el transformador adecuado a su nivel de entendimiento y formación, que hiciese el acoplo más adecuado” (Alemán, 1998). La búsqueda de métodos y procedimientos que hagan de la enseñanza y el aprendizaje una tarea más efectiva ha sido motivo importante de estudio. El uso de la computadora ofrece significativas ventajas sobre otros métodos de enseñanza: •. Permite la participación activa del estudiante en la elaboración de su propio aprendizaje.. •. Propicia la Interacción Persona-Computadora.. •. Ofrece la posibilidad de atender individualmente al estudiante.. •. Favorece el desarrollo cognitivo y afectivo-motivacional del estudiante.. •. Posibilita la retroalimentación inmediata y efectiva, mediante la cual el estudiante puede aprender de sus errores.. Las experiencias docentes obtenidas con el transcurso de los años han demostrado que para el buen funcionamiento de cualquier asignatura, existen aspectos que adquieren importancia, uno de ellos puede ser cómo aprenden los alumnos o cuándo presentan problemas en el proceso de asimilar los contenidos. Los Sistemas de Enseñanza-Aprendizaje Inteligentes (SEAI) están diseñados para apoyar el proceso educativo, donde se tiene en cuenta quién es el que enseña y quién es el que aprende con el propósito de alcanzar determinados objetivos (García, 1993). El término “inteligente” de los SEAI se asocia a la capacidad de adaptarse de manera dinámica al desarrollo de aprendizaje del estudiante (García, 2000). Los SEAI ayudan en gran medida en el aprendizaje de los alumnos, es por eso que la mayoría de estos sistemas que se adaptan bien a las características individuales de los alumnos, en una sesión de aprendizaje, incluyen un módulo denominado Modelo del Estudiante, para así poder lograr la adaptación requerida. Estos sistemas inteligentes se diferencian de los convencionales en que pueden manejar conocimiento estructurado y empírico, no procesan datos, sino conocimiento representado en forma adecuada.. 1.

(11) Introducción Los SEAI constituyen un grupo de aplicaciones de enseñanza que promueven un aprendizaje individual y flexible basado en el conocimiento y comportamiento del usuario. Hasta ahora estos sistemas han demostrado su efectividad en diversos dominios, sin embargo su construcción implica un complejo e intenso trabajo de ingeniería del conocimiento, lo que impide un uso más general y aprovechado. Cuando se habla de la personalización del SEAI existen fundamentalmente dos estados del estudiante a tener en cuenta: el cognitivo y el afectivo-motivacional. El primero está relacionado con los conocimientos que tiene el estudiante y que pueden ser empleados para el aprendizaje de un nuevo tema, también incluye la capacidad de aprendizaje y razonamiento propio del estudiante. El segundo incluye los intereses del estudiante por el tema que se imparte, las motivaciones que pueda tener para asimilar el conocimiento y el estado anímico que presenta ante la asignatura. Tradicionalmente la captación del estado afectivo-motivacional de una persona se realiza mediante la aplicación de test en los cuales es posible seleccionar las respuestas a cada pregunta. Existen nuevos métodos basados en la evaluación de test preestablecidos, mediante la clasificación de las respuestas dadas a las preguntas con las propias palabras de la persona, que combinan la naturalidad de la expresión oral con la solidez científica de los test psicométricos. Dada la importancia que tienen ambos estados del estudiante en el proceso de adaptación de los SEAI, se hace necesaria una herramienta que permita su captación ante el aprendizaje de un tema. Por su parte la selección de las variables o rasgos es un proceso de gran importancia, se utiliza para reducir de manera eficiente la cantidad de variables que deben describir a los objetos de un problema. Los rasgos son los que determinan qué información será almacenada en memoria para cada uno de sus elementos. No todas las variables contienen la misma importancia o peso informacional, por lo que es un aspecto a considerar en el conjunto de rasgos seleccionados, téngase en cuenta que pueden existir variables inútiles que carezcan de importancia de acuerdo con el dominio de aplicación. Sin duda la determinación de la clase (rasgo objetivo) presente en el Modelo del Estudiante y la selección de los rasgos predictores más relevantes constituyen tareas importantes a realizar para obtener un eficiente SEAI. En ocasiones no es tan sencillo ninguno de estos dos aspectos, ejemplo de ello, cuando los rasgos objetivos no son disjuntos. Al realizarse la selección de los rasgos más relevantes para conformar el Modelo del Estudiante se debe tener en cuenta que la técnica a utilizar puede influir de forma significativa en los resultados, por lo que es conveniente utilizar teorías que, además de garantizar el mejor funcionamiento del sistema en todas las situaciones posibles, estén bien fundamentadas (Liu, 1995). Con la elaboración de un método que combina técnicas de selección de rasgos y lógica difusa se facilita una buena ingeniería del conocimiento, proporcionándose una forma natural y efectiva para 2.

(12) Introducción el desarrollo de sistemas computacionales de apoyo educacional, considerando que, un buen desempeño de los SEAI depende de una buena representación del conocimiento. Las técnicas de Reconocimiento de Patrones junto a la teoría de los conjuntos difusos permiten una selección eficiente de los rasgos que conforman el Modelo del Estudiante. Objetivo general Desarrollar un procedimiento, que ofrezca a los investigadores y desarrolladores en el campo de la Informática Educativa una herramienta que posibilite la obtención de una representación eficiente del Modelo del Estudiante. Objetivos específicos 1. Implementar un editor dinámico de variados tipos de preguntas que permitan captar el estado cognitivo del alumno. 2. Elaborar un módulo para la confección, perfeccionamiento y aplicación de test con un estilo conversacional que capte el estado afectivo-motivacional del alumno. 3. Crear un módulo que facilite la selección de rasgos así como su peso informacional con el fin de encontrar una representación eficiente del Modelo del Estudiante. Preguntas de investigación 1. ¿Qué información del alumno se debe almacenar en un Sistema de Enseñanza-Aprendizaje Inteligente? 2. ¿Qué técnicas permitirán captar el estado cognitivo y el afectivo-motivacional del alumno? 3. ¿Cómo alcanzar una selección eficiente de los rasgos relevantes del alumno que representan el Modelo del Estudiante? Motivaciones de carácter Teórico Un aspecto novedoso del trabajo de investigación radica en la elaboración de un procedimiento que sirva de marco teórico a una herramienta que facilita la creación de SEAI. Se realiza un proceso de obtención de rasgos cognitivos y afectivos-motivacionales y una simplificación del conocimiento descrito para lograr una eficiencia en la cantidad de rasgos que componen al Modelo del Estudiante. Motivaciones de carácter Metodológico Se hace la propuesta de una guía metodológica para elaborar SEAI con la ayuda de una herramienta computacional que tendrá implementada un procedimiento general con este fin. 3.

