Dichas estadísticas corresponden a las siguientes:
a. Visualización de las fallas cognitivas más repetidas.
b. Visualización de las notas de la evaluación de cada estudiante.
c. Visualización de los estudiantes con mayor y menor número de fallas cognitivas.
Es necesario puntualizar que, para la asignación de la nota final se tendrán en cuenta tanto las evaluaciones, como la actividad lúdica realizada. Para el cálculo de la nota final correspondiente a la actividad colaborativa, el profesor a su criterio asignará porcentajes a cada una de las notas generadas.
B. Modelo de representación del conocimiento
Con el objetivo de brindar inteligencia al modelo propuesto y conceptualizar formalmente los elementos asociados con el dominio, en esta etapa se busca representar el conocimiento y plasmarlo en un modelo ontológico. Actualmente, existe una gran variedad de metodologías para la construcción de ontologías a partir de una agrupación de instrumentos iterativos. Dichos instrumentos facilitan el proceso y perfeccionan el modelo con cada iteración. Una de las metodologías de desarrollo que son más conocidas y utilizadas hoy en día es Methontology, la cual se selecciona para realizar el modelo de representación del conocimiento asociado a esta investigación.
Fig. 2: Visualización de jerarquía entre clases de la ontología desarrollada.
A partir de las fases de especificación, conceptualización e implementación pertenecientes a la metodología Methontology, se logró obtener el modelo ontológico presentado en la figura 2. Este modelo presenta como entidad raíz la Lección del día desde la cual se despliega la Actividad propuesta por el profesor. La Actividad se encuentra asociada con la entidad que contiene los Recursos de la misma, y con cada uno de los Elementos de Aprendizaje Mutuamente Excluyentes que son asignados a cada Estudiante en un Equipo. Por otro lado, existe una entidad que representa la Evaluación que a su vez está conformada por Preguntas y Respuestas. Finalmente, el modelo establece la estructura necesaria para almacenar tanto el conocimiento inherente a la descripción de las Características Cognitivas, así como toda la información asociada con la Actividad Lúdica propuesta en el esquema para el desarrollo de actividades colaborativas.
C. Modelo multiagente colaborativo
La figura 3 presenta el modelo multiagente propuesto en el cual se pueden observar las interacciones entre los agentes de software, las fuentes de información del sistema y los actores involucrados en el proceso de aprendizaje colaborativo y detección de fallas cognitivas del sistema.
Fig. 3: Modelo propuesto de CSCL basado en agentes.
Este modelo es resultado de la aplicación de la metodología Prometheus, utilizando sus tres fases definidas. Como actores externos se identificaron tres entidades: el profesor, el equipo de estudiantes y el sistema ROAp. Adicionalmente, se identificaron cinco tipologías de agentes y dos fuentes de información, las cuales se describen a continuación:
● Agente Estudiante: encargado de representar al estudiante dentro de la plataforma, así como de
administrar su perfil. Es un agente de interfaz, que administra todas las interacciones (percepciones y/o acciones) entre el sistema y el estudiante.
● Agente Profesor: sus funciones principales son representar al profesor dentro de la plataforma,
asistir el diseño de las actividades (diseño instruccional) y presentar estadísticas de los resultados obtenidos por cada uno de los estudiantes.
● Agente Ontológico: tiene como objetivo principal la administración de la ontología de dominio
específico detallada en la sección anterior, es decir, se encarga de poblar las entidades y de realizar inferencias solicitadas por otros agentes. Dichas inferencias son generadas a partir del uso de consultas y están relacionadas con la detección de fallas cognitivas, estructura de las actividades, recursos, información puntual de los estudiantes, detección de fallas cognitivas, etc.
● Agente Evaluador: encargado de desplegar las evaluaciones a los estudiantes, de transferir la
información y de almacenar los resultados en la base de datos del sistema.
● Agente Recomendador: este agente cumple dos funciones las cuales tienen como objetivo
entregar información al Agente Estudiante para su posterior presentación, así:
○ Consumir el servicio Web expuesto por el sistema ROAp para obtener OAs. Dicho sistema
recibe las palabras claves inferidas por el Agente Ontológico cuando se detectan fallas cognitivas.
