Red de Revistas Cientficas de Amrica Latina, el Caribe, Espaa y Portugal

Sistema de Informacin Cientfica

Demetrio Arturo Ovalle Carranza, Jovani Alberto Jimnez Builes, Rosa Maria Viccari Sistemas de Enseanza / Aprendizaje basados en Agentes Inteligentes Pedaggicos Revista Avances en Sistemas e Informtica, vol. 2, nm. 2, diciembre, 2005, pp. 17-26, Universidad Nacional de Colombia Colombia
Disponible en: http://www.redalyc.org/articulo.oa?id=133114987003

Revista Avances en Sistemas e Informtica, ISSN (Versin impresa): 1657-7663 avances@unalmed.edu.co Universidad Nacional de Colombia Colombia

Cmo citar?

Fascculo completo

Ms informacin del artculo

Pgina de la revista

www.redalyc.org
Proyecto acadmico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto

Sistemas de Enseanza / Aprendizaje basados en Agentes Inteligentes Pedaggicos

Demetrio Arturo Ovalle Carranza, Jovani Alberto Jimnez Builes
UNIVERSIDAD NACIONAL DE COLOMBIA. Escuela de Sistemas {dovalle; jajimen1}@unalmed.edu.co

Rosa Maria Viccari

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL. Instituto de Informtica rosa@inf.ufrgs.br Recibido para revisin Septiembre 2005, aceptado Octubre 2005, versin nal recibida Noviembre 2005

Resumen: En este artculo se hace una descripcin de los Sistemas Multi-Agente para luego presentar el Ambiente Multi-Agente de Enseanza/Aprendizaje ALLEGRO. ALLEGRO es un ambiente inteligente que integra las bondades de diferentes campos de investigacin de la inteligencia articial como la planicacin instruccional (IP), razonamiento basado en casos (CBR), sistemas multi-agente (MAS), sistemas tutoriales inteligentes (ITS) y CSCL. Palabras Clave: Inteligencia Articial Distribuida, Sistemas Multi-Agente, Agentes Pedaggicos, Sistemas Tutoriales Inteligentes, Planicacin Instruccional, Razonamiento Basado en Casos. Abstract: This aim of this paper is to present the Multi-Agent Systems. Later is presented ALLEGRO: A Teaching/Learning Multi-Agent Environment. ALLEGRO is an intelligent environment that includes articial intelligence mechanisms (Instructional Planning IP, Cased-Based Reasoning CBR, Multi-Agent Systems MAS, Intelligent Tutoring Systems ITS, and Computer Supported Collaborative Learning CSCL). Keywords: Distributed Articial Intelligence, Multi-Agent System, Pedagogic Agent, Intelligent Tutoring Systems , Instructional Planning, Case-Based Reasoning.

mentalmente por su capacidad de adaptacin continua de la instruccin a las caractersticas del aprendizaje En la actualidad la educacin mediada con tecnologa y del conocimiento de los diferentes usuarios [Wenger esta evolucionando gracias al uso de tcnicas de la in- (1987)]. Tambin queda establecido por la autonoma teligencia articial. Los primeros sistemas de enseanza del sistema para tomar decisiones pedaggicas y por la - aprendizaje computarizado eran algortmicos, rgidos, exibilidad que ofrece al conjunto de aprendices para utidifciles de modicar, de costosa produccin y mante- lizar una o varias metodologas de enseanza [Jimnez nimiento; y disponan de un plan instruccional condi- (2005)]. cional prejado por un profesor. Estos sistemas se basaAlgunas de las tcnicas y mecanismo son por ejemban principalmente en el modelo pedaggico conductista plo la Planicacin Instruccional (IP), el Razonamiento propuesto por Pavlov, Watson y Skinner. Basado en Casos (CBR), los Sistemas Tutoriales InLa inteligencia articial ha permitido un cambio radical de paradigma. El propsito de integrarla con educacin radica fundamentalmente en aplicar sus tcnicas al desarrollo de sistemas de enseanza-aprendizaje asistidos por computador, con el objetivo de construir sistemas "ms inteligentes ". El trmino "inteligente " utilizado en estos sistemas queda determinado fundateligentes (ITS) y los Sistemas Multi-Agente (MAS), entre otros. As mismo, permite que los ambientes computarizado de enseanza - aprendizaje se conguren como verdaderos laboratorios donde conuyen diversos modelos pedaggicos, como lo son: el constructivismo, conductismo, cognitivismo, histrico-social y teoras de aprendizaje colaborativo entre otros.