(13) Introducción Motivaciones de carácter Práctico Se ofrece a los profesores, no necesariamente especialistas en computación, una herramienta que permite la elaboración de SEAI. El trabajo está estructurado en tres capítulos: •. En el Capítulo 1 se aborda el tema de la elaboración de Bases de Conocimiento para Sistemas de Enseñanza-Aprendizaje Inteligentes, que se caracterizan por el uso de técnicas de Inteligencia Artificial. Estos sistemas pueden incorporar el Modelo del Estudiante, componente importante para la toma de decisiones. Se hace referencia a la tarea de Ingeniería del Conocimiento Automatizada que permite a profesores, no necesariamente especialistas en computación, crear Bases de Conocimiento automatizadamente, definiendo los rasgos que conforman el modelado del alumno. Se describen formas para captar rasgos y variantes para seleccionarlos, de tal forma que se logre una simplificación de la modelación inicial del estudiante para un mejor desempeño computacional.. •. El Capítulo 2 se dedica al diseño e implementación de la herramienta computacional que permite la preparación de Bases de Conocimiento para Sistemas de Enseñanza-Aprendizaje. Estas bases se conforman a partir de rasgos cognitivos y afectivos-motivacionales, haciéndose uso de un editor dinámico de preguntas y del procesamiento de lenguaje natural para captar respectivamente cada tipo de rasgo. Se incluye la implementación de un método de selección de rasgos basado en el enfoque Lógico Combinatorio del Reconocimiento de Patrones que permite una representación simplificada del Modelo del Estudiante.. •. En el Capítulo 3 se hace un análisis de la Interfaz de usuario del sistema desarrollado en cuanto a aspectos esenciales de usabilidad, de forma tal que se pueda asegurar su valor práctico; se tiene en cuenta que, profesores no necesariamente especialistas en computación, interactuarán con la herramienta. Con el objetivo de validar y verificar diferentes métodos implementados se describen pruebas estadísticas así como otras de rendimiento computacional realizadas.. 4.

(14) Capítulo I. CAPÍTULO I. BASES DE CONOCIMIENTO PARA SISTEMAS DE ENSEÑANZA-APRENDIZAJE INTELIGENTES En este capítulo será abordado el tema de la elaboración de Bases de Conocimiento para Sistemas de Enseñanza-Aprendizaje Inteligentes, donde la aplicación de técnicas de Inteligencia Artificial en la Enseñanza Asistida por Computadoras se pone de manifiesto, incorporándole a estos sistemas una componente llamada Modelo del Estudiante. Se expone como la Ingeniería del Conocimiento Automatizada permite a expertos no necesariamente especialistas en computación crear sus propias Bases de Conocimiento, definiendo los rasgos que conforman el modelado del alumno. Se aborda el tema de la selección de rasgos, etapa fundamental en la representación simplificada del conocimiento.. 1.1 Uso de técnicas de Inteligencia Artificial en la Enseñanza Asistida por Computadora Desde el comienzo de la historia humana, el aprender ha sido una característica propia de cada individuo que ha contribuido a fundamentar las bases del desarrollo, ya que cuando se aprende se adquiere el conocimiento por medio del estudio, el ejercicio o la experiencia. A medida que se ha ido evolucionando como civilización, varias personas se han dedicado al estudio del comportamiento humano, esto ha conllevado a la definición de diversos criterios con respecto al aprendizaje; conceptos, métodos, herramientas y técnicas. Así, con el decursar del tiempo, las exigencias de la vida moderna, dinámica, competitiva y llena de información han dirigido a la sociedad a buscar nuevos modelos, técnicas y sistemas que permitan adquirir esos conocimientos de una manera eficaz y eficiente. En una sociedad impactada por la ciencia y la tecnología, todo ciudadano necesita de una cultura científico-tecnológica para entender, integrarse y actuar en el mundo que lo rodea (Bonissone, 2000). La incorporación de metodologías de enseñanza auxiliadas por computadora incrementa la eficiencia en la transmisión y adquisición del conocimiento, permitiendo la manipulación de grandes volúmenes de información, la homogenización del conocimiento, la disponibilidad, masificación y la permanente actualización del mismo. Es importante interpretar adecuadamente la función que desempeña la computadora como herramienta para representar el conocimiento y su carácter de instrumento pedagógico. En (Bello, 2002) se ofrecen diferentes dimensiones del uso de la computadora en la educación donde se incluyen: •. La computadora como objeto de estudio: Aprender acerca de la computadora (educación acerca de la computación). o Alfabetización computacional. o Programación de computadoras y la enseñanza de la solución de problemas. 5.

