Sistema Experto Para El Modelado de Un Tutor Para El Aprendizaje de Estructuras Basicas de...

UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS FÍSICAS Y MATEMÁTICAS

ESCUELA ACADÉMICO PROFESIONAL DE INFORMÁTICA

“SISTEMA EXPERTO PARA EL MODELADO DE UN TUTOR PARA EL APRENDIZAJE DE

ESTRUCTURAS BASICAS DE PROGRAMACION”

TRABAJO DE GRADUACION

AUTOR

CASTRO REYNA FRANK PETER

ASESORA

YENNY MILAGRITOS SIFUENTES DIAZ

TRUJILLO – PERÚ

2013

Dedicatoria

A mis padres y hermano, por confiar en mí, por sus consejos, paciencia y apoyo constante a lo largo de mi vida, que con su esfuerzo y sacrificio me ayudaron a llegar a esta etapa y convertirme en un profesional.

Castro Reyna Frank Peter

Agradecimiento

Gracias a Dios por cada día de vida, a mi familia que siempre estuvo conmigo en las buenas y en las malas y a mi asesora por los conocimientos brindados y por la exigencia académica que fue aliento para la realización de este trabajo.


Presentación

Señores Miembros del Jurado:

Dando cumplimiento a las disposiciones contenidas en el Reglamento de

Grados y Títulos de la Facultad de Ciencias Físicas y Matemáticas, Escuela

Académico Profesional de Informática de la Universidad Nacional de Trujillo,

tengo a bien poner a vuestra consideración y criterio la Tesis intitulada:

“SISTEMA EXPERTO PARA EL MODELADO DE UN TUTOR

INTELIGENTE PARA EL APRENDIZAJE DE ESTRUCTURAS BASICAS

DE PROGRAMACION”, con la finalidad de obtener el Título de INGENIERO

INFORMÁTICO.

El presente trabajo de investigación tiene como uno de sus objetivos

principales entregar, tanto al lector como a los profesionales involucrados, el

desarrollo de un Tutor Inteligente que se adapte a las necesidades del alumno

para el aprendizaje de estructuras básicas de programación.


Sistema experto para el modelado de un tutor para el aprendizaje de estructuras básicas de programación

Frank Peter Castro Reyna 5

Índice General

Dedicatoria…………………………………………………………………............. 2

Agradecimiento….…………………………………………………………………. 3

Presentación………………………………………………………………………… 4

Resumen……………………………………………………………………………... 6

Abstract….…………………………………………………………………………… 7

INTRODUCCION………………………………………………………………….. 8

Planteamiento del problema…………………………………………………… 8

Formulación del problema…………………………………………………….. 9

Hipótesis………………………………………………………………………….. 9

MARCO TEORICO……………………………………………………………... 9

Sistemas Expertos…………………………………………………………….. 9

Inteligencia Artificial………………………………………………………… 10

Sistemas Inteligentes………………………………………………………… 13

JUSTIFICACION DEL PROBLEMA…………………………………………… 17

Desde el punto de vista práctico y social…………………………………… 17

Desde el punto de vista científico tecnológico…………………….............. 17

OBJETIVOS………………………………………………………………................ 18

Generales………………………………………………………………………… 18

Específicos……………………………………………………………………….. 18

CAPITULO I: MATERIAL Y METODOS……………………………………….. 19

1.1. Población……………………………………………………………….. 19

1.2. Muestra….……………………………..……………………………….. 19

1.3. Operacionalizacion de variables...…………………………….……. 20

1.4. Diseño de investigación……………………………………………… 21

1.5. Metodología……………………………………………………………. 22

CAPITULO II: RESULTADOS……………………………………………….......... 30

CAPITULO III: CONCLUSIONES………………………………………………... 32

Recomendaciones……………………………………………………………………. 32

Referencias Bibliográficas………………………………………………………….. 33



Resumen

El siguiente trabajo de investigación trata sobre la elaboración de un

sistema tutor inteligente que actuará como un tutor particular del estudiante

que permita definir y aplicar una estrategia metodológica para la enseñanza de

las estructuras básicas de programación que es capaz de guiar al alumno a lo

largo de un dominio en particular del conocimiento, resolviendo durante el

proceso tareas tales como la elaboración de una estrategia de tutorización, la

generación de ejercicios a la medida de las necesidades del alumno y la

resolución pedagógica de estos ejercicios, así como la explicación de la solución

haciendo uso del modelado del tutor enmarcado dentro de la arquitectura de

los sistemas tutores inteligentes con sus submódulos e interfaces, utilizando las

herramientas que provee la ingeniería de software y la inteligencia artificial.

Palabras Clave: tutor inteligente, inteligencia artificial, modelado de tutor,

sistemas tutores inteligentes.



Abstract

The following work of investigation there treats on the production of a

system intelligent tutor who will act as a particular tutor of the student who

allows to define and to apply a methodological strategy for the education of the

basic structures of programming that is capable of guiding the pupil along a

domain especially of the knowledge, solving during the process such tasks as

the production of a strategy of tutorización, the generation of exercises to the

measure of the needs of the pupil and the pedagogic resolution of these

exercises, as well as the explanation of the solution using the shaped one of the

tutor framed inside the architecture of the systems intelligent tutors With his

submodules and interfaces, using the tools that there provides the engineering

of software and the artificial intelligence.

Key Words: Intelligent tutor, artificial intelligence, shaped of tutor, systems

intelligent tutors.



