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

Transcripción

1 El Razonamento Basado en Casos en el ámbto de la Enseñanza/Aprendzaje. MSc. Natala Martínez Sánchez, Dra. Ghesa Ferrera Lorenzo, Dra. María M. García Lorenzo, Dra. Zenada García Valdva. Departamento de Computacón Unversdad Central de Las Vllas Carretera a Camajuaní Km. 5.5, Santa Clara, Vlla Clara, Cuba Tel: (53) , (53) {natala, ghesa }@uclv.edu.cu Resumen: Los Sstemas de Enseñanza /Aprendzaje Intelgentes, se caracterza por aplcar las técncas de Intelgenca Artfcal, donde el térmno ntelgente se asoca a la capacdad de adaptarse dnámcamente al desarrollo del aprendzaje del estudante. En este artículo se descrbe un modelo basado en casos para la enseñanza / aprendzaje, sustentado en la aplcabldad del razonamento basado en casos para obtener una efcente representacón de la Modelacón del Estudante e nferr las estrategas de aprendzaje. Implementado en la herramenta computaconal HESEI, la cual ha sdo aplcada extosamente en la toma de decsones en tareas de enseñanza/ aprendzaje. Palabras clave: Sstemas Basados en Casos, Sstemas de Enseñanza Aprendzaje Intelgentes, Modelo del Estudante. 1. Introduccón En (Sánchez 2007) se presenta una revsón bblográfca de los sstemas educatvos ntelgentes que están basados en dversas técncas de ntelgenca artfcal, planteando que las más utlzadas en el campo de la educacón son: las técncas de personalzacón basadas en modelos de estudantes y de grupos, los sstemas basados en agentes ntelgentes, y las ontologías y las técncas de web semántca. Las técncas de personalzacón, que son la base de los sstemas tutores ntelgentes, están basadas en modelos del estudante. En general, estos modelos conssten en la elaboracón de una representacón cualtatva que consdere el comportamento del alumno en funcón tanto del conocmento exstente sobre un determnado ámbto como del aprendzaje de otros estudantes en este domno. Estas representacones pueden utlzarse posterormente en sstemas tutores ntelgentes, en entornos de aprendzaje ntelgente o en generar agentes ntelgentes que representen estudantes que colaboren con los estudantes humanos. La utlzacón de técncas de aprendzaje automátco permte actualzar y extender los modelos de estudantes ncales para adaptarlos tanto a la evolucón de los msmos como a una posble actualzacón de contendos y actvdades educatvas. Las dos técncas más populares para modelar estudantes según (Sánchez 2007) son: los modelos basados en superposcón o overlay y las redes bayesanas. El prmer método consste en consderar el modelo del estudante como un subconjunto del conocmento del experto en el ámbto donde se realza el aprendzaje. De este modo, el aprendzaje se mde en funcón de la comparacón con los Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

2 conocmentos del modelo del experto. El segundo método consste en representar el proceso de aprendzaje como una red de estados de conocmento, y posterormente, nferr de forma probablístca el estado del estudante a partr de la nteraccón de éste con el tutor. Es certo que los Sstema de Enseñanza / Aprendzaje Intelgentes, se caracterza por aplcar las técncas de Intelgenca Artfcal, donde el térmno ntelgente se asoca a la capacdad de adaptarse dnámcamente al desarrollo del aprendzaje del estudante. Asmsmo, según bblografía consultada, que el razonamento basado en casos no se encuentra entre las técncas aplcadas para modelar el estudante, a pesar de ser una técnca de la Intelgenca Artfcal que proporcona un modelo cogntvo de la organzacón de la memora, el razonamento y el aprendzaje humano; y un perfl computaconal para los sstemas basados en el conocmento. Además de tener un grupo de característcas (Gutérrez 2003) que pueden ser aprovechadas en la elaboracón de sstemas de enseñanza/aprendzaje ntelgentes, tales