(15) Capítulo I o Formación de especialistas en Computación e Informática. •. La computadora como herramienta de trabajo: Uso de las aplicaciones de la computadora para apoyar procesos educativos (educación complementada con la computadora).. •. La computadora como medio de enseñanza-aprendizaje: Ambientes de enseñanzaaprendizaje enriquecidos con la computación donde se utiliza la computadora para presentar lecciones completas a los alumnos: Enseñanza Asistida por Computadora (EAC).. La principal ventaja de la EAC es la interacción, puesto que permite, a través del diálogo instructivo, que el estudiante no asuma una actitud pasiva en el proceso de aprendizaje, logrando captar su atención y contribuyendo a elevar su memoria visual. Además, las explicaciones, preguntas, correcciones y la evaluación se hacen de modo inmediato, con lo que la efectividad pedagógica se acentúa, al individualizarse el trabajo y permitiendo a cada alumno trabajar a su propio ritmo. Diferentes tipos de técnicas se han desarrollado en correspondencia con estos objetivos. Entre los cuales se encuentra la aplicación de la Inteligencia Artificial (IA) en los sistemas de EAC. En la actualidad, existe la tendencia a incorporar a la educación tecnologías de la información y comunicación, por ejemplo, multimedia, conexión en red (tanto locales como Internet), así como nuevas posibilidades de navegación a través de la información (hipertexto). Estas tecnologías hacen posible el desarrollo de software educativos cada vez más sofisticados que incorporen interfaces amigables, permitiendo distintos tipos de interacción con los usuarios. Las expectativas que crea la computadora como medio de enseñanza-aprendizaje se fundamenta tanto en las características técnicas que ofrece la máquina como en las potencialidades de desarrollo que abarca la Informática Educativa. Una de las características de la computadora es que permite la interacción entre ella y el usuario, de allí que con este medio pueda ofrecerse algo mejor o diferente que con otros medios para promover ciertos aprendizajes. Una buena utilización del medio computacional en la educación depende, en gran medida, de lo interactivo que sea el material. A esta interacción que la computadora facilita a través de la interfaz usuario-máquina, se añade la capacidad de almacenamiento, procesamiento y transmisión de la información. El software educativo, por su parte, trata de complementar determinadas limitaciones de otros medios de enseñanza-aprendizaje. De ninguna manera, se debe pretender reemplazar con un software educativo la acción de algunos medios educativos cuya calidad, efectividad y valor práctico están bien demostrados. Se conoce como software educativo al conjunto de recursos informáticos diseñados con la intención de ser utilizados en el contexto enseñanza-aprendizaje. Ahora bien, el desarrollo de software educativos requiere de grupos multidisciplinarios donde intervengan al menos educadores y especialistas en computación. Estos programas abarcan finalidades muy diversas que pueden ir desde la exposición conceptual hasta el desarrollo de actividades que permitan la adquisición de habilidades básicas, o la resolución de problemas. Algunos autores suelen nombrarlos Software Instructivos, Programas Instructivos, Materiales Educativos Computarizados, entre otros. 6.

(16) Capítulo I Por su parte, la IA se ha desarrollado como una de las ramas de la Ciencia de la Computación. El trabajo en la misma comenzó en la década de 1950 y dicho término fue usado a partir de 1956. “No hay una definición definitiva y única de la Inteligencia Artificial. G.F. y W.A. Stubblefield, en su libro Artificial Intelligence: structures and strategies for complex problem solving, la definen como la rama de la Ciencia de la Computación que se relaciona con la automatización del comportamiento inteligente” (Bello, 2002). Más que la existencia de una definición formal y acabada de qué se entiende por IA, lo importante es conocer que la misma está dotada de métodos para resolver problemas en los cuales el enfoque algorítmico tradicional de la computación no es suficiente. La IA es un campo del saber que ha experimentado un rápido desarrollo y se ha diversificado a partir de la década de 1990 (Zhang, 2003). Entre las vertientes principales de desarrollo de la IA se encuentran los sistemas expertos y los SEAI. Paralelamente, la IA también ha abordado el desarrollo de sistemas inteligentes de apoyo a la enseñanza. Normalmente las propuestas pedagógicas asumidas para lograr el aprendizaje se basan en distintas tareas que realiza el estudiante, entre las cuales se encuentran comprender, analizar, resolver problemas y evaluar aplicando los conocimientos adquiridos. Estos sistemas, usen o no técnicas de IA, son programas interactivos que tienen como objetivo facilitar el aprendizaje, adecuando su funcionamiento a las características del alumno. Esta adaptación puede consistir en la selección del contenido de sus presentaciones de acuerdo con las acciones previas del estudiante, su nivel de conocimiento, sus preferencias u otras características. Esta información es procesada y almacenada en el perfil del usuario durante la interacción con el sistema y posteriormente analizada para adaptar nuevamente la información a presentar.. 1.1.1 Sistemas de Enseñanza-Aprendizaje Inteligentes Los SEAI enfocan una sesión de trabajo como un proceso de cooperación entre el sistema y el alumno, con el objetivo de propiciar el aprendizaje. El sistema debe analizar en cada momento el comportamiento del estudiante para caracterizar su actuación y decidir cuál es la estrategia más adecuada a aplicar; qué explicarle, con qué nivel de detalle, cuándo interrumpirle, cómo corregirle, de forma que culmine con éxito el proceso de aprendizaje. Un aspecto fundamental es que para decidir y aplicar dicha estrategia, es necesario conocer la materia que se imparte y comprender la forma en que se asimila (García, 1993). En (Bello, 2002) se exponen las variantes metodológicas para los SEAI: •. Tutores inteligentes.. •. Entrenadores inteligentes.. •. Sistemas inteligentes basados en simulación.. •. Juegos inteligentes. 7.

(17) Capítulo I Los Sistemas Tutoriales Inteligentes (STI) fueron una de las primeras aplicaciones prácticas de las ciencias del conocimiento, resultando ser un éxito desde el punto de vista académico. Los STI plantean un problema y luego examinan la solución dada por el estudiante y los pasos intermedios si los hubiera. A través de un análisis de las respuestas del estudiante, los STI tratan de inferir lo que el estudiante sabe y no sabe, y en función de ello presentan explicaciones adecuadas y nuevos problemas (Shneiderman, 2006). A grandes rasgos y sin entrar en sus particularidades resulta conveniente señalar que todo STI se ajusta a una arquitectura compuesta por: •. Modelo Pedagógico: Es el módulo capaz de pronosticar la evolución del alumno, toma las decisiones sobre cómo impartir el conocimiento, es decir, se especifica la forma de presentar el material o dosificación de la enseñanza-aprendizaje.. •. Modelo de Comunicación: También denominado interfaz, es el encargado de establecer la comunicación entre el estudiante y el sistema.. •. Conocimiento del Dominio: Módulo que recoge toda la información sobre la asignatura (temario, problemas, ejercicios, esquemas, exámenes, etc.), es donde se representa el contenido temático a enseñar.. •. Modelo Experto en el Dominio de Interés: Es capaz de comprender las respuestas del alumno hacia el sistema y verificar si son correctas o no.. •. Modelo del Estudiante: Recoge datos históricos sobre los resultados y características del alumno. En este módulo se almacena toda la información posible que se dispone del alumno, se evalúa su estado de conocimiento y sus características.. El objetivo principal de un STI, es proporcionar ayuda en el proceso de enseñanza-aprendizaje y para que esto se pueda llevar a cabo de una manera efectiva y eficiente es necesario que este desempeñe algunas funciones importantes: •. Interactuar con el estudiante por medio de un diálogo de iniciativa mixta, donde tanto la computadora como el estudiante puedan iniciar preguntas y esperar respuestas razonables.. •. Indicar al estudiante las estrategias apropiadas para atacar un problema en particular y demostrarle las aplicaciones de estas estrategias en problemas concretos.. •. Responder al estudiante cualquier pregunta pertinente en términos comprensibles por este.. •. Decir al estudiante no sólo que él está errado, hay que indicarle también el método correcto de solución y hacer hipótesis basadas en la historia de sus errores, que es donde se encuentra la verdadera fuente de dificultades.. •. Ser capaz de resolver todos los problemas propuestos, si es posible de diferentes maneras.. •. Entender y criticar las soluciones encontradas por los estudiantes.. •. Crear un Modelo del Estudiante y modificarlo continuamente basándose en su desempeño y en reglas de enseñanza. 8.

