C&D Recovery Sensitivity and Uncertainty Analysis

A partir del análisis hecho previamente en el epígrafe 3.3.1 se observarán a través de ejemplos cómo se presentan estos casos.

Como el caso 1 y 3 no aportan nuevos beneficios, se verá sólo qué sucede en uno de estos casos. Se muestra un ejemplo del caso 3.

Al analizar la matriz de aprendizaje de la tabla 3.5 en HESEI sin el módulo incorporado se obtiene como salida que {P2, P3, P4} es un testor típico (véase figura 3.8). Puede suceder que el profesor en su papel de experto determina que solamente basta con definir las evaluaciones para las respuestas O5, O7, O11, O12 y O15 obteniéndose una matriz que resume todas las demás evaluaciones (véase tabla 3.6). Se analiza esta nueva matriz en HESEI con el módulo incorporado y se obtiene el mismo testor típico (véase figura 3.9).

P1 P2 P3 P4 C O1 0 0 0 0 0 O2 0 0 0 1 0 O3 0 0 1 0 0 O4 0 0 1 1 1 O5 0 1 0 0 0 O6 0 1 0 1 1 O7 0 1 1 0 1 O8 0 1 1 1 1 O9 1 0 0 0 0 O10 1 0 0 1 0 O11 1 0 1 0 0 O12 1 0 1 1 1 O13 1 1 0 0 0 O14 1 1 0 1 1 O15 1 1 1 0 1 O16 1 1 1 1 1 Tabla 3.5 Caso 3 P1 P2 P3 P4 C O1 0 1 0 0 0 O2 0 1 1 0 1 O3 1 0 1 0 0 O4 1 0 1 1 1 O5 1 1 1 0 1

Figura 3.8 Resultado ofrecido por HESEI sin el módulo incorporado para la matriz de aprendizaje de la tabla 3.5

Figura 3.9 Resultado de HESEI con el módulo incorporado para la matriz de aprendizaje de la tabla 3.6

A continuación se muestra como se puede presentar el caso 2.

Al analizar en HESEI, sin el módulo incorporado, la matriz de aprendizaje de la tabla 3.7 se obtiene que no hay testores típicos (véase figura 3.10). Pudiera entonces suceder que el profesor determinara que sólo las respuestas O1, O2, O3 y O8 con sus respectivas evaluaciones abarcan las demás respuestas obteniéndose una nueva matriz de aprendizaje que se muestra en la tabla 3.8 y cuando se analiza en HESEI con el módulo incorporado se tiene como testores típicos a {P1} y {P2, P3} y de estos {P1} cumple con la definición de ser FS-Testor (véase figura 3.11 y figura 3.12).

P1 P2 P3 C O1 0 0 0 0 O2 0 0 1 0 O3 0 1 0 0 O4 0 1 1 1 O5 1 0 0 0 O6 1 0 1 1 O7 1 1 0 1 O8 1 1 1 1 Tabla 3.7 Caso 2 P1 P2 P3 C O1 0 0 0 0 O2 0 0 1 0 O3 0 1 0 0 O4 1 1 1 1

Figura 3.10 Resultado de HESEI sin el módulo incorporado para la matriz de aprendizaje de la tabla 3.7

Figura 3.11 Resultado de HESEI con el módulo incorporado para la matriz de aprendizaje de la tabla 3.8

Figura 3.12 Resultado de HESEI con el módulo incorporado para la matriz de aprendizaje de la tabla 3.8 al elegir la opción de “Ver más”

Finalmente se muestra el caso 4 y cómo se puede presentar.

La tabla 3.9 muestra una matriz de aprendizaje que al analizarla en HESEI sin el módulo incorporado ofrece como resultado la representación del Modelo del Estudiante a través del testor típico {P2, P3} (véase figura 3.13). Si el profesor determinara que sólo las respuestas O3, O5, O10 y O15 con sus respectivas evaluaciones contemplan las demás, se obtiene una nueva matriz de aprendizaje que se muestra en la tabla 3.10 y al analizarla en HESEI con el módulo incorporado el resultado obtenido son los testores típicos {P1} y {P2, P3} y de estos sólo {P1} cumple con la definición de ser FS-Testor (véase figura 3.14 y figura 3.15).