como: Razonan desde epsodos específcos: El estado cogntvo del estudante no puede ser explcado por los expertos como cadenas de reglas generalzables y es más fácl descrbr experencas a través de rasgos selecconados prevamente. El mantenmento del conocmento no requere de la ntervencón experta: La experenca de nuevos modelos puede ser evaluada y s es convenente ncorporada por el propo usuaro que trabaja con el sstema de enseñanza /aprendzaje. Reutlzacón de solucones prevas: Modelos de estudantes se repten con una alta frecuenca en el proceso de enseñanza/aprendzaje así como la metodología a segur para su aprendzaje. Solucones dervadas están fundamentadas en casos reales: Lo que le permte al sstema justfcar las decsones al usuaro. El razonamento basado en casos permte aprovechar la experenca acumulada en la solucón de nuestros problemas. Con esta técnca se almacenan casos con la solucón que se ha dado anterormente y cuando se presenta un nuevo problema esta nformacón o experenca acumulada se emplea para resolverlo (Bello 2002). Esta técnca ntenta llegar a la solucón de nuevos problemas, de forma smlar a como lo hacen los seres humanos, cuando un ndvduo enfrenta a un nuevo problema comenza por buscar en su memora experencas anterores smlar al actual y a partr de ese momento establece semejanzas y dferencas y combna las solucones dadas con anterordad para obtener una nueva solucón. Estos sstemas utlzan el razonamento basado en casos (RBC) como método de solucón de problemas para resolver nuevas stuacones. Los SBC, apoyan sus predccones en ejemplos (casos) que se almacenan en la fase de aprendzaje. Una funcón de dstanca o semejanza determna los casos más semejantes al nuevo problema y las solucones de los casos recuperados se adaptan para obtener una solucón (Delgado 2005). Las deas que se descrben en este artículo se sustentan en la aplcabldad del razonamento basado en casos para obtener una efcente representacón del Modelo del Estudante e nferr las estrategas de aprendzaje. Ambos procesos que sn duda son los dos más mportantes dentro de cualquer Sstema de Enseñanza / Aprendzaje Intelgente, se lustran con un ejemplo. 2. Descrpcón general de un sstema basado en casos para Enseñanza / Aprendzaje elaborado con HESEI. El sstema se descrbe relaconando las componentes fundamentales de un Sstema Basado en Casos y un Sstema de Enseñanza / Aprendzaje Intelgente como lustra la fgura 1. Para ello se sgue la defncón dada en (Gutérrez 2003), de que todo Sstema Basado en Casos lo componen prncpalmente la base de conocmento o base de casos, el módulo de recuperacón de casos y el módulo de adaptacón de las solucones. Y la descrta en (Sánchez 2007), que los Sstemas Tutores Intelgentes se basan en tres componentes prncpales: conocmento de los contendos, conocmento del alumno, y conocmento de estrategas o metodologías de aprendzaje. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

3 Fgura 1: Cclo de vda de un Sstema de Enseñanza / Aprendzaje basado en casos. Base de Casos & Modelo del Estudante. Por un lado se tene que las Bases de Casos de todo Sstema Basado en Casos contenen las experencas, ejemplos o casos a partr de los cuales el sstema hace sus nferencas. Estas bases pueden ser generadas por entrevstas a expertos humanos o por un procedmento automátco o semautomátco que construye los casos desde datos exstentes, regstrados por ejemplo, en una base de datos. Por otro lado el Conocmento del Alumno (Modelo del estudante), puede dvdrse en dos seccones: selecconar la estructura de datos que será usada para representar toda la nformacón relatva al alumno: estado cogntvo, estrategas nstructoras preferdas, pantallas vstadas, ejerccos resueltos, resultados de evaluacones, etc. Y la eleccón del procedmento o técnca que se utlza para realzar el dagnóstco, es decr, para