○ Obtener del Agente Ontológico los estudiantes que pueden cumplir el rol de tutores en la
etapa final del esquema para el desarrollo de actividades colaborativas.
● Ontología de dominio: esta fuente de información comprende la ontología de dominio específico
detallada previamente.
● Base de datos del sistema: fuente de información encargada de la persistencia de las entidades
del sistema.
RESULTADOS Y DISCUSIÓN
La fase de implementación de la ontología consiste en plasmar a través de un lenguaje formal, el conocimiento identificado a partir de las fases previas de especificación y conceptualización definidas por Methontology (Fernández-López et al., 1997). Para el desarrollo del modelo propuesto en esta investigación, se utilizó el lenguaje de Ontologías Web OWL mediante la herramienta Protégé (Tudorache et al., 2013). De esta manera, se crearon 20 clases, 104 instancias, 30 propiedades de tipo Object Property y 51 de tipo Data Property. Para la retroalimentación y la detección de fallas cognitivas asociadas a cada estudiante de los equipos, fueron creadas 2 reglas mediante el lenguaje de consulta SPARQL las cuales son presentadas en la tabla 1.
Tabla 1: Reglas SPARQL para la retroalimentación y detección de fallas cognitivas.
Nombre de la regla Expresión
Retroalimentación y recomendación
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX owl: <http://www.w3.org/2002/07/owl#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX xsd: <http://www.w3.org/2001/XMLSchema#>
PREFIX ontology: <http://www.semanticweb.org/santiago/ontologies/2017/5/ontology#> SELECT ?estudiante ?evaluacion ?nota ?historialRespuesta ?respuesta ?esCorrecta
?palabrasClave ?retroalimentacionPregunta
WHERE { ?estudiante rdf:type ontology:Estudiante . ?estudiante ontology:perteneceAEvaluacionEstudiante ?evaluacion .
?evaluacion ontology:notaEvaluacionEstudiante ?nota . ?historialRespuesta rdf:type ontology:HistorialRespuesta .
?historialRespuesta ontology:perteneceAEvaluacionEstudiante ?evaluacion . ?historialRespuesta ontology:tieneRespuesta ?respuesta .
?respuesta ontology:esCorrectaRespuesta ?esCorrecta . ?respuesta ontology:perteneceAPregunta ?pregunta . ?pregunta ontology:palabrasClavePregunta ?palabrasClave .
?pregunta ontology:descripcionRetroalimentacionPregunta ?retroalimentacionPregunta .
FILTER (?nota < 5 && ?esCorrecta = false) }
Detección de fallas cognitivas
PREFIX rdf: <http://www.w3.org/1999/02/22-rdf-syntax-ns#> PREFIX owl: <http://www.w3.org/2002/07/owl#> PREFIX rdfs: <http://www.w3.org/2000/01/rdf-schema#>
PREFIX xsd: <http://www.w3.org/2001/XMLSchema#>
PREFIX ontology: <http://www.semanticweb.org/santiago/ontologies/2017/5/ontology#> SELECT ?estudiante ?evaluacion ?nota ?pregunta ?respuesta ?esCorrecta
?caracteristicaCognitiva ?tipoCaracteristicaCognitiva WHERE { ?estudiante rdf:type ontology:Estudiante . ?estudiante ontology:perteneceAEvaluacionEstudiante ?evaluacion .
?evaluacion ontology:notaEvaluacionEstudiante ?nota . ?historialRespuesta rdf:type ontology:HistorialRespuesta .
?historialRespuesta ontology:perteneceAEvaluacionEstudiante ?evaluacion . ?historialRespuesta ontology:tieneRespuesta ?respuesta .
?respuesta ontology:esCorrectaRespuesta ?esCorrecta . ?respuesta ontology:perteneceAPregunta ?pregunta .
?pregunta ontology:detectaCaracteristicaCognitiva ?caracteristicaCognitiva . ?caracteristicaCognitiva ontology:tipoCaracteristicaCognitiva
?tipoCaracteristicaCognitiva .
