Modelo Conexionista de Representacion del Conocimiento para el Desarrollo de la Comprensión Local de Abstract de Investigacion

Adán Alberto Gómez SalgadoGrupo de investigación EdupMedia, Departamento de Informática,

Institución Educativa Cristóbal ColónUniversidad de Córdoba

Montería, Colombiaadalgos@gmail.com

RESUMEN

El más elemental de los procesos de la comprensión lectora es el discernimiento de las proposiciones del texto. A dichas proposiciones se las considera las “unidades de significado” y son una afirmación abstracta acerca de una persona u objeto. Las unidades de significado junto al acceso léxico son considerados aspectos primordiales de la comprensión local de textos y se realizan de forma automática en la lectura fluida. El modelado computacional de estas unidades de significado es el problema tratado en la presente investigación. Para lograrlo se describe una propuesta conexionista modular para el modelado de abstracts de investigación. La validación del modelo se llevó a cabo en dos fases. Se inició con el desarrollo de un sistema ejercitador que fue evaluado por expertos y luego se realizó una prueba de tipo post-test, donde se obtuvieron resultados favorables con los estudiantes.

Palabras Claves: Comprension lectora, redes neuronales artificiales (RNA), perceptrón, Sistema conexionista modular (SCM), Inteligencia artificial.

ABSTRACT

The most basic process of reading comprehension is the understanding of the propositions of the text. To these propositions are considered "units of meaning" and are abstract statements about a person or object. The units of meaning, together with lexical access are considered micro-processes of intelligence and are performed automatically in fluent reading. The computational modeling of these units of meaning is the problem discussed in this article. In which describes a modular connectionist proposal for modeling of investigation abstracts. To validate the model have been two phases. Beginning with the development of a system exerciser that was evaluated by experts and then followed a type test pre-test post-test, where we obtained favorable results with students.

Keywords: Reading comprehension, artificial neural networks (ANN), perceptron, modular connectionist system (SCM), Artificial intelligence.

INTRODUCCIÓN

La comprensión es un componente del proceso lector, en la cual se distinguen dos niveles [1]:

El nivel más elemental es la comprensión de las proposiciones del texto. A las proposiciones se las considera las “unidades de significado” y son una afirmación abstracta acerca de una persona u objeto. La comprensión de las proposiciones se realiza a partir de la conjunción de los elementos textuales (información proporcionada por texto mismo) y de los elementos subjetivos (conocimientos previos). Este primer nivel, junto al acceso léxico son considerados aspectos primordiales de la comprensión local de textos y se realizan de forma automática en la lectura fluida y es el problema tratado en este artículo.

Por otra parte el nivel superior de la comprensión es el de la integración de la información suministrada por el texto. Consiste en ligar unas proposiciones con otras para formar una representación coherente de lo que se está leyendo como un todo. Este nivel es consciente y no automático y está considerado como un macroproceso.

El presente artículo tiene como objetivo presentar el modelado conexionista de abstracts de investigación que facilite el desarrollo de comprensión lectora local de los mismos. Para lo anterior se utilizó el enfoque de las redes neuronales artificiales debido a que su estructura ofrece ventajas con respecto a otros paradigmas con relación al problema estudiado. Para el desarrollo del modelo se siguió una metodología clásica de estudio del problema de descomposición de sus partes y enriquecimiento con revisión de material bibliográfico de actualidad. Seguido se planteó el modelo y se realizaron pruebas para validarlo.

El artículo cuenta con una estructura donde inicialmente se presentan los referentes teóricos que sustentan la propuesta. Luego se describe el modelo conexionista fundamentado en redes neuronales modulares y se realizan una serie de validaciones basadas en el diseño de un sistema ejercitador que analiza los patrones discursivos de la estructura proposicional de una serie de abstracts científicos. Finalmente se exponen las conclusiones del trabajo.

