Aprendizaje Basado en Casos de Enseñanza

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje.
MSc. Natalia Martnez Snchez, Dra. Gheisa Ferreira Lorenzo, Dra. Mara M. Garca Lorenzo, Dra. Zenaida Garca Valdivia. Departamento de Computacin Universidad Central de Las Villas Carretera a Camajuan Km. 5.5, Santa Clara, Villa Clara, Cuba Tel: (53)42 281416, (53)42 281515 {natalia, gheisa }@uclv.edu.cu
Resumen: Los Sistemas de Enseanza /Aprendizaje Inteligentes, se caracteriza por aplicar las tcnicas de Inteligencia Artificial, donde el trmino inteligente se asocia a la capacidad de adaptarse dinmicamente al desarrollo del aprendizaje del estudiante. En este artculo se describe un modelo basado en casos para la enseanza / aprendizaje, sustentado en la aplicabilidad del razonamiento basado en casos para obtener una eficiente representacin de la Modelacin del Estudiante e inferir las estrategias de aprendizaje. Implementado en la herramienta computacional HESEI, la cual ha sido aplicada exitosamente en la toma de decisiones en tareas de enseanza/ aprendizaje. Palabras clave: Sistemas Basados en Casos, Sistemas de Enseanza Aprendizaje Inteligentes, Modelo del Estudiante.
agentes inteligentes, y las ontologas y las tcnicas de web semntica. Las tcnicas de personalizacin, que son la base de los sistemas tutores inteligentes, estn basadas en modelos del estudiante. En general, estos modelos consisten en la elaboracin de una representacin cualitativa que considere el comportamiento del alumno en funcin tanto del conocimiento existente sobre un determinado mbito como del aprendizaje de otros estudiantes en este dominio. Estas representaciones pueden utilizarse posteriormente en sistemas tutores inteligentes, en entornos de aprendizaje inteligente o en generar agentes inteligentes que representen estudiantes que colaboren con los estudiantes humanos. La utilizacin de tcnicas de aprendizaje automtico permite actualizar y extender los modelos de estudiantes iniciales para adaptarlos tanto a la evolucin de los mismos como a una posible actualizacin de contenidos y actividades educativas. Las dos tcnicas ms populares para modelar estudiantes segn (Snchez 2007) son: los modelos basados en superposicin o overlay y las redes bayesianas. El primer mtodo consiste en considerar el modelo del estudiante como un subconjunto del conocimiento del experto en el mbito donde se realiza el aprendizaje. De este modo, el aprendizaje se mide en funcin de la comparacin con los
1. Introduccin
En (Snchez 2007) se presenta una revisin bibliogrfica de los sistemas educativos inteligentes que estn basados en diversas tcnicas de inteligencia artificial, planteando que las ms utilizadas en el campo de la educacin son: las tcnicas de personalizacin basadas en modelos de estudiantes y de grupos, los sistemas basados en
____________________________________________________________________________________________________________________ Revista de Informtica Educativa y Medios Audiovisuales Vol. 5(10), pgs. 25-32. 2008 25 ISSN 1667-8338 LIE-FI-UBA. liema@fi.uba.ar
El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje. ____________________________________________________________________________________________________________________
conocimientos del modelo del experto. El segundo mtodo consiste en representar el proceso de aprendizaje como una red de estados de conocimiento, y posteriormente, inferir de forma probabilstica el estado del estudiante a partir de la interaccin de ste con el tutor. Es cierto que los Sistema de Enseanza / Aprendizaje Inteligentes, se caracteriza por aplicar las tcnicas de Inteligencia Artificial, donde el trmino inteligente se asocia a la capacidad de adaptarse dinmicamente al desarrollo del aprendizaje del estudiante. Asimismo, segn bibliografa consultada, que el razonamiento basado en casos no se encuentra entre las tcnicas aplicadas para modelar el estudiante, a pesar de ser una tcnica de la Inteligencia Artificial que proporciona un modelo cognitivo de la organizacin de la memoria, el razonamiento y el aprendizaje humano; y un perfil computacional para los sistemas basados en el conocimiento. Adems de tener un grupo de caractersticas (Gutirrez 2003) que pueden ser aprovechadas en la elaboracin de sistemas de enseanza/aprendizaje inteligentes, tales como: Razonan desde episodios especficos: El estado cognitivo del estudiante no puede ser explicado por los expertos como cadenas de reglas generalizables y es ms fcil describir experiencias a travs de rasgos seleccionados previamente. El mantenimiento del conocimiento no requiere de la intervencin experta: La experiencia de nuevos modelos puede ser evaluada y si es conveniente incorporada por el propio usuario que trabaja con el sistema de enseanza /aprendizaje. Reutilizacin de soluciones previas: Modelos de estudiantes se repiten con una alta frecuencia en el proceso de enseanza/aprendizaje as como la metodologa a seguir para su aprendizaje. Soluciones derivadas estn fundamentadas en casos reales: Lo que le permite al sistema justificar las decisiones al usuario.
hacen los seres humanos, cuando un individuo enfrenta a un nuevo problema comienza por buscar en su memoria experiencias anteriores similar al actual y a partir de ese momento establece semejanzas y diferencias y combina las soluciones dadas con anterioridad para obtener una nueva solucin. Estos sistemas utilizan el razonamiento basado en casos (RBC) como mtodo de solucin de problemas para resolver nuevas situaciones. Los SBC, apoyan sus predicciones en ejemplos (casos) que se almacenan en la fase de aprendizaje. Una funcin de distancia o semejanza determina los casos ms semejantes al nuevo problema y las soluciones de los casos recuperados se adaptan para obtener una solucin (Delgado 2005). Las ideas que se describen en este artculo se sustentan en la aplicabilidad del razonamiento basado en casos para obtener una eficiente representacin del Modelo del Estudiante e inferir las estrategias de aprendizaje. Ambos procesos que sin duda son los dos ms importantes dentro de cualquier Sistema de Enseanza / Aprendizaje Inteligente, se ilustran con un ejemplo.
2. Descripcin general de un sistema
basado en casos para Enseanza / Aprendizaje elaborado con HESEI.