INTRODUCCIN

Av. Sist Inf., Vol. 2 No. 2 pp. 1726, Medelln, Diciembre 2005, ISSN 16577663

18

D.A. Ovalle, J. Jimnez y R.M. Viccari / Avances en Sistemas e Informtica 2 (2) 2005 17 26

Los principios de los MAS han mostrado un potenEn la Seccin 2 se hace una descripcin de los sistemas multi-agente; en la 3 presenta el ambiente multi- cial adecuado en el desarrollo de sistemas de enseanza agente de enseanza - aprendizaje ALLEGRO; para - debido: nalmente, presentar las conclusiones, agradecimientos y La naturaleza de los problemas de enseanzareferencias respectivamente en las ltimas Secciones. aprendizaje son ms fcilmente resueltos a travs de un abordaje cooperativo [Oliveira y Viccari (1996)]. 2 SISTEMAS MULTI-AGENTE Los sistemas deben ser capaces de adaptarse a los cambios en la estructura del ambiente [Ferber Los Sistemas de Multi-Agente (Multi-Agent Systems, (1999)]. MAS) surgen en la dcada de los 80s a partir de las investigaciones de los agentes de software, aunque fue en Los agentes de software pueden representar la dcada de los 90s donde gan notoriedad digna de ser conocimiento pedaggico y/o desempear tareas de destacada [Wooldridge (2002)]. tutora para soportar y facilitar el aprendizaje huLos MAS provienen de las reas de investigacin de mano [Giraa y Viccari (1998)]. la Inteligencia Articial Distribuida (Distributed ArtiLos agentes pedaggicos pueden adaptar sus intercial Intelligence, DAI), la Solucin de Problemas Distribuidos (Distributed Problems Solving, DPS) y la In- acciones instruccionales a las necesidades de los aprenteligencia Articial Paralela (Parallel Articial Intelli- dices y al estado actual del ambiente de aprendizaje, ayudando a los aprendices en la superacin de sus digence, PAI). cultades y en el aprovechamiento de las oportunidades Un MAS es una sociedad organizada compuesta por de aprendizaje. Poseen un conjunto de metas de enagentes semiautnomos que interactan entre s, ya sea seanza, planes instruccionales para la ejecucin de esas para colaborar en la solucin de un conjunto de prometas (p.e. estrategias pedaggicas o de enseanza), y blemas o en la consecucin de una serie de objetivos recursos asociados en los ambientes de aprendizaje. Ellos individuales o colectivos (Ver Figura 1). Estos agentes colaboran con los aprendices y con otros agentes, proporinformticos pueden ser homogneos o heterogneos y cionando realimentacin continua durante las Sesiones pueden tener metas comunes o no, pero siempre involude trabajo [Jimnez (2005) y Giraa y Viccari (1998)]. crarn algn grado de comunicacin entre ellos [Lematre (1998)]. Cada uno de los agentes de software del MAS son 3 ALLEGRO: AMBIENTE MULTI-AGENTE DE ENSEANZA/APRENDIZAJE programas que actan en representacin de sus usuarios humanos o dueos para realizar tareas complicadas de manejo de informacin, se comunican por medio del protocolo de paso de mensajes y realizando sus acciones concurrentemente. Poseen propiedades como: autonoma, habilidad social, reactividad, proactividad movilidad, continuidad temporal, adaptabilidad y aprendizaje. Habitan en ciertos ambientes dinmicos y complejos, sensando y actuando de manera autnoma para adaptarse al ambiente; mediante lo anterior, realiza una serie de tareas o metas para las cuales fueron diseados [Russell y Norving (2003) y Gomes, Bo y Viccari (2004)]. Ambiente Multi-Agente de Enseanza Aprendizaje ALLEGRO es un ambiente inteligente conformado por un Sistema Tutorial Inteligente (ITS) el cual permite brindar aprendizaje en forma individualizada y un Ambiente Colaborativo de Aprendizaje (CSCL) que ofrece aprendizaje en modo colaborativo. El ambiente fue modelado a travs del enfoque de un MAS, debido a que ofrece las siguientes cualidades: Autonoma, exibilidad y adaptabilidad. Cuando se habla de autonoma se reere a la iniciativa que toman los agentes del MAS para realizar acciones pedaggicas sin la intervencin de los humanos con el propsito de que el aprendiz logre los IOs. Tambin en la manera como el sistema evoluciona de manera independiente en el almacenamiento y seleccin de casos dentro del CBR sin la necesidad de expertos humanos. Cuando se habla de exibilidad se reere a que el aprendiz no solo utiliza una metodologa para su aprendizaje (Individualizada/Colabrativa). Cuando se habla de adaptabilidad se reere a que el contenido de la instruccin se moldea de acuerdo a las necesidades especcas y preferencias del aprendiz. La IP de ALLEGRO utiliza la tcnica de CBR (Ver Figura 14) es decir, utiliza la experiencia almacenada de