nferr dada la nformacón generada en la nteraccón del alumno con el sstema, el estado cogntvo del alumno. Atendendo a la prmera seccón, en el modelo propuesto la estructura de datos utlzada es una Base de Casos donde los rasgos predctores de los casos se corresponden con el módulo Conocmento del Alumno, y el rasgo objetvo con el módulo Conocmento de los Contendos, el cual está ntegrado por undades báscas de aprendzaje que contenen los cursos y temas, y estas a su vez por objetvos nstrucconales que se encargan de dentfcar los propóstos que debe alcanzar un alumno al fnalzar una undad básca de aprendzaje (conocmentos, problemas resueltos, explcacones, etc.). 3 Cómo crear un Sstema basado en Casos de Enseñanza / Aprendzaje con HESEI? El modelo de enseñanza/aprendzaje basado en casos que se propone, está estructurado en tópcos (rasgos predctores), los cuales toman su valor a través de un cuestonaro de n preguntas, cuyas respuestas son bnaras. Al aplcar el cuestonaro para obtener el valor de un tópco (domno) se obtene una tabla de n columnas y 2 n flas. La columna n+1 se corresponde con la evaluacón (valor que toma el tópco) a crtero del experto. El experto puede decdr ncorporar otros tópcos donde su valor se obtenga de datos almacenados en una base de datos o cualquer otra vía. De la estructura anteror se deduce que los tópcos cuyo valor se obtene a través de cuestonaros, tomarán valores guales para combnacones de respuestas dferentes, por lo que los valores no necesaramente tenen el msmo grado de certeza. Se lustra este proceso a través de un Sstema basado en casos de Enseñanza / Aprendzaje para la teoría de Bases de Datos, cuya estructura muestra la fgura 2. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

4 Fgura 2: Estructura del Sstema de Enseñanza / Aprendzaje basado en casos para la teoría de Bases de Datos. Los casos de la Base de casos del ejemplo, tenen 6 rasgos predctores cada uno de ellos se corresponden con los tópcos que lustra la fgura 2, para la evaluacón de cada uno, se elabora un cuestonaro, con el número de preguntas que estme el experto. Para evaluar el tópco 2, el experto decde realzar un cuestonaro de tres preguntas y a partr de las respuestas a las msmas, decde que evaluacón toma el tópco. Es fácl deducr, que se forman 8 (2 3 ) combnacones, a las cuales hay que asgnar un valor, no necesaramente dsjunto, pues combnacones dferentes pueden conducr a gual evaluacón, como muestra la fgura 3. De acuerdo a la evaluacón del tópco, se le asgna el entrenador con el cual el estudante realza el proceso de Enseñanza / Aprendzaje. S se analza la tabla que muestra la fgura 3, el tópco 2 se evalúa de Ben (1) o Mal (0), según la respuesta a las tres preguntas, por ejemplo: S las tres preguntas se responden correctamente el tópco se evalúa de Ben (1). S se responden ben solo dos preguntas el tópco se evalúa de Ben (1). A partr de este ejemplo se pueden, entre otras, formular las sguentes preguntas metodológcas: 1. El valor de Ben (1) que se le asgna al tópco, es el msmo para el estudante que respondó las tres preguntas ben, que para el resto? 2. Las tres preguntas tenen gual mportanca, e nfluyen de gual manera en la evaluacón del tópco? 3. S el número de preguntas es consderablemente grande. Todas nfluyen en la evaluacón del tópco?, Las que no nfluyen tenen valor metodológco?... Desde el punto de vsta del profesor se puede conclur, que no es el msmo Ben (1), para dferentes combnacones, las tres preguntas no deben tener gual mportanca, s se formularon ben metodológcamente, y s el número de preguntas es consderablemente grande, es obvo que es mayor o gual que tres, es muy engorroso evaluar el tópco. Estas reflexones condujeron a los autores de este trabajo a realzar un estudo sobre el proceso de seleccón de rasgos, el cual se ha enfrentado desde dferentes formas, dentro de ellas está el Reconocmento de Patrones en el enfoque Lógco Combnatoro (Martínez 2007), que el problema de seleccón de varables o rasgos se ha tratado utlzando el concepto de testor (reducto, rasgo relevante) (Shulcloper 1995). Conllevando a la mplementacón del algortmo de cálculo de testores típcos LEX (Pons 2002), para la seleccón de las preguntas relevantes, así como su mportanca. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

