Agentes Conversacionales

AgentesConversacionales

[email protected]

Diana Pérez Marín

Agentes Conversacionales

2

Índice

q Introducción y taxonomía

q Procesamiento hablado

q Procesamiento escrito

q Interacción multimodal

q Aplicaciones


3

Introducción y taxonomía (I)q La lingüística computacional es un área de

investigación que se encarga de:– El estudio de los fenómenos lingüísticos que ocurren en

datos en formato digital.– La construcción de programas que interpretan/generan

información en lenguaje natural (Ingeniería Lingüística o Procesamiento de Lenguaje Natural).

q Se puede trabajar a varios niveles :– Fonológico: Tratamiento del sonido para detectar

unidades de expresión.– Morfológico: formación de las palabras considerando la

flexión, derivación,...– Léxico: Se considera la palabra como la unidad de

significado dentro del texto.


4

Introducción y taxonomía (II)– Sintáctico: Detección de las estructuras válidas.– Lógico: Extracción del significado literal de la frase en

términos lógicos.– Semántico: Interpretación de la forma lógica. – Pragmático: Interpretación en un contexto (incorpora

información implícita).– Intencional: Detectar las intenciones del que escribe

la frase.

q También se puede distinguir entre procesar:– Lenguaje natural hablado.– Lenguaje natural escrito.


5

Introducción y taxonomía (III)q Un agente conversacional es un sistema interactivo que

se comunica con el usuario en lenguaje natural.

q Para ello, utiliza alguna de las técnicas de procesa-miento de los niveles anteriormente comentados.

q Como veremos en este tema, permitir una interacción en lenguaje natural facilita el diseño universal.

q De hecho, puede complementar interfaces ya existentes – simplificándolas y permitiendo varios canales de comunicación

(interacción multimodal).


6

Procesamiento hablado (I)

q En su forma más sencilla se limita a realizar una transcripción de las palabras que emite el usuario sin interpretarlas.

q No obstante, su verdadero potencial está en la posibilidad de interactuar con las aplicaciones hablando.

q De esta forma se evita al usuario tener que usar un teclado u otro tipo de mando con las manos, y por lo tanto puede centrarse de una forma más óptima en la interacción.


7

Procesamiento hablado (II)q Actualmente, existen programas como IBM ViaVoice

que están trabajando para conseguir este objetivo.

q El principal problema está en descifrar correctamente el contenido hablado:– En situaciones con mucho ruido ambiente.– Con personas que no son nativas del idioma.– Ante distintos acentos, entonaciones,…

q Se suele requerir a la persona entrenar al sistema para obtener buenos resultados.


8

Procesamiento escrito (I)

q La información en este caso está escrita por lo que no es necesario que se reconozca e interprete la voz del usuario.

q Se lleva estudiando desde los años 50:– Euforia inicial: se pensaba que sería posible realizar

traducciones automáticas de cualquier idioma a cualquier idioma perfectas.

– Años oscuros (1960-1970): Ante el escaso éxito obtenido por la falta de capacidad de cómputo y recursos, el informe ALPAC determina que la traducción automática no es posible y no lo será, por lo que se reduce drásticamente la investigación en el campo.


9

Procesamiento escrito (II)– Realismo (1970- ): se establecen objetivos menos

generalistas y más razonables.

q En la actualidad, la mayor capacidad de cómputo de los ordenadores y el mayor número de recursos ha permitido avanzar en varias aplicaciones:

– Extracción de Información– Recuperación de Información– Generación automática de resúmenes.– Evaluación de respuestas en texto libre.– Automatización de diálogos.– …


10

Recursos lingüísticos

q Son recursos básicos para el tratamiento computacional de cualquier lengua.

q Inicialmente, se desarrollaron principalmente para el inglés pero ahora los hay para otros muchos idiomas.


11

Corpus

q Se llama corpus a una colección de documentos que pueden tratar sobre el mismo tema o varios temas distintos.

q Son útiles para extraer información estadística de los textos (se suelen etiquetar para facilitar el procesamiento).

q Algunos de los corpus más utilizados son:– Brown, TreeBank o Susanne: en inglés. – CREA: Corpus de Referencia del Español Actual de la Real

Academia Española.– CORALROM: en español hablado.