(18) Capítulo I •. Tomar acciones que atiendan las deficiencias o los logros del estudiante al resolver problemas que se le presentan.. •. Ser capaz de combinar métodos algorítmicos y heurísticos.. 1.1.2 Modelo del Estudiante La mayoría de las funciones antes mencionadas son posibles si estos sistemas generan y mantienen un Modelo del Estudiante, el cual se usa como base de todo su razonamiento y en consecuencia con su comportamiento. Uno de los módulos de los STI que más se ha favorecido con la IA es el Modelo del Estudiante pues en su elaboración se utilizan modelos de naturaleza cualitativa que a partir del análisis de la respuesta del estudiante y el proceso de inferencia que realiza el sistema logra una mejor adaptación a las características individuales del estudiante. El Modelo del Estudiante es la imagen que el sistema tiene del estudiante, entendiendo el término imagen como posible interpretación de la realidad (León, 2007c). El Modelo del Estudiante representa: •. El conocimiento que el sistema cree que ya adquirió el estudiante.. •. El conocimiento estructuralmente relacionado con el adquirido.. •. Intereses del estudiante (tendencias en sus preferencias).. •. La manera en que el estudiante aprende.. •. Errores y conceptos mal interpretados (Ayala, 2002).. Este modelo representa al estudiante, desde dos perspectivas diferentes: •. Conocimiento que este tiene sobre el dominio del tema a tratar.. •. Aspectos psicosociológicos característicos que condicionan el proceso de aprendizaje.. Principales funciones del diseño del Modelo del Estudiante (León, 2007b): •. Obtener prototipos de estudiantes a partir de los modelos de estudiantes más típicos.. •. Resolver problemas interactivamente con el alumno como táctica pedagógica.. •. Interpretar lo que ha hecho un estudiante en particular.. •. Conocer lo que sabe un estudiante para predecir lo que es capaz de hacer.. Particularmente, los entrenadores inteligentes están esencialmente orientados al desarrollo de habilidades, pues no pretenden la dirección total del proceso de instrucción ni llevan a cabo la formación de conceptos nuevos. Supervisan la actividad práctica del estudiante mediante el control de los errores durante la solución de los ejercicios, hacen recomendaciones y controlan la presentación dosificada de problemas y ejercicios. Un STI es capaz de ayudar al estudiante en el aprendizaje de diversos conocimientos. Se podría decir también que constituye un sistema semi9.

(19) Capítulo I presencial de conocimiento, debido a que el profesor está ausente y es el propio sistema el que guía al alumno en la asimilación de los diferentes conceptos. Un STI debe adaptarse al estudiante en cuanto a: •. Su manera de aprender.. •. Sus necesidades.. •. Sus oportunidades de aprendizaje en base a la estructura del conocimiento.. Los STI no están libres de limitaciones, en (Wenger, 1987) y (Rosemberg, 1990) se señalan las siguientes deficiencias que aún persisten: •. Alto costo de desarrollo.. •. Alto costo del equipamiento requerido para su uso.. •. Incapacidad para manipular dominios complejos.. •. Carencia de métodos de representación del conocimiento que faciliten el acceso a dicho conocimiento.. •. Necesidad de añadir al dominio conocimiento secundario relacionado.. Los STI utilizan técnicas de IA como la representación del conocimiento para modelar el razonamiento humano, enfatizan el aprendizaje por medio de la acción, combinan experiencias de resolución y descubrimiento, son capaces por sí mismos de resolver problemas, formular diagnósticos y proporcionar explicaciones, para lo cual, cuentan con estrategias de instrucción para poder decidir qué y cómo informar al usuario para lograr una orientación efectiva.. 1.2 La Ingeniería del Conocimiento en los Sistemas de Enseñanza-Aprendizaje Inteligentes La Ingeniería del Conocimiento (IC) se define como el conjunto de principios, métodos y herramientas que permiten aplicar el saber científico y de experiencia a la utilización de los conocimientos y de sus fuentes, mediante construcciones útiles para el hombre. Enfrenta el problema de construir sistemas computacionales con destreza, aspirando primero a adquirir los conocimientos de distintas fuentes y, en particular, a concluir los conocimientos de los expertos y luego organizarlos en una implementación efectiva (Hayes-Roth, 1983). La IC es el proceso de diseñar y hacer operativos los Sistemas Basados en Conocimiento (SBC), es el subcampo de la IA concerniente a la adquisición, conceptualización, representación y aplicación de conocimientos, es una de las especialidades que necesitan los modernos métodos de la IA. La IC es una de las disciplinas emergentes que nació en la era del conocimiento, esta disciplina ha evolucionado desde la década del setenta en la que se comenzaron a desarrollarse los SBC, los que permiten hacer la. 10.