1. MARCO TEÓRICO

1.1. MODELOS CONEXIONISTAS

Según Feldman [2], El Conexionismo es un concepto amplio visto como una forma de hacer teoría a causa a una variedad de instrumentos metodológicos enfocados a la simulación de la cognición humana. Los modelos conexionistas poseen un elemento común y es que el procesamiento ocurre sobre poblaciones amplias de unidades de procesamiento muy simples (de inspiración pseudoneuronal) que interactúan entre sí mediante conexiones que las relacionan. Todas las unidades de la red vienen definidas por el nivel de activación y están expresadas cuantitativamente, así mismo toda la conexión está determinada por un valor de fuerza del peso o trazo de la conexión,

también expresado de manera cuantitativa. Cada unidad tiene como tarea única calcular la activación recibida de las unidades vecinas en base a los pesos de las conexiones que las asocian y a través de una función aplicada sobre la entrada (input), computar la salida (ouput) que envía a las unidades con las que se encuentra relacionada. La anterior interacción producirá la modificación constante de las conexiones de la red (p.e., Hinto, en prensa; Massaro, 1989; McClelland, 1988; o Smolensky, 1988, para revisiones teóricas citado en [3]).

El Conexionismo asume que la Cognición ocurre mediante la continua interacción en paralelo de tales elementos, frente al procesamiento serial protegido por los modelos clásicos de simulación de la cognición humana. Se catalogará dentro del área de la computación conocida como Redes Neuronales, o denominada como enfoque PDP (de Pararell Distributed Processing con relación al título de los volúmenes de McClelland, and de PDP group, 1986).

1.2. RED NEURONAL

Las redes de neuronas artificiales (RNA) son sistemas informáticos compuestos de múltiples unidades básicas llamadas neuronas. Las neuronas se encuentran interconectadas entre sí con el fin de producir un estímulo de salida basado en una serie de entradas que se procesan de forma automática Lo anterior se logra por medio de un algoritmo de aprendizaje utilizado para entrenar la red [4]. Es un sistema similar a la forma en que trabaja el sistema nervioso de los animales.

1.3. MODELAMIENTO CONEXIONISTA DE ABSTRACTS DE INVESTIGACION

De acuerdo a Kaplan (1994) y Bolívar (1996) citados en [5], las comunidades científicas internacionales recomiendan una estructura básica para los abstracts de investigaciones científicas conformadas por las secciones: Introducción, Metodología, Resultados y Conclusiones. Este esquema es denominado la estructura canónica cuatripartita IMRC [6]. Además distingue una estructura interna para cada una de estas secciones, comprendida por los elementos o turnos: Iniciación, Seguimiento y Cierre. Se denomina microestructura discursiva tríada ISC. Dicha triada es la unidad mínima de interacción en el texto escrito y tiene un tópico y una función dentro del mismo. De esta manera, los turnos de iniciación empiezan o reinician una idea y una posición, los de seguimiento mantienen dicha idea y postura y los turnos de cierre terminan el planteamiento y la posición expresados en el turno de iniciación. De acuerdo a estos planteamientos, un abstract de investigación que posea la estructura canónica cuatripartita IMRC y dentro de cada una de estas secciones presente la microestructura discursiva tríada ISC estará constituido ineludiblemente por doce segmentos en su estructura interna. De esta manera, se desarrolló una evolución de la representación del proceso de comprensión proposicional o el microproceso de la comprensión. Lo anterior, mediante un modelo conexionista que identifica las proposiciones que componen un abstract de investigación de este tipo.

2. MODELO CONEXIONISTA MODULAR

Esta red es un perceptrón multicapa con propagación hacia delante, basado en el modelo conexionista modular propuesto por Kipp [7], la cual procesa cada proposición que hace parte de un abstract de investigación. Estas proposiciones son seleccionadas por el usuario, de las cuales son extraídos patrones discursivos que se codifican por medio de un vector de bits específico. Lo anterior permite categorizar dichas proposiciones.  Al introducir un vector de entrada, generado por el proceso de selección del usuario dentro del abstract, se activan tantos módulos como proposiciones se hayan seleccionado. Las salidas de los módulos activos e inactivos van a una neurona selectora o neurona núcleo, la cual indica aquellos segmentos de texto que han sido elegidos por el usuario (Ver Figura 1).  

Figura 1. Modelo conexionista modular para el microproceso de comprensión

De esta forma, el sistema se encuentra determinado por doce módulos neuronales, en donde cada módulo se encuentra conformado por las siguientes capas:

a. Capa de entrada: Compuesta por los 26 bits de los patrones de entrada con su correspondiente  salida deseada. Cada vector de 26 bits corresponde a la característica o características que reúne el segmento seleccionado.

