LABORATORIO DE SISTEMAS INTELIGENTES
Facultad de Ingeniería. Universidad de Buenos Aires
Paseo Colón 850. 4to piso, ala sur
(1063) Capital Federal. ARGENTINA.
e-mail: rgarciamar@fi.uba.ar / rgm1960@yahoo.com

SISTEMAS INTELIGENTES PARA EL MODELADO DEL TUTOR

Tesista: Fernando Salgueiro

1. INTRODUCCIÓN


1.1 - El Problema

Este tema de investigación surge motivado por la necesidad de encontrar diferentes formas alternativas para la enseñanza de la asignatura Algoritmos y Programación I (código 75.40) de la Carrera Ingeniería Informática.

Durante los últimos seis cuatrimestres se efectuó el seguimiento de los alumnos (a través de sus evaluaciones parciales y finales) a fin de saber por qué algunos no llegaban a aprobar la materia. Si bien la baja cantidad de alumnos que terminan la materia, en el orden del 30%, es alarmante, existen datos de Universidades como La Plata [Madoz, et al, 2000] y Tecnológica [Bruno, 2003], en las asignaturas equivalentes se evidencia que la problemática es muy parecida, por lo que actualmente se encuentran elaborando estrategias tendientes a la paliación del problema.

A lo largo de últimos seis cuatrimestres se han aplicado diversas estrategias didácticas usando medios audiovisuales, foros de discusión, grupos de aprendizaje [Souto, 1995] y se ha observado que si bien se evidencian mejoras, las mismas apuntan a los grupos de estudiantes que normalmente tienen menores dificultades.

Por este motivo, se pensó, en el desarrollo de un asesor inteligente (utilizando sistemas Inteligentes) que realice la tarea de tutorizado adaptando diferentes modalidades o estrategias de enseñanza. Esta podría ser una alternativa útil sobre todo para aquellos estudiantes que requieren un mayor grado de tutorizado del tipo uno a uno [ Perkins, 1995 ].

Wenger (1978) define la tarea de la enseñanza en términos de una “comunicación del conocimiento” que involucra a un sistema tutor y a un estudiante donde el objetivo básico es adquirir conocimiento de alguna materia. El propósito es que un sistema de tutorizado exhiba un comportamiento similar al de un tutor humano, es decir, que se adapte al comportamiento del estudiante en lugar de ser un modelo rígido. Éste, debería ser capaz de identificar la forma en que el estudiante está resolviendo el problema [ Hume, 1995 ] y de brindarle ayuda cuando cometa errores [Hume, et al, 1996]. A su vez debería proveerle el conocimiento que requiera para poder solucionar el problema con explicaciones en el momento preciso, y adicionalmente podría aprender de la interacción con el estudiante.

Un asesor inteligente, por lo tanto “es un sistema de software que utiliza sistemas inteligentes para asistir al estudiante que requiere de un tutorizado uno a uno y lo guía en su aprendizaje, adicionalmente posee una representación del conocimiento y una interface que permite la interacción con los estudiantes para que puedan acceder al mismo” [VanLehn, 1988, Prieto, 1999], a lo que según Giraffa (1997) y Cern (2002) se puede agregar la consideración de los diferentes estilos cognitivos de los alumnos que utilicen el sistema.

Se ha observado también que los sistemas expertos y asesores inteligentes disponibles en la actualidad no han encontrado soluciones eficientes en referencia a la flexibilidad en modalidades de enseñanza aunque en los 90, con los avances de la psicología cognitiva [Norman 1987; Gardner, 1988], las neurociencias [Gardner, 1987] y los nuevos paradigmas de programación [Pressman, 2002; Pfleeger, 2002; Sommerville, 2002], los sistema facilitadores de la enseñanza evolucionaron desde una propuesta instructiva [Cruz Feliú, 1997] hacia entornos de descubrimiento y experimentación del nuevo conocimiento [Bruner, 1990; Perkins, 1995, 2002; Pozo; 1998, 1999] desde una visión constructivista de los procesos de aprendizaje. Es decir, desde la postura conductista con base en la teoría de Skinnner hacia la psicología cognitiva. [Schunk, 1997; Woolfolk, 2001] con aportes tan importante como aquellos referidos a la activación de los diferentes sistemas simbólicos que proveen potenciando la teoría de Gardner [`] de las inteligencias múltiples.

