Artículo en PDF
Cómo citar el artículo
Número completo
Más información del artículo
Página de la revista en redalyc.org
Sistema de Información Científica
Red de Revistas Científicas de América Latina y el Caribe, España y Portugal
Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial. No.33 (2007), pp. 7-12.
MONOGRAFÍA:
TÉCNICAS DE LA INTELIGENCIA
ARTIFICIAL APLICADAS A LA EDUCACIÓN
Coordinado por:
Eduardo M. Sánchez Vila y Manuel Lama Penín
Presentación de la Monografía
1. Introducción
En las universidades y centros de enseñanza de todo
el mundo es palpable el incremento de la utilización
de las tecnologías de la información y las
comunicaciones
en
los
procesos
de
enseñanza/aprendizaje. En este contexto, las más
demandadas son, precisamente, las tecnologías
basadas en inteligencia artificial, como los tutores
inteligentes, los sistemas de gestión del aprendizaje
o los videojuegos [1]. La investigación en este
campo es muy activa y plantea objetivos
ambiciosos, como por ejemplo la construcción de
sistemas de monitorización inteligente para analizar
el grado de atención y nivel de productividad de los
estudiantes. En unas décadas se podrían plantear
escenarios de ciencia ficción donde los alumnos
dispondrían de interfaces cerebrales para interactuar
directamente con una máquina y un software [2],
que podría realizar las tareas de un tutor virtual con
conexión directa a las áreas de aprendizaje
cerebrales.
Especulaciones futurísticas al margen, es evidente
que el nuevo contexto social en el que vivimos
plantea también nuevas demandas educativas:
Incremento
del
número
de
estudiantes.
Motivado por una mayor demanda de
formación continua y las necesidades de
jóvenes adultos de redefinir sus carreras o
completar estudios que en su momento no
terminaron.
Coste económico y temporal. Un buen número
de estudiantes o bien no tienen
capacidad
económica
para
pagar
los
estudios
convencionales, o no tienen
tiempo para
desplazarse y asistir a las clases tradicionales.
Hay que considerar aquí el impacto cada vez
mayor de los inmigrantes.
Para satisfacer estas nuevas necesidades se requiere:
(1) oferta de formación online, que reduce costes de
los alumnos y permite cubrir las necesidades
educativas de un mayor número de estudiantes, (2)
automatización de los procesos educativos, para
reducir los costes de profesorado y mantener un
nivel de atención educativa personalizado en
cualquier momento y en cualquier
lugar.
En este artículo nos centramos en analizar las
soluciones que aporta el campo de la IA para
resolver estas necesidades y especialmente las
relacionadas con la automatización de los procesos
educativos
2. Ejemplos de Aplicaciones Educativas
basadas en IA
El campo de la inteligencia artificial puede aportar
muchas soluciones a las necesidades que el ámbito
educativo plantea [3]. A continuación repasamos el
tipo de sistemas que se pueden construir y que están
en vías de producción desde la IA.
2.1. Sistemas Tutores Inteligentes
Los Sistemas Tutores Inteligentes son sistemas que
proporcionan
aprendizaje
y/o
formación
personalizada [4]. Se basan en tres componentes
principales: (1) conocimiento de los contenidos, (2)
conocimiento del alumno, y (3) conocimiento de
estrategias o metodologías de aprendizaje. Estos
sistemas prometen transformar radicalmente nuestro
concepto de aprendizaje online. A diferencia de las
aplicaciones de e-learning basadas en hipertexto,
que dan a los estudiantes un cierto número de
oportunidades para buscar una respuesta correcta
antes de enseñarla, los sistemas tutores inteligentes
actúan como entrenadores, ofreciendo sugerencias
cuando los estudiantes dudan o se atascan en el
proceso de la resolución del problema, y no sólo
cuando ellos introducen la respuesta. De esta forma,
el tutor guía el proceso de aprendizaje, y no sólo se
encarga de decir lo que está bien y lo que no.