5 Este algortmo se aplca sólo en la fase de elaboracón del sstema de enseñanza/aprendzaje ntelgente, ayudando al usuaro en tareas de ngenería del conocmento y almacenando en la bases de casos nformacón efcente. Es elemental aclarar que la seleccón de las preguntas útles no mplca la elmnacón automátca de otras, pues no se puede subvalorar la mportanca metodológca de las msmas. Fgura 3: Ventana de HESEI que muestra la tabla de evaluacón de tópcos. La fgura 3 muestra un cuadro de dalogo con cuatro opcones para evaluar el tópco. Además muestra una columna ttulada certeza, la cual aparece vacía hasta que el usuaro dé la opcón (Opcones valdar tópco) que lo ayudará en la ngenería del conocmento, enténdase por esto, la seleccón de las preguntas relevante y la mportanca de las msmas. Véase la fgura 4, después de realzar este proceso. Fgura 4: Ventana de HESEI que muestra la tabla después de valdar el tópco 2. Los entrenadores son documentos prevamente elaborados por el experto / profesor, que están almacenados electróncamente, a los cuales la herramenta HESEI brnda todas las facldades de acceso y manpulacón como muestra la fgura 5. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

6 Fgura 5: Ventana de HESEI para seleccón de entrenadores. Este proceso se realza para cada uno de los tópcos, según dseño del experto/profesor. A la etapa de explotacón del Sstema basado en casos de Enseñanza / Aprendzaje, tenen acceso el experto/ profesor y el estudante, el prmero para valdar su Sstema de Enseñanza / Aprendzaje desde su expertcdad hasta su trabajo metodológco. El segundo para aprender con el Sstema de Enseñanza / Aprendzaje elaborado. En el próxmo epígrafe se explca el proceso de dagnóstco del Sstema de Enseñanza / Aprendzaje utlzando el razonamento basado en casos, se lustra el msmo, sguendo el ejemplo del Sstema basado en casos de Enseñanza / Aprendzaje para la teoría de Bases de Datos. 4 Cómo aprender con un Sstema basado en casos de Enseñanza / Aprendzaje elaborado con HESEI?. Los sstemas basados en casos (SBC) son una de las tecnologías actuales para construr sstemas basados en el conocmento para la toma de decsones. Estos sstemas utlzan el razonamento basado en casos (RBC) como método de solucón de problemas para resolver nuevas stuacones. Los SBC, apoyan sus predccones en ejemplos (casos) que se almacenan en la fase de aprendzaje. Una funcón de dstanca o semejanza determna los casos más semejantes al nuevo problema y las solucones de los casos recuperados se adaptan para obtener una solucón (Delgado 2005). Con este proceso se mplementa el módulo Metodologías de Aprendzaje el cual según (Sánchez 2007) tene funcones pedagógcas, se encarga de guar el proceso de enseñanza/aprendzaje y decde qué accones pedagógcas realza, cómo y cuándo. Método de obtencón de un nuevo caso & Un nuevo estudante. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

