Sistema de Aprendizaje Inteligente con Objetos de Aprendizaje

396 Pages·2009·8.5 MB·Spanish

Unidad Azcapotzalco
División de Ciencias Básicas e Ingeniería
Maestría en Ciencias de la Computación

Sistema de Aprendizaje Inteligente
con
Objetos de Aprendizaje
“ProgEst”

Tesis para obtener el grado de Maestra en Ciencias de la
Computación.

Presenta: María de Lourdes Sánchez Guerrero

Asesor Interno: Dr. en C. Ana Lilia Laureano Cruces
Asesor Externo: M. en I. Martha Mora Torres

México D.F., Julio de 2009
1
2
Dedicatorias

A mis padres, a mis hermanos y hermanas, por su apoyo
incondicional en todos los proyectos que he emprendido en
mi vida.

A David, mi esposo por su amor, apoyo y paciencia en todo
momento.

3
4
Reconocimientos

A la Dr. Ana Lilia Laureano por su paciencia, su confianza,
su tiempo y espacio, por compartir conmigo su
conocimiento. Agradezco su gran apoyo en la dirección de
esta tesis.
A la M. en I. Martha Mora por compartir sus conocimientos,
recomendaciones y apoyo en el diseño de esta tesis.
A mis amigas y colaboradoras Ana Lilia González, Dulce
María Rosales, Luz María Cabrera por su apoyo a largo de
esta etapa de mi vida.
Al Dr. Tomás Miklos, la Dra. Mariem Henaine y a el M. en
C. José Raymundo Lira por su apoyo en la lectura,
comentarios y recomendaciones al trabajo.
5
6
Resumen “Sistema de
Aprendizaje Inteligente con
Objetos de Aprendizaje

(ProgEst)”

Los entornos de aprendizaje están cambiando. Los nuevos escenarios plantean
desafíos técnicos y pedagógicos a los que las instituciones de educación
superior deben responder. Los roles de los profesores, alumnos y personal de
apoyo deben adaptarse a los nuevos entornos. En este caso el objetivo
principal radica en conjuntar las nuevas tecnologías con la inteligencia artificial.
El siguiente trabajo describe el análisis y diseño de un SAI ubicado en
programación estructurada. La organización de este SAI se basa en OA.
Se desarrolla un SAI, que basa el proceso de enseñanza – aprendizaje en un
motor de inferencia inspirado en el proceso tutorial humano y consta de nueve
elementos; 1) interés, 2) deseo, 3) ayuda, 4) estrategias cognoscitivas y
operativas, 5) interrupción, 6) renuncia, 7) aprendizaje, 8) tiempos inactivos, 9)
error. Dichos elementos se relacionan en una matriz causal que permite ver la
causalidad de cada uno de ellos con los demás. Además de estos nueve
elementos se agregan dos más que permiten enriquecer el modelo del
estudiante al considerar el estilo de aprendizaje que tendrá un impacto directo
en la interfaz, y la motivación interna de estudio que permitirá elegir las
estrategias operativas de acuerdo a ésta última. El motor de inferencia está
representado con mapas cognitivos difusos. Este último no es parte del
desarrollo de este trabajo.
Por otro lado se diseña el currículo utilizando un grafo genético, el cual
apoyado en una arquitectura multiagente, implica a tres agentes expertos cada
uno en un sub-dominio. Los sub-dominios están representados por los
objetivos instruccionales. Lo anterior permite elaborar un proceso de
enseñanza–aprendizaje basado en escenarios ligados a cada uno de estos
sub-dominios, que a su vez permiten un manejo más detallado de errores.
Los objetivos instruccionales implicados en este trabajo, de acuerdo a la
taxonomía de Bloom son: 1) conocimiento, 2) comprensión, 3) aplicación y 4)
análisis. Donde el de mayor jerarquía implica a los anteriores, siendo una
taxonomía incluida.
7
8
Abstract “Intelligent Learning
Systems with Learning Objects
(ProgEst)”

Learning environments are changing. The new scenarios pose technical and
pedagogical challenges to which higher education institutions must respond.
Roles for professors, students, and support personnel need to adapt to new
contexts. For the case of this work, the main objective is to combine new
technologies with artificial intelligence.
The following work describes the analysis and design of an ILS through
structured programming. The organization of such ILS is based in LO.
An ILS is developed, basing the teaching-learning process on an inference
engine, inspired by the human tutorial process, and is comprised by nine
elements: 1) interest, 2) desire, 3) help, 4) cognitive and operational strategies,
5) interruption, 6) resignation, 7) learning, 8) inactive times, 9) error. Such
elements are related in a causal matrix that allows causality to be observed
between each one of them with the others. In addition to these nine elements,
two more are added that allow for the enrichment of the student model,
considering the learning style that will have a direct impact on the interface, and
the internal motivation of the study that will permit choosing operational
strategies in accordance with the latter. The inference engine is represented
through diffuse cognitive maps. The latter is not a part of the development of
this work.
On the other hand, the curriculum is designed using a genetic graph, which is
based on a multi-agent architecture, implying three expert agents, each one in a
sub-domain. The sub-domains are represented by instructional objects. The
above allows for the elaboration of a teaching-learning process based on
scenarios, linked to each sub-domain, and thus allowing for a detailed error
management.
The instructional objectives involved in this work, according to Bloom’s
taxonomy are: 1) knowledge, 2) comprehension, 3) application, and 4) analysis.
The one of greater hierarchy includes the others, being an included taxonomy.
9
10