SISTEMAS INTELIGENTES APLICADOS AL MODELADO DEL ESTUDIANTE Guido Costa1, Fernando A. Salgueiro2, Zulma Cataldi3, Ramón García Martinez4 y Fernando J Lage5

Abstract  Esta investigación surge en búsqueda de métodos más eficientes para mejorar el rendimiento de los estudiantes de Algoritmos y Programación I de la carrera de Ingeniería Informática. A pesar de haber diversificado las estrategias didácticas para el dictado de las clases y de cambiar la metodología de trabajo es necesario incorporar nuevas opciones. Los acercamientos actuales carecen de versatilidad ya que no aclaran cómo el alumno mantiene, organiza y adquiere los nuevos conocimientos. Los estilos de aprendizaje basan su aporte en la forma de pensar de los alumnos, pero no se realiza un análisis profundo del modo en que estos conocimientos se almacenan, se relacionan y se utilizan con los adquiridos anteriormente. Es necesario obtener agrupamientos de estudiantes con características similares. Esto permitiría brindar soluciones de un modo más individualizado de acuerdo a cada estilo. En este contexto un sistema asesor inteligente para diagnóstico del estilo del estudiante. Index Terms  estilos de aprendizaje, modelo del estudiante, redes neuronales, sistemas asesores inteligentes.

INTRODUCCIÓN El tema objeto de esta investigación surge como una inquietud tendiente hacia la búsqueda de métodos más eficientes a fin de mejorar el rendimiento (a través de los aprendizajes) de los estudiantes de Algoritmos y Programación I. La problemática del rendimiento escaso de los estudiantes ya ha sido estudiada [1] observándose que a pesar de diversificar las estrategias didácticas para el dictado de las clases y de cambiar la metodología de trabajo es necesario incorporar nuevas opciones. En este contexto surgen los sistemas inteligentes como una alternativa que podría facilitar el modelado, en este caso del estudiante. El modelado del estudiante permitiría desarrollar asesores inteligentes para autorizado básicamente por refuerzo de acuerdo a las características del estudiante.

Un sistema de este tipo se lo puede definir como “una aplicación centrada en la representación del conocimiento y en la interacción con los alumnos para la asimilación de los mismos, basada en la inteligencia artificial (IA)” [2]. En este sentido se piensa que el aporte se centra en esclarecimiento de algunos de los interrogantes aún no investigados en el tema de los estilos de aprendizaje por Felder y Silverman [3] y otros investigadores [4] en el tema desde otra perspectiva. Para facilitar la tarea de aprendizaje, es necesario obtener los estilos de aprendizaje de los estudiantes a fin de dar solución a las problemáticas recurrentes que evidencian a través del reconocimiento de sus problemas en las evaluaciones de los últimos tres años, que ha sido analizados y categorizados (agrupados). Es decir, se trata de obtener diferentes grupos de estudiantes con características similares. Esto permitiría brindar soluciones de un modo más individualizado. Para el caso del estudiante, que debe aprender un nuevo lenguaje de programación, esto implica, estructurar y conocer dicho lenguaje, para lo cual debe “ajustar” sus estructuras mentales para reconocer: nuevo léxico, sintaxis y gramática que permitirían darle significado a cada una de las frases u oraciones (sentencias). Si bien, este mecanismo está pensado para un lenguaje de programación, se lo podría extender al aprendizaje de cualquier idioma. El modelo del estudiante o aprendiz, es responsable de establecer un perfil del estudiante, diagnosticando sus deficiencias, según el nivel de conocimiento, formando una imagen de su comprensión de los contenidos. El modelado del alumno es crucial también en los sistemas expertos y en los sistemas de tutorizado dado que la característica principal que los distingue de los CAI (Computer Aided Instruction) [5] tradicionales es su capacidad de adaptación a las necesidades del alumno. Es decir, el sistema debe determinar el “estado cognitivo” del mismo, o sea, cuales son los conocimientos previos (entendidas como las partes que el estudiante ya conoce del