Introducción Planteamiento del problema

Los estudiantes que inician la carrera de Informática en la Universidad

Nacional de Trujillo presentan dificultades en el aprendizaje de un lenguaje de

programación, esto se refleja según las estadísticas recogidas del departamento

de informática (a través de sus evaluaciones parciales y finales en el curso) en

un alto porcentaje de alumnos que no llegan a aprobar la materia (36%) y en el

bajo rendimiento académico (11.4), por lo que requieren de una guía docente o

algún sistema tutor inteligente.

Este tema de investigación surge motivado por la necesidad de encontrar

una alternativa diferente para el aprendizaje de las asignaturas de Algoritmos y

Programación de la carrera profesional de Ingeniería Informática de la

Universidad Nacional de Trujillo. Los alumnos que ingresan a la carrera de

Informática se caracterizan por ser un grupo heterogéneo, con diverso grado de

pre requisitos en el conocimiento de programación, con diferentes ritmos de

aprendizaje, por lo que la enseñanza a estos grupos se realiza teniendo en

cuenta el nivel promedio de los alumnos, lo que conlleva que muchos alumnos

no logren alcanzar los objetivos planteados, ya que ellos necesitan mayor

reforzamiento y que otro grupo de alumnos se ven limitados en su ritmo de

aprendizaje esperando al grupo promedio.

Por este motivo es necesario desarrollar un sistema tutor inteligente

(utilizando sistemas inteligentes) que realice la tarea de tutoría adaptándose a

diferentes modalidades o estrategias de enseñanza. Esta podría ser una

alternativa útil sobre todo para aquellos estudiantes que requieren un mayor

grado de tutoría del tipo uno a uno, es decir personalizado.



Formulación del problema

¿Cómo modelar un tutor inteligente para el aprendizaje de estructuras básicas

de programación?

Hipótesis

El desarrollo de un sistema experto permitirá modelar un tutor para el

aprendizaje de estructuras básicas de programación.

Marco Teórico

Sistemas Expertos

Un sistema experto es como un sistema informático (hardware o software) que

simula a los expertos humanos en un área determinada [7]. Aclaramos la definición de que un sistema experto debe ser capaz de procesar y

memorizar información, luego deberá aprender y razonar para las situaciones

inciertas donde se haga uso de estos sistemas y al final tomar sus propias

decisiones para luego enviarlas a una persona u otro sistema experto. Algunas

aplicaciones de los sistemas expertos se han dado en distintas situaciones, tales

como:

Transacciones bancarias

Control de tráfico

Problemas de planificación

Diagnostico medico

Toma de decisiones para préstamo financiero, etc.



Tipos:

Según la técnica que utilizan:

Sistemas basados en reglas:

Las cuales son formadas por una base o conjunto de reglas que

representa las relaciones entre variables, tomando como orden la

forma de resolver los problemas de la manera “Si premisa, entonces

conclusión", como por ejemplo lo que se muestra en las figuras

siguientes:

Figura 1: Conjunto de seis reglas.

Figura 2: Representación gráfica de las 6 reglas.

Regla 1 Si A y B

Entonces C

Regla 2 Si D, E y F Entonces G

Regla 3 Si H e I

Entonces J

Regla 4 Si C y G

Entonces K

Regla 5 Si G y J

Entonces L

Regla 6 Si K y L

Entonces M



Sistemas basados en probabilidad:

La cual se forma por medio de una base de conocimiento que

contiene formulas probabilísticas y el motor de inferencia que

contiene muchos métodos probabilísticos para hallar, en sí, la

probabilidad de los sucesos aplicando distintas hipótesis de

independencia.

Sistemas basados en redes neuronales artificiales:

Una red neuronal artificial es un procesador distribuido en paralelo

de forma masiva que tiene una tendencia natural para almacenar

conocimiento de forma experimental y lo hace disponible para su

uso, su funcionamiento se basa en función a las neuronas del cerebro

humano, en la figura siguiente vemos una red de neuronas

artificiales.

Figura 3: Representación gráfica de una red neuronal artificial.

Capa de nodos de entrada

Capa de neuronas ocultas

Capa de neuronas de salida



Sistemas basados en árboles de decisión:

El árbol de decisión es una representación jerárquica de atributos con

el fin obtener conocimiento específico para solucionar problemas en

donde se deben tomar decisiones.

Arquitectura

Los sistemas expertos están conformados por componentes, los cuales se

muestran en la Figura 4 a continuación:

Figura 4: Esquematización de los componentes de un sistema experto, en la cual las

flechas vienen a ser los flujos de información.

Especialistas Expertos Humanos

Base de Datos

Usuario

Ingenieros Conocimientos

Base Conocimient

o

Subsistema Adquisición

Conocimiento

Subsistema Control

Coherencia

Subsistema Aprendizaje

Subsistema Adquisición Información

Subsistema Interface Usuario

Subsistema

Explicación

Memoria Trabajo

Subsistema Ejecución-

Acción

Motor Inferen

cia



Componentes:

Base de Conocimiento: Conocimientos del experto humano

codificado (estático).

Base de Datos/Hechos: Memoria temporal de trabajo (dinámico).

Motor de Inferencia: Combina la base del conocimiento y la base

de hechos para deducir nuevos hechos y poder resolver

problemas.

Subsistema Interfaz de Usuario: Es el medio donde se comunica

el usuario con el sistema experto.

Subsistema Explicación: Es la justificación y explicación de los

resultados obtenidos.