12

Bases de datos léxicasq Son conjuntos de palabras (unigramas o colocaciones)

que pueden pertenecer al mismo idioma o bien a distintos idiomas.

q Son útiles, por ejemplo, para Name Entity Recognition, distinguiendo si la palabra se refiere a un lugar geográfico, un nombre propio, edificio, …

q Algunos ejemplos son:– Nerthus: palabras del inglés antiguo.– GERMALEX: verbos germánicos.– El léxico multilingüe de economía del proyecto ElektraVoc-II.


13

Redes léxico-semánticas (I)

q La diferencia con las bases de datos léxicas, es que en este recurso no sólo interesan las palabras, sino y principalmente sus relaciones semánticas.

q Son útiles para poder interpretar de forma automática textos o generar textos.

q Por ejemplo:– WordNet: red de palabras en inglés.– EuroWordNet: WordNet para idiomas europeos con un índice

que relaciona las palabras.– FrameNet: red de palabras con semántica asociada en inglés y

en español.


14

Redes léxico-semánticas (II): WordNet

En WordNet se considera cada palabra = forma + significado, y los significados se representan con synsets (conjuntos de sinónimos). De hecho la sinonima es la relación más importante en WordNet. Se considera que dos expresiones son sinónimos en un contexto si la sustitución de una por otra en dicho contexto no altera el significado. La definición de synsets en términos de sustitución hace necesario la separación en categorías sintácticas (nombres, verbos, adjetivos y adverbios). La antonimia se refiere a los contrarios y es muy utilizada para los adjetivos y adverbios, aunque no importa tanto a nivel semántico.


15

Diccionarios (I)q Son la versión digital de los diccionarios tradicionales,

sustituyendo el papel por el formato electrónico y permitiendo nuevos tipos de búsquedas más flexibles:

– Exacta: Todas las localizaciones de 1 palabra.

– Más similares: Cierto parecido estructural.

– Máscara fija: De igual longitud y con ?

– Máscara flexible: De igual longitud pero con *

– Truncamientos: Que empiecen/terminen/tengan el centro igual.

– Cercanía y antecedencia: Limitan el radio de búsqueda.

– Frases: Buscar una secuencia de palabras.


16

Diccionarios (II): Diccionario de la Real Academia Española


17

Gramáticas (I)q Conjunto de reglas y principios que regulan el uso de un

lenguaje. En 1957, Chomsky:– Las formaliza como: (S, VT, VNT, R). – Declara que el lenguaje reconocido por una gramática es el

conjunto de cadenas de símbolos terminales que se pueden derivar de las reglas de la gramática a partir del símbolo inicial.

q Son útiles para poder generar texto y comprobar su correcta estructura.

q Sin embargo, son complicadas de elaborar para el caso del lenguaje natural (no formal), para que puedan ser procesadas automáticamente.


18

Gramáticas (II): tiposq De hecho, Chomsky según la forma de las reglas

distinguió 4 tipos de gramática:– Gramática regulares (tipo 3) : Sólo reconocen lenguajes

finitos. Reconocibles por autómatas finitos (AF).– Gramáticas independientes del contexto o de contexto

libre (GIC, tipo 2): Ampliamente utilizadas para describir lenguajes artificiales o naturales. Reconocibles por un autómata a pila.

– Gramáticas dependientes del contexto o de contexto sensitivo (GDC, tipo 1) : Dificultad para capturar sus características. Reconocibles por máquinas de Turing.

– Gramáticas de tipo 0: Sin restricción en las reglas. No computables.


19

Ejercicios1º) Crear un nuevo pequeño lenguaje ejemplo específico

para un cierto dominio.

2º) Definir los recursos lingüísticos necesarios para tratarlo de forma automática:

a) Corpusb) Base de datos léxica c) Red léxico-semántica (WordNet)d) Diccionario en papele) Diccionario electrónico (opcional)f) Gramática


20

Técnicasq Se pueden clasificar las técnicas en niveles:

– Morfológico: palabras.– Sintáctico: estructura de las frases.– Semántico: significado de los textos.– Pragmático: descubrir las intenciones.

q Respecto al nivel de éxito que alcanzan:


21

Morfología (I)q Al realizar un análisis morfológico de una palabra se

suele:– Lematizar: se pasa a formato canónico.

o Ejemplo: correr de corre.o O sacar su lema, ejemplo: car de cara.

