El Razonamiento Basado en Casos en el ámbito de la. Enseñanza/Aprendizaje.

____________________________________________________________________________________________________________________ Revista de Informática Educativa y Medios Audiovisuales Vol. 5(10), págs. 25-32. 2008 25 ISSN 1667-8338 © LIE-FI-UBA. [email protected]

MSc. Natalia Martínez Sánchez, Dra. Gheisa Ferreira Lorenzo,

Dra. María M. García Lorenzo, Dra. Zenaida García Valdivia.

Departamento de Computación

Universidad Central de Las Villas

Carretera a Camajuaní Km. 5.5, Santa Clara, Villa Clara, Cuba

Tel: (53)42 281416, (53)42 281515

{natalia, gheisa }@uclv.edu.cu

Resumen: Los Sistemas de Enseñanza /Aprendizaje Inteligentes, se caracteriza por aplicar las técnicas de Inteligencia Artificial, donde el término “inteligente” se asocia a la capacidad de adaptarse dinámicamente al desarrollo del aprendizaje del estudiante. En este artículo se describe un modelo basado en casos para la enseñanza / aprendizaje, sustentado en la aplicabilidad del razonamiento basado en casos para obtener una eficiente representación de la Modelación del Estudiante e inferir las estrategias de aprendizaje. Implementado en la herramienta computacional HESEI, la cual ha sido aplicada exitosamente en la toma de decisiones en tareas de enseñanza/ aprendizaje.

Palabras clave: Sistemas Basados en Casos, Sistemas de Enseñanza Aprendizaje Inteligentes, Modelo del Estudiante.

1.

Introducción

En (Sánchez 2007) se presenta una revisión bibliográfica de los sistemas educativos inteligentes que están basados en diversas técnicas de inteligencia artificial, planteando que las más utilizadas en el campo de la educación son: las técnicas de personalización basadas en modelos de estudiantes y de grupos, los sistemas basados en

agentes inteligentes, y las ontologías y las técnicas de web semántica.

Las técnicas de personalización, que son la base de los sistemas tutores inteligentes, están basadas en modelos del estudiante. En general, estos modelos consisten en la elaboración de una representación cualitativa que considere el comportamiento del alumno en función tanto del conocimiento existente sobre un determinado ámbito como del aprendizaje de otros estudiantes en este dominio. Estas representaciones pueden utilizarse posteriormente en sistemas tutores inteligentes, en entornos de aprendizaje inteligente o en generar agentes inteligentes que representen estudiantes que colaboren con los estudiantes humanos.

La utilización de técnicas de aprendizaje automático permite actualizar y extender los modelos de estudiantes iniciales para adaptarlos tanto a la evolución de los mismos como a una posible actualización de contenidos y actividades educativas. Las dos técnicas más populares para modelar estudiantes según (Sánchez 2007) son: los modelos basados en superposición o overlay y las redes bayesianas. El primer método consiste en considerar el modelo del estudiante como un subconjunto del conocimiento del experto en el ámbito donde se realiza el aprendizaje. De este modo, el aprendizaje se mide en función de la comparación con los

____________________________________________________________________________________________________________________ Revista de Informática Educativa y Medios Audiovisuales Vol. 5(10), págs. 25-33. 2008 26 ISSN 1667-8338 © LIE-FI-UBA. [email protected] conocimientos del modelo del experto. El segundo

método consiste en representar el proceso de aprendizaje como una red de estados de conocimiento, y posteriormente, inferir de forma probabilística el estado del estudiante a partir de la interacción de éste con el tutor.

Es cierto que los Sistema de Enseñanza / Aprendizaje Inteligentes, se caracteriza por aplicar las técnicas de Inteligencia Artificial, donde el término “inteligente” se asocia a la capacidad de adaptarse dinámicamente al desarrollo del aprendizaje del estudiante. Asimismo, según bibliografía consultada, que el razonamiento basado en casos no se encuentra entre las técnicas aplicadas para modelar el estudiante, a pesar de ser una técnica de la Inteligencia Artificial que proporciona un modelo cognitivo de la organización de la memoria, el razonamiento y el aprendizaje humano; y un perfil computacional para los sistemas basados en el conocimiento. Además de tener un grupo de características (Gutiérrez 2003) que pueden ser aprovechadas en la elaboración de sistemas de enseñanza/aprendizaje inteligentes, tales como:

• Razonan desde episodios específicos: El estado cognitivo del estudiante no puede ser explicado por los expertos como cadenas de reglas generalizables y es más fácil describir experiencias a través de rasgos seleccionados previamente.