Subsistema de Adquisición de Conocimiento: Es el modulo

donde se añadirán nuevos conocimientos a la base del

conocimiento.

Subsistema de Aprendizaje: Donde aprende a modular la

resolución de los problemas.



Campos de Aplicación

Los sistemas expertos tienen muchas aplicaciones, de las cuales veremos

algunos ejemplos en donde se desenvuelve con gran eficiencia en con

mundo real.

Transacciones bancarias

Hoy en día se demuestran que los sistemas expertos incorporados en los

cajeros automáticos o mediante las líneas telefónicas resultan ser de gran

utilidad para poder hacer nuestras transacciones bancarias.

Control de tráfico

Es uno de las aplicaciones de mayor importancia de los sistemas

expertos. No hace mucho tiempo, el flujo de tráfico en las calles se una

ciudad se controlaban mediantes guardias de tráficos ubicados en las

intersecciones de dichas calles. Hoy en día se usan los sistemas expertos

en los semáforos haciéndoles operar de manera automática regulando el

flujo de tráfico en las calles de la ciudad.

Problemas de planificación

Los sistemas expertos puedes ser utilizado para resolver problemas de

planificación de manera que optimicen ciertos objetivos, como por

ejemplo:

Organización y la asignación de aulas para un examen.

Planificación de doctores y enfermeras en un gran hospital.

La planificación de autobuses para las horas de congestión o de

días festivos.



Diagnóstico médico

Sin duda uno de las aplicaciones más importantes de los sistemas

expertos viene a ser en el campo medico por las cual puede ser usado de

muchas maneras:

Conocer la información de una enfermedad por medio de algunos

síntomas dados.

Actualizar los conocimientos de los doctores.

Cuando se desea saber qué enfermedad tiene un paciente y que

pruebas médicas deben realizarse.

Desarrollo de un sistema experto

En la figura 5 se muestra las etapas para diseñar e implementar un sistema

experto.

Figura 5: Etapas de desarrollo de un sistema experto.



Planteamiento del problema: Es la primera fase por la cual se nos

centraríamos en un problema a resolver.

Encontrar al experto humano: Es la persona y/o base de datos

que pueden resolver el problema.

Diseño del sistema experto: Por la cual como su nombre indica,

comenzamos a diseñar el motor de inferencias, almacenamos los

datos en la base del conocimiento, etc.

Elegir herramienta de desarrollo: En esta etapa veremos si

usaremos un lenguaje de programación o una herramienta para

desarrollar el sistema experto.

Desarrollo y prueba del prototipo: En esta etapa, cuando el

prototipo no cumple con los requisitos establecidos pasara a las

etapas anteriores hasta que esté conforme a lo que le encomiende

dichos requisitos.

Refinamiento y generalización: Es la parte o etapa donde se

pulen los fallos y se le integran nuevas tareas que no se integraron

en el inicio.

Mantenimiento y puesta al día: La cual se da si el prototipo tiene

algunos defectos o problemas, en esta etapa se corrige estos

problemas, se actualiza, etc.



Diferencias entre un sistema experto y un experto

humano:

En la tabla N° 1, nos da una idea del porque debemos usar un sistema experto

en comparación de un experto humano:

EXPERTO HUMANO EXPERTO ARTIFICIAL

No perdurable Permanente

Difícil de transferir Fácil de transferir

Difícil de documentar Fácil de documentar

Impredecible Consistente

Caro Alcanzable

Creativo No inspirado

Adaptativo Necesita ser enseñado

Experiencia Personal Entrada Simbólica

Enfoque amplio Enfoque cerrado

Conocimiento del sentido común Conocimiento técnico

Tabla N° 1: Diferencias entre experto humano y experto artificial.



Ventajas

Están disponibles ininterrumpidamente de día y noche, ofreciendo

siempre su máximo desempeño.

Pueden duplicarse ilimitadamente, tener tantos de ellos como se

requieran.

Pueden trabajar en entornos hostiles y peligrosos.

Siempre se ajustan a las normas establecidas y son consistentes en

su desempeño, no desarrollan apreciaciones subjetivas,

tendenciosas, irracionales o emocionales.

No padece de olvido, fatiga, dolor o comete errores de cálculo.

No requiere un sueldo, promociones, seguros médicos,

incapacidades.

Siempre están dispuestos a dar explicaciones, asistir o enseñar a la

gente, así como a aprender.

Pueden tener una vida de servicio ilimitada.

Limitaciones

Se pueden deducir las siguientes limitaciones de los sistemas expertos:

El conocimiento es difícil de extraer de los expertos humanos.

La aproximación de cada experto a la situación evaluada puede

ser diferente.

Tienen una noción muy limitada acerca del contexto de problema,

no pueden percibir todas las cosas que un experto humano puede

apreciar de una situación.

Pueden existir decisiones que sólo son de competencia para un ser

humano y no una máquina.

No saben cómo subsanar sus limitaciones, no son capaces de

trabajar en equipo o investigar algo nuevo.

Son muy costosos de desarrollar y mantener.



Inteligencia Artificial

A diferencia de la filosofía y la psicología, que tratan de entender cómo

funciona la inteligencia en abstracto, la Inteligencia Artificial (IA) es un intento

por descubrir y aplicar los aspectos de la inteligencia humana que pueden ser

simulados mediante construcciones artificiales.