7 Como se descrbe en epígrafes anterores los rasgos predctores de los casos se obtenen a través de cuestonaros, capaces de captar el estado cogntvo del estudante, y el rasgo objetvo son tutorales que se adecuan al estado cogntvo del estudante, ambos elaborados a partr de los conocmentos y experencas de los expertos. A contnuacón se expone un seudocódgo del algortmo que utlza el modelo para la obtencón de un nuevo caso (estado cogntvo del nuevo estudante). Algortmo 1: Obtencón del Nuevo Caso (Modelo del estudante) Entrada: Conjunto de cuestonaros para la evaluacón de cada tópco. Salda: Obtencón de un nuevo caso expresado en un conjunto de pares (valor, grado de membresía). Para cada tópco aplcar: P1: Aplcar cuestonaro asocado al tópco y obtener el resultado v (vector de 0 s y 1 s de longtud n). (Los tópcos que toman su valor por otra vía, el sstema lo hace automátcamente o en nteraccón drecta con el estudante, así como su grado de pertenenca.) µ ( ', ) P2: Obtener los =β v Ε, donde β ( v', Ε ) se obtene aplcando algortmos de reconocmentos de patrones, mplementados en la herramenta HESEI, para la etapa de ngenera del conocmento, como se expuso en epígrafes anterores, donde = 1.. η y η es la cardnaldad del conjunto de valores que puede tomar el tópco. µ Usando para la obtencón de las preguntas relevantes y la mportanca asocadas a las msmas. µ P3: Selecconar el mayor y asgnar al tópco µ el par valor y (valor, grado de membresía). Según responda el estudante la pregunta que muestra la fgura 6, se evalúa la msma y así se realza gual procedmento con cada una de las preguntas que conforman el cuestonaro que calfca el tópco. Culmnada esta etapa, se obtene un nuevo caso, que se corresponde con el estado cogntvo del nuevo estudante. La tarea del proceso de recuperacón, dado un nuevo problema, está en dentfcar los casos de la base que son más smlares a la stuacón actual. Este proceso nvolucra la evaluacón de la stuacón, esto es, nterpretar y comprender el problema de forma tal que se tenga en consderacón los aspectos más mportantes a representar. Báscamente, la recuperacón de un caso se basa en la comparacón entre los índces correspondentes a los rasgos predctores del problema y los que se usaron para descrbr los casos de la base a de casos. A contnuacón se muestra un seudocódgo del algortmo que recupera los casos (modelos de estudantes) semejantes Algortmo 2: Algortmo de recuperacón de casos semejantes. Entrada: Nuevo caso. Salda: conjunto de casos más semejantes. Se compara el nuevo caso con los casos almacenados en la base de casos, durante la elaboracón del Sstema de Enseñanza / Aprendzaje. Para dcha comparacón se utlza la funcon de semejanza (1). n ' p δ ( x( O ), x( O ) t 0 β( O O) = = 1 0, t n p = 1 (1) n: número de rasgos predctores ' δ ( x( O, x( O ))) t 0 : funcón de comparacón transformada según: δ ' ( ) ( x ( O ), x ( O )) δ ( x ( O ), x ( O )) 1 µ ( O ) µ ( O ) t p : peso del rasgo predctor 0 = t 0 0 x, que puede ser desgnado por crtero del experto, o automátcamente todos los pesos ser guales. Se selecconan los de mayor semejanza según crteros de expertos. Después de la seleccón de los casos más semejantes, las solucones pueden usarse drectamente para resolver el nuevo problema, pero comúnmente necestan ser modfcadas. Este paso es llevado a cabo por el proceso de adaptacón (Bello 2002). Selecconados los casos más semejantes es posble que estos propongan solucones dferentes por lo que t Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

8 se hace necesaro determnar cuál de ellas debe tomarse. Se propone un crtero para determnar el caso óptmo de los casos recuperados y a partr de él tomar la decsón adecuada. Según (Martínez 2007) este crtero de optmaldad se da a través de una funcón que combna el valor de la semejanza entre el nuevo problema y el caso (el cual da la utldad del caso) y el grado de membresía de la solucón de dcho caso. Desde el punto de vsta de la teoría de la Toma de Decsones, el resultado de esta funcón pudera ser vsta como la utldad esperada del caso, la cual permte al agente establecer sus preferencas sobre un caso para tomar una decsón. La forma más senclla de realzar la adaptacón es usando el método de renstancacón que consste en asgnar la solucón del caso recuperado al nuevo problema. En este caso el crtero de optmaldad da, según el prncpo de máxma utldad esperada una buena justfcacón para tomar esa decsón. Fgura 6: Ventana de HESEI muestra una pregunta de relaconar columnas. 