• El mantenimiento del conocimiento no requiere de la intervención experta: La experiencia de nuevos modelos puede ser evaluada y si es conveniente incorporada por el propio usuario que trabaja con el sistema de enseñanza /aprendizaje.

• Reutilización de soluciones previas: Modelos de estudiantes se repiten con una alta frecuencia en el proceso de enseñanza/aprendizaje así como la metodología a seguir para su aprendizaje.

• Soluciones derivadas están fundamentadas en casos reales: Lo que le permite al sistema justificar las decisiones al usuario.

El razonamiento basado en casos permite aprovechar la experiencia acumulada en la solución de nuestros problemas. Con esta técnica se almacenan casos con la solución que se ha dado anteriormente y cuando se presenta un nuevo problema esta información o experiencia acumulada se emplea para resolverlo (Bello 2002). Esta técnica intenta llegar a la solución de nuevos problemas, de forma similar a como lo

hacen los seres humanos, cuando un individuo enfrenta a un nuevo problema comienza por buscar en su memoria experiencias anteriores similar al actual y a partir de ese momento establece semejanzas y diferencias y combina las soluciones dadas con anterioridad para obtener una nueva solución.

Estos sistemas utilizan el razonamiento basado en casos (RBC) como método de solución de problemas para resolver nuevas situaciones. Los SBC, apoyan sus predicciones en ejemplos (casos) que se almacenan en la fase de aprendizaje. Una función de distancia o semejanza determina los casos más semejantes al nuevo problema y las soluciones de los casos recuperados se adaptan para obtener una solución (Delgado 2005).

Las ideas que se describen en este artículo se sustentan en la aplicabilidad del razonamiento basado en casos para obtener una eficiente representación del Modelo del Estudiante e inferir las estrategias de aprendizaje. Ambos procesos que sin duda son los dos más importantes dentro de cualquier Sistema de Enseñanza / Aprendizaje Inteligente, se ilustran con un ejemplo.

2.

Descripción general de un sistema

basado en casos para Enseñanza /

Aprendizaje

elaborado

con

HESEI.

El sistema se describe relacionando las componentes fundamentales de un Sistema Basado en Casos y un Sistema de Enseñanza / Aprendizaje Inteligente como ilustra la figura 1. Para ello se sigue la definición dada en (Gutiérrez 2003), de que todo Sistema Basado en Casos lo componen principalmente la base de conocimiento o base de casos, el módulo de recuperación de casos y el módulo de adaptación de las soluciones. Y la descrita en (Sánchez 2007), que los Sistemas Tutores Inteligentes se basan en tres componentes principales: conocimiento de los contenidos, conocimiento del alumno, y conocimiento de estrategias o metodologías de aprendizaje.

____________________________________________________________________________________________________________________ Revista de Informática Educativa y Medios Audiovisuales Vol. 5(10), págs. 25-33. 2008 27 ISSN 1667-8338 © LIE-FI-UBA. [email protected]

Figura 1: Ciclo de vida de un Sistema de Enseñanza / Aprendizaje basado en casos.

Base de Casos & Modelo del Estudiante.

Por un lado se tiene que las Bases de Casos de todo Sistema Basado en Casos contienen las experiencias, ejemplos o casos a partir de los cuales el sistema hace sus inferencias. Estas bases pueden ser generadas por entrevistas a expertos humanos o por un procedimiento automático o semiautomático que construye los casos desde datos existentes, registrados por ejemplo, en una base de datos. Por otro lado el Conocimiento del Alumno (Modelo del estudiante), puede dividirse en dos secciones: seleccionar la estructura de datos que será usada para representar toda la información relativa al alumno: estado cognitivo, estrategias instructoras preferidas, pantallas visitadas, ejercicios resueltos, resultados de evaluaciones, etc. Y la elección del procedimiento o técnica que se utiliza para realizar el diagnóstico, es decir, para inferir dada la información generada en la interacción del alumno con el sistema, el estado cognitivo del alumno.

