Los Estilos Cognitivos y el Aprendizaje Maquinal en el Diseño de ...

CENTRO DE INVESTIGACIONES Y DESARROLLO – FACULTAD DE INGENIERÍA
Los Estilos Cognitivos y el Aprendizaje Maquinal
en el Diseño de Interfaces Inteligentes Adaptativas
Investigador Principal: Vélez, Oswaldo
Coinvestigadores: Solano, Darling., Zúñiga, Lina., Argüello, Mery., Aguado, Jorge.,
Aldana, José., Pabel López 1 y Alarcón, Edgar 2 .
Resumen
El objetivo de este artículo es proporcionar una visión del trabajo que se viene
realizando dentro del Grupo de Investigación TESEEO de la Universidad del
Sinú para el desarrollo de una Interfaz Inteligente aplicada en el entorno
educativo. Se tratarán tópicos generales del trabajo, algunos próximos a
concluirse, como es la definición del modelo de usuario, el cual tiene como
fundamento los estilos de aprendizaje; además otros en desarrollo, como es la
implementación de algunas técnicas de aprendizaje maquinal, como los
sistemas clasificadores de aprendizaje, que se utilizarán para la adaptación de
la interfaz a cada tipo de usuario a que esta se enfrente.
Palabras claves: Aprendizaje maquinal, Estilos de aprendizaje, Interfaces
inteligentes adaptativas, Sistemas clasificadores.
I. Introducción
El proceso de enseñanza – aprendizaje impartido en la sociedad actual ha
puesto en evidencia la necesidad de estrechar la relación docente –
estudiante, buscando fortalecerla de tal manera que se haga cada vez más
real y contextualizada. Para el docente esto ha significado tener que ser más
partícipe en el desarrollo de las habilidades cognitivas del educando tratando
de aplicar estrategias para potencializar el grado de maduración de éstas.
Desde la incorporación de la tecnología informática al contexto educativo, se
ha pretendido usarlas como una estrategia de apoyo a la labor docente para
el fortalecimiento del proceso, pero en muchas ocasiones esto se ve
imposibilitado por circunstancias como el uso inadecuado de las mismas, la
subutilización y el grado de descontextualización de los desarrollos
informáticos. Tales condiciones no son sólo responsabilidad de docentes y
educandos, sino que también recaen sobre los desarrolladores de
aplicaciones a ser utilizadas en este ámbito, pues no se ha logrado una
verdadera integración de Pedagogía y Tecnología.
1
Especialista en Informática Educativa, Codirector del grupo de investigación TESEEO,
Plopez@unisinu.edu.co
2 Universidad del Sinú, Montería. teseeo@unisinu.edu.co
VENTANA INFORMÁTICA No. 12 – Universidad de Manizales, enero – junio / 2005 – pp 15-26

- Universidad de Manizales, enero – junio / 2005
La evolución de los sistemas de información aplicados en la educación ha
sido cada vez más innovadora desde el punto de vista del diseño,
navegabilidad y usabilidad tanto para el administrador como para el usuario
de los sistemas. La introducción de Internet en este ámbito ha traído como
consecuencia que los desarrolladores de estas tecnologías implementen
aplicaciones bajo Web que utilicen interfaces sencillas y de fácil navegación.
Figura 1. Visión general de interfaz adaptativa
Bajo estas premisas hemos orientado nuestra investigación hacia el
desarrollo de Interfaces Inteligentes Adaptativas en la Web estableciendo
modelos de usuario que permitan al sistema tutor adaptarse al tipo de
estudiante buscando así fortalecer la relación existente entre la tecnología y
el proceso de aprendizaje. En la Fig. 1, se ilustra un esquema general de
Interfaz Adaptativa.
II. Modelos de aprendizaje en la
construcción del modelo de usuario
Un estilo o modelo de aprendizaje se refiere a las características y
predisposiciones del individuo de percibir, recordar, organizar, procesar,
pensar y resolver problemas.
Existe una diversidad de estilos de aprendizaje propuestos por diferentes
autores, y cada uno de ellos se enfocan desde varias perspectivas; lo que
nos proporciona un gran número de opciones al momento de escoger las que
serán aplicadas a nuestra investigación.
Cabe resaltar que cada modelo o estilo de aprendizaje constituye un tipo de
estudiante definido con una serie de características particulares que lo hacen
diferente de cualquier otro.
2