En un sistema como el descrito , el modelo del tutor es el encargado de definir y de aplicar una estrategia pedagógica de enseñanza ( socrática, orientador, etc .), de contener los objetivos a ser alcanzados y los planes utilizados para alcanzarlos. Es el responsable de seleccionar los problemas, de monitorear y de criticar el desempeño, de proveer asistencia cuando se la requiera y de seleccionar el material de aprendizaje al estudiante. Integra el conocimiento acerca del método de enseñanza (deductivo, inductivo, analógico, analítico, sintético, de trabajo colectivo, etc.), las técnicas didácticas (expositiva, discusión, demostración, diálogos, instruccional, responder preguntas, etc.) y del dominio a ser enseñado (con integración de planificación y curriculum) [Coll, 1994]. Un sistema de este tipo debe tratar además, los aspectos esenciales de curriculum y de planificación, ya que los aspectos de curriculum involucran la representación, la selección y la secuenciación del material a ser utilizado y la planificación se refiere a cómo ese material va a ser presentado. En general, tienen una muy buena representación en forma explícita del dominio pero no siempre el curriculum está en forma explícita, es decir desde la visión y la secuenciación, lo que termina dando una performace baja. [Lesgold, 1988].

Esta selección y secuenciación del curriculum para los estudiantes requiere del uso de mecanismos de planificación bastante sofisticados que deben tener en cuenta la teoría de tutorizado empleada de acuerdo a las necesidades del aprendiz [Coel 1994, Pozo 1999].

Aún hoy día, la mayoría de los desarrolladores de programas “didácticos” se basan en modelos instruccionales de neto corte conductista [ Perkins, 1995 ]. En este sentido, la intención de la investigación es emular a un tutor humano, pero orientado hacia la psicología cognitiva, es decir, teniendo en cuenta como señala Perkins (1995), director del proyecto Zero de Harvard, los estilos más apropiados de enseñanza tales como la instruccion didactica, el entrenamiento y la enseñanza socrática que son compatibles con su Teoría Uno. Debido a la problemática planteada se piensa en un sistema para aprendizaje por refuerzo; ya que justamente el objetivo buscado es que el estudiante le encuentre significado a sus aprendizajes, que supere sus dificultades, incorporando lo nuevo de un modo significativo y permanente. [Ausubel et al. 1983]

El aporte del presente trabajo permitira esclarecer algunos interrogantes respecto de como enseñan los tutores humanos desde esta perspectiva y podría dar solución a los estudiantes de clases muy numerosas, que no pueden acceder al docente.

1.2 - Justificación del Tema

Se ha observado que en los cursos Universitarios de los primeros cuatrimestres de la carrera Ingeniería Informática que la cantidad de tutores humanos no es suficiente, que la relación alumnos/tutores es demasiado alta [Gertner et al,1998] y que existe una gran diferencia en los conocimientos previos que traen los alumnos. [Ausubel et al. 1983]

Se piensa que un sistema que pueda emular al tutor humano y además que provea al estudiante de cierta flexibilidad para la elección del tipo de tutorizado más adecuado, podría ser una solución factible para el problema planteado. Un sistema para tutorizado, no solo debe emular al tutor humano sino que además debería estar diseñado desde una concepción epistemológica acerca de lo que significa enseñar Algoritmos y Programación en una carrera de Ingeniería [Denazis, 2004] en relación al perfil y la identidad del futuro ingeniero.

Un sistema de este tipo debería proveer algunas características en función de los propósitos por los que el estudiante recurre a él, tales como:

•  La perspectiva desde la debe impartir los conocimientos a los alumnos.

•  La forma de adaptación a los conocimientos previos de los alumnos.

•  La selección de la estrategia de enseñanza mas adecuada para el alumno que lo consulta.

Y, cuando el mismo guíe al alumno deberá tener “ reglas ” almacenadas para saber que hacer en casos como:

•  El alumno no puede contestar una pregunta que le hace el tutor.

•  El alumno contesta en forma incompleta una pregunta que le hace el tutor.