– Obtener la categoría gramatical: identificar si es un nombre, adjetivo, verbo,…y la información gramatical asociada (género, número, tiempo, persona…).

o Ejemplo: cara es sustantivo común individual femenino singular.


22

Morfología (II): lematización y obtención de la categoría gramatical


23

Morfología (III): técnicas de unigramas

q También se pueden aplicar técnicas de unigramas a los textos para obtener métricas.

q Por ejemplo, el algoritmo BLEU de Papineni et al. se puede aplicar para:– Realizar una evaluación automática de la traducción de un

texto en un idioma fuente a un idioma destino.

– Medir el grado de similitud entre la respuesta de un estudiante y las respuestas de los profesores en un sistema de evaluación automática de respuestas en texto libre.


24

Sintaxis (I)

q El análisis sintáctico se suele realizar a nivel de frase una vez se ha completado el análisis morfológico.

q Se pueden identificar en primer lugar los sintagmas que componen la frase y sus relaciones.

q El principal problema es la ambigüedad y la dificultad en disponer de una gramática completa y genérica de un idioma en lenguaje natural.


25

Sintaxis (II): ejemplo de análisis realizados por Connexor

La niña come una manzana roja.

El hombre que no sabía lo que quería se fue sin decidirse.


26

Semántica (I)

q El objetivo de este nivel es interpretar el significado de las frases de un texto.

q La dificultad está en la falta de conocimiento del mundo de los ordenadores.

q Se han intentado crear bases de datos formalizadas en ontologías como CyC, conjuntos de reglas en formato lógico o añadir “metadata” a los elementos.

q Sin embargo, aún no se ha conseguido un avance significativo en general, aunque sí en dominios específicos.


27

Semántica (II): ejemplo de sistema reconocedor de nombres


28

Semántica (III)

q Una de las técnicas semánticas más utilizados actualmente es Latent Semantic Analysis (Deerwester, 1990) para:

– Evaluación de respuestas en texto libre.– Medir la coherencia de textos,…

q Se basa en la transformación del texto en matrices estadísticas.

q A las que se aplica un cálculo matemático (SVD) para encontrar relaciones, antes ocultas, entre palabras por su similitud, en lugar de por su coocurrencia en un texto.


29

Herramientas (I)

q Gestor de corpus: etiquetado, códigos,…q Tokenizador: tokens.q Sentence splitter: frases.q POS tagger: categorías gramaticales. q Analizador morfológico: género, número,…q Name Entity Recogniser: entidades.q Chunker: grupos nominales, verbales,...q Parser: estructura sintáctica de la frase.q Word-Sense Disambiguator: polisemia.

Cada herramienta identifica….


30

Herramientas (II): enlaces a herramientas gratuitas en la webq http://nlp.stanford.edu/software/index.shtmlq http://www.alfonseca.org/eng/research/wraetlic.htmlq http://www.wagsoft.com/software.htmlq http://www.connexor.eu/technology/q http://www.link.cs.cmu.edu/link/q http://alias-i.com/lingpipe/q http://opennlp.sourceforge.net/q http://www.julielab.de/content/view/117/174/q http://lexsrv3.nlm.nih.gov/SPECIALIST/index.htmlq http://www-a2k.is.tokushima-

u.ac.jp/member/kita/NLP/nlp_tools.htmlq http://www.elsnet.org/toolslist.html


31

Aplicacionesq Las aplicaciones de PLN son muchas:

– Análisis automático de texto.– Extracción de información.– Comprensión y/o generación de textos.– Generación de resúmenes automáticos.– Traducción automática.– Indexación…

q Nos vamos a centrar en las más relacionadas con la interacción persona-ordenador:

– Consultas a bases de datos en lenguaje natural.– Uso de asistentes.– Uso de agentes.– Diálogos en lenguaje natural


32

Consultas a bases de datos en lenguaje natural (I)

q El objetivo es poder realizar las búsquedas en la base de datos en lenguaje natural.

q Su utilidad es obvia al permitir una mayor flexibilidad en las búsquedas y evitar el uso y aprendizaje de lenguajes formales (SQL).

q Sin embargo, la dificultad está en desarrollar sistemas suficientemente robustos para procesar frases gramaticalmente incorrectas:– “How about PZ1 orders?”– “Make a list of orders that are not done yet. Just give me

order no. and customer names, ok?”