(20) Capítulo I distribución electrónica del conocimiento a nivel experto y de las capacidades de solución de problemas (Gupta, 1991). Tradicionalmente la IC se ha relacionado con el desarrollo de software en el cual el conocimiento y el razonamiento juegan un papel primordial. Como disciplina, dirige la tarea de construir sistemas inteligentes proporcionando las herramientas y los métodos que soportan el desarrollo de ellos. En esta tarea se involucra la obtención de conocimiento, la familiarización con el dominio, el análisis y el diseño de la solución, y la validación del conocimiento hasta que el conocimiento acumulado de un dominio sea traducido en un código probado y refinado. El punto clave del desarrollo de un SBC es el momento de transferir el conocimiento que posee el experto a un sistema real. En este proceso no sólo se han de captar los elementos que componen el dominio del experto, sino que también se han de adquirir las metodologías de resolución que utilizan estos. Los problemas fundamentales en la construcción de los SBC son: •. Adquisición de Conocimientos: Cómo trasladar el conocimiento humano a una representación abstracta efectiva, denominada conceptualización.. •. Representación de Conocimientos: Cómo representar el conocimiento en términos de estructuras de información que una computadora pueda procesar.. •. Generación de Inferencias: Cómo hacer uso de esas estructuras de información para generar información útil en el contexto de un caso específico.. Si la IC también se puede definir como la tarea de diseñar y construir Sistemas Expertos (SE), un ingeniero del conocimiento es entonces la persona que lleva a cabo todo lo que sea necesario para garantizar el éxito de un proyecto de desarrollo de un sistema experto, y esto incluye: •. La adquisición del conocimiento.. •. La representación del conocimiento.. •. La construcción de prototipos.. •. La construcción del sistema.. La adquisición del conocimiento es la transferencia y transformación del potencial de experiencia en la solución de un problema desde varias fuentes a un programa. Las fuentes son generalmente expertos humanos pero también pueden ser datos empíricos, libros, casos de estudios, etc. La transformación requerida para representar la experticidad para un programa puede ser automatizada o parcialmente automatizada en varios casos (Hayes-Roth, 1983). Los Ingenieros del Conocimiento no están interesados en la programación en sí sino en el hecho de “descubrir” dentro del universo intelectual de los expertos humanos todas las reglas no escritas que han logrado establecer a través de muchos años de trabajo, de experiencias vividas y de fracasos (Lezcano, 1998).. 11.

(21) Capítulo I. 1.2.1 Modos de adquisición del conocimiento El experto interactúa con el ingeniero del conocimiento para construir la Base de Conocimiento. Experto → Ingeniero del Conocimiento → Base de Conocimientos El experto puede interactuar más directamente con el sistema experto a través de un programa editor inteligente, capacitado con diálogos sofisticados y un conocimiento acerca de la estructura de las bases de conocimiento (Tansley, 1993). Experto → Programa Editor Inteligente → Base de Conocimientos Las bases de conocimiento pueden ser construidas parcialmente por un programa de inducción a partir de casos descritos en libros y experiencias pasadas. Libros → Programa de Inducción → Base de Conocimientos Un método de adquisición del conocimiento más avanzado es el aprendizaje directo desde libros. Libros → Procesamiento de Datos → Base de Conocimientos. 1.2.2 Automatización de la adquisición del conocimiento Existen requerimientos generales para la automatización de la adquisición de conocimientos que deben ser considerados antes de intentar dicha automatización, tales como (Davis, 1982): •. Independencia del dominio.. •. Uso directo de los expertos sin intermediarios.. •. Múltiple acceso a fuentes de conocimientos tales como texto, entrevistas con expertos y observaciones de los expertos.. •. Apoyo a diversidad de perspectivas incluyendo la de otros expertos.. •. Apoyo a diversidad de tipos de conocimientos y relaciones entre los conocimientos.. •. Apoyo a la presentación de conocimientos de diversas fuentes con claridad, en lo que se refiere a su derivación, consecuencias y relaciones estructurales.. •. Apoyo a que los usuarios apliquen los conocimientos a una variedad de dominio y que experimenten con sus aplicaciones.. •. Apoyo a estudios de validación.. Los métodos automatizados para la adquisición del conocimiento incluyen: •. Analogía, aprendizaje como aprendiz, aprendizaje basado en casos, inducción y análisis de árboles de decisión, descubrimiento, aprendizaje basado en explicaciones, redes neuronales, e inducción y modificación de reglas.. 12.

(22) Capítulo I •. Herramientas y ayuda para la modelación y adquisición de conocimientos que han tenido éxito, parecen depender de representaciones intermediarias que constituyen lenguajes de modelación de problemas que ayudan a llenar el vacío entre el experto y las implementaciones de programas de computación.. 1.2.3 Ingenieros del Conocimiento Automatizado Diversas causas han llevado a la construcción de los Ingenieros del Conocimiento Automatizado (ICA): •. El descenso en el costo del software y hardware para los SE, han favorecido el desarrollo de los mismos. Esto ha incrementado la demanda de SE, superior a la cantidad de ICA, capaces de apoyar a los SE.. •. El movimiento hacia una actividad humana extensiva, como la IC, es contraria a todas las tendencias de industria, en particular la industria del software.. •. El papel del IC, como intermediario entre el experto y la tecnología, se cuestiona. No sólo porque incrementa los costos sino también por su efectividad, o sea, puede perderse conocimiento o puede influir subjetivamente sobre la Base de Conocimiento que se está confeccionando (Raeth, 1990).. La adquisición automatizada del conocimiento debe tener en cuenta lo siguiente: •. En qué medida se corresponde la descripción del dominio de aplicación que tiene el experto y la descripción existente en la Base de Conocimiento.. •. Cómo integrar la nueva información que ofrece el experto a la Base de Conocimiento.. La ICA debe ser independiente del dominio del experto, ser directamente aplicable por los expertos sin intermediario capaz de ascender a fuentes diversas de conocimiento, incluyendo textos y entrevistas con los expertos. Además, debe ser capaz de abarcar diversos enfoques, incluso criterios parcialmente contradictorios de diferentes expertos, y capaz de abarcar diversas formas de representación del conocimiento (Durkin, 1994). Existen diversos métodos de implementación de ICA, los más significativos pueden ser: •. Generación de reglas a partir de una base de datos, cuyos campos corresponden a los atributos o condiciones y el último campo corresponde a la conclusión. Cada artículo de la base se transforma en una regla.. •. Diálogo con los expertos. El ICA debe guiar al experto, pero con cierta flexibilidad.. •. Aprendizaje por similaridad. Dado un conjunto de objetos los cuales representan ejemplos y contraejemplos de un concepto, el ICA generaliza una descripción que cubra los ejemplos. 13.