Interaccin Organizacin Agente

Ambiente

Esfera de Influencia

Figura 1: Estructura de los MAS [Jennings, et al. (2001)]

D.A. Ovalle, J. Jimnez y R.M. Viccari / Avances en Sistemas e Informtica 2 (2) 2005 17 26

19

la solucin exitosa de problemas similares pasados. En este sentido se puede armar que el sistema aprende en forma autnoma a partir de la experiencia con los aprendices, convirtiendo a la IP en una herramienta exible con capacidad de adaptar los conocimientos con determinado grado de abstraccin dependiendo del alumno. El nombre del Ambiente MAS de Enseanza/Aprendizaje ALLEGRO surgi por al acorde, armona y viveza de los elementos que lo integran. 3.1 Metodologa de Desarrollo Para modelar el MAS se utiliz la metodologa MASCommonKADS propuesta por Iglesias (1998) la cual permite la integracin de tcnicas de la ingeniera de conocimientos, ingeniera de software orientada a objetos e ingeniera de software de protocolos.
Modificar herramientas

Tabla 1: Distribucin Tareas - Agentes

Modelo de la Experiencia (Figura 4). Describe el conocimiento que necesitan los agentes para llevar a cabo los objetivos encomendados.

Objetos de Aprendizaje
+ Identificacin + Nombre + Recurso asociado 1-N 1-N

Perfil Objetivos Instruccionales

+ Identificacin + Descripcin objetivo 1-N + Identificacin + Nombres + Apellidos + UBA estudio + Nivel de aprendizaje 1-N 1-N

Iniciar sesin en el ITS

Aprendiz

Servicios de Comunicacin
+ Recurso asociado + Canal 1-N 1-N

Unidad Bsica de Aprendizaje

+ Identificacin + Nombre 1-1

Planificacin Aprendizaje
+ Estrategia de enseanza

Iniciar sesin en el CSCL

Docente

Borrar herramientas

1-1

Docente
Evaluacin
+ Identificacin + Preguntas

Casos
+ Identificacin + Contexto 1-1 1-N + Solucin + Peso euclidiano + Resultado 1-N

Usar herramientas
Invitado Experto

Visualizar herramientas
Invitado Experto

+ Respuesta correcta + Tiempo + Nivel complejidad

Salir
Monitor

Adicionar herramientas

Figura 4: Diagrama de conceptos

Figura 2: Casos de uso para los actores activos La metodologa se desarrolla a travs de la construccin de siete modelos: Modelo de Agente: Describe las caractersticas de cada agente. Modelo de Tarea (Figura 3). Describe las tareas realizadas por los agentes.

Modelo de Coordinacin (Figuras 5 y 6). Describe las relaciones dinmicas entre los agentes software.

Evala
Determinar Evaluacin

Administra perfil
Determinar Perfil Determinar Caso

Precisa Evaluacin

Relaciona Perfil/Casos

Brinda conocimientos
Suministra Conocimientos Establece Colaboracin

Colabora

Determinar Conocimientos

Determina Conocimientos

Gua Proceso Enseanza/Aprendizaje

Determina Tutoria Determina Colaboracin Determinar Colaboracin Otros Usuarios

Comunica

Aprendiz

Figura 3: Descomposicin de la Tarea T1: Guiar el

proceso de enseanza/aprendizaje

Figura 5: Casos de uso interno

20

D.A. Ovalle, J. Jimnez y R.M. Viccari / Avances en Sistemas e Informtica 2 (2) 2005 17 26

Agente Interfaz

Agente Tutor

Agente Experto Ag. Diagnstico Ag. Colaborativo Ag. Mod. Aprendiz

Inactivo

ask(tutora(Id, BUL IOs, NA)) ask(conocimientos (BUL, IOs, NA)) ask(evaluacin (BUL, IOs, NA))

ask(colaboracin (BUL, IOs, NA))

Tutora solicitada sorry(causa ) sorry(causa ) sorry(causa )

tell(conocimientos (BUL, IOs, NA, contenidos))

tell(evaluacin (BUL, IOs, NA, preguntas))

tell(colaboracin (BUL, IOs, NA, recursos, usuarios))

sorry(causa ) tell(tutora(Id, BUL IOs, NA, conocimientos, evaluacin, colaboracin)) Inactivo

Figura 9: Diseo de la estructura de la plataforma La aplicacin de la metodologa consiste en el desarrollo de los modelos. Cada modelo est compuesto por Modelo de Comunicacin (Figura 7). Describe las constituyentes (entidades modeladas) y relaciones entre relaciones dinmicas entre los agentes humanos y los constituyentes. Se dene una plantilla textual para describir cada constituyente, y estados de los constitulos agentes software. yentes para describir su estado de desarrollo.
de la conversacin C1: Determina tutora
Docente Aprendiz Agente Interfaz
Inactivo