33

Consultas a bases de datos en lenguaje natural (II)

q La solución actual suele ser restringir la búsqueda a dominios específicos. Por ejemplo, el sistema TRAINS:


34

Consultas a bases de datos en lenguaje natural (III)


35

Consultas a bases de datos en lenguaje natural (IV)

q La consulta es iniciada por el usuario que expone su problema a TRAINS.

q TRAINS al recibir la instrucción en lenguaje natural por parte del usuario la transforma en SQL para interrogar la BD.

q Se debe comprobar que el sistema ha entendido correctamente al usuario:

– Confirmando la operación antes de realizarla.– Evitando de esta forma cualquier malentendido.


36

Uso de asistentes (I)

q Los asistentes son activados por el usuario cuando quiere realizar una cierta tarea.

q La principal ventaja de los asistentes es que muestran paso a paso cómo completar la tarea con elementos gráficos y textuales.

q También pueden mostrarnos elementos de ayuda o sugerirnos ciertas acciones.

q Es fundamental que permanezcan en un segundo plano sin:

– Interrumpir al usuario mientras trabaja.– Parecer “agresivos”.


37

Uso de asistentes (II)q Un ejemplo sencillo de asistente:


38

Uso de asistentes (III)q Otro ejemplo de asistente más sofisticado

es el Ayudante de Office:– Se puede personalizar.– Muestra sugerencias.– Se puede ocultar.– Ofrece ayuda.

q Sin embargo, en la versión Office 2007 ha sido eliminado puesto que:

– Su animación puede resultar molesta.– Las sugerencias a veces son erróneas.– Puede distraer del trabajo.


39

Uso de agentes (I)q Los agentes nos permiten “conversar” con ellos en

cualquier momento.

q Según Lieberman, tienen características más parecidas a la inteligencia humana:– Capacidad de aprender, inferencia, adaptabilidad,

independencia, creatividad, etc.– Aunque siempre aceptando las decisiones tomadas por

los humanos como prioritarios.

q Los usuarios tienden a delegar tareas en los agentes más que “ordenarles”, a veces olvidando que no son humanos.


40

Uso de agentes (II)q La idea de usar agentes no es nueva, se lleva

estudiando desde los noventa.

q Inicialmente para eliminar la realización de tareas rutinarias como hacer backup, etc.

q Actualmente para facilitar la interacción con potentes aplicaciones informáticas.

q La implementación de agentes es difícil:– Deben comprender al usuario en tiempo real.– Tener cierto conocimiento de su entorno.– Generar rápido una respuesta adecuada.


41

Anna de IKEA (I)

– Disponible on-line en http://www.ikea.com/es/es/

– Su objetivo es ayudarnos a encontrar información de los productos de IKEA.

– La animación se limita a movimientos cortos de la cabeza y de los ojos (siempre sonríe).

– Cambia la página principal de IKEA según la conversación. Por ejemplo:

Usuario: Quiero ver las sillas.Anna: Aquí te muestro la subcategoría de sillas.

– Si la pregunta no es sobre IKEA, vuelve a referirnos a IKEA:

Usuario: Quiero ver el espacio estelar.Anna: ¿Quieres saber algo de IKEA? Dime en qué

puedo ayudarte y lo haré encantada.


42

Anna de IKEA (II)– Si la frase no es concisa y clara, la respuesta no es

coherente. Por ejemplo:Usuario: Quiero saber los precios de todos los muebles de

ikea. Anna: La mayoría de los productos son iguales en todas

las tiendas. Sin embargo algunas tiendas, por su tamaño, tienen una gama de productos más amplia que otras. Además hay productos temporales y extras que van cambiando según la tienda IKEA que visites. Los productos que aparecen en el catalogo vigente los encontrarás obligatoriamente en todas las tiendas IKEA.