1 Guido Costa, Laboratorio de Informática Educativa y Medios Audiovisuales, Universidad de Buenos Aires, Facultad de Ingeniería, Paseo Colón 850 4º Piso, Buenos Aires, Argentina, [email protected] 2 Fernando Alberto Salgueiro, Laboratorio de Informática Educativa y Medios Audiovisuales, Universidad de Buenos Aires, Facultad de Ingeniería, Paseo Colón 850 4º Piso, Buenos Aires, Argentina, [email protected] 3 Zulma Cataldi, Laboratorio de Informatica Educativa y Medios Audiovisuales. Universidad de Buenos Aires, Facultad de Ingenieria. Paseo Colon 850 Piso 4to Buenos Aires, Argentina. [email protected] 4 Ramón García Martínez, ITBA: Instituto Tecnológico de Buenos Aires. Escuela de posgrado, CAPIS y Laboratorio de Sistemas inteligentes. Universidad de Buenos Aires, Facultad de Ingenieria. Paseo Colon 850 Piso 4to Buenos Aires, Argentina. [email protected] 5 Fernando Javier Lage, Laboratorio de Informatica Educativa y Medios Audiovisuales. Universidad de Buenos Aires, Facultad de Ingenieria. Paseo Colon 850 Piso 4to Buenos Aires, Argentina. [email protected]

dominio). De este modo, el sistema podrá recomendar la estrategia más conveniente y el tipo de acción a seguir a través del estudio o de la resolución de problemas, por ejemplo, y, dentro de ellos, el nivel de adecuación de los ejercicios a dicho dominio. [6;7]. Las acciones del estudiante sobre el modelo de dominio de conocimientos, son las que pueden modelarse a través de una serie de reglas que permiten evaluar el conocimiento del aprendiz. En la literatura se describen los modelos: diferencial, de “overlay” o superposición, de perturbación o “buggs”, por simulación, de creencias, de agentes inteligentes, entre otros. [8] Un sistema asesor que pudiera diagnosticar el tipo de estudiante, es decir su estilo de aprendizaje, y determinase su estado actual daría información muy útil para saber en qué estadío evolutivo se halla el mismo [9], fundamental para detectar en que etapa evolutiva se encuentra el estudiante ha llegado a la universidad. En este sentido, se piensa, que un sistema con la previsión del modelado del alumno podría aportar cursos de acción en beneficio de las diferentes dificultades de los alumnos. El problema del modelado del alumno se puede dividir en dos partes: a) la selección de una estructura de datos (en el sentido de variables, enlaces y parámetros) [10], y b) la elección de un procedimiento para efectuar el diagnóstico del estado actual del estudiante. Conejo et al. [10] proponen efectuar el diagnóstico usando redes bayesianas y para ello definen un modelo llamado estructural, que está integrado por variables, enlaces entre dichas variables y parámetros. Las variables se pueden dividir en dos tipos: las que se utilizan para medir el conocimiento del alumno y las que se utilizan para recolectar evidencia. Las primeras, se pueden dividir en: conceptos (unidades mínimas de conocimiento), temas (grupos de conceptos) y asignaturas (grupos de temas). Respecto del segundo tipo, para medir evidencia, se utilizan preguntas con múltiples respuestas, que deben responderse en forma correcta o incorrecta. Los enlaces dependen de la función que cumplan, es decir, si solo conectan variables para medir el conocimiento o si conectan nodos de conocimiento y de pregunta. En el primer caso, dominar un nodo de conocimiento supone dominar los nodos del nivel inmediatamente anterior y en el segundo caso el nodo de conocimiento influye positivamente en la probabilidad de contestar correctamente la pregunta. [10] Uno de los parámetros utilizados, son las probabilidades de los nodos concepto estimadas a priori para el caso en que se dispone de información sobre el estudiante. En el caso contrario, se podría usar una distribución uniforme. Otro parámetro son las probabilidades condicionadas de los temas dados los conceptos, y de la asignatura dado los conceptos y finalmente las probabilidades condicionadas de cada pregunta dados los conceptos que en ella intervienen. En este último caso se deben tener en cuenta ciertos índices que

