SISTEMAS INTELIGENTES APLICADOS AL MODELADO DEL ESTUDIANTE

Guido Costa1, Fernando A. Salgueiro2, Zulma Cataldi3, Ramn Garca Martinez4 y Fernando J Lage5

Abstract Esta investigacin surge en bsqueda de
mtodos ms eficientes para mejorar el rendimiento de los
estudiantes de Algoritmos y Programacin I de la carrera de
Ingeniera Informtica. A pesar de haber diversificado las
estrategias didcticas para el dictado de las clases y de
cambiar la metodologa de trabajo es necesario incorporar
nuevas opciones. Los acercamientos actuales carecen de
versatilidad ya que no aclaran cmo 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 anlisis 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
caractersticas similares. Esto permitira brindar soluciones
de un modo ms individualizado de acuerdo a cada estilo.
En este contexto un sistema asesor inteligente para
diagnstico del estilo del estudiante.
Index Terms estilos de aprendizaje, modelo del
estudiante, redes neuronales, sistemas asesores inteligentes.
INTRODUCCIN
El tema objeto de esta investigacin surge como una
inquietud tendiente hacia la bsqueda de mtodos ms
eficientes a fin de mejorar el rendimiento (a travs de los
aprendizajes) de los estudiantes de Algoritmos y
Programacin I. La problemtica del rendimiento escaso de
los estudiantes ya ha sido estudiada [1] observndose que a
pesar de diversificar las estrategias didcticas para el dictado
de las clases y de cambiar la metodologa de trabajo es
necesario incorporar nuevas opciones.
En este contexto surgen los sistemas inteligentes como
una alternativa que podra facilitar el modelado, en este caso
del estudiante. El modelado del estudiante permitira
desarrollar asesores inteligentes para autorizado bsicamente
por refuerzo de acuerdo a las caractersticas del estudiante.
Un sistema de este tipo se lo puede definir como una
aplicacin centrada en la representacin del conocimiento y
en la interaccin con los alumnos para la asimilacin 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 an 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 solucin a las problemticas recurrentes que evidencian
a travs del reconocimiento de sus problemas en las
evaluaciones de los ltimos tres aos, que ha sido analizados
y categorizados (agrupados). Es decir, se trata de obtener
diferentes grupos de estudiantes con caractersticas
similares. Esto permitira brindar soluciones de un modo
ms individualizado. Para el caso del estudiante, que debe
aprender un nuevo lenguaje de programacin, esto implica,
estructurar y conocer dicho lenguaje, para lo cual debe
ajustar sus estructuras mentales para reconocer: nuevo
lxico, sintaxis y gramtica que permitiran darle significado
a cada una de las frases u oraciones (sentencias). Si bien,
este mecanismo est pensado para un lenguaje de
programacin, se lo podra extender al aprendizaje de
cualquier idioma.
El modelo del estudiante o aprendiz, es responsable de
establecer un perfil del estudiante, diagnosticando sus
deficiencias, segn el nivel de conocimiento, formando una
imagen de su comprensin de los contenidos.
El modelado del alumno es crucial tambin en los
sistemas expertos y en los sistemas de tutorizado dado que la
caracterstica principal que los distingue de los CAI
(Computer Aided Instruction) [5] tradicionales es su
capacidad de adaptacin 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 Informtica Educativa y Medios Audiovisuales, Universidad de Buenos Aires, Facultad de Ingeniera, Paseo Coln 850 4
Piso, Buenos Aires, Argentina, gcosta@fi.uba.ar
2
Fernando Alberto Salgueiro, Laboratorio de Informtica Educativa y Medios Audiovisuales, Universidad de Buenos Aires, Facultad de Ingeniera, Paseo
Coln 850 4 Piso, Buenos Aires, Argentina, fsalgueiro@fi.uba.ar
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. liema@fi.uba.ar
4
Ramn Garca Martnez, ITBA: Instituto Tecnolgico 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. rgm@fi.uba.ar
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. fjlage@fi.uba.ar
dominio). De este modo, el sistema podr recomendar la
estrategia ms conveniente y el tipo de accin a seguir a
travs del estudio o de la resolucin de problemas, por
ejemplo, y, dentro de ellos, el nivel de adecuacin 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 travs de
una serie de reglas que permiten evaluar el conocimiento del
aprendiz. En la literatura se describen los modelos:
diferencial, de overlay o superposicin, de perturbacin o
buggs, por simulacin, 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 dara informacin muy til para saber en qu
estado 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
previsin del modelado del alumno podra aportar cursos de
accin en beneficio de las diferentes dificultades de los
alumnos.
El problema del modelado del alumno se puede dividir
en dos partes: a) la seleccin de una estructura de datos (en
el sentido de variables, enlaces y parmetros) [10], y b) la
eleccin de un procedimiento para efectuar el diagnstico
del estado actual del estudiante.
Conejo et al. [10] proponen efectuar el diagnstico
usando redes bayesianas y para ello definen un modelo
llamado estructural, que est integrado por variables, enlaces
entre dichas variables y parmetros. 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 mnimas de conocimiento), temas (grupos de
conceptos) y asignaturas (grupos de temas). Respecto del
segundo tipo, para medir evidencia, se utilizan preguntas con
mltiples respuestas, que deben responderse en forma
correcta o incorrecta.