FILTER (?nota < 5 && ?esCorrecta = false && sameTerm(?tipoCaracteristicaCognitiva, "falla_cognitiva"^^xsd:string))}
A continuación se detalla el funcionamiento de cada una de las reglas:
● Regla para la retroalimentación y recomendación de recursos: esta regla verifica las
evaluaciones de cada estudiante y obtiene las palabras clave asociadas a las preguntas sobre las cuales su respuesta fue errada. Las palabras clave son utilizadas para la obtención de recursos educativos a través del consumo del servicio Web de ROAp mencionado anteriormente.
● Regla para la detección de fallas cognitivas: esta regla obtiene las fallas cognitivas de cada
estudiante para utilizarlas en la presentación de estadísticas y la asociación con las palabras clave de cada pregunta.
Para el desarrollo de los agentes inteligentes propuestos se utiliza la metodología Prometheus (Golparyan y Behpour, 2013) la cual define las fases de especificación del sistema, diseño de la arquitectura y diseño detallado. A su vez, para la implementación del prototipo funcional basado en el modelo de agentes se emplea el Framework JADE (Bordini et al., 2013). Este Framework, se encuentra desarrollado para el lenguaje de programación JAVA y está orientado al desarrollo de SMA siguiendo los estándares definidos por FIPA (Foundation for Intelligent Agents) de la IEEE. Para el consumo del servicio Web necesario para la implementación de la funcionalidad de recomendación de recursos de aprendizaje, se hace uso del estándar RESTful obteniendo así las URL de cada uno de los recursos que son presentados al usuario en una interfaz Web HTML.
Respecto a la validación ontológica se simularon los perfiles de 5 estudiantes y falencias aleatorizadas fueron asignadas a cada estudiante. Posterior a ello, se ejecutaron las reglas anteriormente presentadas y se observó que el comportamiento de los resultados obtenidos era el esperado, ya que efectivamente se entregaba al usuario la información necesaria para cumplir con el objetivo de la ontología.
Fig. 4: Interfaz de recomendación de recursos educativos del prototipo.
Por otro lado, para realizar la validación del prototipo, se desplegó un caso de estudio en un ambiente controlado con 12 estudiantes que interactuaron con el sistema y recorrieron el flujo del esquema para el desarrollo de actividades colaborativas. En la figura 4, se presenta una de las interfaces del prototipo en donde el sistema identificó fallas cognitivas y muestra recomendaciones asociadas de recursos de educativos a cada uno de los estudiantes en las diferentes etapas del flujo de la actividad colaborativa. Adicionalmente, se realizaron encuestas de usabilidad, experiencia de usuario y efectividad de la recomendación de recursos basada en las fallas cognitivas identificadas.
CONCLUSIONES
A partir de los resultados obtenidos con la implementación del modelo propuesto para la detección de fallas cognitivas durante el desarrollo de actividades colaborativas, y luego de la validación del prototipo se logra concluir que:
i) se demuestra la eficacia de la integración del esquema para el desarrollo de actividades colaborativas con cada una de las tecnologías propuestas en esta investigación.
ii) se observó que los estudiantes se vieron más comprometidos y motivados al ser evaluados y retroalimentados de forma individual constantemente.
iii) se evidenció tanto en las encuestas de los estudiantes como durante el desarrollo de la actividad colaborativa, que la actividad lúdica genera una interdependencia positiva entre los integrantes del equipo, lo cual los mantiene en un estado de alerta y de conciencia para estar atentos a cada uno de los detalles asociados a los conocimientos relacionados con los tópicos de la actividad.
Como trabajo futuro se pretende validar el modelo y el esquema propuesto para el desarrollo de actividades colaborativas en un ambiente real, permitiendo que los estudiantes interactúen y se dejen llevar por el flujo del esquema planteado. Adicionalmente, se desea realizar una comparación de las encuestas de satisfacción y del conocimiento obtenido entre dos grupos de equipos, donde un grupo de equipos estará expuesto al modelo colaborativo propuesto en esta investigación realizando una actividad real, mientras que el otro grupo realizará la misma actividad, pero bajo el método de aprendizaje JigSaw estándar. Finalmente, se pretende enfatizar en el mecanismo para la detección de fallas cognitivas con el objetivo de brindar aún más inteligencia al modelo.