El sistema se describe relacionando las componentes fundamentales de un Sistema Basado en Casos y un Sistema de Enseanza / Aprendizaje Inteligente como ilustra la figura 1. Para ello se sigue la definicin dada en (Gutirrez 2003), de que todo Sistema Basado en Casos lo componen principalmente la base de conocimiento o base de casos, el mdulo de recuperacin de casos y el mdulo de adaptacin de las soluciones. Y la descrita en (Snchez 2007), que los Sistemas Tutores Inteligentes se basan en tres componentes principales: conocimiento de los contenidos, conocimiento del alumno, y conocimiento de estrategias o metodologas de aprendizaje.
El razonamiento basado en casos permite aprovechar la experiencia acumulada en la solucin de nuestros problemas. Con esta tcnica se almacenan casos con la solucin que se ha dado anteriormente y cuando se presenta un nuevo problema esta informacin o experiencia acumulada se emplea para resolverlo (Bello 2002). Esta tcnica intenta llegar a la solucin de nuevos problemas, de forma similar a como lo
Figura 1: Ciclo de vida de un Sistema de Enseanza / Aprendizaje basado en casos.
Base de Casos & Modelo del Estudiante. Por un lado se tiene que las Bases de Casos de todo Sistema Basado en Casos contienen las experiencias, ejemplos o casos a partir de los cuales el sistema hace sus inferencias. Estas bases pueden ser generadas por entrevistas a expertos humanos o por un procedimiento automtico o semiautomtico que construye los casos desde datos existentes, registrados por ejemplo, en una base de datos. Por otro lado el Conocimiento del Alumno (Modelo del estudiante), puede dividirse en dos secciones: seleccionar la estructura de datos que ser usada para representar toda la informacin relativa al alumno: estado cognitivo, estrategias instructoras preferidas, pantallas visitadas, ejercicios resueltos, resultados de evaluaciones, etc. Y la eleccin del procedimiento o tcnica que se utiliza para realizar el diagnstico, es decir, para inferir dada la informacin generada en la interaccin del alumno con el sistema, el estado cognitivo del alumno. Atendiendo a la primera seccin, en el modelo propuesto la estructura de datos utilizada es una Base de Casos donde los rasgos predictores de los casos se corresponden con el mdulo Conocimiento del Alumno, y el rasgo objetivo con el mdulo Conocimiento de los Contenidos, el cual est integrado por unidades bsicas de aprendizaje que contienen los cursos y temas, y estas a su vez por
objetivos instruccionales que se encargan de identificar los propsitos que debe alcanzar un alumno al finalizar una unidad bsica de aprendizaje (conocimientos, problemas resueltos, explicaciones, etc.).
Cmo crear un Sistema basado en Casos de Enseanza / Aprendizaje con HESEI?
El modelo de enseanza/aprendizaje basado en casos que se propone, est estructurado en tpicos (rasgos predictores), los cuales toman su valor a travs de un cuestionario de n preguntas, cuyas respuestas son binarias. Al aplicar el cuestionario para obtener el valor de un tpico (dominio) se obtiene una tabla de n columnas y 2n filas. La columna n+1 se corresponde con la evaluacin (valor que toma el tpico) a criterio del experto. El experto puede decidir incorporar otros tpicos donde su valor se obtenga de datos almacenados en una base de datos o cualquier otra va. De la estructura anterior se deduce que los tpicos cuyo valor se obtiene a travs de cuestionarios, tomarn valores iguales para combinaciones de respuestas diferentes, por lo que los valores no necesariamente tienen el mismo grado de certeza. Se ilustra este proceso a travs de un Sistema basado en casos de Enseanza / Aprendizaje para la teora de Bases de Datos, cuya estructura muestra la figura 2.
