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(ST
I)

ILE

+
Computacin Afectiva
3

Estado del Arte

Nombre

Autor

Ao

Lenguaje

PROUST

Johnson &
Soloway

1985

Pascal

LISPITS

Anderson et al.

1986

LISP

ITEM/IP

Bruselosky

1992

SQLT-Web

Mitrovich

2000

SQL

ILE basado en Web. Modelo estudiante: constraint

based

ELM-ART

Bruselosky

2001

LISP

ILE basado en Web. Modelo estudiante basado en

overlay

DRSCHEME

Findler et.al

2002

Scheme

ILE basado en Web con verificador de sintaxis,

anlisis lxico, depurador.

WHAT

Lpez et. Al

Haskell

Modelo estudiante: constraint based. Determina el

tipo de ejercicio que el estudiante debe de resolver

iWeaver

Woolf

2003

Java

WBITS

Butz, Hua,
Maguire

2004

Introduccin
Programacin

The Prolog
Tutor

Hong

2004

PROLOG

JITS

Sykes, Franek

2004

Java

AutoTutor

Graesser,
Chipman, Walles,
Woolf

2005

---

Caracterstica
Sistema Experto con una base de conocimiento
que incluye bugs comunes de programacin
Modelo estudiante: Knowledge Tracing

Mini-Lenguaje Turingal ILE basado en Web, sistema adaptativo

ILE basado en Web. Maneja profile estudiante y

estilos de aprendizaje
Utiliza redes bayesianas para la toma de
decisiones y para generar secuencias de
aprendizaje
Clasifica programas que utilizan la misma tcnica
de programacin y comparten mismo patrn de
cdigo
Modelo estudiante: misconceptions
Modelo estudiante basado en el dilogo.

Estado del Arte

J-LATTE

Holland et al.

2009

Java

Modelo estudiante: constraint based

CTAT

Aleven, Mclaren
& Sewall

2009

---

JavaTutor

Michael David
Wallis

2011

Java

ILE, Web Adaptativo

Affective
AutoTutor

DMello, Lehman
& Graesser

2011

---

Estados emocionales

WayangOutpost

Cooper, Arroyo &

Woolf

2011

---

Manejo de sensores y estados emocionales

ASK-ELLE

Alex Gerdes

2012

Haskell

Gaze Tutor

DMello et.al

2012

---

Manejo de las emociones como la frustracin y el

aburrimiento

ALEKS

---

2014

---

ILE basado en Web. Modelo estudiante:

Knowledge spaces

Herramienta de autor para tutores cognitivos y

example tracing

ILE basado en Web.

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

Mdulo pedaggico
Tema 1
Mdulo 1

Curso
Java

Mdulo 2

Tema 3
Tema n

Conceptos
clave

Concepto
n

Tips de prog

Ejercicios

Error prog

Contenido

Mdulo 3

Mdulo n

21

Tema 2

Concepto
1
Concepto
2

Mdulo: contiene objetivos

Concepto: textual/imagen/multimedi
Ejercicio:
Nivel: Fcil/Normal/Difcil
Objetivo
Concepto
Feedback

Mdulo pedaggico
Mdulo 1

Curso
Java

Mdulo 2

Mdulo 3

Mdulo n

22

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.
23

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.
24