CENTRO DE INVESTIGACIONES Y DESARROLLO – FACULTAD DE INGENIERÍA
El proyecto que adelanta el Grupo de Investigación TESEEO de la
Universidad del Sinú busca el desarrollo de un Modelo de Interfaz Inteligente
apoyado en la Computación Evolutiva, el cual será aplicado en el ámbito
educativo, para esto tomamos como referencia los estilos de aprendizaje de
David A. Kolb y el modelo cognoscitivo de Hermman Witkin, con el propósito
de diseñar un modelo de usuario que integre diversos aspectos del
aprendizaje.
El modelo de David Kolb tiene como punto de partida el Ciclo de Aprendizaje
de Lewin [1] (Fig. 2).
Este sugiere que hay cuatro estados uno seguido de otro: La Experiencia
Concreta es seguida de la Reflexión de esa experiencia a nivel personal.
Esto es seguido entonces por la derivación de la regla general de descripción
de la experiencia, o de la aplicación de teorías conocidas acerca de ello
(Conceptualización Abstracta), y desde la construcción de formas de
modificar la próxima ocurrencia de la Experiencia (Experimentación Activa)
llevando a su vez a una nueva Experiencia Concreta. Todo esto puede
suceder en un instante, o en varios días, semanas o meses, dependiendo del
tema, y puede haber un “Ciclo sobre otro” que se procese al mismo tiempo.
Figura 2. Ciclo de Aprendizaje de Lewin
Además, la teoría de Kolb sirve como fundamento para el desarrollo de la
tipología de estilos de aprendizaje de Honey y Mumford [2], ilustrada en la
Fig. 3, los cuales asocian una preferencia a cada estado del ciclo,
diferenciando así, 4 conductas:
Activa: Aquella persona que prefiere hacer y experimentar.
3

- Universidad de Manizales, enero – junio / 2005
Reflexiva: Aquella persona que observa y reflexiona sobre ello.
Teórica: Prefiere entender los conceptos, ideas y relaciones entre estas.
Pragmática: Prefiere probar las cosas para ver su funcionalidad.
Figura 3. Tipología de Estilos de Aprendizaje de Honey & Mumford
Finalmente, Kolb, en su Inventario de Estilos de Aprendizaje (1979), nos
muestra la forma en que el estudiante desarrolla el conocimiento definiendo
así cuatro modos de aprendizaje:
Convergente, puede ser clasificado como alguien que para resolver un
problema, cuenta mucho con el razonamiento hipotético-deductivo y se
enfoca en problemas específicos [3].
Divergente, puede ser clasificado como alguien que resuelve problemas
viendo situaciones desde muchas perspectivas y tiene muy en cuenta las
lluvias de ideas y la generación de ideas alternativas [3].
Asimilador, puede ser clasificado como alguien que resuelve problemas por
el razonamiento inductivo y tiene la habilidad de crear modelos teóricos [3].
Acomodador, puede ser clasificado como alguien que resuelve problemas
llevando a cabo planes, experimentos y se adapta a las circunstancias
inmediatas y específicas [3].
Por otra parte, Witkin (1962) estableció dos extensiones de la forma en que
una persona percibe la información del entorno que le rodea como Campo
Independiente vs. Campo Dependiente [4] o Analítico vs. Holístico [5].
1. El estudiante Analítico (Campo Independiente) se caracteriza por ser más
autónomo en relación al desarrollo de habilidades de reestructuración
cognoscitivas y tienden a acercarse a las cosas de una manera analítica.
4