dependen de la pregunta y del momento en la cual se la responda. El proceso evaluador está ligado estrechamente con el proceso de diagnóstico, ya que la eficacia del primero dependerá proporcionalmente de la del segundo, ya que una vez finalizada la prueba, los resultados se integran y se propagan a través de la red, obteniéndose nuevas probabilidades. Conejo et al [10] utilizaron una red bayesiana para integrar los elementos descriptos anteriormente. Los resultados demuestran que el algoritmos diagnostica bien el 90.28% de los conceptos, mal el 3.065 de los conceptos y deja sin evaluar tan solo el 6.67% de los conceptos. Se considera que estos resultados son muy buenos, aunque perfectibles. En el marco situacional planteado se considera que el problema del modelado podría encararse a través de la aplicación de sistemas inteligentes tales como las redes neuronales y los algoritmos genéticos. Las redes neuronales (RN) están formadas por elementos simples que se interconectan en paralelo en forma jerárquica y que interactúan a modo de un sistema neuronal psicológico. [11]. Cuando se las considera con retroalimentación y lazos no lineales, pueden operar para descubrir fenómenos de mayor complejidad. Quizás la particularidad más importante sea que pueden aprender de la experiencia a través de la generalización de casos a través de la abstracción de los datos. [12;13] Los algoritmos genéticos (AG), se estima que pueden contribuir a la resolución del problema del modelado debido a su capacidad de explorar el espacio de búsqueda en forma amplia y eficiente [14;15]. Son una abstracción del concepto biológico de evolución natural y se los puede aplicar con buenos resultados a problemas de optimización [16;17]. Su funcionamiento se basa en los mecanismos de la selección natural, a través de la supervivencia del más apto en un intercambio de información entre miembros de una población de posibles soluciones. [13] Dadas estas alternativas, se busca investigar de qué forma pueden ser utilizadas ambas (o alguna de las) alternativas para hallar la solución del problema planteado

DESCRIPCIÓN DE LA SOLUCIÓN Si bien no se piensa romper con la estructura clásica de los sistemas tutores inteligentes, se debe redefinir los componentes básicos y las interfaces que posee el módulo del estudiante para llevar a cabo la tarea de representar el estado de conocimiento del alumno real en forma efectiva. Han sido dirigidos muchos esfuerzos a la separación de los tres módulos fundamentales de los sistemas tutores inteligentes, pero las implementaciones posteriores han demostrado que el dominio no puede separarse completamente de los módulos del tutor y del estudiante. Como primer paso se debió analizar la interacción de los módulos para un dominio hipotético general, y luego realizar

las modificaciones para el dominio particular de la enseñanza del lenguaje de programación pascal.

4.

INTERACCIÓN DE LOS MÓDULOS FUNDAMENTALES

La Figura 1 muestra los tres módulos fundamentales y la interacción de los mismos en un dominio cualquiera. Este enfoque desliga completamente al módulo del dominio de cualquier tipo de solapamiento con los demás módulos.

5.

Dominio

Estudian te

Tutor

Interfaz

Usuario

6.

FIGURA. 1 INTERACCIÓN DE LOS MÓDULOS DE UN SISTEMA TUTOR INTELIGENTE

1.

2.

3.

Las interacciones se suceden de la siguiente manera: Determinación del estilo del alumno: Se entrega al alumno una planilla con preguntas para categorizarlo dentro de los estilos de alumnos disponibles en el sistema. El alumno entrega la planilla completa y el modelo del estudiante lo categoriza dentro de alguno de los estilos disponibles. Esta acción se sucede una sola vez. Generación del estado de conocimientos: Basándose en el modelo del dominio, el modelo del alumno se encarga de generar el estado de conocimientos del alumno; el cual se actualizara a medida que el usuario se vaya capacitando tanto en acción tutelar con el sistema como en tutorías externas en clase. Este último caso, el sistema deberá pasado el horario de una clase con un tutor humano, y la lista de presentes, generar el nuevo estado de conocimientos del alumno. Determinación de estilo pedagógico: El modelo del estudiante envía el estilo en el cual cuadra el usuario; con ello el módulo tutor selecciona el estilo pedagógico mas adecuado a las características del alumno para impartir las lecciones.