El vector de entrada está compuesto por las 14 características comunes entre los diferentes segmentos. Se agregó 12 bits de control que permiten identificar la clase de segmento a la que pertenece el patrón. Para un total de 26 bits para cada patrón de entrada.

X⃗ p=X⃗ i∪ X⃗c , quedando entonces: (1)

X⃗ p={x1 , x2 ,…, x26 }, como patrón definitivo de entrada (2)

b. Capa oculta: Compuesta por  12 neuronas  que representan  los 12 tipos de segmentos que componen a un abstract. La salida calculada  para cada neurona va definida por la siguiente regla de propagación:

y '=f (∑i=1

n

ωi x i+θ) (3)

De lo anterior se deriva la regla de propagación generalizada para toda la capa:

y '=f (∑j=1

nc−1

ω jic−1a j

c−1+uic) parai=1,2,…,nc (4)

La función para calcular la regla Delta del reajuste de los pesos viene dada por:

∆ pωj=γ (d p− y p )∗x j (5)

La función para calcular el error cometido en cada iteración de entrenamiento viene dado por:

E=(d p− y p ) (6)

La función de activación utilizada en cada neurona de la capa es:

y '=f ( y ' , φ ) {1 si y '∗φ={vd }0enotro caso

(7)

De este modo, la salida definitiva se produce al aplicarle una función discreta que depende del producto de la salida calculada por una constante φ, la cual permite transformar la salida deseada en un número entre 0 y 1.

c. Capa de salida: compuesta  por una neurona selectora  o  neurona núcleo, la cual recibe un vector de 12 bits que ha salido de la capa oculta. Se encarga de indicar, dependiendo del módulo en el que se encuentre, a que segmento de texto del abstract pertenece lo seleccionado. En esta neurona la salida final  es igual a la salida calculada. Por esto, tenemos que:

y '= y (8)

A continuación se presenta la figura 2 del módulo con las tres capas descritas. Se debe tener en cuenta que la estructura de la red está formada por doce de estos módulos, uno por cada segmento del abstract.

Figura 2. Un módulo del modelo

3. METODOLOGÍA

A continuación se describen los pasos seguidos para el análisis del problema.

3.1 PATRONES DE LA MICROESTRUCTURA DISCURSIVA TRIADA

Para la aplicación del modelo de representación (anteriormente descrito) al dominio de

conocimiento de los abstract de investigación, se decidió seguir la propuesta de García-

Calvo [3]. Para lo anterior se construyó un corpus de 185 abstracts para modelar la

estructura interaccional del texto y diseñar la estructura de los patrones discursivos.

Para esto, se tomó el formato utilizado por Blanci y Briceño [8] y se elaborararon por

cada abstract la estructura canónica cuatripartita de: introducción, método, resultados y

conclusiones, propuesta como ideal por buena parte de las organizaciones

internacionales relacionadas con la investigación [9], [10], [11]. Los 185 abstracts se

tomaron de la revista Information Research (http://informationr.net/ir/), la cual es una

publicación académica internacional de acceso libre, revisada por pares, dedicada a

hacer accesible los resultados de la investigación a través de una amplia gama de

disciplinas relacionadas con las ciencias de la información. La revista es apoyada por las

bibliotecas de la Universidad de Lund de Suecia y el consejo editorial de la Universidad

de Boras (Suecia). Se seleccionó esta revista por dos razones: su carácter libre (y de

esa forma, no incurrir en peligros de infringir violación a derechos de autor) y por la

exigencia que demuestra a los científicos que desean publicar sus manuscritos en

cuanto al respeto por la estructura cuatripartita IMRC.

Basándose en los planteamientos de [6], [12] y [13] se crearon los patrones discursivos

necesarios para la identificación de los doce segmentos que hacen parte de un abstract

de investigación. Luego se procedió a desarrollar la estructura de cada patrón en el

modelo de representación descrito en la sección anterior. De esta manera, se tomaron

los siguientes elementos como patrones que alimentan el sistema modular conexionista

(Ver Figura 3):

Figura 3. Patrones de la microestructura discursiva

3.2 ADQUISICIÓN DE LOS DATOS DE ENTRADA

Con base en los patrones de la microestructura discursiva, se creó una matriz conformada por todas las características que la componen. Así se obtuvó los doce segmentos de texto de un abstract (Ver Tabla 1).