Existen múltiples ejemplos de sistemas tutores
inteligentes, algunos desarrollados en el mundo
universitario y otros creados con fines comerciales.
Entre los primeros, uno de los más conocidos es el
sistema Andes, desarrollado por el equipo de Kurt
VanLehn de la Universidad de Pittsburg [5]. El
sistema se encarga de guiar a los estudiantes
8
Inteligencia Artificial V. 11, Nº 33, 2007
mientras estos resuelven problemas y ejercicios.
Cuando el estudiante pide ayuda en medio de un
ejercicio, el sistema aporta pistas para avanzar en la
solución o indica qué ha fallado en algún paso
anterior. Andes se probó con éxito durante 5 años en
la Academia Naval de los Estados Unidos y puede
descargarse gratuitamente. En el ámbito comercial,
Read-On! se vende como un producto que enseña
habilidades de comprensión lectora a adultos
analizando y diagnosticando cada uno de las
deficiencias específicas del estudiante y adaptando
su formación en función de ellas [6]. Incluye una
herramienta de autoría que permite a los diseñadores
de cursos adaptar los contenidos de los cursos a los
diferentes perfiles de estudiante de forma rápida y
flexible.
2.2. Sistemas de Evaluación Automática
Los sistemas de evaluación automática de test tienen
como objetivo principal evaluar las fortalezas y
debilidades de los estudiantes a través de los test
que realizan sobre una materia o actividad [7]. De
esta forma, estos sistemas no sólo realizan la
corrección automática de tests, sino que también
pueden adquirir automáticamente conocimiento
sobre las habilidades y competencia que los
estudiantes poseen sobre la materia en cuestión.
Entre los sistemas de evaluación automática
podemos citar ToL (Test on Line) [8] que ha sido
aplicado sobre estudiantes de física en la
Universidad Politécnica de Milán. El sistema está
formado por una base de datos de test, un algoritmo
de selección de preguntas y un mecanismo de
evaluación automática de los test que puede ser
configurado
por
los
profesores.
CELLA
(Comprehensive
English
Language
Learning
Assesment) [9] es otro sistema que evalua la
competencia de los estudiantes en el manejo del
inglés, mostrando el progreso de los estudiantes y
evaluando su potencial en el dominio de los
idiomas.
2.3. Aprendizaje Colaborativo Soportado por
Computador
Los entornos de aprendizaje colaborativo basado en
computador están pensados para facilitar el proceso
del aprendizaje dando a los estudiantes la
oportunidad y las herramientas para interactuar y
trabajar en grupo [10]. En sistemas basados en
inteligencia artificial, la colaboración se realiza con
la ayuda de un agente software encargado de mediar
y facilitar la interacción para alcanzar los objetivos
planteados.
Los
prototipos
de
investigación
aportan
precisamente
nuevas
ideas
para
mediar
la
colaboración entre los estudiantes. El sistema
DEGREE por ejemplo permite caracterizar el
comportamiento de un grupo y el de los individuos
que lo componen a través de un conjunto de
atributos o etiquetas. El agente facilitador utiliza
estos atributos que introducen los estudiantes para
ofrecer sugerencias y consejos con el objetivo de
mejorar la interacción dentro de cada grupo [11].
En el ámbito comercial existen muchos productos
aunque aún no ofrecen mediadores inteligentes para
facilitar la colaboración. El sistema DEBBIE
(DePauw Electronic Blackboard for Interactive
Education) es uno de los más conocidos [12]. Fue
desarrollado a comienzos del 2000 en la
Universidad de Depauw y luego gestionado por la
empresa DyKnow creada específicamente para
comercializar el sistema [13]. La tecnología que
ofrece DyKnow en la actualidad permite a los
profesores y estudiantes compartir instantáneamente
información e ideas. El objetivo final es evitar que
los alumnos realicen simples tareas de copiadores de
las presentaciones del profesor, y se centren en
comprender, analizar y discutir los conceptos
presentados en la clase.