7.

Planificación de la lección: En base al estilo pedagógico seleccionado se gestiona al módulo del alumno el estado de conocimientos del alumno. En base al estilo y al estado de conocimientos se planifica una lección y se gestiona sobre el módulo del dominio los temas que se requieren en la lección en el orden especifico en los que fueron planificados por el módulo tutor. Sesión pedagógica: El módulo tutor imparte los conocimientos planificados en la lección de acuerdo al estilo pedagógico seleccionado. A esto se le dará la forma del lenguaje natural para facilitar la interacción con el usuario del sistema y se lo presentara a través de la interfaz, la cual ubicara los elementos pedagógicos utilizados para esa lección en particular. Dada una sesión pedagógica, el módulo del tutor tendrá objetivos generales a cumplir (como puede ser la resolución de un problema en particular, alcanzar cierto grado de conocimiento sobre uno de los temas de la curricula, etc), pero pueden surgir a lo largo de la interacción con el usuario objetivos secundarios, necesarios o no, para alcanzar el objetivo principal de la sesión pedagógica. Será responsabilidad del módulo tutor guiar al usuario hacia todos los objetivos, manejándolos en forma correcta y no dar por terminada la sesión hasta que todas las metas hayan sido satisfechos. Evaluación de sesión pedagógica: Los resultados de la sesión son compilados por el módulo tutor e interpretados. Se parte de preguntas, ejercicios, etc. y se obtiene como resultado el conocimiento (o no) de los temas impartidos. Con esto también se actualiza la pila de objetivos a cumplir para la sesión que se esta llevando a cabo. Actualización del mapa de conocimientos: Con los resultados de la evaluación procesados sobre los temas impartidos el módulo del alumno actualiza el estado de conocimientos del usuario, con esto puede modificar sus predicciones sobre el tipo de aprendizaje del mismo, sus creencias sobre el dominio y puede obtener estadísticas.

De la interacción antes descripta se pueden plantear los componentes básicos del módulo del tutor y del módulo del alumno. A continuación se detallan los primeros y la interacción entre ellos.

COMPONENTES BÁSICOS DEL MÓDULO DEL ESTUDIANTE Se realizarán un planteo en el cual el módulo del estudiante contiene dos grandes módulos que se pueden ver en la Figura 2 y que se detallan a continuación: • Módulo de estilos de aprendizaje: Esta compuesto por una base de datos de estilos de aprendizajes disponibles en el sistema tutor inteligente, y los métodos de selección y características de cada uno de los métodos

con respecto a los elementos propios del alumno. Estos últimos varían con respecto al estado del sistema: si el estado es inicial, es decir que el alumno recién es cargado en el sistema, se lo debe evaluar para generar una representación estándar del estilo de aprendizaje (la cual después puede resultar incorrecta) y a lo largo de las sesiones tuteladas con el sistema se ira actualizando o modificando la visión del sistema con respecto al estilo de aprendizaje real del alumno. Esto hace que el sistema sea muy versátil a la hora de categorizar y recategorizar los estilos de los estudiantes. •

Módulo de estado de conocimientos: Este contiene el mapa de conocimientos obtenido inicialmente del módulo del dominio que progresivamente el actualizador de conocimientos irá modificando a través de los resultados obtenidos de las evaluaciones efectuadas por el módulo del tutor, el cuál enviará dichos resultados procesados. Estos datos también se le proporcionaran al módulo tutor para que éste pueda decidir cómo y qué impartir en cada una de las sesiones con el estudiante. La idea de este módulo es contener una representación del estado de conocimientos instantáneo del alumno. Deberá ser modificado por sesiones tuteladas fuera del sistema, como pueden serlo clases particulares o magistrales con tutores humanos.

Estos dos grandes sub-módulos interactúan entre si y con otros módulos para componer el módulo del estudiante de un sistema asesor inteligente.