– Responde correctamente a saludos e insultos:Usuario: Eres tonta. Anna: Lo siento. Pero lo importante es que pueda ayudarte

respondiendo tus preguntas sobre IKEA.


43

Interacciones con agentes (I)q Según De Angeli, las personas tienden a ser groseras

con los agentes conversacionales:Usuario: Te odio.Agente: Y yo a tí.Usuario: Pienso que eres estúpido.Agente: Para nada.Usuario: Vale, entonces ¿cuánto es 7364+34783?Agente: La respuesta es 165466.Usuario: Mal. Vamos a ver, ¿cuánto es 2+2?Agente: Vaya elemento estás hecho ☺Usuario: Tú también: -)Agente: Consideraré eso como un cumplido.Usuario: Vale, si te hace sentir mejor.Agente: La verdad es que sí.Usuario: ¿Qué te puedo enseñar?


44

Interacciones con agentes (II)q Los usuarios expresan al agente emociones o hablan de

temas que no tratarían tan directamente con humanos:Usuario: Te quiero.Agente: Nunca conseguirás una cita de esa forma.Usuario: ¿Me quieres?Agente: ¿Estás de broma?Usuario: No.Agente: ¿Qué significa eso?

Usuario: Me gustas robot.Agente: Gracias.Usuario: Pero te odio también.Agente: Raro.Usuario: Tú también eres raro.Agente: Gracias hombre.Usuario: No soy un hombre.


45

Interacciones con agentes (III)

q Los usuarios tienden a humanizar a los agentes, incluso cuando se equivocan piensan que es porque el agente les quiere mentir:Agente: ¿Cuál es tu objetivo en la vida?Usuario: No hablarte.Agente: No lo haré.Usuario: Sí, lo harás. Eres mi esclavo y harás exactamente lo que yo te diga sin rechistar. Agente: ¿Me obligarás?Usuario: ¡Sí! ¡DIME TU NOMBRE AHORA ESCLAVO!Agente: Ya te lo he dicho y no me pienso repetir.Usuario: Sí, me lo vas a decir esclavo mentiroso.

Hay que tener en cuenta que el usuario es on-line y no seregistra información sobre él o ella por lo que se siente más libre.


46

Interacciones con agentes (IV)q También es importante destacar:

– La insistencia de los usuarios en diferenciar que ellos son humanos y el agente una máquina.

– Aunque, a veces, los usuarios acaben tratando al agente como si de un humano se tratase.

– La superioridad que los usuarios resaltan sobre los agentes (complejo de ser dioses creadores).

– La confusión entre asignar un género masculino o femenino al agente o al humano:

o A veces incluso cambiándolo de género.o Mayor tendencia a asumir que el agente es mujer.

– La capacidad del agente de aprender de las conversaciones con los usuarios.


47

Interacciones con agentes (V)

q Los principales temas de conversación usuario-agente suelen tratar de:

– La comunicación en general.– Las capacidades cognitivas del agente. – La distinción entre humanos y máquinas.– Emociones, motivaciones y relaciones.– Evaluación moral y creencias.

q Hay que tener en cuenta que estos temas de conversación cambian si se especifica algún objetivo para la interacción, como por ejemplo con agentes pedagógicos.


48

Jabberwacky (I)q Disponible en http://www.jabberwacky.com/george

q Ganador del premio Loebner 2005.

q No tiene ningún conocimiento gramatical ni entiende lo que se le dice.

q Responde por asociación de la frase de entrada con las respuestas de los usuarios:

– Cuenta con 10 millones de respuestas (creciendo).– El lenguaje inapropiado se filtra.

q Tiene animación completa de la cara, te mira y simula que respira.


49

Jabberwacky (II)


50

Joanq Disponible en http://www.icogno.com/joan.html

q Ganadora del premio Loebner 2006.

q Joan ya no sólo responde por asociación sino que se basa en el uso de scripts.

q Además, han mejorado su aspecto para que no parezca un robot.

q De hecho, han usado una nueva técnica Flash (videogrammetry) para que a partir de una persona grabada en vídeo se pueda simular que habla y se mueve.