Se observa que hasta en las etapas tempranas de su desarrollo, la Inteligencia

Artificial (IA) ha presentado productos sorprendentes en sus aplicaciones

[Stuart et al., 1995].

Hoy en día, el campo de la Inteligencia Artificial (IA) enmarca varias

subáreas tales como los sistemas expertos, la demostración automática de

teoremas, el juego automático, el reconocimiento de la voz y de patrones, el

procesamiento del lenguaje natural, la visión artificial, la robótica, las redes

neuronales, etc.

Figura 6: Relación entre la IA, la Ingeniería del Conocimiento y otras áreas.



La inteligencia artificial (IA) surge así como una disciplina cuyo objetivo es

proveer técnicas para el desarrollo de programas capaces de simular la

inteligencia que utilizan los humanos para solucionar problemas en una gran

cantidad de dominios [Krishnamoorthy et al, 1996], por lo que la IA provee un

conjunto de formalismos que pueden representar los problemas, las

herramientas y técnicas para resolverlos.

Según diversos autores [Krishnamoorthy et al, 1996; Newell, 1969] las

actividades esenciales asociadas con la inteligencia son:

Actividades esenciales:

Responder de manera flexible a una gran variedad de situaciones.

Dar sentido a los mensajes contradictorios y/o ambiguos.

Reconocer la importancia relativa de los diferentes elementos de la

situación problemática planteada.

Encontrar similitudes entre situaciones, sin importar las diferencias

que las separan.

Encontrar las diferencias entre situaciones, sin importar lo similares

que puedan parecer.

Por su amplio contenido, es difícil definir a la Inteligencia Artificial (IA), pero

resulta de interés para este trabajo arribar a un concepto esclarecedor, por lo

que se expondrán diferentes posiciones acerca de la IA.

Si bien existen muchas definiciones de Inteligencia Artificial (IA) en las que

cada autor la presenta de una manera ligeramente diferente, aquí se resumirán

las más representativas, agrupadas como lo propone Stuart [Stuart et al., 1995]

en dos categorías:

Las que conciernen a los procesos de pensamiento y razonamiento.

Las que conciernen al comportamiento

En general, estas definiciones miden el éxito de la implementación de

herramientas de la Inteligencia Artificial (IA) de dos maneras diferentes:



En términos de performance humana: Es decir, capacidad de resolución

de problemas, capacidad de razonamiento abstracto, etc.

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

establece Stuart [Stuart et al., 1995] quien define a un sistema como

racional “si hace lo correcto”, es decir, una acción a la que llega por

medio de procesos lógicos mesurables.

Definiciones de la Inteligencia Artificial

Bellman en 1978 la definió como: “La automatización de las actividades

que asociamos con el pensamiento humano, actividades como la toma de

decisiones, la solución de problemas y el aprendizaje”. Esta definición

también es aplicada por Villareal Goulat [Villareal Goulat, 2001].

Haugeland en 1985 la definió como: “El nuevo y excitante esfuerzo de

hacer pensar a las computadoras”…”computadoras con mente, en el

sentido completo y literal de la frase”.

Según Charniak y McDermott en 1985 es: “El estudio de las facultades

mentales a través del uso de modelos computacionales”. Para Kurzweil

en 1990 es: “El arte de crear máquinas que realicen funciones que

requieran una cierta inteligencia cuando estas tareas son desempeñadas

por personas”.

Schalkoff en 1990 la definió como: “Un campo de estudio que busca

explicar y emular el comportamiento inteligente en términos de procesos

computacionales”.

Para Rich y Knight en 1991 es: “El estudio para hacer a las computadoras

realizar tareas, en las que por el momento los humanos son mejores”.

Según Winston en 1992 es: “El estudio de la computación para hacer

posible el percibir, razonar y actuar”.

Luger y Stubblefield en 1993 la definieron como: “La rama de la ciencia

de la computación que se encarga de la automatización del

comportamiento inteligente”.



Por último, se considera a los dos pioneros de la investigación en

Inteligencia Artificial, Barr y Feigenbaum, quienes la definen de la

siguiente manera: “La Inteligencia Artificial es la parte de la Ciencia que

se ocupa del diseño de sistemas de computación inteligentes, es decir,

sistemas que exhiben las características que asociamos a la inteligencia

en el comportamiento humano que se refiere a la comprensión del

lenguaje, el aprendizaje, el razonamiento, la resolución de problemas,

etc.” [Barr et al., 1981].

Todas estas definiciones mencionadas son válidas y cada una agrega un

aspecto al amplio campo de estudio que es la Inteligencia Artificial (IA).

Sistemas Tutores Inteligentes

Guardia Robles [Guardia Robles, 1993] resume un conjunto de características

que deben cumplir todos los Sistemas Tutores Inteligentes (STI):

Deben ser “inteligentes” en comparación con los sistemas tradicionales de

instrucción por computadora (CAI), siendo el diferencial de inteligencia los

métodos de la rama de la Inteligencia Artificial (IA). Deben poseer la capacidad

tanto para resolver el problema que se le presenta a un estudiante como

también la capacidad de explicar cómo lo resolvió.

Como en los CAI tradicionales, permiten una mayor individualización en la

instrucción, llegando más lejos, a través del entendimiento de las metas y

creencias del estudiante.

Se usan técnicas de Inteligencia Artificial para planeación, optimización y

búsquedas, dejando que el sistema decida el orden de presentación del

contenido al alumno.