CONCLUSIONES La redefinicion del módulo del estudiante, en submódulos y en interfaces pretende solucionar algunos problemas generales que afectan a los sistemas tutores inteligentes desde hace años. Se facilitan los circuitos y se mejora la interaccion entre los módulos, separando completamente al módulo del dominio del verdadero dominio de aplicacion. Si bien no se rompe con la estructura clásica de los sistemas tutores inteligentes, este nuevo enfoque al tema supone una mayor flexibilidad y adaptacion a nuevos dominios a las aplicaciones que la utilicen.

TRABAJOS FUTUROS Se está trabajando en la implementación del sistema asesor inteligente integral, en el cual se realizarán rediseños a la estructura clásica de los módulos del estudiante desarrollado, del módulo del tutor y del sistema evaluador (ambos actualmente en desarrollo). Una vez finalizada la implementación e integración de los módulos, el paso siguiente será contrastar el sistema, lo cual será realizado contra los datos de un curso piloto, que utilizara al asesor en sus clases prácticas en los laboratorios de la facultad. Estos datos se compararan con los datos recabados hasta el momento y se generaran conclusiones al respecto, indicando la viabilidad de la implementación y posterior utilización efectiva de un sistema asesor inteligente como complemento a las clases teóricas del curso tomado como piloto.

REFERENCIAS

FIGURA. 2 COMPONENTES BÁSICOS DEL MÓDULO DEL ESTUDIANTE

[1]

Lage, F.; Cataldi, Z. y Denazis, J.M. (2000). The Scripts of University Students and Experts in the Preparation of the Examinations: A Study in Process. FIE 2000: 30th ASEE/IEEE Frontiers in Education Conference, Kansas City Missouri, 18-21 de Octubre. Paper 1154. Proceedings en CD-ROM. ISBN 07803-6242/0/

[2]

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

[3]

Felder, R. M. y. Silverman, L.K. (1988) Learning Styles and Teaching Styles in Engineering Education. Journal of Engineering Education, 78 (7), 674-681.

[4]

Felder, R. y Brent, R. (1996) Navigating the bumpy road to student-centred instruction. College Teaching. 44 (2), pp 43-47.

[5]

Ayala Rivera, V.; González López, L. (2003) Herramienta para la generación de lecciones de Español bajo el esquema establecido por el CSLR. Universidad de las Américas-Puebla.

[6]

Brachman, R.J. (1988) The basis of knowledge representation and reasoning. AT&T. Technical Jurnal. 67, 1:15.

[7]

Gómez, A.; Juristo, N.; Montes, C., Pazos, J. (1997) Ingenieria del conocimiento. Ed. R. Areces. Madrid.

[8]

Casas, M. (1999) contribuições para a modelagem de um ambiente inteligente de educação baseado em realidade virtual. Tesis Doctoral Universidade Federal de Santa Catarina. Programa de Pós-graduação em Engenharia de Produção.

[9]

Piaget, J. (1969) Science of education and the psychology of the child. New York. Viking.

[10] Conejo, R., Millán, E., Pérez de la Cruz, J.L., y Trella, M. (2000). An Empirical Approach to On-Line Learning in SIETTE. In Proceedings of 3rd International Conference on Intelligent Tutoring Systems ITS'2000. LNCS 1839, Springer Verlag.

[11] Kohonen,

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

[12] Hilera González y Martínez Hernando, 2000. Redes Neuronales Artificiales: Fundamentos, modelos y aplicaciones. Ra-ma, Madrid. [13] García Martínez, R.; Servente; M. y Pasquini (2003) Sistemas Inteligentes. Nueva Librería. [14] Goldberg, D. E. (1989). Genetic Algorithms - in Search, Optimization and Machine Learning. Addison-Wesley Publishing Company, Inc. [15] Koza, John R. (1997). Genetic Programming. Cambridge: M.I.T. Press. [16] Davis, L. (1991). Handbook of Genetic Algorithms. New York. Van Nostrand Reihold. [17] Falkenauer, E. (1999). Evolutionary Algorithms: Applying Genetic Algorithms to Real-World Problems. Springer, New York, Pag 65--88.