Este documento describe cómo se pueden aplicar técnicas de inteligencia artificial como redes neuronales y máquinas de vectores de soporte para predecir el rendimiento de estudiantes usando datos recopilados de un sistema gamificado para aprender Prolog. El sistema recopila datos sobre el uso y progreso de los estudiantes y los usa para entrenar modelos que predicen la probabilidad de que los estudiantes obtengan notas altas, intermedias o bajas. Estas predicciones se muestran a estudiantes y profesores para ayudar a ident

1. Aplicación de Técnicas de la IA
para el análisis de datos
Patricia Compañ Rosique
Innovación Educativa. Una visión en 360 grados
7 de junio de 2017

2. Introducción
• IA incluye muchas áreas: juegos, problemas de
percepción, robótica, predicción, minería de
datos, aprendizaje, etc.

3. Técnicas de IA
• Algoritmos genéticos
• Simulated annealing
• Redes neuronales
• Máquinas de vectores de soporte (SVM)
• Técnicas de enjambre
• Aprendizaje bayesiano
• Sistemas expertos
• Árboles de decisión, Etc.

4. Redes neuronales
• Es una técnica usada con bastante éxito en
problemas de clasificación y regresión.
• Se pueden usar en problemas de predicción,
p.e predecir el comportamiento de La Bolsa.
• Una red neuronal trata de imitar el sistema
biológico.
• Está formada por grupos de neuronas
artificiales conectadas entre sí.

5. Redes neuronales: neurona
• La neurona recibe una serie de entradas, cada una de
ellas ponderada por un peso
• La salida se obtiene aplicando una función al resultado
de la suma de multiplicar cada entrada a la neurona
por su peso correspondiente.
• Funciones habituales que se suelen aplicar para
obtener la salida son la función umbral, la función
sigmoide, la función tangente hiperbólica, etc.

6. Redes neuronales: red multicapa
• Grupos de neuronas conectadas entre sí
formando capas de tal manera que la salida de
una neurona forma parte de las entradas de una
neurona de la capa siguiente.

7. Aprendiendo
• Se necesita disponer de una serie de ejemplos o
muestras de entrenamiento de los que ya
conocemos la salida que debería dar la red.
• Introducir los ejemplos de entrenamiento en la
red y calcular la salida que da la red para cada
ejemplo. Dado que se trata de ejemplos de los
cuales se conoce la salida que debería dar, se
puede comparar la salida real obtenida por la red
con la salida que corresponde a cada ejemplo. De
esta manera se sabe si la red ha acertado o no y
se pueden ajustar los pesos de la red.

8. Identificación de una especie vegetal
Longitud
pétalo
Longitud
sépalo
Ancho
pétalo
Ancho
sépalo

9. Conjunto de datos
Conjunto de datos
Entrenamiento
Entrenamiento Validación
Test
Test

10. Máquinas de vectores de soporte
• Es una técnica que pertenece a la categoría de
los clasificadores lineales.
• Inducen hiperplanos para separar los ejemplos
de entrenamiento

11. Máquinas de vectores de soporte
• Dado un conjunto de puntos, en el que cada
uno de ellos pertenece a una de varias
categorías, el método construye un modelo
capaz de predecir a que categoría pertenece
un punto nuevo (cuya categoría
desconocemos)

12. Máquinas de vectores de soporte
• Objetivo: encontrar el hiperplano de margen
máximo

13. Ejemplo: Herramienta predictiva del
rendimiento de los estudiantes
sus correspondientes SVMs. Estas predicciones se
añaden a la base de datos de predicciones, donde se
almacenan las de las semanas anteriores. Por último,
estas predicciones se proporcionan a estudiantes y
profesores en forma de progresión estimada del
rendimiento de los estudiantes en el tiempo.
Figura 1: Arquitectura global del sistema.
4. Experimen
El sistema propues
primer cuatrimestre d
actividad en octubre d
de 2015. Como se m
estado funcionando e
para la asignatura M
aprendizaje de Lógica
clases prácticas. Habí
registrados, de los qu
en las clases de prácti
habitual.
Aunque el cuatrime
se, se imparten 13 c
sesiones realmente só
guimiento, ya que en
introducción general
forma, el sistema pr
semanas de prediccio
proporcionando la not
Como ya se ha dich
bajo es proporcionar
sobre la tendencia d
predicciones progresi
vo, el sistema produc
tivas como las de las
muestran las probab
estudiante tenga un rSVM

14. PLMan
• PLMan: sistema gamificado para aprender
Prolog
• Los alumnos deben programar, con Prolog, la
inteligencia artificial de un personaje similar a
Pac-Man que debe recorrer varios mapas
comiéndose todos los cocos y evitando a los
enemigos.
• Programado en forma de reglas: “Si ves un
enemigo a tu izquierda, muévete a la derecha”

15. PLMan

16. PLMan
• Base de datos de más de 400 mapas, organizados
en varias fases y niveles de dificultad
• En cada fase, el alumno debe resolver entre 1 y 5
mapas
• El alumno elige el nivel de dificultad, y se le
asigna un mapa aleatoriamente (dos alumnos
nunca tienen el mismo mapa)
• A mayor dificultad elegida para el mapa, se opta a
mayor nota
• Al resolver el mapa con al menos un 75% de los
cocos comidos, se desbloquea el siguiente nivel

17. Datos extraídos de PLMan
• PLMan genera una gran cantidad de datos: ¿podemos hacer
algo con ellos?
• De todos los eventos que se producen en el sistema, elegimos
datos de dos tipos (7 características):
– De uso
– De progreso del estudiante
Característica
Número de visitas al frontal
Número de mapas descargados
Número de soluciones subidas por fase
Nota media (en porcentaje) por fase
Tiempo (en segundos) para completar
cada fase
Tiempo (en segundos) para completar
cada mapa
Nivel de dificultad elegido para cada mapa

18. Análisis de los datos
• Cada semana, los datos recogidos se pasan al sistema de
predicción (ya entrenado)
• El sistema de predicción devuelve tres probabilidades
– Prob. de que el estudiante termine con una nota alta
(nota>8.05)
– Prob. de que el estudiante termine con una nota intermedia
(5.75 ≤ nota ≤ 8.05)
– Prob. de que el estudiante termine con una nota baja
(nota<5.75)
• Los resultados se muestran en forma de gráficas:
intuitivas y muy útiles para detectar problemas de
aprendizaje

19. Progression chart: Semana 4
Representación de la predicción semanalmente: muestra las
probabilidades y la clasificación final

20. Progression chart: Semana 10

21. Antes de cualquier técnica
• Características categóricas
– Convertirlas a valores numéricos. Por ejemplo
usando vectores:
{rojo, verde, azul}
(0,0,1) (0,1,0) (1,0,0)
• Escalado
– Escalar los datos para evitar que los atributos con
grandes rangos numéricos dominen a los que
tienen rangos pequeños

22. Herramientas
• Weka
• Matlab
• Neuroph (Java Neural Network Framework)
• LIBSVM (A Library for Support Vector Machines)
• R
• Etc.

23. Aplicación de Técnicas de la IA para el
análisis de datos
Innovación Educativa. Una visión en 360 grados
6 de junio de 2017