Figura 6: Diagrama de secuencia para las interacciones

ask(tutora-individualizada ( Id, BUL IOs, NA))

Tutora individualizada (ITS) solicitada

sorry(causa )

tell(tutora-individualizada(Id , BUL, IOs, conocimientos, evaluacin))

Inactivo

Figura 7: Interacciones genricas de la conversacin

entre el aprendiz y el agente Interfaz en una sesin del (ITS)

Figura 10: Agentes en accin durante la tarea de tutora

El modelo de proceso software seguido combina un Modelo de la Organizacin (Figura 8). Describe las modelo dirigido por riesgos con un enfoque basado en relaciones estructurales entre los agentes. componentes, determinando qu componentes pueden ser candidatos para su reutilizacin en cada ciclo. 3.2 Arquitectura del MAS Algunos grupos de investigacin en el contexto internacional, han desarrollado recientemente de MAS con propsito pedaggicos, algunos de ellos son MACES, AMPLIA, BAGHERA, MAS-PLANG y JADE entre Figura 8: Jerarqua de clases otras [Viccari, Ovalle y Jimnez (2005)]. El MAS Pedaggico ALLEGRO diere de los otros Modelo de Diseo (Figura 9). Rena los modelos existentes que abordan de manera implcita los ITS y anteriores y decide qu arquitectura de agente es CSCL en su funcionamiento (Planicacin de las acms adecuada para cada agente, as como los requiciones de tutora, diagnostico del perl cognitivo del sitos de la infraestructura de la red de agentes. aprendiz, uso de estrategias pedaggicas, entre otras), la

D.A. Ovalle, J. Jimnez y R.M. Viccari / Avances en Sistemas e Informtica 2 (2) 2005 17 26

21

coleccin de agente y el aprovechamiento del ambiente colaborativo (Especialmente la comunicacin asincrnica) (Figura 10). Otras diferencias son [Viccari, Ovalle, Collazos, Azambuja y Jimnez (2005)]: MACES, AMPLIA, BAGHERA, MAS-PLANG y JADE no replanican la instruccin usando la experiencia almacenada de los aprendices. ALLEGRO no inere estados emotivos ni el perl afectivo del aprendiz en comparacin con MACES. Tampoco implementa agentes animados en comparacin con MAS-PLANG. El agente colaborativo de MACES solo utiliza el canal sincrnico de comunicacin en el CSCL. AMPLIA, BAGHERA, MAS-PLANG y JADE no implementan CSCL. La representacin del conocimiento en ALLEGRO es implementada mediante objetos de aprendizaje. AMPLIA implementa redes probabilsticas. En BAGHERA los conocimientos son presentados por medio de problemas a resolver por el aprendiz. La arquitectura multi-agente de ALLEGRO (Ver Figura 11) esta conformado por dos tipos de agentes (Humanos y de software). A continuacin se presenta un resumen de las funciones que cumple cada uno de los agente del ambiente [Jimnez, Ovalle y Viccari (2005) y Viccari, Ovalle y Jimnez (2005), (2005b)].
Agente Diagnstico
Bsqueda Evaluacin Evaluacin Seleccionada Envo Evaluacin Calificacin
Evaluaciones

Aprendiz. Persona que desea aprender un dominio especco. Recibe las instrucciones que brindan el docente y el asistente de docencia para trabajar en grupo. Tambin se conoce con los nombres de alumno o estudiante. Asistente de Docencia. Es el encargado de gestionar una sesin de aprendizaje, se encarga de elaborar y dar a conocer la agenda de trabajo; sugiere bibliografa o recursos pedaggicos relacionados con la BUL de estudio. Al nal de un foro se ocupa de depurar (Recopilar) los aportes ms signicativos publicados en el Tablero, los da a conocer a los dems integrantes mediante una plenaria y lo publica a manera de conclusiones. El asistente de docencia tambin es conocido con los nombres de monitor, ayudante, auxiliar o moderador. Docente. Es el profesor humano, tiene como funcin acompaar a los aprendices en su proceso formativo, supervisando el aprendizaje, inspeccionando los logros y dicultades, con su actitud positiva brinda recomendaciones individuales y en grupo, registra los resultados de las evaluaciones. Interviene cuando una sesin de aprendizaje se ha salido de la trayectoria normal, brinda bibliografa a los aprendices y al asistente de docencia. Es el encargado de programar las BULs, lo mismo que los problemas propuestos. La gura 11 presenta "otros usuarios" para referirse a la combinacin de docentes, asistentes de docencia, aprendices y expertos invitados que estudian la misma temtica en un mismo lapso de tiempo. 3.2.2 Agentes de Software