Los enlaces dependen de la funcin 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 parmetros utilizados, son las probabilidades
de los nodos concepto estimadas a priori para el caso en que
se dispone de informacin sobre el estudiante. En el caso
contrario, se podra usar una distribucin uniforme. Otro
parmetro 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 ltimo caso se deben tener en cuenta ciertos ndices que
dependen de la pregunta y del momento en la cual se la
responda.
El proceso evaluador est ligado estrechamente con el
proceso de diagnstico, ya que la eficacia del primero
depender proporcionalmente de la del segundo, ya que una
vez finalizada la prueba, los resultados se integran y se
propagan a travs de la red, obtenindose 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 podra encararse a travs de la
aplicacin de sistemas inteligentes tales como las redes
neuronales y los algoritmos genticos.
Las redes neuronales (RN) estn formadas por
elementos simples que se interconectan en paralelo en forma
jerrquica y que interactan a modo de un sistema neuronal
psicolgico. [11]. Cuando se las considera con
retroalimentacin y lazos no lineales, pueden operar para
descubrir fenmenos de mayor complejidad. Quizs la
particularidad ms importante sea que pueden aprender de la
experiencia a travs de la generalizacin de casos a travs de
la abstraccin de los datos. [12;13]
Los algoritmos genticos (AG), se estima que pueden
contribuir a la resolucin del problema del modelado debido
a su capacidad de explorar el espacio de bsqueda en forma
amplia y eficiente [14;15]. Son una abstraccin del concepto
biolgico de evolucin natural y se los puede aplicar con
buenos resultados a problemas de optimizacin [16;17]. Su
funcionamiento se basa en los mecanismos de la seleccin
natural, a travs de la supervivencia del ms apto en un
intercambio de informacin entre miembros de una
poblacin de posibles soluciones. [13]
Dadas estas alternativas, se busca investigar de qu
forma pueden ser utilizadas ambas (o alguna de las)
alternativas para hallar la solucin del problema planteado
DESCRIPCIN DE LA SOLUCIN
Si bien no se piensa romper con la estructura clsica de
los sistemas tutores inteligentes, se debe redefinir los
componentes bsicos y las interfaces que posee el mdulo
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 separacin de
los tres mdulos fundamentales de los sistemas tutores
inteligentes, pero las implementaciones posteriores han
demostrado que el dominio no puede separarse
completamente de los mdulos del tutor y del estudiante.
Como primer paso se debi analizar la interaccin de los
mdulos para un dominio hipottico general, y luego realizar
las modificaciones para el dominio particular de la
enseanza del lenguaje de programacin pascal.
INTERACCIN DE LOS MDULOS
FUNDAMENTALES
La Figura 1 muestra los tres mdulos fundamentales y
la interaccin de los mismos en un dominio cualquiera. Este
enfoque desliga completamente al mdulo del dominio de
cualquier tipo de solapamiento con los dems mdulos.
Dominio
Estudian
Tutor te
Interfaz
Usuario
FIGURA. 1
INTERACCIN DE LOS MDULOS DE UN SISTEMA TUTOR INTELIGENTE
Las interacciones se suceden de la siguiente manera:
1. Determinacin 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 accin se sucede una sola
vez.
2. Generacin del estado de conocimientos: Basndose
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 accin tutelar con el sistema
como en tutoras externas en clase. Este ltimo caso, el
sistema deber pasado el horario de una clase con un
tutor humano, y la lista de presentes, generar el nuevo
estado de conocimientos del alumno.
3. Determinacin de estilo pedaggico: El modelo del
estudiante enva el estilo en el cual cuadra el usuario;
con ello el mdulo tutor selecciona el estilo pedaggico
mas adecuado a las caractersticas del alumno para
impartir las lecciones.
4. Planificacin de la leccin: En base al estilo
pedaggico seleccionado se gestiona al mdulo del
alumno el estado de conocimientos del alumno. En base
al estilo y al estado de conocimientos se planifica una
leccin y se gestiona sobre el mdulo del dominio los
temas que se requieren en la leccin en el orden
especifico en los que fueron planificados por el mdulo
tutor.
5. Sesin pedaggica: El mdulo tutor imparte los
conocimientos planificados en la leccin de acuerdo al
estilo pedaggico seleccionado. A esto se le dar la
forma del lenguaje natural para facilitar la interaccin
con el usuario del sistema y se lo presentara a travs de
la interfaz, la cual ubicara los elementos pedaggicos
utilizados para esa leccin en particular.
Dada una sesin pedaggica, el mdulo del tutor tendr
objetivos generales a cumplir (como puede ser la
resolucin 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
interaccin con el usuario objetivos secundarios,
necesarios o no, para alcanzar el objetivo principal de la
sesin pedaggica. Ser responsabilidad del mdulo
tutor guiar al usuario hacia todos los objetivos,
manejndolos en forma correcta y no dar por terminada
la sesin hasta que todas las metas hayan sido
satisfechos.