51

Halq Disponible en http://www.zabaware.com/webhal/hal6alpha.asp

q Ganador del premio Loebner 2007.q Funciona de forma similar a Jabberwacky aprendiendo

del usuario.


52

Uso pedagógico de los agentes (I)

q Se pueden distinguir 3 tipos de interacción:– El agente enseña al usuario.– El usuario enseña al agente.– El agente sirve de acompañante virtual.

q Hay muchos agentes pedagógicos para aprendizaje de idiomas, ciencias,…Por ej.:

– Betty permite que los estudiantes le enseñen sobre temas científicos (Wagster et al., 2008).

– Willow tutoriza a los estudiantes usando modelos conceptuales generados automáticamente (Pérez-Marín, 2007).


53

Uso pedagógico de los agentes (II): Willow


54

Diálogos en lenguaje natural (I)q Conseguir un diálogo en el que realmente el ordenador

“entienda” lo que dice el usuario es una de las tareas más complicadas en PLN, pues involucra muchos pasos:


55

Diálogos en lenguaje natural (II): modelos (I)

– Gramáticas de diálogo:o Usan un autómata para ir pasando de un estado a otro

e ir construyendo el diálogo.

o Los estados terminales son los nombres y los no terminales actividades a realizar.

o Si fuera independiente del contexto se podría resolver en tiempo polinómico.

o La principal crítica contra su uso está en que el habla es multifuncional de un estado no hay sólo una posibilidad a otro estado.

o Sólo son útiles para expresar regularidades.


56

Diálogos en lenguaje natural (III): modelos (II)

– Diálogos basados en planificación:o Las personas cuando hablamos tenemos un plan

mental de lo que queremos decir. o Esto es lo que se trabaja aquí simulándolo con reglas

de inferencia, definiciones de acciones, modelos de las actitudes mentales de los participantes, expectativas de objetivos y acciones probables según el contexto.

o Pero el reconocimiento de planes constituye un proceso indecidible e incluso intratable.

– Teorías de acción conjunta:o El diálogo se presenta como una actividad compartida

con un objetivo común.


57

Beneficios

q La interacción persona-ordenador en lenguaje natural permite el acceso a los ordenadores de personas no técnicas.

q Facilita la fluidez de las conversaciones.

q Flexibiliza las consultas.

q Evita tener que aprender secuencias de menús o palabras clave.

q Reduce el soporte (reduciendo costes de mantenimiento).

q Favorece la accesibilidad.


58

Problemasq La situación actual del Procesamiento de Lenguaje

Natural aún impide una auténtica interacción en lenguaje natural.

q La falta de sentido común de los programas.

q El alto grado de ambigüedad de los idiomas.

q La diversidad de expresiones habladas y escritas (slang, acentos, errores,…).

q La forma de dirigirse a las máquinas puede ser grosera y fuera de contexto.


59

Caso de estudio: Agente Conversacional Pedagógico (ACP)


60

¿Qué es un ACP?q Un agente conversacional pedagógico (ACP) se puede

definir como una personificación o representación en un ordenador de la figura del profesor o del estudiante.

q En este contexto, la palabra agente debe entenderse como un personaje simulado por ordenador que:– Puede presentar características humanas.– Mostrarlas en forma de texto, voz y/o gráficos

q Las principales características de un ACP son:– Adaptabilidad, circuitos de retroalimentación– Soporte afectivo, capacidad de evolución


61

¿Qué no es un ACP?

q Un chatbot: el ACP debe poder mantener una conversación “inteligente” sobre un dominio.

q Sistema para reemplazar al profesor o al estudiante: el ACP está diseñado generalmente como complemento.

q Sistema de diálogo tutorial: el ACP debe estar representado con un personaje virtual animado o no.


62

Efectos del uso de ACPsq Efecto persona: la presencia de un agente en un

entorno interactivo, aunque no sea animado, puede tener un efecto positivo en la percepción de la experiencia educativa por parte del estudiante.

q Efecto Proteo: los estudiantes pueden aprender motivados por conseguir las características de sus avatares y parecerse a ellos/as.

q Efecto Protégé: los estudiantes pueden llegar a hacer un esfuerzo mayor por aprender para enseñar a su avatar que para aprender ellos mismos.