P1 P2 P3 P4 C O1 0 0 0 0 1 O2 0 0 0 1 1 O3 0 0 1 0 0 O4 0 0 1 1 0 O5 0 1 0 0 0 O6 0 1 0 1 0 O7 0 1 1 0 1 O8 0 1 1 1 1 O9 1 0 0 0 1 O10 1 0 0 1 1 O11 1 0 1 0 0 O12 1 0 1 1 0 O13 1 1 0 0 0 O14 1 1 0 1 0 O15 1 1 1 0 1 O16 1 1 1 1 1 Tabla 3.9 Caso 4 P1 P2 P3 P4 C O1 0 0 1 0 0 O2 0 1 0 0 0 O3 1 0 0 1 1 O4 1 1 1 0 1

Figura 3.13 Resultado de HESEI sin el módulo incorporado para la matriz de aprendizaje de la tabla 3.9

Figura 3.15 Resultado de HESEI con el módulo incorporado para la matriz de aprendizaje de la tabla 3.10 al elegir la opción de “Ver más”

3.4 Conclusiones Parciales

Luego de explicar las funcionalidades del configurador de tópicos de HESEI con el nuevo módulo incorporado, se mostró a través de varios ejemplos cómo los FS-Testores implementados ofrecen un mejor desempeño en la selección de rasgos relevantes, etapa fundamental en el proceso de ingeniería del conocimiento, obteniéndose mejores representaciones simplificadas del Modelo del Estudiante.

Al usuario profesor se le ofrecen nuevas facilidades, que le permiten diseñar de una forma más natural, su Sistema de Enseñanza-Aprendizaje Inteligente.

CONCLUSIONES

Se desarrolló un módulo que facilita la selección de rasgos así como su peso informacional mediante el cálculo de los FS-Testores, facilitándose el trabajo de ingeniería del conocimiento en Sistemas de Enseñanza-Aprendizaje Inteligentes que tienen en cuenta el Modelo del Estudiante.

Se ofrece un ordenamiento de los FS-Testores y Testores Típicos que permite una mejor representación para el Modelo del Estudiante teniendo en cuenta el peso informacional y la cantidad de rasgos, siendo de gran utilidad para escoger entre las posibles representaciones del Modelo del Estudiante en cuanto a su calidad computacional y el criterio experto. Se realizó un análisis comparativo del desempeño de HESEI en dos etapas, sin incorporar e incorporando el nuevo módulo, en cuanto a la calidad de la selección de los rasgos a través de ejemplos, donde se observó que el uso de la teoría de los FS-Testores aporta a la herramienta HESEI ventajas, ya que en dos de los cuatro casos que pueden presentarse aparecen más y mejores representaciones para el Modelo del Estudiante. Por otra parte se le adicionaron mejoras a la herramienta que le permiten al profesor nuevas facilidades al elaborar su Sistema de Enseñanza-Aprendizaje Inteligente.

RECOMENDACIONES

Encontrar, en caso de que exista, una condición suficiente que garantice conocer con anterioridad la existencia o no de FS-Testores, con el objetivo de evitar los cálculos que se realizan en el proceso de obtención de los mismos.

Permitir al profesor que especifique el tipo de evaluación a emplear en el Sistema de Enseñanza-Aprendizaje Inteligente que elabora, de manera que no escoja necesariamente uno de los ya preestablecidos.

Permitir al profesor establecer los parámetros α y β que ponderan la participación o influencia de F(p) y de L(p) respectivamente en ε, lográndose que el cálculo de la importancia de las preguntas relevantes, dada por la frecuencia de aparición combinada con el grado de pertenencia del FS-Testor a la familia difusa y a la longitud de los FS-Testores, se realice según el criterio experto del profesor.

REFERENCIAS BIBLIOGRÁFICAS

AAMODT, A. (1994) Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications.