Atendiendo a la primera sección, en el modelo propuesto la estructura de datos utilizada es una Base de Casos donde los rasgos predictores de los casos se corresponden con el módulo Conocimiento del Alumno, y el rasgo objetivo con el módulo Conocimiento de los Contenidos, el cual está integrado por unidades básicas de aprendizaje que contienen los cursos y temas, y estas a su vez por

objetivos instruccionales que se encargan de identificar los propósitos que debe alcanzar un alumno al finalizar una unidad básica de aprendizaje (conocimientos, problemas resueltos, explicaciones, etc.).

3

¿Cómo crear un Sistema basado

en

Casos

de

Enseñanza

/

Aprendizaje con HESEI?

El modelo de enseñanza/aprendizaje basado en casos que se propone, está estructurado en tópicos (rasgos predictores), los cuales toman su valor a través de un cuestionario de n preguntas, cuyas respuestas son binarias. Al aplicar el cuestionario para obtener el valor de un tópico (dominio) se obtiene una tabla de n columnas y 2n filas. La columna n+1 se corresponde con la evaluación (valor que toma el tópico) a criterio del experto. El experto puede decidir incorporar otros tópicos donde su valor se obtenga de datos almacenados en una base de datos o cualquier otra vía.

De la estructura anterior se deduce que los tópicos cuyo valor se obtiene a través de cuestionarios, tomarán valores iguales para combinaciones de respuestas diferentes, por lo que los valores no necesariamente tienen el mismo grado de certeza. Se ilustra este proceso a través de un Sistema basado en casos de Enseñanza / Aprendizaje para la teoría de Bases de Datos, cuya estructura muestra la figura 2.

____________________________________________________________________________________________________________________ Revista de Informática Educativa y Medios Audiovisuales Vol. 5(10), págs. 25-33. 2008 28 ISSN 1667-8338 © LIE-FI-UBA. [email protected]

Figura 2: Estructura del Sistema de Enseñanza / Aprendizaje basado en casos para la teoría de Bases de Datos. Los casos de la Base de casos del ejemplo, tienen 6

rasgos predictores cada uno de ellos se corresponden con los tópicos que ilustra la figura 2, para la evaluación de cada uno, se elabora un cuestionario, con el número de preguntas que estime el experto. Para evaluar el tópico 2, el experto decide realizar un cuestionario de tres preguntas y a partir de las respuestas a las mismas, decide que evaluación toma el tópico. Es fácil deducir, que se forman 8 (23) combinaciones, a las cuales hay que asignar un valor, no necesariamente disjunto, pues combinaciones diferentes pueden conducir a igual evaluación, como muestra la figura 3. De acuerdo a la evaluación del tópico, se le asigna el entrenador con el cual el estudiante realiza el proceso de Enseñanza / Aprendizaje.

Si se analiza la tabla que muestra la figura 3, el tópico 2 se evalúa de Bien (1) o Mal (0), según la respuesta a las tres preguntas, por ejemplo:

• Si las tres preguntas se responden correctamente el tópico se evalúa de Bien (1).

• Si se responden bien solo dos preguntas el tópico se evalúa de Bien (1).

A partir de este ejemplo se pueden, entre otras, formular las siguientes preguntas metodológicas:

1. ¿El valor de Bien (1) que se le asigna al tópico, es el mismo para el estudiante que respondió las tres preguntas bien, que para el resto?

2. ¿Las tres preguntas tienen igual importancia, e influyen de igual manera en la evaluación del tópico?

3. ¿Si el número de preguntas es considerablemente grande. ¿Todas influyen en la evaluación del tópico?, ¿Las que no influyen tienen valor metodológico? ...

Desde el punto de vista del profesor se puede concluir, que no es el mismo Bien (1), para diferentes combinaciones, las tres preguntas no deben tener igual importancia, si se formularon bien metodológicamente, y si el número de preguntas es considerablemente grande, es obvio que es mayor o igual que tres, es muy engorroso evaluar el tópico. Estas reflexiones condujeron a los autores de este trabajo a realizar un estudio sobre el proceso de selección de rasgos, el cual se ha enfrentado desde diferentes formas, dentro de ellas está el Reconocimiento de Patrones en el enfoque Lógico Combinatorio (Martínez 2007), que el problema de selección de variables o rasgos se ha tratado utilizando el concepto de testor (reducto, rasgo relevante) (Shulcloper 1995). Conllevando a la implementación del algoritmo de cálculo de testores típicos LEX (Pons 2002), para la selección de las preguntas relevantes, así como su importancia.