5 Valdacón empírca de los resultados. Este epígrafe está drgdo a proponer un modelo de evaluacón que puede ser utlzado para valdar los Sstemas basados en casos de Enseñanza / Aprendzaje elaborados con la herramenta computaconal HESEI, por los expertos /profesores. Se lustran las deas propuestas con la evaluacón del sstema basado en casos de enseñanza/aprendzaje para aprender la teoría de Bases de Datos. Utlza alumnos smulados, tal como se descrbe en [5]. El uso de alumnos reales quedó descartado pues no parece adecuado probar con estudantes un método de enseñanza/aprendzaje sn antes haber comprobado su valdez. El análss de la efcenca del sstema de enseñanza/aprendzaje ntelgente para aprender la teoría de de Bases de Datos se ha realzado tenendo en consderacón los resultados obtendos en la solucón de nuevos problemas, usando el modelo propuesto y los crteros del experto. Para llevar a cabo este proceso se utlzó el método de Valdacón Cruzada (Cross Valdaton) que consste en dvdr la base de casos en n conjuntos de gual tamaño y efectuar el algortmo de aprendzaje n veces, en cada una de las cuales el conjunto de entrenamento (muestra de aprendzaje) 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 fgura 7. 96% 94% 92% 90% 88% 86% 84% SEAI Fgura 7: Resultados de la efcenca en la en la valoracón del modelo del estudante. Se consdera que los resultados obtendos son buenos, tenendo en cuenta que se trabaja con clases dfusas donde un estudante puede estar ncludo en uno u otro modelo, con certo grado de pertenenca. Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs

9 6 Conclusones Con este trabajo se propone un nuevo modelo del alumno que se pudera tener en cuenta en los Sstema de Enseñanza / Aprendzaje Intelgentes, el cual se mplementó en un Sstema Computaconal (HESEI), que ha sdo aplcado con aceptacón en la elaboracón del sstema de enseñanza/aprendzaje ntelgente para la teoría de Bases de Datos. Shulcloper, J. R.; Alba Cabrera, E.; Lazo Cortés, M Introduccón al Reconocmento de Patrones (Enfoque Lógco-Combnatoro). Sere Verde No. 51, CINVESTAV-IPN, Méxco. El modelo propuesto mantene las componentes fundamentales de todo Sstema Basado en Casos, la base de conocmento o base de casos, donde los casos descrben modelos de estudantes y las metodologías de aprendzaje a segur para lograr la personalzacón del msmo. El módulo de recuperacón de casos y el módulo de adaptacón de las solucones, realzan el dagnóstco, que es sn duda uno de los procesos más mportantes dentro de cualquer Sstema de Enseñanza / Aprendzaje Intelgente, ya que la caldad del msmo dependerá de la capacdad de adaptacón del sstema al estudante. 7 Referencas Bblográfcas. Bello RE, et al Aplcacones de la Intelgenca Artfcal. Cap 2, 4, 9, 15. Jalsco, Méxco: Unversdad de Guadalajara. Gutérrez, I. (2003) Modelo para la Toma de Decsones usando Razonamento Basado en Casos en condcones de Incertdumbre, Vlla Clara, Cuba, Departamento de Cenca de la Computacón. Unversdad Central de Las Vllas. Martínez N; León M; García Z. (2007). Features Selecton Through Fs-Testors In Case-Based Systems Of Teachng-Learnng. MICAI Internatonal Conference on ARTIFICIAL INTELLIGENCE, LNAI 4827, pp , Sprnger-Verlag Berln Hedelberg Pons, A. (2003). "LEX: Un nuevo algortmo para el cálculo de los testores típcos." Revsta Cencas Matemátcas. Cuba. Sánchez, E. y Lama M. Monografía: Técncas de la Intelgenca Artfcal aplcadas a la Educacón. Intelgenca Artfcal, Revsta Iberoamercana de Intelgenca Artfcal. No.33 (2007), pp ISSN: AEPIA ( Revsta de Informátca Educatva y Medos Audovsuales Vol. 5(10), págs