Tabla 1. Segmentos de texto de un abstract

A INIINT Inicio de introducción

B SEGINT Seguimiento de introducción

C CIEINT Cierre de introducción

D INIMET Inicio de metodología

E SEGMET Seguimiento de metodología

F CIEMET Cierre de metodología

G INIRES Inicio de resultados

H SEGRES Seguimiento de resultados

I CIERES Cierre de resultados

J INICON Inicio de conclusión

K SEGCON Seguimiento de conclusión

L CIECON Cierre de conclusión

Se encontraron catorce características comunes entre los diferentes segmentos a los cuales se les agregó doce bits de control que permiten identificar la clase de segmento a la que pertenece el patrón. Se obtuvo un total de 26 bits para cada patrón de entrada (Ver Tabla 2).

Tabla 2. Características comunes entre los diferentes segmentos de un abstract

x1 IDO La oración inicia en mayúsculas

x2 MDAI Marcador del discurso de apertura de introducción

x3 MD Marcador de discurso

x4 MDSEG Marcador del discurso de seguimiento

x5 MDCI Marcador del discurso de cierre de introducción

x6 MDAM Marcador del discurso de apertura de metodología

x7 PREPOS Preposición

x8 MPCEM Mitad palabras comunes especiales para metodología

x9 MDCM Marcador del discurso de cierre de metodología

x10 MDAR Marcador del discurso de apertura de resultados

x11 MPCER Mitad palabras comunes especiales para resultados

x12 MDCR Marcador del discurso de cierre de resultados

x13 MDAC Marcador del discurso de apertura de conclusiones

x i14 MDCC Marcador del discurso de cierre de conclusión

De este modo se conformó el vector de características para alimentar las entradas de la red.

X⃗ i={x1 , x2 ,…, x14 } (9)

A continuación se presenta la tabla de la cual se obtiene el vector de bits de clasificación, denominado vector de bits de control (Ver Tabla 3).

Tabla 3. Segmentos de un abstract

x15 A INIINT

x16 B SEGINT

x17 C CIEINT

x18 D INIMET

x19 E SEGMET

x20 F CIEMET

x21 G INIRES

x22 H SEGRES

x23 I CIERES

x24 J INICON

x25 K SEGCON

x26 L CIECON

X⃗ c={x15 , x16 ,…, x26 }, vector patrón de control (10)

3.3 CAPA OCULTA

A continuación se detallan las posibles combinaciones del vector que surge como salida de la capa oculta y es la entrada para la capa de salida (Ver Tabla 4):

Tabla 4. Vector de salida

x1 INIINT Inicio de introducción

x2 SEGINT Seguimiento de introducción

x3 CIEINT Cierre de introducción

x4 INIMET Inicio de metodología

x5 SEGMET Seguimiento de metodología

x6 CIEMET Cierre de metodología

x7 INIRES Inicio de resultados

x8 SEGRES Seguimiento de resultados

x9 CIERES Cierre de resultados

x10 INICON Inicio de conclusión

x11 SEGCON Seguimiento de conclusión

x12 CIECON Cierre de conclusión

El vector de entradas que surge de la capa oculta, basado en el cuadro anterior es:

X⃗oculto={x1 , x2 ,… ,x12 } (11)

A continuación se presenta cada uno de los patrones de activación esperados para cada uno de los segmentos. Dado los 26 bits iniciales de entrada se han reducido a doce y con estos datos se formulan las funciones de activación necesarias para la capa de salida (Ver Figura 4).

Figura 4. Patrones de activación esperados para segmento

A continuación se presenta la matriz con la codificación en binario de cada una de las características que activa a las neuronas de la capa oculta. Depende de cuál segmento de texto dentro del abstract seleccione el usuario (Ver Figura 5).