Estas problemáticas de los alumnos deben ser resueltas con un modelado del tutor flexible, lo que es central para el desarrollo, y se las describirá sintéticamente en los siguiente apartados:

Caso a) ¿Qué debe hacer el tutor cuando el alumno no puede contestar una pregunta?.

Gertner et al. [1998] en su trabajo sostiene que el 37% de las preguntas que se presentan cuando los alumnos intentan resolver una problemática corresponden al tipo “estoy trabado, ¿cómo debo proseguir?”. En la mayoría de los sistemas el camino a seguir esta pautado (es rígido, de tipo conductista), pero este no es el caso que mejor se adapta a la enseñanza de los Algoritmos, ya que un mismo problema puede admitir soluciones válidas a través de diferentes estructuras. En este caso el tutor debería poder determinar el modo de resolución que adoptó el alumno y proponer, un próximo paso o acción que sea consistente con la solución propuesta por el alumno. Esto podría representar una cuestión difícil de resolver, pero una alternativa viable se puede lograr aplicando redes bayesianas para determinar los distintos pasos y estados hacia la solución del problema.

El sistema debe poder brindar información acerca del problema como lo hace el humano para que el alumno pueda continuar desarrollando solo, en forma productiva, pero sin revelar cómo serán los siguientes pasos. Estos sistemas, deben dar también una respuesta efectiva que ayude a los alumnos a detectar sus propios errores y corregirlos. [ Gertner et. al., 1998 ].

Caso b) ¿Qué debe hacer el tutor cuando el alumno contesta en forma incompleta una pregunta?.

En este caso el tutor no debe aceptar como válida solo una respuesta completa. En este caso de respuesta incompleta debe guiar al alumno para que la complete. Hume (1996) a partir de los estudios efectuados a través del comportamiento de los tutores humanos observó que éstos utilizan las “ pistas ” como un método pedagógico válido, aunque esta táctica es bastante sutil y difícil de implementar en los sistemas tutores inteligentes.

Analizados los casos anteriores se tendrán en cuenta los tipos de respuestas de los alumnos [ Yujian Zhou et al, 1999]: a) r espuesta correcta, b) r espuesta parcial (la respuesta es parte de la respuesta correcta), c) respuesta aproximada, la cual es pedagógicamente correcta pero no la respuesta deseada [Hume et. Al, 1995; Glass, 1997] conceptualmente cerca, d) respuesta incorrecta, pero el alumno demuestra cierto entendimiento del tema y e) respuesta con error conceptual, una confusión de términos o un falso conocimiento del tema que se esta explicando. (Cataldi, Lage, 2002]. A partir de cada una de estas respuestas el tutor debe tomar decisiones acerca de las pistas a dar y si el alumno no llegase a la solución deberá dar la determinada “ pista expositiva” [Hume 1995]

En la literatura analizada se han encontrado dos posturas para la implementación de los conocimientos: una se basa en la estructura sintáctica de lo producido por los tutores humanos [Seu, Jai, 1991] y la otra en las metas pedagógicas que deben cumplir a fin de que el alumno pueda comprender el tema [Hume, et al. 1996] [Evens et al, 1993]. Pero, reanalizando el problema y utilizando ambas teorías en forma conjunta se lograrían una serie de pasos que pueden resumir la forma de impartir los conocimientos [ Freeva, et al, 1996 ]:

•  El tutor debe mantener una jerarquía de metas que debe cumplir mientras imparte los conocimientos al alumno (el cual producirá un resultado que el tutor no puede predecir de antemano).

•  El tutor debe poder explicar un mismo concepto de diferentes maneras, así si el alumno no entiende el concepto el tutor puede continuar efectuando otro acercamiento al mismo tema, explicando el concepto para luego continuar, utilizando un método iterativo para profundizar en el concepto cada vez más (paso a paso) o descartar este acercamiento al tema e intentándolo de otra manera.