Agente Modelo Aprendiz

Bsqueda - Inscripcin Recuperacin Registro Solicitud Perfil Inscripcin Solicitud Evaluacin Calificacin Envo de Registro Solicitud de Colaboraci n Datos Aportes Aprendiz Bsqueda - Inscripcin
Perfiles

Recuperacin

Memoria Casos

Agente Experto
Solicitud de Conocimientos UBAs y OIs Solicitud Bsqueda Seleccin Conocimientos Bsqueda
Estrategias

Agente Colaborativo

Agente Tutor
Envo Evaluacin Recomendacin

Solicitud de Colaboracin Bsqueda Aportes Envo de Colaboracin

Colaboracin Seleccionada

Otros Usuarios

Recuperacin

Envo Respuestas Datos Envo de Conocimientos

Servicios de Comunicaci n Sincrnica Asincrnica Recuperacin

Conocimientos

Bsqueda - Aportes

Agente Interfaz
Envo Respuestas, Solicitudes Envo Conocimientos Evaluacin - Colaboracin
Memoria Global

Son agentes informticos encargados de realizar labores para su dueo dentro de la arquitectura, en este caso tareas de tipo pedaggico las cuales son su componente cognitivo, as como mostrar un comportamiento determinado. Se presentan seis tipos: Tutor. Es el encargado de guiar el proceso de aprendizaje, decide las acciones pedaggicas a realizar, cmo y cundo. Sus funciones son: - Planicar y re-planicar constantemente el plan de tutora de acuerdo a las dicultades encontradas y a los logros obtenidos, es decir de acuerdo a las necesidades especicas del aprendiz. - Solicita al Agente Experto brindar un determinado conocimiento al aprendiz de acuerdo al plan y a su diagnostico.

Aprendiz

Figura 11: Arquitectura del Ambiente Multi-Agente de Enseanza/Aprendizaje ALLEGRO

3.2.1 Agentes Humanos Estos agentes pueden comunicarse entre s para buscar una meta comn mediante la divisin de tareas o para lograr un objetivo compartiendo las mismas. Se clasican en tres grupos:

22

D.A. Ovalle, J. Jimnez y R.M. Viccari / Avances en Sistemas e Informtica 2 (2) 2005 17 26

- Selecciona la estrategia pedaggica adecuada, 3.2.3 Elementos Complementarios principalmente cuando el aprendiz comete un Base de Datos. error. Las estrategias permiten dar a conocer mejor - Evaluaciones. Contiene un banco de evaluaun contenido del dominio. Dentro de las esciones clasicadas de acuerdo a los IOs de la trategias pedaggicas se puede contemplar la BULs y en varios niveles de complejidad. metodologa de aprendizaje. - Conocimientos. Contiene el dominio que se de- Solicita al Agente Diagnstico una evaluacin sea ensear el cual se encuentra estructurado para al aprendiz de acuerdo a su perl y IOs. en BULs. Los conocimientos contemplan: - Detecta errores en el proceso del aprendiz, Teoras, ejemplos, problemas resueltos, expliadems brinda sugerencias, crticas y recomencaciones, recursos multimedia y simulaciones daciones. entre otros. Modelo del Aprendiz. Es el encargado de gerenciar el modelo de aprendizaje del aprendiz. Este modelo contempla: el estilo de aprendizaje, comprensin de los temas, limitaciones y nivel de conocimientos del aprendiz. - Mantiene aprendiz. informacin individualizada del - Estrategias. Conteniente material de apoyo especialmente en caso de error. - Perles. Contiene la informacin individualizada de cada uno de los aprendices, por ejemplo identicacin, modelo de aprendizaje, diagnstico nivel de aprendiz, histrico de errores, consultas, visitas, decisiones, entre otros. - Memoria de Casos. Almacena el conjunto de casos exitosos de cuando los aprendices han encontrado un problema y los han solucionado. - Memoria Global. Contiene un banco de problemas propuestos, la agenda de trabajo y los aportes que brinda el grupo de aprendices para solucionar los problemas. Servicios de Comunicacin - Servicios de Comunicacin Sincrnica. Permite interactuar directamente con los dems usuarios en tiempo real, utilizando: El chat, las pizarras compartidas, los editores multiusuarios, la conferencia, la videoconferencia y la transferencia de archivos. - Servicios de Comunicacin Asincrnica. Permiten que el aprendiz se comunique en forma no directa con los dems usuarios sin que el tiempo sea factor relevante, utilizando: El correo electrnico, los grupos de inters, el envo y recepcin de archivos. Los usuarios tambin pueden tener comunicacin no directa a travs de un Tablero, consultndolo, publicando y modicando su contenido.