Figura 5. Matriz en binario de cada una característica de las neuronas de la capa oculta

4. VALIDACIÓN Y PRUEBAS

Para validar el modelo se diseñó un ambiente computacional que posee una arquitectura compuesta por tres grandes módulos: IGU, Gestor de entradas y Red neuronal modular, según se puede apreciar en la Figura 6.

Figura 6. Estructura del ambiente computacional

El ambiente computacional fue denominado Neuronas 1.0 tipo cloud computing en Adobe Flex Builder 4.5. El cual se encuentra disponible en http://www.cristobalcolon.edu.co/neuronas. Presenta una entrada por sesión a dos tipos de usuario: experto y estudiante, como se aprecia en la Figura 6. En la sesión de experto permite el ingreso y almacenamiento de los abstract que son presentados al usuario estudiante. El experto presenta al sistema el abstract de investigación a ser almacenado en el Banco de textos y selecciona individualmente cada uno de los doce segmentos que lo conforman. El sistema de acuerdo a su aprendizaje, es capaz de indicarle si la selección ha sido apropiada o no. La única información que el experto le brinda al software es la longitud textual de cada segmento en ese abstract en particular, etiquetando el principio y el final del mismo. Aunque el proceso de aprendizaje del sistema permite la identificación de cada segmento de acuerdo a las características generales, es necesario brindar el rigor que permita la segmentación exacta de cada tramo en particular, tal como se señala en [14].

De esta forma, el sistema le puede presentar al usuario estudiante varios abstract de investigación de manera aleatoria (Ver Figura 7). En cada abstract de investigación el estudiante debe seleccionar los doce elementos que hacen parte de su estructura interna. Cada uno de estos elementos es pedido al usuario en forma aleatoria (Ver Figura 7). La selección de cada segmento se debe realizar en forma exacta y rigurosa ya que el sistema en su Módulo analizador, mediante técnicas de segmentación textual, convierte cada segmento del texto en un vector de catorce bits denominado Vector de características, de acuerdo a los patrones discursivos descritos anteriormente. Seguidamente, este mismo módulo, de acuerdo al etiquetado realizado por el experto, crea un segundo vector de bits llamado Vector de control. Este proceso sólo activa un bit de los doce que conforman a dicho vector. Sirve para identificar de esta forma el segmento escogido de acuerdo a las características detectadas en la selección. Luego,

este módulo envía estos dos vectores al módulo Gestor de entradas el cual los concatena en uno sólo. El nuevo vector se convierte en la capa de entrada a la Red Neuronal Modular, el cual recibe 26 bits observando el bit de control activo. De este modo se utiliza el módulo neuronal específico para ese vector en especial. Por último, la red neuronal modular presenta una salida de acuerdo a su función de transferencia. La salida indica al usuario si el segmento seleccionado es el que el sistema le ha solicitado con anterioridad. Las figura 7 y 8 presentan un ejemplo de este proceso.

Figura 7. Presentación aleatoria de un abstract de investigación

Como se puede observar en la figura 8, el sistema no sólo es capaz de responder si la selección ejecutada por el usuario es incorrecta sino que presenta aquellos módulos de la red que se activaron mediante dicha selección. Igualmente al presentar un mensaje de felicitaciones (Ver Figura 8) por seleccionar el segmento solicitado, se indica el módulo que la red activa al ser ingresada la información.

Figura 8. Mensajes de salida para la selección del segmento solicitado

4.1. JUICIO DE EXPERTOS

Una vez elaborado el ambiente computacional Neuronas 1.0 se sometió a una validación a través de la técnica del juicio del experto. Intervinieron profesionales en

diseño e implementación de software (1 candidato a doctor en ingeniería de la Universidad de Antioquia y el otro magíster en gestión de informática y telecomunicaciones de la Universidad ICESI de Cali). A partir de sus indicaciones se hicieron un conjunto de correcciones y modificaciones que dieron lugar a la segunda versión del ambiente computacional y a la segunda versión de la Prueba final.