____________________________________________________________________________________________________________________ Revista de Informática Educativa y Medios Audiovisuales Vol. 5(10), págs. 25-33. 2008 29 ISSN 1667-8338 © LIE-FI-UBA. [email protected] Este algoritmo se aplica sólo en la fase de

elaboración del sistema de enseñanza/aprendizaje inteligente, ayudando al usuario en tareas de ingeniería del conocimiento y almacenando en la

bases de casos información eficiente. Es elemental aclarar que la selección de las preguntas útiles no implica la eliminación automática de otras, pues no se puede subvalorar la importancia metodológica de las mismas.

Figura 3: Ventana de HESEI que muestra la tabla de evaluación de tópicos. La figura 3 muestra un cuadro de dialogo con

cuatro opciones para evaluar el tópico. Además muestra una columna titulada certeza, la cual aparece vacía hasta que el usuario dé la opción (Opciones –

validar tópico) que lo ayudará en la ingeniería del conocimiento, entiéndase por esto, la selección de las preguntas relevante y la importancia de las mismas. Véase la figura 4, después de realizar este proceso.

Figura 4: Ventana de HESEI que muestra la tabla después de validar el tópico 2. Los entrenadores son documentos previamente

elaborados por el experto / profesor, que están almacenados electrónicamente, a los cuales la

herramienta HESEI brinda todas las facilidades de acceso y manipulación como muestra la figura 5.

____________________________________________________________________________________________________________________ Revista de Informática Educativa y Medios Audiovisuales Vol. 5(10), págs. 25-33. 2008 30 ISSN 1667-8338 © LIE-FI-UBA. [email protected]

Figura 5: Ventana de HESEI para selección de entrenadores.

Este proceso se realiza para cada uno de los tópicos, según diseño del experto/profesor. A la etapa de explotación del Sistema basado en casos de Enseñanza / Aprendizaje, tienen acceso el experto/ profesor y el estudiante, el primero para validar su Sistema de Enseñanza / Aprendizaje desde su experticidad hasta su trabajo metodológico. El segundo para aprender con el Sistema de Enseñanza / Aprendizaje elaborado.

En el próximo epígrafe se explica el proceso de diagnóstico del Sistema de Enseñanza / Aprendizaje utilizando el razonamiento basado en casos, se ilustra el mismo, siguiendo el ejemplo del Sistema basado en casos de Enseñanza / Aprendizaje para la teoría de Bases de Datos.

4

¿Cómo aprender con un Sistema

basado en casos de Enseñanza /

Aprendizaje

elaborado

con

HESEI?.

Los sistemas basados en casos (SBC) son una de las tecnologías actuales para construir sistemas basados en el conocimiento para la toma de decisiones. Estos sistemas utilizan el razonamiento basado en casos (RBC) como método de solución de problemas para resolver nuevas situaciones. Los SBC, apoyan sus predicciones en ejemplos (casos) que se almacenan en la fase de aprendizaje. Una función de distancia o semejanza determina los casos más semejantes al nuevo problema y las soluciones de los casos recuperados se adaptan para obtener una solución (Delgado 2005).

Con este proceso se implementa el módulo Metodologías de Aprendizaje el cual según (Sánchez 2007) tiene funciones pedagógicas, se encarga de guiar el proceso de enseñanza/aprendizaje y decide qué acciones pedagógicas realiza, cómo y cuándo.

Método de obtención de un nuevo caso & Un nuevo estudiante.

____________________________________________________________________________________________________________________ Revista de Informática Educativa y Medios Audiovisuales Vol. 5(10), págs. 25-33. 2008 31 ISSN 1667-8338 © LIE-FI-UBA. [email protected] Como se describe en epígrafes anteriores los rasgos

predictores de los casos se obtienen a través de cuestionarios, capaces de captar el estado cognitivo del estudiante, y el rasgo objetivo son tutoriales que se adecuan al estado cognitivo del estudiante, ambos elaborados a partir de los conocimientos y experiencias de los expertos.

A continuación se expone un seudocódigo del algoritmo que utiliza el modelo para la obtención de un nuevo caso (estado cognitivo del nuevo estudiante).

Algoritmo 1: Obtención del Nuevo Caso (Modelo del estudiante)

Entrada: Conjunto de cuestionarios para la evaluación de cada tópico.

Salida: Obtención de un nuevo caso expresado en un conjunto de pares (valor, grado de membresía).

Para cada tópico aplicar:

P1: Aplicar cuestionario asociado al tópico y obtener el resultado v’ (vector de 0´s y ´1´s de longitud n).