En este contexto, surgen las posibilidades de aplicabilidad de los sistemas inteligentes a la resolución de problemas de modelado de este tipo. En el campo de los sistemas inteligentes se encuentran las redes neuronales (RN), las cuales son interconexiones masivas en paralelo de elementos simples, los cuales responden a una cierta jerarquía intentando interactuar con los objetos reales tal como lo haría un sistema neuronal psicológico [Kohonen, 1988]. Las redes neuronales poseen una característica que las hace muy interesantes, dado que pueden asimilar conocimiento en base a las experiencias mediante la generalización de casos. [García-Martínez et al., 2003]

Otra posibilidad se encuentra dada por los algoritmos genéticos (AG), los cuales se fundamentan en el concepto biológico de la evolución natural y son utilizados en procesos de optimización [Davis, 1991; Falkenauer, 1999]. La base de estos algoritmos se haya en los mecanismos de la selección natural, por los que sólo sobreviven los individuos mas aptos, luego de la interacción entre los mismos, pertenecientes a una población de posibles soluciones. [García-Martínez et al., 2003]

2. OBJETIVOS DEL TRABAJO

•  Determinar el estado actual de las investigaciones en el tema del tutorizado inteligente.

•  Obtener un modelado de tutor aplicando los métodos, las técnicas y herramientas provistas por la ingenieria de software y la definicion del sistema inteligente que mejor se adapte para solucionar el problema.

•  Seleccionar los componentes del tutor que permitan guiar a los estudiantes en el proceso de aprendizaje de manera de poder responder a sus necesidades.

•  Evaluar los resultados por medio de una prueba con una mestra estadisticamente significativa de alumnos reales (sujetos disponibles) con respecto a un tema en particular.


3. PLAN DE TRABAJO

Los objetivos se concretarán a través de las siguientes etapas:

•  Se efectuará una búsqueda documental a través de libros, revistas especializadas, actas de eventos y sitios de Internet de Centros de Investigaciones de las Universidades sobre: sistemas inteligentes, modelado del tutor y teorías de enseñanza. En esta etapa se confeccionará el estado del arte.

Tiempo estimado: un mes

•  Se seleccionarán las herramientas más apropiadas de ingenieria de software y del conocimiento para el modelado del tutor para lo cual se deberá definir: la arquitectura a utilizar, la base de datos de conocimientos del dominio y el lenguaje más adecuado.

Tiempo estimado: un mes

•  Se efectuará el modelado que cumpla con la siguiente funcionalidades: implementación de un módulo tutor, capaz de impartir conocimientos de distintas maneras para lograr una adaptacion a las necesidades del alumno con respecto a un tema en particular de la materia en cuestión.

Tiempo estimado: dos meses

•  Se evaluará el mismo con un grupo significativo de estudiantes de diferentes tipos comparando los resultados con los obtenidos por un tutor humano, en un tema.

Tiempo estimado: un mes

•  Se confeccionará el informe final con las conclusiones pertinentes y las líneas de investigación futuras.

Tiempo estimado: un mes



4. BIBLIOGRAFIA

Ausubel, D.; Novak, J. y Hanessian. H. (1983) Psicología educativa: un punto de vista cognitivo . México: Trillas.

Bruner, J. (1991) Actos de significado. Más allá de la revolución cognitiva. Madrid: Alianza.

Bruno, Oscar (2003). Resultados de investigacion ecerca de los problemas de aprendizaje de algoritmos . UTN.

Cataldi, Z.; Lage, F. (2002) los preconceptosde docentes y alumnos en el proceso de enseñanza y aprendizaje en carreras de grado y posgrado . CBComp 2002. 26-30 Agosto. Itajaí Sta. Catarina. Univali.

Cataldi, Z.; Lage, F. Y Perichinsky, G. (1998) Enseñanza de comportamiento: una disciplina en vertiginoso cambio dentro de una educacion en cambio , ICIE98. Facultad de Ingenieria 16-17 Abril.

Cruz Feliú, J. (1997). Teorías del aprendizaje y teorías de la enseñanza. Trillas-

Davis, L. (1991). Handbook of Genetic Algorithms. New York. Van Nostrand Reihold.

Evens, Martha W., John Spitkovsky, Patrick Boyle, Joel. Michael, Allen A. Rovick. (1993). Synthesizing tutorial Dialogues . Preoceedings of the 15th Annual Conference of the Cognitive Science Society.

Falkenauer, E. (1999). Evolutionary Algorithms: Applying Genetic Algorithms to Real-World Problems. Springer, New York, Pag 65-88.