Figura 2: Estructura del Sistema de Enseanza / Aprendizaje basado en casos para la teora de Bases de Datos. Los casos de la Base de casos del ejemplo, tienen 6 rasgos predictores cada uno de ellos se corresponden con los tpicos que ilustra la figura 2, para la evaluacin de cada uno, se elabora un cuestionario, con el nmero de preguntas que estime el experto. Para evaluar el tpico 2, el experto decide realizar un cuestionario de tres preguntas y a partir de las respuestas a las mismas, decide que evaluacin toma el tpico. Es fcil deducir, que se forman 8 (23) combinaciones, a las cuales hay que asignar un valor, no necesariamente disjunto, pues combinaciones diferentes pueden conducir a igual evaluacin, como muestra la figura 3. De acuerdo a la evaluacin del tpico, se le asigna el entrenador con el cual el estudiante realiza el proceso de Enseanza / Aprendizaje. Si se analiza la tabla que muestra la figura 3, el tpico 2 se evala de Bien (1) o Mal (0), segn la respuesta a las tres preguntas, por ejemplo: Si las tres preguntas se responden correctamente el tpico se evala de Bien (1). Si se responden bien solo dos preguntas el tpico se evala de Bien (1). A partir de este ejemplo se pueden, entre otras, formular las siguientes preguntas metodolgicas: 1. El valor de Bien (1) que se le asigna al tpico, es el mismo para el estudiante que respondi las tres preguntas bien, que para el resto? Las tres preguntas tienen igual importancia, e influyen de igual manera en la evaluacin del tpico? Si el nmero de preguntas es considerablemente grande. Todas influyen en la evaluacin del tpico?, Las que no influyen tienen valor metodolgico? ...
2.
3.
Desde el punto de vista del profesor se puede concluir, que no es el mismo Bien (1), para diferentes combinaciones, las tres preguntas no deben tener igual importancia, si se formularon bien metodolgicamente, y si el nmero de preguntas es considerablemente grande, es obvio que es mayor o igual que tres, es muy engorroso evaluar el tpico. Estas reflexiones condujeron a los autores de este trabajo a realizar un estudio sobre el proceso de seleccin de rasgos, el cual se ha enfrentado desde diferentes formas, dentro de ellas est el Reconocimiento de Patrones en el enfoque Lgico Combinatorio (Martnez 2007), que el problema de seleccin de variables o rasgos se ha tratado utilizando el concepto de testor (reducto, rasgo relevante) (Shulcloper 1995). Conllevando a la implementacin del algoritmo de clculo de testores tpicos LEX (Pons 2002), para la seleccin de las preguntas relevantes, as como su importancia.
Este algoritmo se aplica slo en la fase de elaboracin del sistema de enseanza/aprendizaje inteligente, ayudando al usuario en tareas de ingeniera del conocimiento y almacenando en la
bases de casos informacin eficiente. Es elemental aclarar que la seleccin de las preguntas tiles no implica la eliminacin automtica de otras, pues no se puede subvalorar la importancia metodolgica de las mismas.
Figura 3: Ventana de HESEI que muestra la tabla de evaluacin de tpicos. La figura 3 muestra un cuadro de dialogo con cuatro opciones para evaluar el tpico. Adems muestra una columna titulada certeza, la cual aparece vaca hasta que el usuario d la opcin (Opciones validar tpico) que lo ayudar en la ingeniera del conocimiento, entindase por esto, la seleccin de las preguntas relevante y la importancia de las mismas. Vase la figura 4, despus de realizar este proceso.
Figura 4: Ventana de HESEI que muestra la tabla despus de validar el tpico 2. Los entrenadores son documentos previamente elaborados por el experto / profesor, que estn almacenados electrnicamente, a los cuales la herramienta HESEI brinda todas las facilidades de acceso y manipulacin como muestra la figura 5.
Figura 5: Ventana de HESEI para seleccin de entrenadores.