- De acuerdo a la peticin del Agente Tutor, se encarga de buscar, seleccionar y pasar el caso que ms se adapte a las condiciones del problema (CBR). Interfaz. Es el puente entre los agentes humanos y los agentes de software. Sus funciones son: - Establecer y mantener la interaccin con el aprendiz. - Permite desplegar los conocimientos y la colaboracin en la pantalla del aprendiz. Experto. Es quien administra el conocimiento y contenidos del rea o tema especco de enseanza. Se compone de BULs y IOs. - Enva conocimientos al aprendiz cuando este lo solicita o a peticin del Agente Tutor. Diagnstico. Es el encargado de seleccionar y calicar el nivel de conocimientos del aprendiz.

Colaborativo. Por solicitud del Agente Tutor, se encarga de buscar a otros aprendices que estn tratando el mismo tema y con los cuales se puede esEl Ambiente Multi-Agente de Enseanza/Aprendizaje tablecer comunicacin sincrnica o asincrnica para ALLEGRO puede funcionar bajo dos tipos de contextos ofrecerle colaboracin al aprendiz. de aprendizaje: El individualizado (ITS) y el colabo- Agrupa a los aprendices por temtica de estu- rativo (CSCL). Los usuarios cuando lo deseen pueden pasar de un escenario de aprendizaje a otro. A contidio, perles o comportamiento. nuacin se expone lo que pueden hacer cada uno de los - Se comunica con el Agente Tutor. usuarios en cada uno de los ambientes.

D.A. Ovalle, J. Jimnez y R.M. Viccari / Avances en Sistemas e Informtica 2 (2) 2005 17 26

23

3.3 Ambiente Individualizado de Aprendizaje En el Ambiente de Aprendizaje Individualizado, el aprendiz tiene la posibilidad de realizar las siguientes operaciones permitidas por el ITS (Figura 12): Realizar una sesin de aprendizaje para las Unidades Bsicas de Aprendizaje (Basic Unit of Learning, BUL) disponibles en el sistema. El dominio del conocimiento implementado en ALLEGRO fue la asignatura de Grca Digital para cursos de postgrado en Arquitectura. Visualizar los Objetivos Instruccionales (Instructional Objetives, IOs) que corresponden a los logros establecidos por el Ambiente Multi-Agente de Enseanza/Aprendizaje ALLEGRO para cada una de las BULs. Evaluar sus conocimientos a travs del mdulo de evaluacin correspondiente a la BUL en estudio.

Figura 12: Ambiente Individualizado de Aprendizaje 3.4 Ambiente Colaborativo de Aprendizaje

El Aprendiz hace uso del Ambiente de Aprendizaje Colaborativo (CSCL) cuando no tiene los sucientes Visualizar la valoracin y las recomendaciones per- conocimientos para resolver un problema propuesto, en tinentes que le brinda el sistema despus de nalizar este caso tiene la posibilidad de trabajar en forma sinla evaluacin de la BUL que se est tratando, con crnica y/o asincrnica con los dems usuarios (Otros aprendices, asistente de docencia, experto invitado y/o el propsito de mejorar su aprendizaje. el docente). El aprendiz puede (Figura 13): Consultar el resultado de las evaluaciones en el momento que lo desee. Consultar la bibliografa y recursos con el n de ampliar ms sus conocimientos. Por su parte el docente en el Ambiente de Aprendizaje Individualizado tiene la posibilidad de realizar las siguientes operaciones permitidas por el ITS: Adicin de contenidos a las BULs respectivas, lo mismo que a los subcomponentes de este mdulo. Adicionar, modicar o borrar preguntas del banco de problemas. Adicionar, modicar o borrar observaciones. Matricular o dar de baja a los aprendices. Consultar el resultado de las evaluaciones de un aprendiz o de todos, en el momento que lo desee. Hacer un seguimiento del progreso de los aprendices. Conversar con los otros Usuarios en forma textual (chatear), tratando de buscar la solucin a los problemas. Conversar con los otros usuarios usando audio y video. Enviar y recibir archivos en lnea. Compartir pizarras en lnea con miras a resolver el problema. Editar un documento en forma concurrente con los dems usuarios. Enviar y recibir correo electrnico y archivos. Solicitar al docente el examen de la BUL por correo electrnico. Despus de resolverlo, enviarlo de retorno al docente para que ste lo calique y le enve la respectiva valoracin y recomendaciones. Adems, puede utilizar la Memoria Global (Tablero) para: Visualizar la agenda de trabajo y los problemas propuestos para cada BUL. Publicar un artculo nuevo en el Tablero (Adjuntar un aporte o solucin al problema)