CENTRO DE INVESTIGACIONES Y DESARROLLO – FACULTAD DE INGENIERÍA
2. El estudiante Holístico (Campo Dependiente) tiende a ser más autónomo
en relación al desarrollo de habilidades interpersonales, menos autónomo
respecto al desarrollo de habilidades de reestructuración cognoscitivas y
se acerca al conocimiento de una manera más global.
Witkin define además, un grupo intermedio llamado Campo Mixto, quien no
tiene una orientación clara hacia una u otra extensión, razón por la cual no
fue considerado para los efectos de este proyecto.
III. Modelo de aprendizaje definido
por el grupo de investigación
A partir de los estilos anteriormente presentados se establecieron ocho tipos
básicos de estudiantes a saber, ilustrados en la Fig. 4, los cuales serán
aplicados para el desarrollo de la Interfaz Inteligente Adaptativa objeto de
nuestra investigación, estos son los siguientes:
Figura 4. Estilos de Aprendizaje definidos por el Grupo
1. Estudiante Convergente Analítico: Caracterizado por analizar la
información estructuralmente utilizando razonamiento hipotético
deductivo, creando además mecanismos organizados para conseguir sus
propios resultados. Se desempeña mejor en ocupaciones tecnológicas,
matemáticas y de ciencia.
2. Estudiante Convergente Holístico: Se distingue por seguir un orden
estructurado de pasos al desempeñar una tarea y por tener facilidades
con el lenguaje. Además de enfocarse en la ciencia y la tecnología puede
hacerlo en humanidades.
3. Estudiante Divergente Analítico: Confía y usa su propia experiencia
como referencia primaria. Mira las situaciones desde muchas
perspectivas, analiza la información observada estructuralmente, la
5

- Universidad de Manizales, enero – junio / 2005
selecciona y determina su funcionalidad. Su alto grado de creatividad se
basa en la confianza de su experiencia y en el conocimiento de su
estructura cognoscitiva.
4. Estudiante Divergente Holístico: Disfruta de la interacción social, las
discusiones y trabajos en grupo que lo hacen consciente de los
problemas sociales. Confía en las referencias externas, la interacción con
ellas influye en sus sentimientos y reacciones, lo que repercute en su
aprendizaje.
5. Estudiante Acomodador Analítico: En él se distingue el gusto por las
matemáticas y su análisis usando métodos sistemáticos. Se involucra en
algo que despierta su interés y se concentra en ello. Comprometido con la
acción.
6. Estudiante Acomodador Holístico: Tiende a acercarse a las cosas de
una manera global. No planea mucho su trabajo. Confían en referencias
externas, por lo que está dispuesto a pedir ayuda. Salta a otros temas sin
detenerse a reflexionar en lo ya visto.
7. Estudiante Asimilador Analítico: Se caracteriza por ser analítico, lógico,
secuencial y deductivo. Selecciona, modela y organiza la información de
manera clara para su asimilación utilizando modelos teóricos.
8. Estudiante Asimilador Holístico: Identifica las relaciones entre las
ideas. Se caracteriza por confiar en referencias externas para su
aprendizaje. Se le dificulta resumir la información.
Tomando como referencia la descripción de los tipos de estudiantes
planteados, estableceremos un modelo de usuario, que será el punto de
partida para la definición del modelo de tutoría el cual proporcionará un
componente pedagógico eficaz, que permitirá fortalecer el proceso de
integración entre el quehacer pedagógico y el desarrollo tecnológico.
IV. Modelado de usuario y aprendizaje maquinal
Cualquier sistema que se considere “inteligente” debería poseer la habilidad
de aprender, es decir, mejorar automáticamente con la experiencia. La idea
principal detrás del aprendizaje, es que aquello que es percibido por el
agente, debería ser usado no sólo para actuar, sino también para mejorar
sus habilidades en el futuro.
El proceso de aprendizaje de un agente puede resultar de su interacción con
el mundo como así también de la observación introspectiva de sus propios
procesos internos.
El aprendizaje maquinal o automático (en inglés Machine Learning (ML)), se
ha tornado muy importante en muchas aplicaciones prácticas de Inteligencia
Artificial, como por ejemplo los Sistemas Expertos, proveyendo una
alternativa a las técnicas de adquisición de conocimiento tradicionales.
6