Para el proceso de validación se utilizó el método de evaluación heurístico planteado por García y Magal [15]. Este tipo de evaluación se lleva a cabo antes de realizar las pruebas de usuarios, porque es capaz de detectar problemas graves de funcionamiento en los ambientes computacionales, que el usuario convencional no detectaría. En comparación con otras técnicas de evaluación de interpretación de las acciones de los usuarios, en la evaluación heurística no es necesaria una interpretación externa, ya que la información se encuentra contenida en los informes realizados por los evaluadores expertos. El procedimiento general del método obliga a los evaluadores seleccionados a inspeccionar los ambientes computacionales individualmente y a emitir informes por escrito. Las sesiones de evaluación duran aproximadamente entre una y dos horas por cada sección del ambiente computacional. Los evaluadores utilizan una lista de criterios siguiendo las pautas heurísticas definidas previamente, que se pueden considerarde carácter estándar o que se establecen en función de las características de la herramienta.Los criterios heurísticos elegidos para valorar los ambientes computacionales fueron los diezcriterios básicos planteados por García y Magal [15], los cuales se presentan a continuación (Ver Tabla 5):

Tabla 5. Criterios heurísticos seleccionadosPrincipio heurístico

1 Visibilidad del estado del sistema.2 Concordancia entre el lenguaje del usuario y el mundo real.3 Control del usuario.

4.1 Consistencia y aplicación de estándares: nivel técnico y formal.4.2 Consistencia y aplicación de estándares: nivel de contenidos educativos.

5. Prevención de errores.6.1 Reconocimiento más que recuerdo: adaptación al medio y al proceso.

6.2 . Reconocimiento más que recuerdo: realización de las pruebas y elaboración de contenidos7. Flexibilidad y eficacia de uso.8. Diseño atemporal y minimalista.9. Ayudas al usuario, diagnosis y recuperación frente a posibles errores.

10. Documentación informativa adicional y acceso a la ayuda del programa.

4.2. PRUEBA PILOTO

En cuanto a la medición de la confiabilidad para el ambiente computacional, se tomó en cuenta los planteamientos de Calderón [16] y se realizó una prueba piloto con la finalidad de comprobar si cumple o no con los requerimientos de la investigación. La prueba piloto fue realizada por un profesor de la asignatura Inteligencia computacional del programa curricular de Licenciatura en informática y medios audiovisuales de la Universidad de Córdoba, debidamente entrenado en el uso del software y por dos estudiantes monitores de docencia que apoyaron al profesor en la realización de la aplicación del instrumento. También se contó con la colaboración de 20 estudiantes de su asignatura.

4.2.1. Descripción de la prueba

A continuación se describen cada uno de los elementos de la prueba.

Modelo de prueba: para la implementación de la prueba piloto se tomó un modelo cuasi-experimental con dos grupos: uno de control (A) y el otro experimental (B). El primero recibió clases magitrales tradicionales sobre abstracts de investigación y la identificación de cada uno de los segmentos que lo conforman empleando como recurso el pizarrón. El segundo contó con el ambiente computacional Neuronas 1.0 como recurso para el desarrollo del microproceso de la comprensión en abstracts de investigación. Se aplicó la misma prueba final, luego de cuatro sesiones de clases a cada uno de los dos grupos.

Selección de muestras: cada grupo estuvo conformado por diez estudiantes tomados al azar del grupo de sesenta estudiantes de sexto semestre en el período II – 2011 del programa curricular de Licenciatura en informática y medios audiovisuales. Las muestras no son probabilísticas.

Hipótesis de trabajo: el empleo del software Neuronas 1.0 como apoyo en las clases de Inteligencia computacional mejora el nivel de comprensión local de la información presente en un abstract de investigación.

Variables: Empleo del ambiente computacional Neuronas 1.0 y comprensión local de conceptos. La operacionalización de estas variables se muestra en la Tabla 6, basados en el procedimiento propuesto por Calderón [14]:

Tabla 6. Operacionalización de las variables de estudio en la prueba piloto. Adaptada de Calderón [14].