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

esperan para que el alumno realice una acción), hasta los que constantemente

presentan nueva información (tutor oportunista), con casos intermedios en los

que se enseña un concepto en un momento determinado o solo cuando el

alumno lo pide.



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

utilización de multimedia y del WWW.

No basta con indicarle un error al estudiante, el sistema debe hacer hipótesis

basadas en el historial de errores del alumno y detectar la fuente del problema.

Con estas consideraciones en mente, Guardia Robles [Guardia Robles, 1993]

presenta una definición para los tutores inteligentes: “Un Sistema Tutor

Inteligente es un sistema de enseñanza asistida por computadora, que utiliza

técnicas de Inteligencia Artificial, principalmente para representar el

conocimiento y dirigir una estrategia de enseñanza; y es capaz de comportarse

como un experto, tanto en el dominio del conocimiento que enseña (mostrando

al alumno cómo aplicar dicho conocimiento), como en el dominio pedagógico,

donde es capaz de diagnosticar la situación en la que se encuentra el estudiante

y de acuerdo a ello ofrecer una acción o solución que le permita progresar en el

aprendizaje.” Villareal [Villareal, 2003] plantea que los Sistemas Tutores

Inteligentes (STI) simulan a un tutor autoritario que posee una estrategia de

enseñanza de los conceptos del dominio del tipo uno a uno. Además es un

experto en un dominio de conocimiento determinado y actúa como guía, tutor o

entrenador. Este tutor debe poder adaptarse a las necesidades, que surgen a lo

largo de la interacción en una sesión de tutelado, del estudiante alumno.

Arquitectura y Componentes

Los Sistemas Tutores Inteligentes (STI) tienen como principal objetivo impartir

la enseñanza de un contenido dado un dominio en la forma más adecuada a las

necesidades individuales del alumno. Estos sistemas se basan en una

arquitectura compuesta por tres grandes módulos: el módulo del tutor, el

módulo del alumno y el módulo del dominio [Villareal et al., 2001]. Podría

agregarse un cuarto módulo denominado el módulo de evaluación y, un quinto

denominado módulo de interface y el ecosistema propuesto por Cataldi

[Cataldi, 2004].



Módulo del Alumno: Este módulo debe representar el estado inicial

del alumno y sus características individuales, entre ellas una de las más

importantes es el conocimiento individual instantáneo sobre el dominio

[Villareal Goulart et al., 2001]. Guardia Robles [Guardia Robles, 1993] lo

define como: “El modelo del estudiante, que refleja cuánto conoce el

estudiante sobre el dominio, así como las experiencias cognitivas y de

aprendizaje que ha llevado, del cual puede obtenerse un diagnóstico.”

Módulo del Tutor: Este módulo posee el conocimiento sobre las

estrategias y tácticas de enseñanza para poder seleccionarlas en función

de las características del alumno, que están almacenadas en el módulo

del alumno [Villareal Goulart et al., 2001]. Pero debe ir más allá de la

experiencia en el dominio, ya que debe ofrecer a cada estudiante un

método de enseñanza de acuerdo con sus necesidades.

Módulo del Dominio: Este módulo posee el conocimiento de la

materia formado por las reglas de producción, estereotipos, etc. De aquí

el módulo tutor obtiene el conocimiento que debe enseñar [Villareal

Goulart et al., 2001]. Definido como “El modelo experto o del dominio, el

cual versa sobre la materia o curso que se impartirá” [Guardia Robles,

1993].

Módulo de Evaluación: Se encarga de realizar una evaluación

general del sistema y generar estadísticas acerca de los avances de los

estudiantes; pudiendo efectuar el diagnóstico evolutivo luego de cada

uno de los estados considerados, de este modo podría también predecir

el comportamiento en los eventos futuros. La evaluación de los

estudiantes debe ser constante y durante la carga del proceso, con

instancias de autoevaluación. También se deberán generar informes a

utilizar para evaluar al sistema como método apto de enseñanza.



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

alumno real, que se encarga de presentar el material del dominio y

cualquier otro elemento didáctico de la manera correcta [Villareal

Goulart et al., 2001]. “La interface, que permite a los usuarios interactuar

con el sistema. Se distinguen tres tipos específicos de usuarios: el

Estudiante, el Instructor, y el Desarrollador del sistema.”[Guardia

Robles, 1993]. Para su diseño pueden seguirse los criterios ergonómicos

basados en el estándar ISO 9241 para Human Computer Interface (HCI)

u otros similares.

Modelado del Tutor

Los primeros tres módulos conforman la arquitectura clásica propuesta por

Carbonell [Carbonell, 1970] y también funcional de los STI [Villareal Goulart et

al., 2001] Esta postura presentó grandes avances en el modelado de ambientes

educativos, ya que separó el dominio de la forma en la que éste es utilizado

[Villareal Goulart et al., 2001].

Figura 7: Estructura clásica de un Sistema Tutor Inteligente propuesta por

Carbonell [Carbonell, 1970].



Justificación del Problema

Desde el punto de vista práctico o social

Esta investigación encuentra su justificación al proveer de una Asesoría

personalizada del estudiante que mejorará el rendimiento del mismo, Por lo

tanto, este trabajo surge motivado por las debilidades detectadas en el análisis y

la existencia de una falta de estandarización para generar Sistemas Tutores

Inteligentes (STI) con de propósito específico que puedan aplicarse a diferentes

perfiles, en particular al modelado del tutor.