(23) Capítulo I positivos y no los negativos. Los ejemplos positivos generalizan y los negativos especializan los objetos (los conceptos pueden ser descritos como reglas). •. Ajuste de parámetros numéricos de ciertas partes del conocimiento, como el coeficiente de las expresiones que conforman las reglas de producción.. La mayoría de los métodos existentes para adquirir automáticamente el conocimiento, trabajan con un lenguaje de representación fijo, desarrollado por el diseñador. Los datos de entrenamiento (ejemplos) para estos métodos pueden contener errores no esperados utilizando el dominio del conocimiento para guiar el aprendizaje. Los métodos de aprendizajes automatizados que se conocen son débiles para seleccionar la generalización apropiada de los datos, entre todas las posibles (Forsythe, 1993). Los métodos automatizados pueden llegar a ser más competentes que los humanos para adquirir y refinar ciertos tipos de conocimiento. Pueden reducir significativamente el alto costo en recursos humanos que envuelve la construcción de los SE (Lenat, 1990). Algunos métodos de aprendizaje automatizado, especialmente los que trabajan a partir de ejemplos, pueden ser muy útiles en aquellos dominios del conocimiento donde no se cuente con expertos por su complejidad o ambos.. 1.3 Composición de Bases de Conocimiento de los Sistemas de EnseñanzaAprendizaje Inteligentes Las bases de conocimiento surgieron a partir de investigaciones en IA como respuesta a las necesidades que las aplicaciones de esta disciplina planteaban. Específicamente en los Sistemas de Enseñanza-Aprendizaje Inteligentes, se pueden almacenar rasgos que identifiquen el estado de los alumnos, esta base constituye el denominado Modelo del Estudiante. Los rasgos que la componen son los encargados de caracterizar la situación del individuo en cuanto a su estado cognitivo y afectivo-motivacional. En ocasiones la cantidad de rasgos puede ser reducida y mantenerse la calidad de la información almacenada en la base.. 1.3.1 Rasgos cognitivos Los rasgos cognitivos se relacionan con la forma en que los estudiantes estructuran los contenidos, forman y utilizan conceptos, interpretan la información, resuelven los problemas y seleccionan medios de representación (León, 2007d). Al hablar de estos se hace referencia a ciertos modos de caracterización de percibir, recordar y pensar, o a maneras distintas de descubrir, almacenar, transformar y utilizar la información; en realidad, reflejan regularidades de procesamiento de información y se desarrollan en sintonía con tendencias significativas de la personalidad, ya que se infieren a partir de las diferencias individuales, en la manera de organizar y procesar los datos 14.

(24) Capítulo I informativos y la propia experiencia personal (León, 2007e). Si se desea almacenar en una Base de Conocimiento el estado cognitivo de un estudiante se deben definir rasgos que reflejen en qué medida conoce algún tema. De esta forma el valor que tome el rasgo indicará el grado de conocimiento que se tiene del tema (León, 2007g). Estarán presentes en la Base de Conocimiento tantos rasgos cognitivos como el profesor estime conveniente al diseñar su Sistema de EnseñanzaAprendizaje, de esta forma cada rasgo se corresponde con una pregunta que evalúa al estudiante, y la respuesta que ofrece dará valor al rasgo.. 1.3.2 Rasgos afectivos-motivacionales Las pretensiones o motivaciones que una persona tenga sobre un tema pueden provocar el aumento del interés sobre el mismo e influir en su rendimiento. Es aquí donde radica la importancia de la detección del estado afectivo-motivacional de un estudiante ante el aprendizaje de una asignatura. El estado de ánimo o tono afectivo, que varía entre los límites contrapuestos de la alegría y la tristeza y que se mantiene durante largos períodos dentro de niveles bastante constantes, es una de las expresiones del grado de adaptabilidad activa del individuo a su medio, la alegría es la expresión de la satisfacción y la tristeza de la insatisfacción. El estado de ánimo y las emociones son la expresión de la relación que existe entre las necesidades y el grado de satisfacción que le preste al medio. El componente de la motivación es necesario para todo proceso psíquico como memoria, atención, para todo proceso del pensamiento, de la percepción, etc. La motivación determina la selectividad del contenido de los procesos, no es sólo la necesidad interna de determinada acción, ni la personalidad para su realización, sino también mucho de lo que se refiere al proceso mismo de la realización de estas acciones, a las formas para buscar el resultado examinando la motivación, prevé la situación existente y una cierta situación posible para el futuro. En la motivación participan la integración de procesos psíquicos y afectivos (tendencias, emociones, sentimientos, etc.) así como los cognitivos (sensación, percepción, pensamiento, memoria, etc.) ocupando estos últimos un lugar muy importante. La motivación implica la Actividad Nerviosa Superior. Los reflejos psíquicos ideales se producen en virtud del funcionamiento psicológico del cerebro. Las tendencias motivacionales psíquicas e ideales pueden regular la actividad externa y material del hombre, pues la actividad nerviosa superior, en cuanto constituye un reflejo psíquico del mundo, regula y dirige el comportamiento humano. La motivación es a la vez un reflejo de la necesidad y una expresión de la personalidad y está constituida por necesidades, intereses objetivos, disposiciones, ideales, etc. El proceso motivacional se caracteriza por una orientación hacia la satisfacción e integración de todas las vecindades sociales e individuales. Cuando un objetivo tropieza con obstáculos que son realmente insalvables para su logro, estos producen una fatigación, la cual modifica la conducta o puede dar lugar a una depresión. La motivación es el punto de partida de todo aprendizaje. Un estudiante presenta un aprendizaje propositivo, orientado a una meta. El estudiante presenta expectativas cuando comienza el aprendizaje por lo que si no está motivado, es 15.