63

Tipos de agentes conversacionales pedagógicos

Agente comoprofesor

Agente comoestudiante

Agente como acompañante


64

Agente como profesor


65

Agente como profesor

q La investigación en agentes pedagógicos como profesores/tutores/mentores se remonta a 1970.

q Los primeros agentes eran muy limitados, sólo mostraban información, sin permitir interacción.

q En las siguientes décadas, se mejoró la animación, interacción y el contenido de la conversación con técnicas como LSA, redes semánticas o árboles.

q Algunos ejemplos son: Herman the Bug, Anne y Pierre, Steve, Guilly, Sam, CAPA, Autotutor, Baldi y Willow.


66

Herman the Bug (I) q Lester et al. desarrollaron en 1997 uno de los

primeros agentes para niños en edad escolar.

q De hecho, diseñaron varias modalidades del agente combinando o eliminando gestos y consejos verbales.

q Descubriendo de esta forma el Efecto Persona :– Los estudiantes decían que el agente les había

ayudado a hacer sus deberes.– Los estudiantes se mostraban más contentos con el

sistema cuando tenía el agente aunque no hablase.


67

Herman the Bug (II)


68

Anne y Pierre


69

Steve (I)q Agente en un entorno 3D que complementa al profesor

para entrenamiento naval actuando como:– Tutor para un miembro de un equipo.– Sustituyendo a un miembro faltante del equipo.

q También puede asumir el rol guía en el ambiente virtual de la nave señalando equipos y salas en el mundo 3D:– Apuntándolos directamente.– Mirándolos e indicando su importancia.– Realizando turnos en la conversación (muy limitada).

q El soporte emocional está limitado a asentir o negar con la cabeza (sin empatía).


70

Steve (II)


71

Guillyq Guilly fue desarrollado para enseñar a niños de entre 8 y

10 años a separar la basura.

q La retroalimentación se ofrece en forma de pistas en mensajes de texto, gestos corporales o faciales.


72

Samq Sam fue diseñado para desarrollar la capacidad

narrativa de niños en edad escolar.

q Sam se proyectaba sobre una pared detrás de un castillo y pedía a los niños que le ayudaran a contar un cuento con personajes sobre el castillo.


73

Autotutor (I) q Autotutor es uno de los ACPs más estudiados. Está

basado en teorías constructivistas, tiene iniciativa mixta de diálogo y animación 3D.

q Lleva investigándose desde finales de los año 90 por un equipo de más de 30 personas y utiliza técnicas como LSA, Dialogue Advance Network y speechacts.

q Según sus creadores es capaz de aumentar hasta 0.8 puntos en el resultado final de los exámenes.

q Actualmente se está ampliando su capacidad de detectar emociones y responder empáticamente al estudiante.


74

Autotutor (II)


75

Baldi q Baldi ejerce como tutor para entrenamiento del

lenguaje inglés en niños con déficit auditivo o para adultos en su aprendizaje como una segunda lengua.

q En su origen, Baldi es una cabeza animada para ir aprendiendo la pronunciación de palabras.


76

Video demo de Autotutor (2008)

http://www.youtube.com/watch?v=aPcoZPjL2G8


77

Agente como estudiante


78

Agente como estudianteq El enfoque de estos agentes se basa en el

paradigma “Learning by Teaching”, esto es que el estudiante aprenda al enseñar al agente conceptos o técnicas.

q En la universidad de Vanderbilt, el Dr. Biswas y su grupo han desarrollado varios TAs como Betty.

q Descubriendo el Efecto Protégé.

q También se ha investigado el uso de 2 agentes, uno es al que el estudiante debe enseñar y otro es el mentor que guía y enseña al estudiante.


79

Betty q Betty se utiliza como apoyo durante las clases de

ciencias de nivel primaria.

q El estudiante enseña a Betty mediante la creación de enlaces y nodos en mapas de conceptos.