Desde el punto de vista científico tecnológico

En este trabajo se plantea la solución tomando en cuenta como dominio de

aplicación el correspondiente al área de Programación Básica. El módulo del

tutor debe diseñarse de tal modo que pueda brindar una solución adecuada a

los problemas descritos en la problemática que presentan los estudiantes para

mejorar el rendimiento de ellos aportando este sistema de Asesoría inteligente a

la comunidad científica.



Objetivos

Generales

Desarrollar un sistema experto para modelar un tutor para el

aprendizaje de estructuras básicas de programación.

Específicos

Establecer los fundamentos que sustentan las teorías seleccionadas.

Seleccionar los componentes del módulo del tutor mediante el uso de

submódulos que permitan guiar a los estudiantes en el proceso de

aprendizaje que manera que respondan a sus necesidades

Modelar el subsistema tutor enmarcado dentro de la arquitectura de los

sistemas tutores inteligentes con sus submódulos e interfaces, utilizando

las herramientas que proveen la ingeniería de software y la inteligencia

artificial.

Contrastar la hipótesis de investigación



Capítulo I

Material y métodos 1.1. Población:

La población de estudio está constituida por los alumnos de 1er ciclo de la

carrera de Ingeniería informática de la Universidad Nacional de Trujillo.

1.2. Muestra:

Basándonos de la metodología del muestreo para hallar el cálculo del tamaño

muestral de una población infinita se presenta a continuación la fórmula

definida:

Donde:

n = Tamaño de muestra representativa que deseamos obtener.

Z = valor correspondiente a la distribución de Gauss.

P = proporción en que la variable estudiada se da en la población.

E = Error de estimación.

De acuerdo a las variables dadas a continuación:

Z=1.85 para el 90% de confianza

P = 0.91(caso más desfavorable, desconocido)

E = casi 15% --> 0.14

Obtenemos:

n= (1.852 * 0.91 *(1 - 0.91)) / 0.142

n = 12.77 dando así un aproximado de una muestra de 12 personas (12

alumnos de la carrera de Ingeniería Informática de la Universidad

Nacional de Trujillo).



1.3. Operacionalización de variables:

1.3.1. Variable independiente:

Sistema experto.

1.3.2. Variable dependiente:

Modelado del tutor para el aprendizaje de estructuras básicas de

programación.

1.3.3. Indicadores:

Los elementos a considerar al momento de la medición, se expresan en el

siguiente cuadro:

Variables Indicadores

Independiente

Sistema experto.

Definir las variables de entrada.

Análisis del sistema experto.

Diseño y construcción del sistema

experto.

Dependiente

Modelado del tutor para el

aprendizaje de estructuras

básicas de programación

Rendimiento académico del

aprendizaje de las estructuras básicas

de programación.

Porcentaje de alumnos aprobados.

Tabla N° 2: tabla de variables con sus respectivos indicadores.



1.4. Diseño de investigación:

El método utilizado es inductivo, porque de los informes obtenidos

(estadísticas del departamento de informática) se puede aplicar tecnología

de tutor inteligente a los estudiantes según su perfil.

Diseño de contrastación:

Este diseño se diagrama de la siguiente manera:

Dónde:

X = Desarrollo de un sistema experto (VI)

O=Aprendizaje de estructuras básicas de programación (VD)

X

O



1.5. Metodología:

Metodología de Desarrollo de Buchanan:

Uno de los primeros métodos de desarrollo estructurado de sistemas

inteligentes fue el propuesto por Buchanan y otros autores en 1983.

Según estos autores la adquisición del conocimiento de un sistema inteligente, y

por extensión la construcción de todo el sistema, podía dividirse en las cinco

fases dela figura 8: identificación, conceptualización, formalización,

implementación y prueba.

Figura 8: Esquematización de la metodología de Buchanan.

Sin embargo el proceso real no está tan bien definido como puede sugerir la

figura 8, y más bien representa una aproximación a las distintas y complejas

fases que se llevan a cabo a la hora de desarrollar un sistema inteligente, y que

pueden variar de una situación a otra.

Identificación

Conceptualización

Formalización

Implementación

Pruebas

Requisitos

Conceptos

Estructuras

Reglas

Rediseños



En síntesis, el método de Buchanan se muestra en dos fases, como lo muestra la

siguiente Tabla N° 3, que describe en cada una de ellas los componentes que lo

conforman.

FASE 1

Identificación

Seleccionar al experto, fuentes y medios

de conocimiento y clara definición del

problema.

Conceptualización

Encontrar los conceptos claves y las

relaciones necesarias para caracterizar el

problema.

FASE 2

Formalización

Implementación

Prueba

Reformulación permanente de conceptos,

rediseño de la forma de representación,

refinamiento del sistema implementado,

críticas y sugerencias de los expertos

permiten una mejora y un control del

funcionamiento del sistema.

Tabla N° 3: cuadro de fases de metodología de Buchanan.



La descripción de cada una de estas fases es la siguiente:

Identificación:

Esta fase abarca desde la lectura de libros o artículos, las entrevistas o

charlas con las personas familiarizadas con el tema y la búsqueda de un

experto que esté dispuesto a colaborar en la construcción del sistema; como

así también la definición de cuáles son las funciones o tareas más idóneas

para ser realizadas por el sistema experto.

Estas tareas son importantes para determinan que lenguaje y que sistema se

usará para el trabajo de investigación.

En esta etapa el conocimiento del dominio del problema debe ser razonable

para poder entenderse con el experto humano, comprendida también como

la etapa de familiarizarse con el problema y el dominio.