Aspectos a Evaluar Indicadores de Evaluación Escala

1 2 3El alumno enuncia los conceptos mostrados en el software de manera correctaEl alumno identifica características de los conceptos impartidos en el softwareEl alumno enuncia y enumera los pasos de los procedimientos mostrados en el softwareEl alumno construye representaciones a partir de los conocimientos impartidosEl alumno construye proyecciones a partir de los conocimientos impartidos

Dominio de Aspectos Teóricos

Dominio de Aspectos Prácticos

De esta manera, se posee los elementos metodológicos necesarios para la realización de la validación, la cual consistió como se describió anteriormente en la ejecución de una valoración de expertos y una prueba piloto que se aplica al ambiente computacional con la finalidad de comprobar si cumple o no con el propósito de la investigación. Seguidamente se presentan los resultados de dicho proceso de validación.

5. RESULTADOS

Los resultados de la validación a juicio de expertos en la primera revisión del ambiente computacional presentó el siguiente informe:

Tabla 7. Resultados de la validación a juicio de expertos

Principio heurístico Porcentaje1. Visibilidad del estado del sistema. 75%2. Concordancia entre el lenguaje del usuario y el mundo real. 40%3. Control del usuario. 50%

4.1. Consistencia y aplicación de estándares: nivel técnico y formal. 30%4.2. Consistencia y aplicación de estándares: nivel de contenidos educativos. 80%

5. Prevención de errores. 35%6.1. Reconocimiento más que recuerdo: adaptación al medio y al proceso. 40%6.2. Reconocimiento más que recuerdo: realización de las pruebas y elaboración de contenidos 33%

7. Flexibilidad y eficacia de uso. 25%8. Diseño atemporal y minimalista. 25%9. Ayudas al usuario, diagnosis y recuperación frente a posibles errores. 28%

10. Documentación informativa adicional y acceso a la ayuda del programa. 28%

Como se puede observar, los aspectos que tuvieron mayor puntaje en la validación fueron Visibilidad del estado del sistema y Nivel de contenidos educativos (Ver Tabla 7). Los dos anteriores fueron los únicos aspectos que no se modificaron en el ambiente. Después de aplicar las correcciones y recomendaciones de los expertos se aplicaron nuevamente los criterios heurísticos al ambiente computacional. A continuación se presenta un resumen del informe presentado por los expertos (Ver Tabla 8):

Tabla 8. Informe presentado por los expertos después de aplicar las correcciones

Principio heurístico Porcentaje1. Visibilidad del estado del sistema. 75%2. Concordancia entre el lenguaje del usuario y el mundo real. 90%3. Control del usuario. 80%

4.1. Consistencia y aplicación de estándares: nivel técnico y formal. 90%4.2. Consistencia y aplicación de estándares: nivel de contenidos educativos. 90%

5. Prevención de errores. 85%6.1. Reconocimiento más que recuerdo: adaptación al medio y al proceso. 90%6.2. Reconocimiento más que recuerdo: realización de las pruebas y elaboración de contenido 75%

7. Flexibilidad y eficacia de uso. 85%8. Diseño atemporal y minimalista. 85%9. Ayudas al usuario, diagnosis y recuperación frente a posibles errores. 79%

10. Documentación informativa adicional y acceso a la ayuda del programa. 90%

El resultado final de la prueba a juicio de expertos resultó ser favorable, logrando valoraciones desde 75% en todos los indicadores examinados por los dos evaluadores.

Por otro lado, el informe presentado por el docente con respecto a la Prueba Piloto del Ambiente Computacional, arrojó las siguientes puntuaciones:

Tabla 9. Resultados informe de evaluación de la prueba piloto para ambientes computacionales. Adaptado de Calderón [14]

Aspectos a Evaluar Indicadores de Evaluación Grupo Grupo

Control Experimen.El alumno enuncia los conceptos mostrados en el software de manera correcta 3.9 4El alumno identifica características de los conceptos impartidos en el software 4 4.2El alumno enuncia y enumera los pasos de los procedimientos mostrados en el software 4.2 4.3El alumno construye representaciones a partir de los conocimientos impartidos 3.9 4.1El alumno construye proyecciones a partir de los conocimientos impartidos 4.3 4.3

Dominio de Aspectos Teóricos

Dominio de Aspectos Prácticos

Lo anterior nos demuestra que el ambiente computacional Neuronas 1.0 proporciona una buena confiabilidad para la consecución de los objetivos de la investigación y desarrolla procesos de comprensión local en estudiantes que leen un abstract de investigación. Aunque se presentan resultados iniciales, es preciso tener en cuenta que la

representación modular conexionista propicia altos niveles de comprensión a nivel proposicional de la información presentada en un abstract de investigación.