CENTRO DE INVESTIGACIONES Y DESARROLLO – FACULTAD DE INGENIERÍA
Los principales aspectos a ser considerados en el proceso de aprendizaje, se
encuentran implícitos en la definición de aprendizaje de Herbert Simon [6]:
“cualquier cambio en un sistema que le permite desempeñarse mejor la
próxima vez, sobre la misma tarea u otra tomada de la misma población”.
Esta definición cubre un amplio espectro de actividades que van desde
mejorar el rendimiento de un sistema existente (ya sea en eficiencia o en la
no reiteración de errores) hasta la adquisición de nuevos conceptos.
Así mismo, esta definición habla de cambios en el agente que aprende, lo
que implica que deberá haber alguna manera de representarlos. En este
sentido, serán válidos tanto los métodos que modelizan el aprendizaje como
la adquisición de conocimiento del dominio representado explícitamente
(mediante sentencias en un lenguaje simbólico), como aquellos cuyo
conocimiento está implícito (como por ejemplo redes neuronales) y que
aprenden modificando su estructura completa (la organización e interacción
entre las neuronas).
Otra característica que se observa en la definición de Simon, es la naturaleza
empírica del aprendizaje, al involucrar la generalización a partir de la
experiencia: el desempeño debería mejorar no sólo “sobre la misma tarea,
sino también sobre tareas similares en el dominio”. Debido a que los
dominios reales suelen ser muy grandes, el sistema que aprende deberá, a
partir de una experiencia limitada, adquirir el conocimiento que le permita
generalizar correctamente cuando le sean presentados nuevas instancias del
dominio (problema de inducción).
A primera vista, el modelado de usuario parece ser el primer candidato para
la aplicación de técnicas de aprendizaje maquinal estándares. Las
observaciones del comportamiento del usuario, pueden proporcionar
ejemplos de entrenamiento que un sistema de aprendizaje maquinal puede
usar para formar un modelo diseñado para predecir futuras acciones.
En nuestro caso específico, en donde el objetivo es el desarrollo de una
Interfaz Inteligente Adaptativa aplicada en el entorno educativo, resulta de
vital importancia el análisis previo concerniente a los estilos de aprendizaje,
ya que estos se convierten en la herramienta indispensable para la
diferenciación de los estudiantes ante la interfaz.
“Una Interfaz de Usuario Adaptativa es un artefacto software que mejora su
habilidad para interactuar con un usuario construyendo un modelo de usuario
basado en la experiencia parcial con ese usuario” [7].
Su objetivo es el de servir a las necesidades del usuario con base en el
análisis de sus hábitos y comportamientos, ajustándose de acuerdo a las
decisiones anteriormente tomadas.
7