80

Betty + Mr. Davis


81

Video demo de Betty (2008)

http://www.youtube.com/watch?v=Dn19kS1fuhI&feature=channel


82

Agente como acompañante


83

Agente como acompañanteq En este caso, el rol del agente no es autoritario, sino

fundamentalmente de apoyo emocional/social.

q Los orígenes de este tipo de agentes también se pueden encontrar en los años 90.

q Al principio, investigaron en las personalidades de los agentes (conflictivos, introvertidos, extrovertidos…)

q En la actualidad, la investigación se centra más en su inmersión en entornos 3D de juegos educativos.

q Algunos PALs son: SBEL, Crystal Island, Jake & Jane, MyPet y BILAT.


84

Los agentes de SBEL

q En el entorno Scenario-based language e-learning(SBeL) se utilizan los PALs para acompañar a los estudiantes en el aprendizaje de portugués brasileño.


85

Los agentes en Crystal Islandq El objetivo es mantener el estado emotivo del

estudiante mezclando agentes tutores con un PALs.

q También preguntan al estudiante que le ha parecido su respuesta para mejorarla en la próxima interacción.


86

Jake & Jane (I)q Jake y Jane son dos PALs “empáticos” exactamente

iguales excepto en su género (voces y presencia).

q Los agentes intentan empatizar con el estudiante imitando sus emociones y usando frases completas.

q Los agentes fueron integrados en Wayang Outpost un software que enseña matemáticas.

q Este software pregunta a los estudiantes cómo se encuentran cada 5 minutos.

q Los resultados de un experimento con 30 estudiantes demostraron que el postest era mejor para la chicas que habían estudiado con Jake.


87

Jake & Jane (II)


88

MyPetq El objetivo del PAL es acompañar en el aprendizaje de

chino motivando al estudiante.

q La hipótesis es que si los estudiantes atribuyen su fracaso a falta de esfuerzo reemprendarán la tarea.

q El agente es un animal de compañía que tendrá más energía en su barra vital cuántas más tareas completen en el sistema (más esfuerzo).

q De esta forma, los estudiantes podrán visualizar si están dedicándole suficiente esfuerzo. Del agente hay versiones tanto para PC como para PDA.


89

MyPet y MyMiniPet


90

Los agentes en BILAT (I)q En este caso los agentes son los personajes del

juego y realmente el estudiante no teclea sino que selecciona una opción del menú.

q El sistema se llama ELECT BiLAT (EnhancedLearning Environments with Creative Technologies for Bilateral negotiations) y su objetivo es preparar al estudiante para negociar con éxito.

q Las acciones de los estudiantes se evalúan como correctas, regulares o incorrectas.

q En los experimentos realizados se ha comprobado que la capacidad de negociación mejora de forma significativa cuando los estudiantes usan el sistema.


91

Los agentes en BILAT (II)


92

Debate (I)

q Leer el artículo: Angeli, A. D. & Brahnam, S. (2008), 'I hate you! Disinhibition with virtual partners', Interacting with computers 20.

q Comentar vuestra opinión sobre:1º) ¿En qué programas usariáis un agente?2º) ¿Creéis que tiene más ventajas o problemas permitir la

interacción en lenguaje natural?3º) ¿Qué pensáis sobre la forma en la que la mayoría de la

gente se dirige a estos agentes?4º) ¿Cómo se podría solucionar? 5º) ¿Cómo mejorariáis los agentes actuales?


93

Debate (II)

q Leer el artículo: Johnson, W. L.; Rickel, J. W. & Lester, J. C. (2000), 'Animated Pedagogical Agents: Face-to-Face Interaction in Interactive Learning Environments', Journal of Artificial Intelligence in Education 11, 47-78.

q Comentar vuestra opinión sobre:1º) ¿En qué aspecto de los agentes pedagógicos pensáis

que ha habido una mayor mejoría desde el año 2000?2º) ¿Cuáles son las características que consideráis

principales para estos agentes?3º) ¿Cómo pensáis que se podrían mejorar?4º) ¿Usariáis estos agentes para aprender? ¿para qué otros

usos?

Agentes Conversacionales

Documents

Transcript of Agentes Conversacionales