6. Evaluacin de sesin pedaggica: Los resultados de la
sesin son compilados por el mdulo tutor e
interpretados. Se parte de preguntas, ejercicios, etc. y se
obtiene como resultado el conocimiento (o no) de los
temas impartidos. Con esto tambin se actualiza la pila
de objetivos a cumplir para la sesin que se esta
llevando a cabo.
7. Actualizacin del mapa de conocimientos: Con los
resultados de la evaluacin procesados sobre los temas
impartidos el mdulo 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 estadsticas.
De la interaccin antes descripta se pueden plantear los
componentes bsicos del mdulo del tutor y del mdulo del
alumno. A continuacin se detallan los primeros y la
interaccin entre ellos.
COMPONENTES BSICOS DEL MDULO DEL
ESTUDIANTE
Se realizarn un planteo en el cual el mdulo del
estudiante contiene dos grandes mdulos que se pueden ver
en la Figura 2 y que se detallan a continuacin:
Mdulo de estilos de aprendizaje: Esta compuesto por
una base de datos de estilos de aprendizajes disponibles
en el sistema tutor inteligente, y los mtodos de
seleccin y caractersticas de cada uno de los mtodos
 con respecto a los elementos propios del alumno. Estos
ltimos varan con respecto al estado del sistema: si el
estado es inicial, es decir que el alumno recin es
cargado en el sistema, se lo debe evaluar para generar
una representacin estndar del estilo de aprendizaje (la
cual despus puede resultar incorrecta) y a lo largo de
las sesiones tuteladas con el sistema se ira actualizando
o modificando la visin del sistema con respecto al
estilo de aprendizaje real del alumno. Esto hace que el
sistema sea muy verstil a la hora de categorizar y
recategorizar los estilos de los estudiantes.
Mdulo de estado de conocimientos: Este contiene el
mapa de conocimientos obtenido inicialmente del
mdulo del dominio que progresivamente el
actualizador de conocimientos ir modificando a travs
de los resultados obtenidos de las evaluaciones
efectuadas por el mdulo del tutor, el cul enviar
dichos resultados procesados. Estos datos tambin se le
proporcionaran al mdulo tutor para que ste pueda
decidir cmo y qu impartir en cada una de las sesiones
con el estudiante. La idea de este mdulo es contener
una representacin del estado de conocimientos
instantneo del alumno. Deber ser modificado por
sesiones tuteladas fuera del sistema, como pueden serlo
clases particulares o magistrales con tutores humanos.
Estos dos grandes sub-mdulos interactan entre si y
con otros mdulos para componer el mdulo del estudiante
de un sistema asesor inteligente.
FIGURA. 2
COMPONENTES BSICOS DEL MDULO DEL ESTUDIANTE
CONCLUSIONES
La redefinicion del mdulo del estudiante, en
submdulos y en interfaces pretende solucionar algunos
problemas generales que afectan a los sistemas tutores
inteligentes desde hace aos.
Se facilitan los circuitos y se mejora la interaccion entre
los mdulos, separando completamente al mdulo del
dominio del verdadero dominio de aplicacion.
Si bien no se rompe con la estructura clsica 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 est trabajando en la implementacin del sistema
asesor inteligente integral, en el cual se realizarn rediseos
a la estructura clsica de los mdulos del estudiante
desarrollado, del mdulo del tutor y del sistema evaluador
(ambos actualmente en desarrollo).
Una vez finalizada la implementacin e integracin de
los mdulos, el paso siguiente ser contrastar el sistema, lo
cual ser realizado contra los datos de un curso piloto, que
utilizara al asesor en sus clases prcticas 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 implementacin y
posterior utilizacin efectiva de un sistema asesor inteligente
como complemento a las clases tericas del curso tomado
como piloto.
REFERENCIAS
[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 0-
7803-6242/0/
[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.; Gonzlez Lpez, L. (2003) Herramienta para
la generacin de lecciones de Espaol bajo el esquema
establecido por el CSLR. Universidad de las Amricas-Puebla.
[6] Brachman, R.J. (1988) The basis of knowledge representation
and reasoning. AT&T. Technical Jurnal. 67, 1:15.
[7] Gmez, A.; Juristo, N.; Montes, C., Pazos, J. (1997) Ingenieria
del conocimiento. Ed. R. Areces. Madrid.
[8] Casas, M. (1999) contribuies para a modelagem de um
ambiente inteligente de educao baseado em realidade virtual.
Tesis Doctoral Universidade Federal de Santa Catarina.
Programa de Ps-graduao em Engenharia de Produo.
[9] Piaget, J. (1969) Science of education and the psychology of the
child. New York. Viking.
[10] Conejo, R., Milln, E., Prez 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 Gonzlez y Martnez Hernando, 2000. Redes Neuronales
Artificiales: Fundamentos, modelos y aplicaciones. Ra-ma,
Madrid.
[13] Garca Martnez, R.; Servente; M. y Pasquini (2003) Sistemas
Inteligentes. Nueva Librera.
[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.