6. CONCLUSIONES

Con este trabajo queda demostrado que es posible modelar abstracts de investigación utilizando Redes Neuronales Modulares y facilitar de esta manera la comprensión local de estos textos. El diseño modular facilitó la gestión de la complejidad en el modelo, dado que se replicaron unidades conexionistas funcionales, las cuales al trabajar en conjunto permiten facilitar el aprendizaje de la red a un costo computacional bajo.

Un aporte de este trabajo es la reducción considerable del número de neuronas pertenecientes a la capa de entrada. Esto se logró gracias a la implementación de un vector de control en la capa de entrada, por medio del cual se pueden extender las entradas debido a la combinación de valores entre los vectores de entradas y el de control.

El ambiente computacional denominado Neuronas 1.0, desarrollado sobre el modelo conexionista modular propuesto, demostró ser funcional y adecuado a las necesidades relacionadas con el estudio y ejercitación de habilidades relacionadas con el microproceso de la comprensión lectora.

Finalmente el resultado de la prueba piloto desarrollada con una muestra de 60 estudiantes, dio como resultado que el empleo del software Neuronas 1.0, como apoyo en las clases de Inteligencia computacional, mejoró el nivel de comprensión local de la información presente en un abstract de investigación; dando validez a la hipótesis formulada.

7. REFERENCIAS

[1]. Redondo, M. (2009). Comprensión Lectora. Revista Digital Innovación y Experiencias Educativas, 1-8.

[2]. Feldman, J., & Ballard, D. (1982). Connectionist models and their properties. Cognitive Science , 205-254.

[3]. Hinton, G., & Macclelland, J. (1986). Discussion and preview. En D. Rumelhart, J. McClelland, & T. P. groups, parallel distributed processing: explorations in the microstructure cognition (págs. 318-362). massachusetts: MIT Press.

[4]. McClelland, J., & Rumelhart, D. (1986). Parallel Distributed Processing: Explorations in the microstructure of cognition. Cambridge, MA: Bradford Books.

[5]. Bolívar, A. (1999). Homogeneidad versus variedad en la estructura de los resúmenes de investigación para congresos. akademos, 121-136.

[6]. García-Calvo, J. (1999). Un estudio comparativo de los abstracts para eventos científicos en inglés y español. D.E.L.T.A, 269-288.

[7]. Kipp, M. (1998). The Neural Path to Dialogue Acts. Proceedings of the 13th European Conference on Artificial Intelligence (págs. 175-179). London: ECAI.

[8]. Blanco, C., & Briceño, Y. (2006). El discurso de la investigación educacional: Los resúmenes de las ponencias de la UCV en la ASOVAC. Boletin de Linguistica, 33-62.

[9]. Hyland, K. (2000). Disciplinary discourses. Singapore: Longman-Pearson.[10]. Day, R. (1998). How to write and publish a scientific paper. Phoenix: Oryx Press.

[11]. APA. (2001). Publication manual. Washington, DC : American Psychological Association.

[12]. Wright, J. (2007). Part-of-speech filtering in unsupervised learning to improve discourse relation recognition. British Columbia: Department of Computer Science University of British Columbia.

[13]. Tortajada, S., & Castro, M. (2006). Diferentes aproximaciones a la codificación del vocabulario en modelado de lenguaje conexionista. Actas de las IV Jornadas de Tecnologías del Habla (págs. 59-63). Valencia - España: UPV.

[14]. Kaikhah, K. (2004). Text Summarization Using Neural Networks. Texas State University: Faculty Publications-Comp. Texas.

[15]. García, J., & Magal, M. (2007). Diseño y validación de la plataforma PLEVALEX como respuesta a los retos de diseño de exámenes de idiomas para fines específicos. Revista de la Asociación Europea de Lenguas para Fines Específicos (AELFE) , 78-79.

[16]. Calderón, J. (2009). Desarrollo de un sistema computacional para el mejoramiento de la comprensión de los aspectos teóricos de Geometría Descriptiva. Energy and Technology for the Americas: Education, Innovation, Technology and Practice.