2.4. Aprendizaje Basado en Juegos
El aprendizaje basado en juegos, denominados
“juegos serios” en el campo de la educación para
distinguirlos de los puramente orientados al
entretenimiento, trata de utilizar el poder de los
juegos de ordenador para atraer y motivar a los
estudiantes para conseguir que estos desarrollen
nuevos conocimientos y habilidades. Este tipo de
aprendizaje permite realizar tareas y experimentar
situaciones que de otro modo serían imposibles de
realizar
por
cuestiones
de
coste,
tiempo,
infraestructura y, como no, seguridad [14,15].
NetAid’s es una institución que desarrolla juegos
para educar sobre cuestiones de educación
ciudadana y sensibilización de la pobreza en el
mundo. Uno de sus primeros juegos, desarrollado en
el 2002, denominado
NetAid World Class, consiste
en que los alumnos tomen la identidad de un niño de
un estado del sur de la India y resuelvan los
problemas reales con los que se enfrentan
Inteligencia Artificial V. 11, Nº 33, 2007
9
diariamente los niños pobres de esta región [16]. En
el año 2003 el juego fue utilizado por más de 40.000
estudiantes en diferentes universidades de los
Estados Unidos.
En el ámbito comercial y de entretenimiento, existen
múltiples juegos que pueden utilizarse con fines
educativos. Uno de los más populares es Brain
Training, de la empresa Nintendo [17]. El juego se
concibe con el objetivo de mejorar la capacidad
mental del usuario, proponiendo ejercicios de
memoria, de razonamiento, etc para que el jugador
mejore su habilidad y consiga el reto de llegar a la
edad cerebral de veinte años, edad óptima según la
escala propia del juego.
3. Técnicas de IA en Educación
Los sistemas educativos inteligentes que acabamos
de revisar están basados en diversas técnicas de
inteligencia artificial [18]. Las más utilizadas en el
campo de la educación son: las técnicas de
personalización basadas en modelos de estudiantes y
de grupos, los sistemas basados en agentes
inteligentes, y las ontologías y las técnicas de web
semántica.
Las técnicas de personalización, que son la base de
los sistemas tutores inteligentes, están basadas en
modelos del estudiante. En general, estos modelos
consisten en la elaboración de una representación
cualitativa que considere el comportamiento del
alumno en función tanto del conocimiento existente
sobre un determinado ámbito como del aprendizaje
de otros estudiantes en este dominio [19]. Estas
representaciones pueden utilizarse posteriormente
en sistemas tutores inteligentes, en entornos de
aprendizaje inteligente o en generar agentes
inteligentes que representen estudiantes que
colaboren con los estudiantes humanos. La
utilización de técnicas de aprendizaje automático
permite actualizar y extender los modelos de
estudiantes iniciales para adaptarlos tanto a la
evolución de los mismos como a una posible
actualización e contenidos y actividades educativas
[20]. Las dos técnicas más populares para modelar
estudiantes son [21]: los modelos basados en
superposición o overlay y las redes bayesianas. El
primer método consiste en considerar el modelo del
estudiante como un subconjunto del conocimiento
del experto en el ámbito donde se realiza el
aprendizaje. De este modo, el aprendizaje se mide
en función de la comparación con los conocimientos
del modelo del experto. El segundo método consiste
en representar el proceso de aprendizaje como una
red de estados de conocimiento, y posteriormente,
inferir de forma probabilística el estado del
estudiante a partir de la interacción de éste con el
tutor.
Los agentes software son considerados entidades
software, como por ejemplo programas software o
robots, que presentan en grado diferente, tres
características principales: autonomía, cooperación
y aprendizaje [22]. La autonomía se refiere a la
capacidad del agente de actuar y decidir por sí
mismo gracias a su representación y comprensión el
mundo que le rodea. La cooperación significa a la
habilidad para interactuar con otros agentes a través
de algún tipo de lenguaje de comunicación.