- Universidad de Manizales, enero – junio / 2005
El proceso de aprendizaje está fundamentado en:
• Observar e imitar las acciones del usuario.
• La retroalimentación positiva o negativa del usuario sobre una acción
tomada de manera autónoma por el agente.
• La recepción explícita de instrucciones del usuario.
• La indagación de comportamiento similar a otros agentes.
Es necesario tener cuidado, ya que los métodos y técnicas del aprendizaje
maquinal no pueden ser aplicadas sin un análisis detallado del dominio de la
aplicación. Se han presentado muchos problemas en el desarrollo de este
tipo de interfaces, debido a que se ha obviado la importancia del dominio.
Algunas técnicas o métodos de Aprendizaje Maquinal son:
Métodos Globales: Redes Neuronales, Métodos Estadísticos, Minado de
Datos, Algoritmos Evolutivos.
Dentro de las técnicas conocidas como Algoritmos Evolutivos, se encuentran
los Sistemas Clasificadores de Aprendizaje.
Estos fueron propuestos por Holland [8] como una técnica evolutiva para el
aprendizaje maquinal.
Un clasificador es un sistema capaz de interactuar con un entorno y aprender
de él, por medio de la generación de reglas apropiadas y la asignación de
pesos a cada una de ellas, para luego generar nuevas reglas a partir de las
anteriores.
Los sistemas clasificadores, son arquitecturas que aprenden reglas
sintácticamente simples que, en su conjunto, resuelven un problema
determinado. Un sistema clasificador no es un tipo de algoritmo genético,
sino que un sistema clasificador contiene, como una de sus partes, a un
algoritmo genético.
Su estructura está formada por tres subsistemas, (Fig. 5):
• Sistema de Reglas: De tipo condición – acción.
• Sistema de Asignación de Créditos: Pesos.
• Algoritmo Genético
8

CENTRO DE INVESTIGACIONES Y DESARROLLO – FACULTAD DE INGENIERÍA
Figura 5. Estructura general de un sistema clasificador
El funcionamiento general de un sistema clasificador es muy simple; en
primer lugar se generan reglas iniciales según el conocimiento previo que se
tenga del dominio y a estas se les asignan pesos respectivos. A partir de este
momento el sistema trabajará sólo con la información que reciba del entorno.
Ante un estímulo o percepción del ambiente, el sistema comparará la
información recibida con las condiciones de los clasificadores y activará
aquellos cuyas condiciones se cumplan. Los clasificadores activos indicarán
una serie de acciones, que en caso de contradecirse, deberán ser depuradas
y seleccionada la de mayor peso.
A primera vista se podría considerar que este es un mecanismo estático, y
hasta el momento, es cierto. Pero luego de este proceso, el sistema
continuará realimentándose del entorno y evaluando el rendimiento de las
acciones ejecutadas, a las cuales les incrementará el peso correspondiente
en caso de que tengan un buen resultado, mecanismo a través del cual el
sistema cambiará sus preferencias a medida que pasa el tiempo. Esta es una
función exclusiva del Sistema de Asignación de Créditos.
Además de lo anterior, el sistema utiliza un algoritmo genético para la
creación de nuevas reglas partiendo de las mejores reglas existentes, es
decir, las que de acuerdo a su desempeño hayan conseguido los mayores
pesos.
Gracias a los sistemas de asignación de créditos y al algoritmo genético, un
Sistema Clasificador es capaz tanto de aprender nuevas reglas, como de
variar dinámicamente sus preferencias entre ellas, y por tanto puede adaptar
su comportamiento al entorno que le rodea.
9