Este proceso se realiza para cada uno de los tpicos, segn diseo del experto/profesor. A la etapa de explotacin del Sistema basado en casos de Enseanza / Aprendizaje, tienen acceso el experto/ profesor y el estudiante, el primero para validar su Sistema de Enseanza / Aprendizaje desde su experticidad hasta su trabajo metodolgico. El segundo para aprender con el Sistema de Enseanza / Aprendizaje elaborado. En el prximo epgrafe se explica el proceso de diagnstico del Sistema de Enseanza / Aprendizaje utilizando el razonamiento basado en casos, se ilustra el mismo, siguiendo el ejemplo del Sistema basado en casos de Enseanza / Aprendizaje para la teora de Bases de Datos.
Los sistemas basados en casos (SBC) son una de las tecnologas actuales para construir sistemas basados en el conocimiento para la toma de decisiones. Estos sistemas utilizan el razonamiento basado en casos (RBC) como mtodo de solucin de problemas para resolver nuevas situaciones. Los SBC, apoyan sus predicciones en ejemplos (casos) que se almacenan en la fase de aprendizaje. Una funcin de distancia o semejanza determina los casos ms semejantes al nuevo problema y las soluciones de los casos recuperados se adaptan para obtener una solucin (Delgado 2005). Con este proceso se implementa el mdulo Metodologas de Aprendizaje el cual segn (Snchez 2007) tiene funciones pedaggicas, se encarga de guiar el proceso de enseanza/aprendizaje y decide qu acciones pedaggicas realiza, cmo y cundo. Mtodo de obtencin de un nuevo caso & Un nuevo estudiante.
Cmo aprender con un Sistema basado en casos de Enseanza / Aprendizaje elaborado con HESEI?.
Como se describe en epgrafes anteriores los rasgos predictores de los casos se obtienen a travs de cuestionarios, capaces de captar el estado cognitivo del estudiante, y el rasgo objetivo son tutoriales que se adecuan al estado cognitivo del estudiante, ambos elaborados a partir de los conocimientos y experiencias de los expertos. A continuacin se expone un seudocdigo del algoritmo que utiliza el modelo para la obtencin de un nuevo caso (estado cognitivo del nuevo estudiante). Algoritmo 1: Obtencin del Nuevo Caso (Modelo del estudiante) Entrada: Conjunto de cuestionarios para la evaluacin de cada tpico. Salida: Obtencin de un nuevo caso expresado en un conjunto de pares (valor, grado de membresa). Para cada tpico aplicar: P1: Aplicar cuestionario asociado al tpico y obtener el resultado v (vector de 0s y 1s de longitud n). (Los tpicos que toman su valor por otra va, el sistema lo hace automticamente o en interaccin directa con el estudiante, as como su grado de pertenencia.) i = (v' , i ) , donde P2: Obtener los se obtiene aplicando algoritmos de reconocimientos de patrones, implementados en la herramienta HESEI, para la etapa de ingenieria del conocimiento, como se expuso en epgrafes es la cardinalidad del anteriores, donde i = 1.. y
conjunto de valores que puede tomar el tpico.
i las preguntas Usando para la obtencin de relevantes y la importancia asociadas a las mismas.
La tarea del proceso de recuperacin, dado un nuevo problema, est en identificar los casos de la base que son ms similares a la situacin actual. Este proceso involucra la evaluacin de la situacin, esto es, interpretar y comprender el problema de forma tal que se tenga en consideracin los aspectos ms importantes a representar. Bsicamente, la recuperacin de un caso se basa en la comparacin entre los ndices correspondientes a los rasgos predictores del problema y los que se usaron para describir los casos de la base a de casos. A continuacin se muestra un seudocdigo del algoritmo que recupera los casos (modelos de estudiantes) semejantes
Algoritmo 2: Algoritmo de recuperacin de casos semejantes. Entrada: Nuevo caso. Salida: conjunto de casos ms semejantes.
Se compara el nuevo caso con los casos almacenados en la base de casos, durante la elaboracin del Sistema de Enseanza / Aprendizaje. Para dicha comparacin se utiliza la funcion de semejanza (1). n ' p x O , x O 0 t i i i i (O0 , Ot ) = i = 1 n p i =1 i (1)
( ( ) ( ))
(v ' , i )
n: nmero de rasgos predictores
i' ( xi (Ot , xi (O0 ))) :