Finalmente, el aprendizaje es esencial para adaptar
el comportamiento al entorno exterior y optimizar el
desarrollo de las tareas. La capacidad de aprender,
junto con otras capacidades como el razonamiento o
la planificación, dotan a los agentes software de
cierta inteligencia lo que permite la realización de
tareas más complejas. Los equipos de agentes
inteligentes
componen
Sistemas
MultiAgente
orientados a desarrollar tareas que un único agente
no puede realizar. En estos sistemas el control y el
conocimiento está distribuido y la computación que
se realiza es asíncrona [23]. Existen múltiples tareas
en el ámbito de la educación y del aprendizaje,
como por ejemplo la monitorización de las entradas,
las salidas y las actividades de los estudiantes, la
consulta en el buzón de ejercicios para comprobar
que los trabajos se envían en fecha, la respuesta de
los mensajes con las preguntas de los alumnos, la
corrección de test y exámenes, que un sistema
dotado con agentes inteligentes puede realizar
[24,25].
Las ontologías buscan capturar y representar el
conocimiento de forma consensuada, para que
puede ser reutilizado y compartido tanto por
aplicaciones software como por grupos de personas
[26]. Una ontología consiste en clases y sus
atributos, las relaciones entre las clases, las
propiedades de las relaciones y los axiomas que
permiten
restringir
las
interpretaciones
de
definiciones de acuerdo al significado pretendido de
los conceptos. En el ámbito educativo se han
propuesto varias ontologías para describir: el
contenido de documentos utilizados como recursos
educativos [27], la interacción entre alumnos
durante tareas de aprendizaje colaborativo [28], la
semántica relacionada con los objetos del
aprendizaje, y finalmente, la semántica implícita en
lenguajes orientados al diseño del aprendizaje [29].
10
Inteligencia Artificial V. 11, Nº 33, 2007
4. Artículos de la Monografía
Los artículos que aparecen en este número especial
han sido seleccionados
de entre las contribuciones
aceptadas en el taller “Técnicas de Inteligencia
Artificial Aplicadas a la Educación” [30],
organizado por el Grupo de Sistemas Inteligentes de
la Universidad de Santiago de Compostela,
encuadrado en la XI Conferencia de la Asociación
Española Para la Inteligencia Artificial (CAEPIA)
[31]. El objetivo del taller consistió en recoger el
estado actual en España de la aplicación de la
Inteligencia Artificial al ámbito educativo, y por ello
el número especial contiene artículos centrados en el
uso de sistemas tutores inteligentes de ayuda para el
aprendizaje de los alumnos, en el diseño e
implementación de agentes inteligentes, y en la
representación y modelado del conocimiento
(ontologías y lenguajes).
En el contexto de los sistemas tutores inteligentes, el
trabajo
Estudio de un mecanismo para la
administración adaptativa de ayudas en la
realización de tests
, de R. Conejo y col., presenta
una propuesta para la introducción de mecanismos
adaptativos para la elección de ayudas, en un
entorno de evaluación basado en tests adaptativos.
El objetivo consiste en analizar estrategias para
administrar, de forma eficiente, pistas que ayuden a
alumnos con diferentes niveles de conocimiento a
responder correctamente a tests.
En el ámbito de los agentes inteligentes, el artículo
Aprendizaje Activo en Simulaciones Interactivas
, de
M. A. Gómez-Martín y col., presenta un entorno de
aprendizaje que enseña a los alumnos el uso de la
máquina virtual de Java y la compilación de
lenguajes orientados a objetos, incluyendo una
descripción detallada del conocimiento usado por el
entorno. La propuesta utiliza la metáfora de los
videojuegos para motivar y facilitar el proceso de
aprendizaje.
En el contexto de la representación y el modelado
de actividades de aprendizaje, el artículo
Análisis de
los Lenguajes de Modelado Educativo basado en
Descomposición por Partes
, de M. Caeiro, se realiza
un detallado análisis de las necesidades de los
lenguajes que permiten modelar el diseño y la
ejecución de las actividades educativas (EMLs),
proponiendo una solución a las limitaciones de los
lenguajes actuales. Como contribución se plantea
una aproximación basada en descomposición por
partes de acuerdo a distintos componentes de
coordinación que se identifican en el propio trabajo.
