Instituto Tecnolgico de Culiacn

Ambiente Inteligente de Aprendizaje

para Aprender Programacin con Java.

Integrantes:
LSI. Francisco Gnzalez Hrnandez
ISC. Ral Oramas Bustillos
Asesor:
Dr. Ramn Zatarain Cabada.

Culiacn Sinaloa, Septiembre del 2014

Contenido

Antecedentes
Estado del Arte
Manejo de Emociones
Diseo ILE Java-Sensei

Antecedentes

CAI

ITS(STI)

ILE

+
Computacin Afectiva
3

Estado del Arte

Estado del Arte

Estado del Arte

AutoTutor Sistema Tutor
Inteligente que interacta
con los estudiantes por
medio de lenguaje
natural usando entornos
simulados [12].

Clasificacin de
Caractersticas (Algoritmos
de lA)

Deteccin de caractersticas faciales

6

Estado del Arte

CTAT Herramienta Autor [10]

Construccin de Interfaz de Usuario

Model-Tracing : Hechos Reglas
Example-Tracing : Grafo de Comportamiento

Estado del Arte

ILE - Intelligent Learning Environment [11].

Manejo de emociones
Computacion Afectiva.
Se propone que las computadoras deben
tener la habilidad de reconocer emociones
y tomar decisiones en base a ellas [1].

Tecnicas de Reconocimiento de
Afecto.
Creacin de algoritmos para el
reconocimiento de afecto. Uso de
sensores mulltimodal [2][3].

Manejo de emociones
ITS con manejo afectivo
AutoTutor, Gaze Tutor [4][5]

Influencia de las emociones no

bsicas.
Las emociones no bsicas estan presentes
con ms influencia en el proceso de
aprendizaje.[6][7]
10

Manejo de emociones

Deteccion Multimodal.
Tcnicas que utilizan distintos sensores para obtener datos y
clasificarlos. Con la clasificacion se obtiene una prediccin de la
emocin actual.[8][9]
11

Diseo ILE Java-Sensei

Sensor

BackTracking
NN

Data Mining

Classifier

Profile

Overlay

User Model

Pedagogical
agent

Affective
Model

Intelligent Learning
Environment

ITS Engine

12

Expert
Model

Learning
Model

E. Tracing

Problem Solving

Adaptability

Expert
Model

Pedagogical
Model

Knowledge
Space

Coaching

System Fuzzy
Logic

Diseo ILE Java-Sensei

[10]

13

Diseo ILE Java-Sensei

Student Model[4],[11]

Actions Tutor

Emocin Actual: Aburrimiento,

Confusin, Frustracin.

Retroalimentacin: Positiva, Neutral,

Negativa

Confianza en la Clasificacin: Alta Respuestas empticas y

o Baja.
motivacionales
Emocin Previa: Aburrimiento,
Confusin, Frustracin.

Accin del Siguiente Dialogo:

Consejo, Recurso, Respuesta,
Cambio de Ejercicio.

Habilidad global del Estudiante:

Alta o Baja.

Expresin Facial (Avatar):

Sorprendido, Encantado, Compasivo,
Escptico

Calidad de la Respuesta Actual:

Alta o Baja.

14

Diseo ILE Java-Sensei

Pantalla de acceso al sistema (login):

15

Diseo ILE Java-Sensei

Pantalla con un ejercicio:

16

Diseo ILE Java-Sensei

Pantalla con el men del curso:

17

Diseo ILE Java-Sensei

Pantalla con recomendaciones al usuario:

18

Diseo ILE Java-Sensei

Pantalla que muestra dilogo con el usuario (I):

19

Diseo ILE Java-Sensei

Pantalla que muestra dilogo con el usuario (II):

20

Referencias

1. Picard, R.W., Affective computing. 2000: MIT press.

2. Woolf, B., et al., Affect-aware tutors: recognising and responding to
student affect. Int. J. Learning Technology, 2009. 4.
3. Calvo, R.A. and S. D'Mello, Affect detection: An interdisciplinary review of
models, methods, and their applications. Affective Computing, IEEE
Transactions on, 2010. 1(1): p. 18-37.
4. DMello, S., et al. AutoTutor detects and responds to learners affective
and cognitive states. in Workshop on Emotional and Cognitive Issues at the
International Conference on Intelligent Tutoring Systems. 2008.
5. D'Mello, S., et al., Gaze tutor: A gaze-reactive intelligent tutoring system.
International Journal of human-computer studies, 2012. 70(5): p. 377-398.
6. D'Mello, S. and R.A. Calvo, Beyond the Basic Emotions: What Should
Affective Computing Compute? 2013.
7. D'Mello, S., et al., Confusion Can be Beneficial For Learning. 2014.
8. DMello, S.K. and A. Graesser, Multimodal semi-automated affect
detection from conversational cues, gross body language, and facial
features. User Modeling and User-Adapted Interaction, 2010. 20(2): p. 147187.
21

Referencias

9. Grafsgaard, J.F., et al. Multimodal analysis of the implicit affective

channel in computer-mediated textual communication. in
Proceedings of the 14th ACM international conference on Multimodal
interaction. 2012. ACM.
10. Aleven, V., et al., A new paradigm for intelligent tutoring
systems: Example-tracing tutors. International Journal of Artificial
Intelligence in Education, 2009. 19(2): p. 105-154.
11. Graesser, A.C., et al., AutoTutor: An intelligent tutoring system
with mixed-initiative dialogue. Education, IEEE Transactions on,
2005. 48(4): p. 612-618.
11. Brusilovsky, P. and E. Milln. User models for adaptive
hypermedia and adaptive educational systems. in The adaptive web.
2007. Springer-Verlag.
12. D'mello, S. and A. Graesser, AutoTutor and affective AutoTutor:
Learning by talking with cognitively and emotionally intelligent
computers that talk back. ACM Transactions on Interactive Intelligent
Systems (TiiS), 2012. 2(4): p. 23.
22