24

D.A. Ovalle, J. Jimnez y R.M. Viccari / Avances en Sistemas e Informtica 2 (2) 2005 17 26

Buscar los artculos en el Tablero mediante una palabra o patrn. Visualizar el documento nal de cierre donde aparecen las soluciones a los problemas, los aportes ms relevantes y las conclusiones. En el Ambiente de Aprendizaje Colaborativo, el asistente de docencia tiene la posibilidad de realizar las siguientes operaciones: Fijar la agenda de una determinada sesin (BUL) brindando las instrucciones necesarias. Elaborar y dar a conocer los problemas propuestos publicndolos en el Tablero. Sugerir bibliografa y recursos a los aprendices. Figura 13: Ambiente Colaborativo de Aprendizaje 3.5 Mecanismo de IP usando CBR El funcionamiento del modelo de IP usando CBR inicia cuando un aprendiz no logr satisfactoriamente ganar la evaluacin de la Unidad Bsica de Aprendizaje (Basic Visualizar los aportes publicados en el Tablero. Unit of Learning, BUL) que estaba estudiando. El modelo de IP usando CBR es invisible externa Depurar, redactar y publicar el documento nal de mente para el usuario, es decir, no lo puede apreciar cierre donde aparecen las soluciones a los problemas, tangiblemente; sin embargo, puede beneciarse de sus los aportes ms relevantes y las conclusiones. bondades (Ver gura 14). La planicacin es llevada a cabo por los agentes Tutor y Modelo del Aprendiz. Como se anuncio en el marco terico, los agentes de software no En el Ambiente de Aprendizaje Colaborativo, el do- tienen forma fsica; son entidades computacionales que cente tiene la posibilidad de realizar las siguientes opera- actan teniendo en cuenta los intereses o benecios de ciones: su dueo, en este caso, los dueos son los aprendices. Supervisar los aportes publicados en la Memoria Global (Tablero) e intervenir en la sesin cuando se ha salido de su curso normal. Inspecciona logros y dicultades que han tenido los alumnos. Se comunica con los aprendices por medio de los servicios de la comunicacin sincrnica y/o asincrnica, con el propsito de aclararles dudas o brindarles sugerencias.
Soluci Soluci n Propuesta
(Agente Modelo Aprendiz)

Planeador Planeador
(Agente Tutor) (Agente Tutor)

Ejecutor Ejecutor
(Agentes Experto, (Agentes Experto, Colaborativo e Interfaz) Colaborativo eInterfaz)

(Agente Diagnstico) (Agente Diagnstico)

Evaluador Evaluador

Recuperador Recuperador
(Agentes Tutor y (Agentes Tutor y Modelo Aprendiz) Modelo Aprendiz)

Memoria de Casos

BUL y IOs
(Agente Experto)

Perfil Aprendiz
(Agente Modelo Aprendiz)

Mecanismo de Razonamiento Basado en Casos

Comunicacin Aprendiz/Sistema
(Agente Interfaz)

Enva a los aprendices una evaluacin a travs del correo electrnico cuando stos lo soliciten. Luego de que el aprendiz le enva las respuestas que considere son correctas, calica la evaluacin, le da su respectiva valoracin y se la enva de nuevo al apren- Figura 14: Arquitectura del Modelo de IP usando CBR en ALLEGRO diz con sus respectivas recomendaciones. Cuando inicia el proceso, el agente Tutor enva la solicitud al agente Modelo del Aprendiz con los datos
Aprendiz

D.A. Ovalle, J. Jimnez y R.M. Viccari / Avances en Sistemas e Informtica 2 (2) 2005 17 26

25

del alumno, BUL y Objetivos Instruccionales (Instructional Objetives, IOs). El agente Modelo del Aprendiz busca (Recupera) en la Memoria de Casos, aquel que contenga las mismas caractersticas. Luego de seleccionado el caso, el agente Modelo del Aprendiz lo enva al agente Tutor con el propsito de que lo adapte a manera de solucin propuesta. En la pantalla del usuario aparece una serie de recursos a utilizar. Despus de que el aprendiz voluntariamente haga el recorrido por los recursos sugeridos y de haber presentado la evaluacin, el caso se revisa para observar sus resultados, es decir, para determinar la viabilidad de si se contina guardando el caso o no. Este proceso lo realiza internamente los agentes Tutor y Modelo del Aprendiz. El almacenamiento en la Memoria de Casos es realizado por el agente Modelo del Aprendiz y despus de realizada la evaluacin del respectivo caso. ALLEGRO fundamenta su paradigma instruccional en tres modelos pedaggicos: Conductismo, Cognitivismo e Histrico-Social (Cognicin distribuida y Aprendizaje Basado en Problemas). 4 CONCLUSIONES