En cuanto a la representación y modelado de objetos
o elementos educativos, el trabajo
Comunidades
Virtuales de Aprendizaje Colaborativo: de los
Metadatos a la Semántica,
de J. I. Mayorga y col.
,
presenta un sistema que permite que comunidades
virtuales de aprendizaje colaborativo compartan y
trabajen en torno a un cuerpo de conocimiento
común a través de un Repositorio de Objetos de
Aprendizaje. El sistema está basado en una
ontología que representa los objetos del aprendizaje,
las actividades relacionadas con el aprendizaje, y los
aspectos sociales relacionados con el proceso
educativo.
En el ámbito del modelado y la representación del
diseño del aprendizaje, el artículo
Representación y
Ejecución de Unidades Educativas a través de una
Ontología de Diseños de Aprendizaje
, de R.
Amorim y col, propone una ontología del lenguaje
IMS Learning Design, el estandar de facto para
modelar unidades de aprendizaje. Para mostrar sus
posibilidades se presenta una comparación entre la
implementación de un diseño de aprendizaje con
Reload
y
Coppercore
, las aplicaciones de mas
relevancia en la implementación de IMS LD, y otra
con la ontología del IMS LD en el sistema EUME,
un sistema para la gestión inteligente del
aprendizaje en entornos docentes presenciales.
Por último, y en un contexto más general sobre la
aplicación de las técnicas de Inteligencia Artifical
aplicadas
a
la
Educación,
el
trabajo
TENCompetence: Construyendo la Red Europea
para el Desarrollo Continuo de Competencias,
de
D. Burgos y col., muestra el estado del arte de un
proyecto europeo que plantea el problema de cómo
apoyar el aprendizaje de competencias profesionales
más allá de la formación reglada oficial. El trabajo
discute las posibilidades de las técnicas de
inteligencia artificial para abordar la construcción de
sistemas que tendrán que analizar (1) las actividades
y unidades de aprendizaje existentes, y (2)
el perfil
del estudiante, para generar planes de aprendizaje
totalmente personalizados.
Referencias
[1] S. Silverstein: Colleges see the future in
technology,
Los Angeles Times
, 2006.
Inteligencia Artificial V. 11, Nº 33, 2007
11
[2] C. Koch. Christof Koch forecast the future.
New Scientist. 2006.
cience-forecasts/dn10626-christof-koch-
forecasts-the-future.html
[3] K. Kennedy: Top 10 Smart technologies for
Schools: Artificial Intelligence, 2002.
/TL/2002/11/topten5.html
[4] K. VanLehn. The Behavior of Tutoring
Systems.
International Journal of Artificial
Intelligence in Education
, 16:227-265, 2006.
[5] K. VanLehn, C. Lynch, K. Schulze, J. A.
Shapiro, R. Shelby, L. Taylor, D. Treacy, A.
Weinstein y M. Wintersgill. The Andes
Physics Tutoring System: Lessons Learned.
International Journal of Artificial Intelligence
in Education
, 15:147-204, 2005.
[6] Read On!
tm
[7]
R. Conejo, E. Guzman, E. Millan, M. Trella,
J.L. Perez-de-la-Cruz y A. Rios: SIETTE: A
Web-Based Tool for Adaptive Testing.
International Journal of Artificial Intelligence
in Education
, 14:29-61, 2004.
[8] A. Tartaglia y E. Tresso: An Automatic
Evaluation System for Technical Education at
the University Level. IEEE Transactions on
Education, 45(3):268-275, 2002.
[9] CELLA – Comprehensive English Language
Learning Assessment.
[10] A. Soller, A. Martinez, P. Jermann, y M.
Muehlenbrock: From Mirroring to Guiding: A
Review of State of the Art Technology for
Supporting
Collaborative
Learning.
International Journal of Artificial Intelligence
in Education,
15:261-290, 2005.