- Universidad de Manizales, enero – junio / 2005
Basándonos en este simple mecanismo, es como se realizará la clasificación
de los estudiantes dentro de los ocho tipos establecidos por el grupo, y con la
definición del modelo de tutoría, se especificará la estrategia pedagógica
para la forma de representación del conocimiento, que se ajuste a las
exigencias específicas de cada estilo de aprendizaje.
Finalmente, el modelo de interacción o de comunicación, será el componente
que permitirá la interacción del usuario con la interfaz, presentándole los
contenidos de la asignatura estructurados de acuerdo a las preferencias y
tendencias de su estilo de aprendizaje particular.
V. Conclusiones
Cada día el proceso de enseñanza – aprendizaje se vuelve más exigente con
el papel que debe jugar el estudiante. La educación ha tenido una marcada
tendencia a la auto – instrucción; se busca que el estudiante por sí mismo
adquiera los conocimientos y desarrolle las habilidades necesarias para
apoyar el proceso.
Con la introducción de las nuevas tecnologías en el ámbito educativo, como
herramienta que apoye y facilite este proceso, se busca una mayor
interacción del estudiante con su propia formación y se persigue que este se
involucre y responsabilice cada vez más de ella.
En la actualidad existen herramientas de tutoría interactivas que facilitan la
adopción de conocimientos por parte de un estudiante; herramientas que le
ayudan en su proceso de aprendizaje. Pero con el entorno tan cambiante en
que vivimos, es cada vez más necesaria la adopción de nuevas tecnologías
que lo involucren más en ese proceso activo de educación y la
implementación de una Interfaz Inteligente basada en la Computación
Evolutiva, es un gran paso hacia esa meta.
Es por esto que el objetivo fundamental del proyecto que adelanta el Grupo
de Investigación TESEEO de la Universidad del Sinú, es el desarrollo de una
Interfaz Inteligente que sea capaz de adaptarse a las necesidades de los
usuarios.
Por medio de la identificación del estilo de aprendizaje de cada estudiante
que interactúe con el sistema, se busca que el mismo se adapte a este, y le
presente los contenidos de la asignatura de la forma más adecuada y según
los gustos y preferencias marcados por el estilo de aprendizaje preferido.
Con este mecanismo se busca que el estudiante tenga un papel más activo
en su educación y que el sistema software guíe y oriente su proceso de
aprendizaje de una manera eficaz, siguiendo los lineamientos establecidos
por su estilo de aprendizaje particular.
10

CENTRO DE INVESTIGACIONES Y DESARROLLO – FACULTAD DE INGENIERÍA
Esto se logrará gracias a la integración de técnicas de Computación
Evolutiva, específicamente, Aprendizaje Maquinal, lo cual proporcionará el
componente adaptable, brindándole al sistema la capacidad de aprender de
su interacción con un usuario en especial, y por consiguiente mejorar su
desempeño futuro con dicho usuario.
Se espera que nuestro trabajo contribuya al mejoramiento del proceso de
enseñanza – aprendizaje de nuestros estudiantes, sea una herramienta de
apoyo al docente, y que se convierta en un pilar de desarrollo de estas
tecnologías en la región, como una alternativa de solución a las dificultades
que debe enfrentar el alumno actual; principalmente la forma homogénea
como es transmitido el conocimiento sin atender a las diferencias
individuales.
Es por eso que nuestro proyecto será innovador en el campo de la
enseñanza, ya que presentará diferentes alternativas en el proceso de
adquisición de información teniendo en cuenta las diferentes formas de
recepción cognitiva valorando las preferencias personales, que son en suma
lo que hace que un aprendizaje sea significativo, es decir, todo lo que el
hombre le encuentra sentido, le es interesante, será aprendido de mejor
manera y por consiguiente materia de aprehensión permanente.
VI. Referencias bibliográficas
[1] K. Lewin. Action-research as minority problem. Journal of Social Issues 2,
1946. pp 34-46.
[2] P. Honey, A. Mumford. Manual of Learning Styles. London: 1982.
[3] D. A. Kolb. Experiential Learning: Experience as the source of learning
and development. New Jersey: Prentice Hall, Return.
[4] H. A. Witkin. Psychological differentiation: Studies of development. New
York: Wiley.
[5] A. M. Peters. Languages learning strategies: Does the whole equal the
sum of the parts? Language, 53, 560-573.
[6] H. A. Simon. The Sciences of Artificial. Cambridge, MA: MIT 1969.
[7] P. Langley. Machine learning for adaptive user interfaces. Proceedings of
the 21st German Annual Conference on Artificial Intelligence 1997. Freiburg,
Germany: Springer, 53-62
11

- Universidad de Manizales, enero – junio / 2005
[8] J. Holland. Adaptation in Natural and Artificial Systems. University of
Michigan Press, 1975, pp. 211.
12