(25) Capítulo I necesario buscar algunas expectativas o sugerencias, sensatas y realistas donde él pueda conseguir motivarse con la actividad de aprendizaje. Los estudiantes pueden fracasar por falta de motivación, ya sea por interés u otros factores del medio (Bustamante, 1974). 1.3.2.1 Detección del estado afectivo-motivacional Es fácil reconocer en ocasiones, dependiendo de la expresividad de la persona, sus intereses o motivaciones sobre un tema o situación durante el desarrollo del mismo. Las emociones y sentimientos que despiertan en alguien una conversación, un suceso u otras formas de situaciones son expresados en el comportamiento que se sigue durante estos o durante otros que se relacionen a ellos. Señales como la soñolencia, desconcentración o falta de atención pudieran ser síntomas de desinterés. De igual manera la integración al tema, la necesidad o satisfacción de continuar inmerso en el mismo pudieran considerarse como indicios de una aceptación o motivación sobre el tema. En otros casos estas señales no son fáciles de detectar. Personas que no realicen gesticulaciones pronunciadas y emitan sus criterios de forma discreta, como pudiera ser una persona reservada, dejarían en duda sus verdaderos intereses. De cualquier forma, la expresión del estado afectivomotivacional va a estar presente en el comportamiento de las personas y, por tanto, va a reflejarse en sus gestos, forma de actuar y forma de expresarse. Una forma natural de detección del estado afectivo-motivacional, al menos de forma parcial ya que depende de la capacidad y las habilidades de percepción de la persona, es el propio intercambio entre los hombres. Durante estos intercambios se realizan interpretaciones, muchas veces involuntarias, que dan la medida del interés de un interlocutor con respecto a un tema. El mecanismo más formal y aplicado con mayor frecuencia por especialistas para la detección del estado afectivo-motivacional es la aplicación de test psicométricos. Mediante la aplicación de estos test y dependiendo de la finalidad deseada se miden características como: •. La energía, que es la capacidad de enfrentar las tareas con la fuerza y adecuación necesarias.. •. La sensibilidad, que es la capacidad para reaccionar adecuadamente a los estímulos desde el punto de vista de discriminación de los mismos.. •. La reacción emocional, que es la forma de reaccionar ante situaciones excitadas de las manifestaciones de las emociones.. •. La resistencia para una carga prolongada, que es la capacidad de realizar las tareas sin disminuir la eficiencia para alcanzar un objetivo.. •. La capacidad para controlarse ante situaciones de tensión de elevada intensidad.. Si bien la aplicación de un test es un mecanismo formal usado con mucha frecuencia para conocer el estado afectivo-motivacional de las personas, es el propio formalismo inherente al test una de sus principales desventajas. Al sentirse evaluadas las personas tienden en ocasiones a no reflejar sinceramente todo lo que se pide en los test o sencillamente no es capaz de definir cuál de las 16.

(26) Capítulo I posibilidades que le da el test a escoger se ajusta más precisamente a su caso. Es más sencillo para una persona expresar de forma natural y mediante sus palabras su parecer o situación ante un aspecto determinado. Tampoco constituye una sabia decisión prescindir de los elementos que puede aportar la aplicación de test psicométricos, ya que forman un mecanismo afianzado en la detección del estado afectivo-motivacional. Surge entonces la idea de transformar las preguntas contenidas en un test a una conversación que se realice de una forma más amigable y se ofrezca la posibilidad de expresar, mediante el lenguaje natural, las respuestas de la persona encuestada. 1.3.2.2 Procesamiento de las respuestas El procesamiento del lenguaje natural es una tarea compleja, asociada desde sus inicios a la IA. La amplitud y la ambigüedad inherentes al lenguaje natural, son las principales dificultades para su completo procesamiento. Sin embargo el empleo de una parte del lenguaje natural puede ser analizado y empleado como una forma amigable de comunicación con la computadora. Un lenguaje se considera un conjunto de combinaciones de palabras de un diccionario en una forma específica, o sea, atendiendo a una sintaxis elaborada y que tenga un significado coherente, lo cual está relacionado con la semántica del lenguaje. Un lenguaje, por tanto, permite la comunicación entre los elementos que pueden “hablarlo” e “interpretarlo” ya sea de forma oral mediante conversaciones o escrita mediante textos (Paredes, 2000). Se pueden diferenciar dos tipos de lenguajes: el lenguaje natural (español, inglés, francés, etc.) y el lenguaje formal (matemático, lógico, etc.). El Lenguaje Natural (LN), como se mencionaba anteriormente, es mediante el cual se comunican las personas. Se ha ido desarrollando a partir de la experiencia y de las necesidades de comunicación entre los hombres y mediante él se pueden describir situaciones muy complejas y sutiles. Su amplitud de expresión se basa en la riqueza de sus componentes semánticas o a la polisemántica, que no es más que la posibilidad que una misma palabra tenga diversos significados dependiendo del contexto. Se puede resumir entonces en tres características fundamentales (Paredes, 2000): •. Se ha desarrollado por enriquecimiento progresivo.. •. Amplitud de expresión (polisemántica).. •. Dificultad o imposibilidad de una formulación completa.. El lenguaje formal por su parte es el que ha desarrollado el hombre para describir o representar de forma simbólica una situación específica, o sea, ha sido creado de forma artificial con un fin determinado. Sus palabras y oraciones están bien definidas y reducen la ambigüedad en los términos. Se caracteriza por los siguientes aspectos (González, 2007): •. Se desarrollan a partir de una teoría o conocimiento preestablecido.. •. La sintaxis produce oraciones poco ambiguas.. •. Una completa formalización y por esto, las potencialidades para la representación y uso computacional. 17.