lizar IA en la educacin para la construccin de nuevas tecnologas educativas. AGRADECIMIENTOS El trabajo descrito en este artculo es auspiciado por beca de COLCIENCIAS en el marco del Programa de Apoyo a la Comunidad Cientca Nacional a travs de los Programas de Doctorado 2003.
REFERENCIAS Ferber, J. (1999), Multi-Agent Systems: An Introduction to Distributed Articial Intelligence, Addison Wesley Longman, England. Giraa, L. y Viccari, R. (1998), The use of agents techniques on intelligent tutoring systems, in International Conference of The Chilean Society of Computer Science, Proceedings IEEE Computer Society. Gomes, E., Bo, E. y Viccari, R. (2004), Social, aective, and pedagogical agents for the recommendation of tutorial colleagues in agent based learning environments, in Proceeding of Workshop Social and Emotional Intelligence in Learning Environments of 7th International Conference on ITS2004. Iglesias, C. (1998), Denicin de una metodologa para el desarrollo de Sistemas Multi-Agente, PhD thesis, Universidad Politcnica de Madrid. Jimnez, J. (2005), Un Modelo de Planicacin Instruccional usando Razonamiento Basado en Casos en Sistemas Multi-Agente para entornos integrados de Sistemas Tutoriales Inteligentes y Ambientes Colaborativos de Aprendizaje, PhD thesis, Universidad Nacional de Colombia. Jimnez, J., Ovalle, D. y Viccari, R. (2005), Sistema multiagente para entornos integrados de its & cscl, in Proceedings of 4a Conferencia Iberoamericana en Sistemas, Ciberntica e Informtica -CISCI 2005, International Institute of Informatics and Systemics, USA. Lematre, C. (1998), Multi-agent network for cooperative work, Expert System with Applications: An international Journal Elsevier Science . Oliveira, F. y Viccari, R. (1996), Are learning systems distributed or social systems, in European Conference on AI in Education. Russell, S. y Norving, P. (2003), Intelligent Agents, Prentice Hall Series in Articial Intelligence, chapter Articial Intelligence: A Modern Approach. Viccari, R., Ovalle, D., Collazos, C., Azambuja, R. y Jimnez, J. (2005), ALLEGRO: Sistema multi-agente pedaggico, in Proceedings of TECNOCOM2005.

En la actualidad se estn produciendo grandes cambios en la forma en que las personas viven y aprenden, debido especialmente a los impresionantes avances en el campo de la informtica y de las telecomunicaciones, lo que representa un nuevo desafo para los investigadores en el rea de la inteligencia articial en la educacin. El modelo de IP usando CBR cumple con las especicaciones de la planicacin desde la perspectiva de la AI, es decir, tiene en un estado inicial, un conjunto de objetivos y un conjunto de acciones posibles. Las acciones que ofrece el modelo, son recursos instruccionales que otros aprendices han utilizado para lograr los IOs propuestos en una BUL. La solucin del problema consiste en una serie de acciones que transforman el estado inicial en un estado nal que cumple los objetivos. En varias trabajos los MAS se han empleado en ambientes de enseanza/aprendizaje donde los elementos pueden ser descompuestos en colecciones de agentes pedaggicos independientes intercambiando informacin y cooperando mutuamente para la consecucin de los objetivos de enseanza. Este trabajo aprovech las bondades que ofrecen los Sistemas Multi-Agente, tales como la autonoma, exibilidad y adaptabilidad para aplicarlas a un ambiente de enseanza/aprendizaje computacional. Para lograr lo anterior, se desarroll el Ambiente Multi-Agente de Enseanza/Aprendizaje ALLEGRO a travs de un MAS innovador el cual integra las bondades de un ITS y un CSCL, rearmando la importancia de uti-

26

D.A. Ovalle, J. Jimnez y R.M. Viccari / Avances en Sistemas e Informtica 2 (2) 2005 17 26

Viccari, R., Ovalle, D. y Jimnez, J. (2005), ALLEGRO: Ambiente multi-agente de apoyo a la enseanza/aprendizaje utilizando planicacin instruccional y razonamiento basado en casos (cbr), in Proceedings of XIII Congreso Iberoamericano de Educacin Superior en Computacin. 31th Latin-American Conference on Informatics -CLEI.

Wenger, E. (1987), Articial intelligence and tutoring systems, Technical report, Los Altos, CA: Morgan Kaufmann. Wooldridge, M. (2002), An Introduction to Multi-Agent Systems, John Wiley & Sons, Ltd.