ÁGUILA, L. & SHULCLOPER, J. L. (1984) Algoritmo CC para la elaboración de la información k-valente en problemas de Reconocimiento de Patrones. Revista Ciencias Matemáticas. Cuba.

ALBA, E. (1997) Nuevas extensiones del concepto de testor para diferentes tipos de funciones de semejanza. Centro de Matemática y Física Teórica. Ciudad de la Habana, Instituto Nacional de Astrofísica Óptica y Electrónica.

ALBA, E. (1997:28-29) Nuevas extensiones del concepto de testor para diferentes tipos de funciones de semejanza. Centro de Matemática y Física Teórica. Ciudad de la Habana, Instituto Nacional de Astrofísica Óptica y Electrónica.

ALBA, E. (2002:20) El concepto de FS-testor: una solución para un problema de incompatibilidad. Revista Ciencias Matemáticas.

AYALA, R. (2002) Alternativas a los problemas presentados en un proceso de clasificación basado en el reconocimiento espectral de patrones. Departamento de Lenguajes y Computación. Universidad de Almería.

AYAQUICA, I. O. (1997) Un nuevo algoritmo de escala exterior para el cálculo de testores típicos. Memorias del II Taller Iberoamericano de Reconocimiento de Patrones. La Habana, Cuba.

BELLO, R. (1996) Capítulo 3 El Razonamiento Basado en Casos en la Inteligencia Artificial. Sistemas Basados en Casos. Santa Clara, Cuba, Editorial UCLV.

BELLO, R. (2002) Aplicaciones de la Inteligencia Artificial, Jalisco, México, Universidad de Guadalajara.

BRAVO, A. (1983) Algoritmo CT para el cálculo de los testores típicos de una matriz k- valente. Revista Ciencias Matemáticas. Cuba.

CARRASCO, J. (2003:2) Reconocimiento de patrones. Instituto Nacional de Astrofísica Óptica y Electrónica.

CARRASCO, J. (2003:3) Reconocimiento de patrones. Instituto Nacional de Astrofísica Óptica y Electrónica.

CARRASCO, J. (2003:5) Reconocimiento de patrones. Instituto Nacional de Astrofísica Óptica y Electrónica.

CARRASCO, J. (2003:6) Reconocimiento de patrones. Instituto Nacional de Astrofísica Óptica y Electrónica.

CARRASCO, J. (2003:7) Reconocimiento de patrones. Instituto Nacional de Astrofísica Óptica y Electrónica.

CARRASCO, J. (2003:7-8) Reconocimiento de patrones. Instituto Nacional de Astrofísica Óptica y Electrónica.

CARRASCO, J. (2003:9-10) Reconocimiento de patrones. Instituto Nacional de Astrofísica Óptica y Electrónica.

GARCÍA, Z. (2000) Hipermedia para la enseñanza de las estructuras básicas de control de la programación estructurada. V Congreso Iberoamericano de Informática Educativa. Chile.

GARCÍA, Z. Z. (1993) Investigación y elaboración de Sistemas de Enseñanza Inteligentes.

Ciencias de la Computación. Santa Clara, Cuba, UCLV.

GUEVARA, M. (2006) Uso de algoritmos genéticos y el concepto de Testor para la Selección de Variables.

LEÓN, M. (2006) HESEI: Herramienta para Sistemas de Enseñanza/Aprendizaje Inteligentes. Villa Clara.

MARTÍN, B. (2000:23) Introducción. El largo y turtuoso camino hacia la construcción de máquinas inteligentes. Redes Neuronales y sistemas difusos.

MARTÍN, B. (2000:26-28) Introducción. Microprocesadores, computadores y cerebro.

Redes Neuronales y sistemas difusos.

PONS, A. & SANTIESTEBAN, Y. (2003) LEX: Un nuevo algoritmo para el cálculo de los testores típicos. Revista Ciencias Matemáticas. Cuba.

SHULCLOPER ET AL., J. R., ADOLFO GUZMÁN ARENAS Y J. FRANCISCO MARTÍNEZ TRINIDAD (1999:13) Introducción. Enfoque Lógico-Combinatorio al Reconocimiento de patrones.