transformada segn:
funcin
de
comparacin
i' ( xi (Ot ), xi (O0 )) = i (xi (Ot ), xi (O0 ))(1 i (O0 ) i (Ot ) )

pi : peso del rasgo predictor xi , que puede ser
P3: Seleccionar el el par valor i y
mayor y asignar al tpico
(valor, grado de membresa).
Segn responda el estudiante la pregunta que muestra la figura 6, se evala la misma y as se realiza igual procedimiento con cada una de las preguntas que conforman el cuestionario que califica el tpico. Culminada esta etapa, se obtiene un nuevo caso, que se corresponde con el estado cognitivo del nuevo estudiante.
designado por criterio del experto, o automticamente todos los pesos ser iguales. Se seleccionan los de mayor semejanza segn criterios de expertos. Despus de la seleccin de los casos ms semejantes, las soluciones pueden usarse directamente para resolver el nuevo problema, pero comnmente necesitan ser modificadas. Este paso es llevado a cabo por el proceso de adaptacin (Bello 2002). Seleccionados los casos ms semejantes es posible que estos propongan soluciones diferentes por lo que
se hace necesario determinar cul de ellas debe tomarse. Se propone un criterio para determinar el caso ptimo de los casos recuperados y a partir de l tomar la decisin adecuada. Segn (Martnez 2007) este criterio de optimalidad se da a travs de una funcin que combina el valor de la semejanza entre el nuevo problema y el caso (el cual da la utilidad del caso) y el grado de membresa de la solucin de dicho caso. Desde el punto de vista de la teora de la Toma de Decisiones, el resultado de esta funcin pudiera ser
vista como la utilidad esperada del caso, la cual permite al agente establecer sus preferencias sobre un caso para tomar una decisin. La forma ms sencilla de realizar la adaptacin es usando el mtodo de reinstanciacin que consiste en asignar la solucin del caso recuperado al nuevo problema. En este caso el criterio de optimalidad da, segn el principio de mxima utilidad esperada una buena justificacin para tomar esa decisin.
Figura 6: Ventana de HESEI muestra una pregunta de relacionar columnas.
Validacin resultados.
emprica
de
los
Para llevar a cabo este proceso se utiliz el mtodo de Validacin Cruzada (Cross Validation) que consiste en dividir la base de casos en n conjuntos de igual tamao y efectuar el algoritmo de aprendizaje n veces, en cada una de las cuales el conjunto de entrenamiento (muestra de aprendizaje) son todos los conjuntos, excepto uno de los n subconjuntos donde es evaluado (muestra de control). Los resultados para n=6 se muestran en la figura 7.
96% 94% 92% 90% 88% 86% 84% 1-50 51100 101150 151200 201250 251303
Este epgrafe est dirigido a proponer un modelo de evaluacin que puede ser utilizado para validar los Sistemas basados en casos de Enseanza / Aprendizaje elaborados con la herramienta computacional HESEI, por los expertos /profesores. Se ilustran las ideas propuestas con la evaluacin del sistema basado en casos de enseanza/aprendizaje para aprender la teora de Bases de Datos. Utiliza alumnos simulados, tal como se describe en [5]. El uso de alumnos reales qued descartado pues no parece adecuado probar con estudiantes un mtodo de enseanza/aprendizaje sin antes haber comprobado su validez. El anlisis de la eficiencia del sistema de enseanza/aprendizaje inteligente para aprender la teora de de Bases de Datos se ha realizado teniendo en consideracin los resultados obtenidos en la solucin de nuevos problemas, usando el modelo propuesto y los criterios del experto.
SEAI
Figura 7: Resultados de la eficiencia en la en la valoracin del modelo del estudiante. Se considera que los resultados obtenidos son buenos, teniendo en cuenta que se trabaja con clases difusas donde un estudiante puede estar incluido en uno u otro modelo, con cierto grado de pertenencia.
Conclusiones
Con este trabajo se propone un nuevo modelo del alumno que se pudiera tener en cuenta en los Sistema de Enseanza / Aprendizaje Inteligentes, el cual se implement en un Sistema Computacional (HESEI), que ha sido aplicado con aceptacin en la elaboracin del sistema de enseanza/aprendizaje inteligente para la teora de Bases de Datos. El modelo propuesto mantiene las componentes fundamentales de todo Sistema Basado en Casos, la base de conocimiento o base de casos, donde los casos describen modelos de estudiantes y las metodologas de aprendizaje a seguir para lograr la personalizacin del mismo. El mdulo de recuperacin de casos y el mdulo de adaptacin de las soluciones, realizan el diagnstico, que es sin duda uno de los procesos ms importantes dentro de cualquier Sistema de Enseanza / Aprendizaje Inteligente, ya que la calidad del mismo depender de la capacidad de adaptacin del sistema al estudiante.
Shulcloper, J. R.; Alba Cabrera, E.; Lazo Corts, M. 1995. Introduccin al Reconocimiento de Patrones (Enfoque Lgico-Combinatorio). Serie Verde No. 51, CINVESTAV-IPN, Mxico.
Referencias Bibliogrficas.
Bello RE, et al. 2002. Aplicaciones de la Inteligencia Artificial. Cap 2, 4, 9, 15. Jalisco, Mxico: Universidad de Guadalajara. Gutirrez, I. (2003) Modelo para la Toma de Decisiones usando Razonamiento Basado en Casos en condiciones de Incertidumbre, Villa Clara, Cuba, Departamento de Ciencia de la Computacin. Universidad Central de Las Villas. Martnez N; Len M; Garca Z. (2007). Features Selection Through Fs-Testors In Case-Based Systems Of Teaching-Learning. MICAI-2007. International Conference on ARTIFICIAL INTELLIGENCE, LNAI 4827, pp. 12061217, Springer-Verlag Berlin Heidelberg 2007. Pons, A. (2003). "LEX: Un nuevo algoritmo para el clculo de los testores tpicos." Revista Ciencias Matemticas. Cuba. Snchez, E. y Lama M. Monografa: Tcnicas de la Inteligencia Artificial aplicadas a la Educacin. Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial. No.33 (2007), pp. 7-12. ISSN: 1137-3601. AEPIA (http://www.aepia.org/revista).