(27) Capítulo I El Procesamiento del Lenguaje Natural (PLN o NLP de sus siglas en inglés) es una de las ramas de la IA que existe, incluso, antes de que el propio término de IA existiera. Se trata de la formulación e investigación de métodos computacionales eficientes para la comunicación entre las personas y las máquinas o entre las propias personas. En la actualidad se aplica en diferentes actividades como son traducción automática, sistemas de recuperación de información, elaboración automática de resúmenes, interfaces en lenguaje natural, etc. Es importante notar que la simulación de una comunicación “natural”, dígase de forma oral o escrita, o el lenguaje natural en forma de texto, como un discurso o una noticia, es sólo un medio para transmitir información. Esta debe ser extraída de una forma asequible de procesar computacionalmente y que por tanto pueda emplearse con el fin deseado. La principal ventaja que se puede apreciar a simple vista es la gran flexibilidad de comunicación que puede ofrecer, sin embargo la complejidad propia del lenguaje natural, que es extremadamente amplio, implica limitaciones en los resultados y por tanto aplicaciones en áreas concretas con un uso restringido del lenguaje. Se presentan dificultades que establecen limitantes como son las ambigüedades y los errores de recepción de datos (Wikimedia Foundation, 2007c). Dada la complejidad inherente al lenguaje natural existen varios aspectos a considerar para su procesamiento computacional. Estos van a ser tratados, a modo general, en el presente epígrafe. Para el estudio del Lenguaje Natural se realiza una división por niveles del lenguaje: •. Fonológico.. •. Morfológico.. •. Sintáctico.. •. Semántico.. •. Pragmático.. Seguidamente se muestran definiciones tomadas de (Sosa, 1997) por niveles del lenguaje: •. Nivel Fonológico: Trata de la pronunciación y los sonidos asociados a las palabras y sólo tiene sentido en sistemas que tratan el lenguaje natural de forma oral, mediante el reconocimiento de voz, etc.. •. Nivel Morfológico: Consiste en detectar la relación que existe entre las unidades mínimas que forman una palabra, o sea, la conformación de palabras a partir de morfemas. Incluye el reconocimiento de los prefijos y sufijos. Un ejemplo de este nivel es el siguiente: comúnmente = común + mente. Este nivel se relaciona estrechamente con el léxico que es el conjunto de información que se almacena en el sistema de cada palabra que se utiliza en el procesamiento. Cada palabra que esté en el diccionario de la aplicación tiene una entrada léxica. Generalmente el léxico sólo contiene la base de las palabras con formas regulares, siendo el analizador morfológico el que se encarga de determinar si el género o el número son correctos.. •. Nivel Sintáctico: Trata de la sintaxis de las oraciones, de la forma en que las palabras pueden unirse para formar estructuras gramaticalmente correctas. Como resultado del análisis 18.

(28) Capítulo I sintáctico se obtiene la estructura correspondiente a los elementos sintácticos formados por cada una de las unidades léxicas que aparecen en la oración. •. Nivel Semántico: Trata el significado de las palabras y de cómo unir esos significados individuales para lograr un significado a nivel de oración o frase. Es por tanto el analizador semántico el encargado de dar una interpretación a lo que se diga en la expresión.. •. Nivel Pragmático: Añade una nueva significación valorando la variedad de usos de una misma oración en dependencia de las situaciones o del contexto. Incorpora al análisis semántico, conocimiento previo que pudiera ser de oraciones anteriores o condiciones del momento específico en que se realiza la expresión. Se trata de uno de los niveles más complejos.. De los niveles anteriormente planteados se deduce un orden a seguir en una aplicación que procese el LN. Dicho orden va a representar el proceso al que van a ser sometidas las oraciones de entrada para alcanzar una representación de su significado de forma tal que pueda ser utilizado por el sistema computacional. El orden que a continuación será presentado responde a un sistema que realiza el análisis de oraciones entradas en forma de texto por lo que el nivel fonológico no se encuentra presente en la secuencia: a) Captación del texto de entrada al sistema, ya sea por medio de un fichero texto o directamente por medio del teclado. b) El sistema analiza las oraciones de entrada en el sentido morfológico y sintáctico. Se verifica si las frases contienen palabras compuestas por morfemas y si las oraciones presentan una estructura correcta de acuerdo a la sintaxis. c) Posteriormente se realiza el análisis semántico, o sea, se le asigna un significado a cada oración. d) Al concluir el paso anterior se realiza el análisis pragmático de las oraciones. Se analiza el significado de la oración en el contexto específico que se encuentre teniendo en cuenta las oraciones anteriores. Al finalizar este paso ya se debe tener una representación adecuada del significado de la entrada realizada. e) Utilización de los resultados del proceso de análisis en los fines específicos del sistema, ya sea ejecución de instrucciones, interpretaciones del texto u otros. Es importante hacer notar la relación que existe entre el análisis morfológico y sintáctico con el léxico del lenguaje. De igual manera es destacable la estrecha relación que existe durante el análisis sintáctico y el semántico con la definición de la gramática (véase figura 1.1) (Sosa, 1997). Durante el PLN existen varios problemas, que son de naturaleza inherente al propio lenguaje y por tanto inevitables, que dificultan en gran medida el procesamiento del mismo.. 19.

(29) Capítulo I La Ambigüedad es una de las mayores dificultades a las que hay que enfrentarse y se puede encontrar a varios niveles (Paredes, 2000): •. A nivel léxico, una misma palabra, o sea un lexema, puede tener varios significados y la selección del correcto debe realizarse teniendo en cuenta el contexto en que fue utilizado.. •. A nivel estructural o sintáctico, donde de una misma oración se pueden formar varios árboles sintácticos cuando se presenta una ambigüedad en la dependencia de los sintagmas preposicionales. Por ejemplo Rompió el dibujo de un ataque de nervios. Es difícil diferenciar si lo que rompió fue el dibujo que representaba un ataque de nervios o si rompió el dibujo producto a un ataque de nervios.. •. A nivel pragmático, una oración no significa exactamente lo que está diciendo. Existen elementos como la ironía, o alusión a frases que en un momento anterior fue utilizada con un significado especial. Estos detalles pueden cambiar en gran medida el significado de la oración.. Figura 1.1 Secuencia de procesamiento computacional del lenguaje natural en forma de textos Otro elemento que es fuente de dificultad, inherentes a los sistemas de reconocimiento de voz, es la detección de la separación de las palabras (Wikimedia Foundation, 2007c). En el caso del español, esto sucede con frecuencia, cuando una palabra termina con vocal y la que le sigue comienza con vocal. Por ejemplo “había algo” en algunas ocasiones se puede pronunciar como “habíaalgo” o por poner otro ejemplo “conocía a alguien” que puede llegar a pronunciarse como “conocíaalguien”. 20.