[11] B. Barros, y M.F. Verdejo. Analysing student
interaction processes in order to improve
collaboration:
the
DEGREE
approach.
International Journal of Artificial Intelligence
in Education
, 11:221-241, 2000.
[12] D. Berque, D. Johnson, A. Hutcheson, L.
Jovanovic, K. Moore, C. Singer y K. Slattery.
The design of an interface for student note
annotation
in
a
networked
electronic
classroom.
Journal of Network and Computer
Applications
, 23(2):77-91, 2000.
[13] P. Schnitzler: Becker bets on education
software startup.
The Indianapolis Business
Journal
, 24(44), 2004.
ckerBetsOnEdSoftware.html
[14] D. Michael y S. Chen: Serious Games: Games
That Educate, Train, and Inform.
Course
Technology PTR
, 2005.
[15] K. Corti: Gamesbased Learning: a serious
business
application.
Informe
de
PixelLearning
, 2006.
esbusinessapplications.pdf
[16] B. Stokes. Videogames have changed: time to
consider Serious Games?
The Development
Education Journal
, 11(2), 2005.
[17] Brain Training.
les/brain-training
[18] P. Brusilovsky y C. Peylo: Adaptive and
Intelligent Web-based Educational Systems.
International Journal of Artificial Intelligence
in Education
, 13:156–169, 2003.
[19] G. McCalla: The central importance of student
modeling to intelligent tutoring. En:
New
Directions for Intelligent Tutoring Systems
,
Springer Verlag, 1992.
[20] R. Sison y M. Shimura: Student modeling and
machine learning.
International Journal of
Artificial Intelligence in Education
, 9:128-158,
1998.
[21] J. Beck, M. Stern y E. Haugsjaa: Applications
of AI in Education.
Crossroads
, 3(1):11-15,
1996.
[22] H. S. Nwana: Software Agents: An Overview.
Knowledge Engineering Review
, 1996.
[23] K.P.
Sycara:
Multiagent
Systems.
AI
Magazine
, 19(2): 79-92, 1998.
[24] A. Jafari: Conceptualizing intelligent agents
for teaching and learning.
Educause Quaterly
,
25(3):28-34, 2002.
[25] E. Sánchez., M. Lama, R. Amorim, A. Riera, J.
Vila, S. Barro. A multi-tiered agent-based
architecture
for
a
cooperative
learning
environment. En:
Proceedings of IEEE
Euromicro Conference on Parallel and
Distributed Processing (PDP 2003)
, 2003.
12
Inteligencia Artificial V. 11, Nº 33, 2007
[26] A. Gómez-Pérez, M. Fernández-López y O.
Corcho.
Ontological Engineering
, Springer
Verlag, 2004.
[27] S. Kabel, B. Wielinga., y R. de How.
Ontologies for indexing Technical Manuals for
Instruction.
Proceedings
of
the
AIED-
Workshop on Ontologies for Intelligent
Educational Systems, LeMans, France, 44-53.
1999.
[28] A. Inaba, T. Tamura, R. Ohkubo, M. Ikeda, R.
Mizoguchi y J. Toyoda: Design and Analysis
of Learners Interaction based on Collaborative
Learning Ontology. En:
Proceedings of the
Second European Conference on Computer-
Supported Collaborative Learning (Euro-
CSCL'2001)
, páginas 308-315, 2001.
[29] R. Amorim, M. Lama, E. Sánchez, A. Riera y
X.A. Vila: A Learning Design Ontology based
on the IMS Specification.
Journal of
Educational Technology & Society
, 9(1):38-
57, 2006.
[30] M. Lama y E. Sánchez (eds.): Actas del Taller
de la CAEPAI’05 “Técnicas de la Inteligencia
Artificial aplicadas a la Educación”, 2005.
[31] J. Santos y A. Bugarín (eds.): Actas de la XI
Conferencia de la Asociación Española para la
Inteligencia Artificial (CAEPIA), 2005.
logo_pie_uaemex.mx