(Los tópicos que toman su valor por otra vía, el sistema lo hace automáticamente o en interacción directa con el estudiante, así como su grado de pertenencia.)

P2: Obtener los µ i=β(v',Εi)_{, donde}

)

,

'

(

v

Ε

_i

β

se obtiene aplicando algoritmos de reconocimientos de patrones, implementados en la herramienta HESEI, para la etapa de ingenieria del conocimiento, como se expuso en epígrafes anteriores, donde i=1..η y η es la cardinalidad del conjunto de valores que puede tomar el tópico. Usando para la obtención de µi _{las preguntas} relevantes y la importancia asociadas a las mismas.

P3: Seleccionar el

µ

i _{mayor y asignar al tópico} el par valor i y

µ

i _{(valor, grado de membresía).} Según responda el estudiante la pregunta que muestra la figura 6, se evalúa la misma y así se realiza igual procedimiento con cada una de las preguntas que conforman el cuestionario que califica el tópico. Culminada esta etapa, se obtiene un nuevo caso, que se corresponde con el estado cognitivo del nuevo estudiante.

La tarea del proceso de recuperación, dado un nuevo problema, está en identificar los casos de la base que son más similares a la situación actual. Este proceso involucra la evaluación de la situación, esto es, interpretar y comprender el problema de forma tal que se tenga en consideración los aspectos más importantes a representar.

Básicamente, la recuperación de un caso se basa en la comparación entre los índices correspondientes a los rasgos predictores del problema y los que se usaron para describir los casos de la base a de casos. A continuación se muestra un seudocódigo del algoritmo que recupera los casos (modelos de estudiantes) semejantes

Algoritmo 2: Algoritmo de recuperación de casos semejantes.

Entrada: Nuevo caso.

Salida: conjunto de casos más semejantes.

Se compara el nuevo caso con los casos almacenados en la base de casos, durante la elaboración del Sistema de Enseñanza / Aprendizaje. Para dicha comparación se utiliza la funcion de semejanza (1).

(

)

( ) ( )

(

)

∑ = ∑ = ⋅ = _n i p O x O x n i p O O i i t i i i t 1 , 1 , 0 ' 0

δ

β

(1) n: número de rasgos predictores

( )

(

)

(

0

)

'

,

x

O

O

x

_{i t i} i

δ

: función de comparación transformada según:

( ) ( )

(

i t i

)

i

(

i

( ) ( )

t i

)

(

i

( )

i

( )

t

)

i

x

O

x

O

δ

x

O

x

O

µ

O

µ

O

δ

' ₀

=

₀

−

₀

−

1

,

,

i

p

: peso del rasgo predictor

x

i _{, que puede ser} designado por criterio del experto, o automáticamente todos los pesos ser iguales. Se seleccionan los de mayor semejanza según criterios de expertos.

Después de la selección de los casos más semejantes, las soluciones pueden usarse directamente para resolver el nuevo problema, pero comúnmente necesitan ser modificadas. Este paso es llevado a cabo por el proceso de adaptación (Bello 2002). Seleccionados los casos más semejantes es posible que estos propongan soluciones diferentes por lo que

____________________________________________________________________________________________________________________ Revista de Informática Educativa y Medios Audiovisuales Vol. 5(10), págs. 25-33. 2008 32 ISSN 1667-8338 © LIE-FI-UBA. [email protected] se hace necesario determinar cuál de ellas debe

tomarse. Se propone un criterio para determinar el caso óptimo de los casos recuperados y a partir de él tomar la decisión adecuada. Según (Martínez 2007) este criterio de optimalidad se da a través de una función que combina el valor de la semejanza entre el nuevo problema y el caso (el cual da la utilidad del caso) y el grado de membresía de la solución de dicho caso.

Desde el punto de vista de la teoría de la Toma de Decisiones, el resultado de esta función pudiera ser

vista como la utilidad esperada del caso, la cual permite al agente establecer sus preferencias sobre un caso para tomar una decisión.

La forma más sencilla de realizar la adaptación es usando el método de reinstanciación que consiste en asignar la solución del caso recuperado al nuevo problema. En este caso el criterio de optimalidad da, según el principio de máxima utilidad esperada una buena justificación para tomar esa decisión.

Figura 6: Ventana de HESEI muestra una pregunta de relacionar columnas.