SHULCLOPER ET AL., J. R., ADOLFO GUZMÁN ARENAS Y J. FRANCISCO MARTÍNEZ TRINIDAD (1999:14) Introducción. Enfoque Lógico-Combinatorio al Reconocimiento de patrones.

SHULCLOPER ET AL., J. R., ADOLFO GUZMÁN ARENAS Y J. FRANCISCO MARTÍNEZ TRINIDAD (1999:15) Introducción. Enfoque Lógico-Combinatorio al Reconocimiento de patrones.

SHULCLOPER ET AL., J. R., ADOLFO GUZMÁN ARENAS Y J. FRANCISCO

MARTÍNEZ TRINIDAD (1999:15-16) Introducción. Enfoque Lógico-

Combinatorio al Reconocimiento de patrones.

SHULCLOPER ET AL., J. R., EDUARDO ALBA CABRERA, MANUEL LAZO CORTÉS, Y GRUPO DE RECONOCIMIENTO DE PATRONES CUBA- MÉXICO. (1995:9-10) Introducción. Introducción al Reconocimiento de patrones (Enfoque Lógico-Combinatorio).

SHULCLOPER ET AL., J. R., EDUARDO ALBA CABRERA, MANUEL LAZO CORTÉS, Y GRUPO DE RECONOCIMIENTO DE PATRONES CUBA- MÉXICO. (1995:51-53) Capítulo 2 Planteamiento de un problema de Reconocimiento de Patrones. Introducción al Reconocimiento de patrones (Enfoque Lógico-Combinatorio).

SHULCLOPER ET AL., J. R., EDUARDO ALBA CABRERA, MANUEL LAZO CORTÉS, Y GRUPO DE RECONOCIMIENTO DE PATRONES CUBA- MÉXICO. (1995:73-75) Capítulo 3 El problema de la selección de variables en el enfoque Lógico-Combinatorio. Introducción al Reconocimiento de patrones (Enfoque Lógico-Combinatorio).

SHULCLOPER ET AL., J. R., EDUARDO ALBA CABRERA, MANUEL LAZO CORTÉS, Y GRUPO DE RECONOCIMIENTO DE PATRONES CUBA- MÉXICO. (1995:107) Capítulo 3 El problema de la selección de variables en el enfoque Lógico-Combinatorio. Introducción al Reconocimiento de patrones (Enfoque Lógico-Combinatorio).

SHULCLOPER ET AL., J. R., EDUARDO ALBA CABRERA, MANUEL LAZO CORTÉS, Y GRUPO DE RECONOCIMIENTO DE PATRONES CUBA- MÉXICO. (1995:110-111) Capítulo 3 El problema de la selección de variables en el

enfoque Lógico-Combinatorio. Introducción al Reconocimiento de patrones (Enfoque Lógico-Combinatorio).

SHULCLOPER ET AL., J. R., EDUARDO ALBA CABRERA, MANUEL LAZO CORTÉS, Y GRUPO DE RECONOCIMIENTO DE PATRONES CUBA- MÉXICO. (1995:112) Capítulo 3 El problema de la selección de variables en el enfoque Lógico-Combinatorio. Introducción al Reconocimiento de patrones (Enfoque Lógico-Combinatorio).

SHULCLOPER, J. (1999:10-11) Introducción. Enfoque Lógico-Combinatorio al

Reconocimiento de patrones.

SHULCLOPER, J. (1999:11-12) Introducción. Enfoque Lógico-Combinatorio al

Reconocimiento de patrones.

SHULCLOPER, J. (1999:12) Introducción. Enfoque Lógico-Combinatorio al

Reconocimiento de patrones.

SHULCLOPER, J. R., ALBA CABRERA, E. & LAZO CORTES, M. (1995) Introducción a la teoría de Testores Típicos, México.

SHULCLOPER, J. R., ET AL. (1982) Algoritmos BT y TB para el cálculo de los testores típicos. Revista Ciencias Matemáticas. Cuba.