AGRADECIMIENTOS
La investigación presentada en este artículo fue financiada parcialmente por la beca de Jóvenes investigadores de COLCIENCIAS, otorgada a Santiago Álvarez Lebrum a través de la Convocatoria 761
REFERENCIAS
Álvarez, S., Salazar, O. y Ovalle, D.A., “Hacia un Modelo de Aprendizaje Colaborativo Soportado por
Ontologías, Agentes Inteligentes y Servicios de Awareness”, CAVA – VIII International Conference of Adaptive and Accessible Virtual Learning Environment, Cartagena - Colombia (2016).
Berners-Lee, T., y Hendler, J., “Publishing on the semantic web”, Nature, 410(6832), pp. 1023-4 (2001).
Bordini, R., Braubach, L., Dastani, M., El Fallah Seghrouchni, A., Gomez-Sanz, J., Leite J., O'Hare, G.,
Pokahr, A. y Ricci, A., “A Survey of Programming Languages and Platforms for Multi-Agent Systems”,
Informatica, 30(33), pp. 33-44 (2006).
Esnawy, S., “EFL/EAP Reading and Research Essay Writing Using Jigsaw”, Procedia-Social and Behavioral
Sciences, 232, pp. 98-101 (2016).
Fernández-López, M., Gómez-Pérez, A., y Juristo, N., “Methontology: from ontological art towards
ontological engineering”, Ontological Engineering, volume 06 of AAAI Spring Symposium, pp. 33-40 (1997).
Golparyan, M., y Behpour, S., “Reviewing On the Formalization of the Agent- Oriented Methodologies:
Tropos and Prometheus”, IEEE, Information and Knowledge Technology (IKT), 2013 5th Conference, pp. 284-289 (2013).
Hübscher, R., “Assigning Students to Groups Using General and Context-Specific Criteria”, IEEE Trans.
Learn. Technol., vol. 3, no. 3, pp. 178-189 (2010).
Lescano, G., Costaguta, R. and Amandi, A., “Genetic algorithm for automatic group formation considering
student’s learning styles,” 8th Euro American Conference on Telematics and Information Systems (EATIS),
pp. 1-8 (2016).
Liang, Y., Zhu, H., Tian, Q., y Ji, S., “A method for OWL ontology module partition”, Proceedings IEEE 2nd
Symposium on Web Society, SWS 2010, pp. 372-377 (2010).
Oshima, T., Mizuochi, T., Yatushiro, K. y Mizukoshi, K., “Development of CSCL System with Usability for
Lower Elementary School Grade Students*”, Proceedings of the 2016 IEEE/SICE International Symposium on System Integration, Sapporo Convention Center, Sapporo, Japan, pp. 646-651 (2016).
Rodríguez, P. A., Duque, N. D., y Ovalle, D. A., “Método Híbrido de Recomendación Adaptativa de Objetos
de Aprendizaje basado en Perfiles de Usuario”, Formación Universitaria Vol. 9(4), pp. 83-94 (2016).
Rodríguez, P. A., Tabares, V., Duque, N. D., Ovalle, D. A., y Vicari, R. M., “BROA: An agent-based model to
recommend relevant Learning Objects from Repository Federations adapted to learner profile”, International
Journal of Interactive Multimedia and Artificial Intelligence, 2 (Special Issue on Artificial Intelligence and
Social Application) (2013).
Terzidou, T., y Tsiatsos, T., “Pedagogical agents in 3D learning environments”, Encyclopedia of Information
Science and Technology, Third Edition, pp. 2572-2581 (2015).
Terzidou, T., Tsiatsos, T., Miliou, C., y Sourvinou, A., “Agent Supported Serious Game Environment”. IEEE
Transactions on Learning Technologies, 9(3), pp. 217-230 (2016).
Tudorache, T., Nyulas, C., Noy, N. F., y Musen, M. A., “WebProtégé: A collaborative ontology editor and
knowledge acquisition tool for the web”, Semantic web Journal, 4(1), pp. 89-99 (2013).
Weiss, G., “Multiagent Systems, Second Edition: From Intelligent Robotics and Autonomous Agents”, Book