5

Validación

empírica

de

los

resultados.

Este epígrafe está dirigido a proponer un modelo de evaluación que puede ser utilizado para validar los Sistemas basados en casos de Enseñanza / Aprendizaje elaborados con la herramienta computacional HESEI, por los expertos /profesores. Se ilustran las ideas propuestas con la evaluación del sistema basado en casos de enseñanza/aprendizaje para aprender la teoría de Bases de Datos. Utiliza alumnos simulados, tal como se describe en [5]. El uso de alumnos reales quedó descartado pues no parece adecuado probar con estudiantes un método de enseñanza/aprendizaje sin antes haber comprobado su validez.

El análisis de la eficiencia del sistema de enseñanza/aprendizaje inteligente para aprender la teoría de de Bases de Datos se ha realizado teniendo en consideración los resultados obtenidos en la solución de nuevos problemas, usando el modelo propuesto y los criterios del experto.

Para llevar a cabo este proceso se utilizó el método de Validación Cruzada (Cross Validation) que consiste en dividir la base de casos en n conjuntos de igual tamaño y efectuar el algoritmo de aprendizaje n veces, en cada una de las cuales el conjunto de entrenamiento (muestra de aprendizaje) son todos los conjuntos, excepto uno de los n subconjuntos donde es evaluado (muestra de control).

Los resultados para n=6 se muestran en la figura 7.

Figura 7: Resultados de la eficiencia en la en la valoración del modelo del estudiante.

Se considera que los resultados obtenidos son buenos, teniendo en cuenta que se trabaja con clases difusas donde un estudiante puede estar incluido en uno u otro modelo, con cierto grado de pertenencia.

84% 86% 88% 90% 92% 94% 96% 1-50 51-100 101-150 151-200 201-250 251-303 SEA I

____________________________________________________________________________________________________________________ Revista de Informática Educativa y Medios Audiovisuales Vol. 5(10), págs. 25-33. 2008 33 ISSN 1667-8338 © LIE-FI-UBA. [email protected]

6

Conclusiones

Con este trabajo se propone un nuevo modelo del alumno que se pudiera tener en cuenta en los Sistema de Enseñanza / Aprendizaje Inteligentes, el cual se implementó en un Sistema Computacional (HESEI), que ha sido aplicado con aceptación en la elaboración del sistema de enseñanza/aprendizaje inteligente para la teoría de Bases de Datos.

El modelo propuesto mantiene las componentes fundamentales de todo Sistema Basado en Casos, la base de conocimiento o base de casos, donde los casos describen modelos de estudiantes y las metodologías de aprendizaje a seguir para lograr la personalización del mismo. El módulo de recuperación de casos y el módulo de adaptación de las soluciones, realizan el diagnóstico, que es sin duda uno de los procesos más importantes dentro de cualquier Sistema de Enseñanza / Aprendizaje Inteligente, ya que la calidad del mismo dependerá de la capacidad de adaptación del sistema al estudiante.

7

Referencias Bibliográficas.

Bello RE, et al. 2002. Aplicaciones de la Inteligencia Artificial. Cap 2, 4, 9, 15. Jalisco, México: Universidad de Guadalajara.

Gutiérrez, I. (2003) Modelo para la Toma de Decisiones usando Razonamiento Basado en Casos en condiciones de Incertidumbre, Villa Clara, Cuba, Departamento de Ciencia de la Computación. Universidad Central de Las Villas.

Martínez N; León M; García Z. (2007). Features Selection Through Fs-Testors In Case-Based Systems Of Teaching-Learning. MICAI-2007. International Conference on ARTIFICIAL INTELLIGENCE, LNAI 4827, pp. 1206–1217, Springer-Verlag Berlin Heidelberg 2007.

Pons, A. (2003). "LEX: Un nuevo algoritmo para el cálculo de los testores típicos." Revista Ciencias Matemáticas. Cuba.

Sánchez, E. y Lama M. Monografía: Técnicas de la Inteligencia Artificial aplicadas a la Educación. Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial. No.33 (2007), pp. 7-12.

ISSN: 1137-3601. © AEPIA

(http://www.aepia.org/revista).

Shulcloper, J. R.; Alba Cabrera, E.; Lazo Cortés, M. 1995. “Introducción al Reconocimiento de Patrones (Enfoque Lógico-Combinatorio)”. Serie Verde No. 51, CINVESTAV-IPN, México.