Aprendizaje Basado en Casos de Enseñanza

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Aprendizaje Basado en Casos de Enseñanza

Uploaded by

Copyright:

Available Formats

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje.

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje. ____________________________________________________________________________________________________________________

2. Descripcin general de un sistema

basado en casos para Enseanza / Aprendizaje elaborado con HESEI.

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje. ____________________________________________________________________________________________________________________

Figura 1: Ciclo de vida de un Sistema de Enseanza / Aprendizaje basado en casos.

Cmo crear un Sistema basado en Casos de Enseanza / Aprendizaje con HESEI?

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje. ____________________________________________________________________________________________________________________

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje. ____________________________________________________________________________________________________________________

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje. ____________________________________________________________________________________________________________________

Figura 5: Ventana de HESEI para seleccin de entrenadores.

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje. ____________________________________________________________________________________________________________________

n: nmero de rasgos predictores

i' ( xi (Ot , xi (O0 ))) :

i' ( xi (Ot ), xi (O0 )) = i (xi (Ot ), xi (O0 ))(1 i (O0 ) i (Ot ) )

P3: Seleccionar el el par valor i y

mayor y asignar al tpico

(valor, grado de membresa).

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje. ____________________________________________________________________________________________________________________

Figura 6: Ventana de HESEI muestra una pregunta de relacionar columnas.

El Razonamiento Basado en Casos en el mbito de la Enseanza/Aprendizaje. ____________________________________________________________________________________________________________________

You might also like