Aquí también se reconocen aspectos importantes del problema, como son

los participantes (expertos del dominio, ingenieros del conocimiento y

futuros usuarios), las características del problema (tipo, subtareas de que se

compone, terminología a utilizar, aspectos fundamentales, etc.), los recursos

disponibles (fuentes de conocimiento, facilidades computacionales, tiempo

de desarrollo, financiación, etc.), y las metas a alcanzar (formalizar

conocimiento experto, distribuir experiencia, ayudar a la formación de

nuevos expertos, etc.).



Conceptualización:

Fase mediante la que se trata de organizar el conocimiento según un

esquema conceptual. El experto y el ingeniero del conocimiento tratan de

encontrar conceptos que representen el conocimiento del experto, al mismo

tiempo que intentan determinar cómo es el flujo de información durante el

proceso de resolución de problemas realizando entrevistas con el experto,

con el objetivo de identificar y caracterizar el problema informalmente.

Búsqueda de conceptos que representen el conocimiento del experto.

El experto de campo y el ingeniero de conocimiento definen el alcance del

sistema experto, es decir, que problemas va a resolver concretamente el

sistema experto, en esta etapa se tiene que delimitar el sistema.

Con el problema adecuadamente definido el ingeniero de conocimiento

inicia a determinar los principales conceptos del dominio que se requieren

para realizar cada una de las tareas que va a resolver el sistema.

Este trata de entender que conceptos son relevantes e importantes

solicitándole al experto que explique y justifique los razonamientos que

utiliza para resolver los problemas. Esto es importante para la tarea de

definición del sistema experto y para mantener una adecuada

documentación del mismo, ya que es útil para la tarea de diseño,

construcción y para posteriores modificaciones del sistema.

El ingeniero de conocimiento debe prestar atención al experto de campo

para encontrar la estructura básica que el experto utiliza para resolver el

problema.

Está etapa está formada por una serie de mecanismos organizativos que el

experto de campo usa para manejarse en ese dominio. Esta estructura básica

de organización del conocimiento le permite al experto realizar ciertos tipos

de inferencias.



El ingeniero de conocimiento además debe reconocer las estrategias básicas

que usa el experto cuando desarrolla su tarea, que hechos establece primero,

que tipos de preguntas realiza primero, si define supuestos inicialmente sin

bases con información tentativa, como determina el experto que pregunta

debe usar para refinar sus suposiciones y en qué orden el experto prosigue

con cada subtarea y si ese orden varía según el caso.

La estructura del conocimiento indica que tareas y términos está usando y la

estrategia indica cómo y cuándo el sistema experto debe establecerlas.

Formalización:

Esta fase consiste en traducir los conceptos clave, los subproblemas, y las

características del flujo de información, identificados durante la fase

anterior, en representaciones formales basadas en herramientas o esquemas

de la ingeniería del conocimiento.

El ingeniero de conocimiento debe formalizar el conocimiento obtenido del

experto. Esta tarea implica definir que arquitectura permitirá una mejor

organización del conocimiento.

Es necesario elegir la organización, lenguaje y medio ambiente de

programación adecuados para la aplicación particular.

Se definen los conceptos primitivos, con la forma de representación elegida.

Este es el primer paso hacia la implementación del prototipo.

El ingeniero de conocimiento deberá a medida que se desarrolla el prototipo

lo siguiente:

Que el formalismo usado es el apropiado para reflejar los conceptos y el

proceso de inferencia del experto.



Que las características particulares de construcción del lenguaje capturen

exactamente los aspectos estructurales más importantes de los conceptos

usados por el experto.

Que la estructura de control del lenguaje al activar las reglas refleja la

estrategia usada por el experto.

Que las reglas reflejen asociaciones y métodos que:

Son los usuarios por el experto

Son medios aceptables de dichos métodos

El ingeniero de conocimiento puede presentar las reglas definidas y en

ocasiones los resultados obtenidos al usar las reglas, para que el experto

manifieste su opinión sobre la representación y soluciones definiendo el

sistema experto prototipo.

Implementación:

En esta fase, el ingeniero de conocimiento formula reglas, y estructuras de

control, que representan los conceptos y el conocimiento formalizado. El

resultado es un programa prototipo que nos permite comprobar si hemos

conceptualizado y formalizado bien el conocimiento que el experto tiene

sobre el problema.

Se refina el sistema prototipo, depurado la base de conocimientos, refinando

reglas, rediseñando la estructura del conocimiento, o reformulando

conceptos básicos, con el objetivo de capturar información adicional que

haya proporcionado el experto. También se consultan en esta etapa otros

expertos para corroborar, controlar, ampliar y refinar el prototipo, es la fase

de depuración del sistema prototipo.



Prueba:

Esta fase consiste en la evaluación del rendimiento del prototipo construido

para encontrar errores o anomalías en la base de conocimientos o en los

mecanismos de inferencia.

Cuando el sistema prototipo ha crecido tanto que resulta difícil de manejar

el ingeniero de conocimiento rediseña un sistema más eficiente. Este nuevo

sistema deberá refinarse y extenderse a fin de completar así el desarrollo del

sistema experto.

Esto es transformar efectivamente el sistema prototipo en un sistema

experto aplicable optimizando el sistema experto prototipo.