García Martínez, R.; Servente; M. y Pasquini (2003) Sistemas Inteligentes . Nueva Librería.

Gardner, H. (1993) Las inteligencias múltiples. La teoría en la práctica . Paidós. Barcelona.

Gardner, H. (1987) La nueva ciencia de la mente : Historia de la psicología cognitiva . Paidós. Barcelona.

Gertner, A. S; Conati; C y VanLehn, K. (1998). Learning Procedural help in Andes: Generating hints using a Bayesian network student model . Research & Development. American Association for Artificial Intelligence.

Giraffa, L.M.M.; Nunes, M. A.; Viccari, R.M. (1997) Multi-Ecological: an Learning Environment using Multi-Agent architecture . MASTA'97: Multi-Agent System: Theory and Applications. Proceedings... Coimbra: DE-Universidade de Coimbra.

Hume G., Michael, J; Rovick, A. y Evens, M. (1996). The Use of Hints by Human and Computer Tutors: The Consequences of the Tutoring . Illinois Institute of Technology.

Hume, G. (1995). Using student modeling to determine when and how to hint in an intelligent tutoring system . Illinois Institute of Technology.

Hume G., Michael, J; Rovick, A. y Evens, M. (1996), Hinting as a tactic in one-on-one tutoring . Journal of Learning Sciencies.

Kohonen, T. (1988) Self-Organizing Maps Springer Series in Information Sciences, Vol. 30, Springer, Berlin, Heidelberg, NY(pp 236)

Madoz, C; DeGiusti, A. (1997) Vinculacion de un curso interactuvi multimedial . Congreso Argentino de Ciencias de la Computación. CACIC97. La Plata. UNLP.

Merril, D. C.; Reiser, B. J.; Ranney, M.; and Trafton, J. G. 1992 . Effective tutoring techniques: A comparison of human tutors and intelligent tutoring systems . The Journal of the Learning Sciences 3(2):277–305.

Nilsson, N. (2001) Inteligencia Artificial. Una nueva síntesis . Mc Graw-Hill Interamericana de España.

Norman, D. (1987) Perspectiva de la ciencia cognitiva . Paidos.

Perkins, D. (1995) La escuela inteligente . Gedisa

Perkins, D. (2002) King´s Arthur round table. How collaborative conversations create smart organizations . John Wiley & Sons.

Pfleeger, S. (2002) Ingeniería de software. Teoría y práctica . Prentice Hall.

Pozo Municio, I. (1999). Aprendices y Maestros . Alianza.

Pozo, J. I. (1998). Teorías cognitivas del aprendizaje . Morata.

Pressman, R. (2002). Ingeniería del software. Un enfoque práctico . 5 Ed., México: McGraw Hill.

Freedman, R.; Evens, M. (1996). Generating and revising multi-turn text plans in ITS . Freeva, Evens. Lecture Notes in Computer Science. Pp 632-640.

Russell, S. J. and Norvig, P. (2001). Inteligencia Artificial: U n enfoque moderno. Pearson .

Schunk, D. (1997). Teorías de la Educación , Prentice Hall.

Seu, Jai, Ru-Charn Chang, Jun Li, Evens, M.; Michael, J. and Rovick, a. (1991). Language Differences in Face-to-Face and Keyboard-to-Keyboard tutoring Session . Proceedings of the Cognitive Science Society.

Sommerville, I. (2002). In geneiría de software. Addison Wesley.

Souto, M. (1995) Hacia un Didáctica de lo grupal. Miño y Dávila

VanLehn, K (1988). Student Modelling. M. Polson. Foundations of Intelligent Tutoring systems. Hillsdale. N.J. Lawrence Erlbaum Associates, 55-78

Wenger, E. (1987). Artificial intelligence and tutoring systems. Computational and Cognitive Approaches to the Communication of Knowledge . Los Altos C. A. Morgan and Kaufman.

Woolfolk, A. (2001). Psicología educativa. Prentice Hall. México.

Yujian Zhou1, Freedman, R, Glass, M., Michael, J.; Rovick, A. y Evens, M. (1999). What Should the Tutor Do When the Student Cannot Answer a Question?. Proceedings of the Twelfth Florida Artificial Intelligence Symposium.