Retroalimentación de Buchanan:

Buchanan sitúa los lazos de realimentación después de la fase de prueba,

pero también indica que el proceso no tiene por qué seguir estrictamente la

secuencia representada en la figura anterior. Autores posteriores, como

Mayrhauser, señalan que las retroalimentaciones pueden aparecer entre

cualquier par de fases de la metodología.

Así, por ejemplo, si el ingeniero del conocimiento no encuentra reglas

adecuadas durante la implementación puede requerir una vuelta atrás y una

reformulación del problema. La nueva representación del ciclo de vida de

los sistemas inteligentes sería tal y como se presenta en la siguiente Figura 9,

una red completamente comunicada.



Figura 9: Ciclo de vida de un sistema experto.

Las estructuras de este tipo son muy complejas de controlar y de manejar, ya

que el número de iteraciones entre las fases es desconocido, y los objetivos

pueden cambiar a medida que avanza el desarrollo. También es difícil llevar a

cabo un control de los progresos realizados.



Capítulo II: Resultados

Identificar los objetivos para los alumnos :

Establece cuál es el objetivo de la sesión pedagógica que se está llevando

a cabo y qué es lo que se pretende obtener como resultado para los

estudiantes una vez finalizada dicha sesión.

Para esto el agente docente usará la información sobre el alumno

proveniente del agente alumno, según su perfil.

Ser capaz de detectar las necesidades del alumno:

Esto se tiene que hacer en base a los requerimientos del alumno para

modificar la estrategia de enseñanza si así fuera necesario.

Supervisar y establecer el avance hacia los objetivos:

Esto se refleja en el nivel del alumno según su avance.

Seleccionar los protocolos pedagógicos más eficientes:

Esto se debe hacer para cada una de las sesiones pedagógicas a fin de

impartirla de tal manera de lograr los mejores resultados con los

elementos disponibles, que se pueden obtener a través del módulo del

estudiante y del módulo del dominio.

Presentar la explicación de un concepto:

Si es necesario de diferentes maneras, para variar el modo de presentar

un tema si el alumno no alcanza a comprender el concepto nuevo.

Esta tarea se realiza en colaboración con el agente Docente, el agente

Alumno, el Gestor de Estrategias, el Módulo de Dominio y el Generador

de Lenguaje Natural.



Exponer numerosos ejemplos:

Sobre los conceptos analizados utilizando al agente docente y al

generador de lenguaje natural.

Recibir las respuestas:

Del agente alumno a las evaluaciones y las eventuales consultas del

alumno.

Ordenar y actualizar el registro de los nuevos conceptos adquiridos

por los alumnos:

Para esto el Agente Docente trabaja con el Agente Alumno. Supervisar

las tareas que el alumno realice en colaboración con otros alumnos,

como parte de su aprendizaje colaborativo.

Comunicarse con los otros agentes Docentes:

Por ejemplo, para acordar tareas a realizar por los alumnos.



Capítulo III: Conclusiones Se ha investigado el problema integrando distintas perspectivas a fin de obtener

una base teórica consolidada, sobre la cual desarrollar el sistema experto para el

modelado de un tutor teniendo en cuenta las fases de desarrollo del sistema

experto para entender cómo se gestionaría el uso del sistema por los estudiantes

en los casos en que la sesión se realiza para tutorizado , definiendo la fase de

identificación y conceptualización del sistema experto.

Recomendaciones:

Realizar el análisis de requerimientos directamente con las personas

involucradas tanto estudiantes del curso como el docente o experto a cargo del

curso, puesto que serían los que van a utilizar el sistema experto y podrán dar

información adecuada y necesaria.

Para el desarrollo de un sistema experto se recomienda el uso de una

metodología apropiada que permita utilizar esquemas, diagramas, gráficos y

demás herramientas que facilitan la elaboración de la conceptualización y

formalización del sistema.



Referencias bibliográficas: [1]Sr. Fernando A. Slagueiro (2005). “Sistemas Inteligentes basados en

tecnologías para un Tutor”. Universidad de Buenos Aires.

[2] Zulma Cataldi y Fernando J.Lage (2009). “Sistemas tutores inteligentes

orientados a la enseñanza para la comprensión”. Universidad Tecnológica

Nacional.

[3] Sra. Constanza Raquel Huapaya(2009). “Sistema Tutorial Inteligente un

Análisis Crítico”. Universidad Nacional de la Plata.

[4] Quilcatoma Panchi Betty y Quimitiba Cadena Norma Amparo (2006).

“Sistema de Tutor Inteligente para programación básica c bajo el modelo de

objetos de aprendizaje”. Escuela Politécnica del Ejército.

[5] Olmo Castillo (2010).”Tutorial de Introducción de Lógica Borrosa”. Octubre

2010.

[6] Javier Rivas Rodríguez (2008). “Sistema de Ayuda a la Toma de Decisiones

basado en Árboles de Decisión Fuzzy”. Universidad Complutense de Madrid-

España.

[7] Ruth Marlene Calle (2011). “Sistema experto de orientación legal en los

procedimientos conciliatorios de conflictos agrarios”. Universidad mayor de

San Andrés La Paz-Bolivia.

[8] Sánchez. “SISTEMAS EXPERTOS: UNA METOLOGIA DE

PROGRAMACION”. Prentice Hall. México. 1991.

Sistema Experto Para El Modelado de Un Tutor Para El Aprendizaje de Estructuras Basicas de...

Documents

Transcript of Sistema Experto Para El Modelado de Un Tutor Para El Aprendizaje de Estructuras Basicas de...