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

Vista previa del material en texto

See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/316257003
Modelo Conexionista de Representacion del Conocimiento para el Desarrollo
de la Comprensión Local de Abstract de Investigacion
Article · January 2015
CITATIONS
0
READS
390
1 author:
Some of the authors of this publication are also working on these related projects:
Personalization of pedagogical strategies in Intelligent Tutoring Systems View project
Methodological aspects for the design and implementation of Robotic Educational Toys View project
Adan Gomez
Universidad de Córdoba (Colombia)
17 PUBLICATIONS   6 CITATIONS   
SEE PROFILE
All content following this page was uploaded by Adan Gomez on 11 June 2017.
The user has requested enhancement of the downloaded file.
https://www.researchgate.net/publication/316257003_Modelo_Conexionista_de_Representacion_del_Conocimiento_para_el_Desarrollo_de_la_Comprension_Local_de_Abstract_de_Investigacion?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_2&_esc=publicationCoverPdf
https://www.researchgate.net/publication/316257003_Modelo_Conexionista_de_Representacion_del_Conocimiento_para_el_Desarrollo_de_la_Comprension_Local_de_Abstract_de_Investigacion?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_3&_esc=publicationCoverPdf
https://www.researchgate.net/project/Personalization-of-pedagogical-strategies-in-Intelligent-Tutoring-Systems?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_9&_esc=publicationCoverPdf
https://www.researchgate.net/project/Methodological-aspects-for-the-design-and-implementation-of-Robotic-Educational-Toys?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_9&_esc=publicationCoverPdf
https://www.researchgate.net/?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_1&_esc=publicationCoverPdf
https://www.researchgate.net/profile/Adan_Gomez2?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_4&_esc=publicationCoverPdf
https://www.researchgate.net/profile/Adan_Gomez2?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_5&_esc=publicationCoverPdf
https://www.researchgate.net/institution/Universidad_de_Cordoba_Colombia?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_6&_esc=publicationCoverPdf
https://www.researchgate.net/profile/Adan_Gomez2?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_7&_esc=publicationCoverPdf
https://www.researchgate.net/profile/Adan_Gomez2?enrichId=rgreq-7e6f173d9e04b07db04b4d055a459f35-XXX&enrichSource=Y292ZXJQYWdlOzMxNjI1NzAwMztBUzo1MDM5MzM1NzMxMTE4MDhAMTQ5NzE1ODUzNDkyNw%3D%3D&el=1_x_10&_esc=publicationCoverPdf
 
Modelo Conexionista de Representacion del Conocimiento para el Desarrollo de la 
Comprensión Local de Abstract de Investigacion 
 
Adán Alberto Gómez Salgado 
Grupo de investigación EdupMedia, Departamento de Informática, 
Institución Educativa Cristóbal Colón 
Universidad de Córdoba 
Montería, Colombia 
adalgos@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. 
 
 
mailto:adalgos@gmail.com
 
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 
conclusionesdel 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. 
 
 ⃗⃗ ⃗⃗ ⃗⃗ ⃗ ⃗⃗⃗⃗ , quedando entonces: (1) 
 ⃗⃗ ⃗⃗ { } , 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: 
 
 (∑ 
 
 
 ) 
 
 
(3) 
 
De lo anterior se deriva la regla de propagación generalizada para toda la capa: 
 (∑ 
 
 
 
 
 
 ) 
 
 
(4) 
 
La función para calcular la regla Delta del reajuste de los pesos viene dada por: 
 ( 
 ) (5) 
La función para calcular el error cometido en cada iteración de entrenamiento 
viene dado por: 
 ( ) (6) 
La función de activación utilizada en cada neurona de la capa es: 
 ( ) { 
 { }
 
 (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 , 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: 
 
 (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 cuatripartitade: 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): 
INICIO DE ORACIÓN
MARCADOR DE DISCURSO DE APERTURA
MARCADOR DE DISCURSO
INTRODUCCIÓN SEGUIMIENTO INICIO DE ORACIÓN
MARCADOR DE DISCURSO DE SEGUIMIENTO
MARCADOR DE DISCURSO
CIERRE INICIO DE ORACIÓN
MARCADOR DE DISCURSO DE CIERRE
INICIO DE ORACIÓN
MARCADOR DE DISCURSO
INICIACIÓN MARCADOR DE DISCURSO DE APERTURA
PREPOSICIÓN
MITAD DE PALABRAS COMUNES ESPECIALES DE METODOLOGÍA
MARCADOR DE DISCURSO
INICIO DE ORACIÓN
MARCADOR DE DISCURSO DE SEGUIMIENTO
MITAD DE PALABRAS COMUNES ESPECIALES DE METODOLOGÍA
MARCADOR DE DISCURSO
INICIO DE ORACIÓN
MARCADOR DE DISCURSO DE CIERRE
MITAD DE PALABRAS COMUNES ESPECIALES DE METODOLOGÍA
ABSTRACT INICIO DE ORACIÓN
MARCADOR DE DISCURSO
INICIACIÓN MARCADOR DE DISCURSO DE APERTURA
PREPOSICIÓN
MITAD DE PALABRAS COMUNES ESPECIALES DE RESULTADOS
MARCADOR DE DISCURSO
INICIO DE ORACIÓN
MARCADOR DE DISCURSO DE SEGUIMIENTO
MITAD DE PALABRAS COMUNES ESPECIALES DE RESULTADOS
MARCADOR DE DISCURSO
INICIO DE ORACIÓN
MARCADOR DE DISCURSO DE CIERRE
MITAD DE PALABRAS COMUNES ESPECIALES DE RESULTADOS
INICIO DE ORACIÓN
MARCADOR DE DISCURSO
INICIACIÓN MARCADOR DE DISCURSO DE APERTURA
PREPOSCIÓN
MARCADOR DE DISCURSO DE CIERRE
MARCADOR DE DISCURSO DE SEGUIMIENTO
CONCLUSIONES SEGUIMIENTO INICIO DE ORACIÓN
MARCADOR DE DISCURSO DE SEGUIMIENTO
MARCADOR DE DISCURSO
CIERRE INICIO DE ORACIÓN
MARCADOR DE DISCURSO DE CIERRE
INICIACIÓN
CIERRE
SEGUIMIENTORESULTADOS
CIERRE
SEGUIMIENTOMETODOLOGÍA
 
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 
 IDO La oración inicia en mayúsculas 
 MDAI Marcador del discurso de apertura de 
introducción 
 MD Marcador de discurso 
 MDSEG Marcador del discurso de seguimiento 
 MDCI Marcador del discurso de cierre de introducción 
 MDAM Marcador del discurso de apertura de 
metodología 
 PREPOS Preposición 
 MPCEM Mitad palabras comunes especiales para 
metodología 
 MDCM Marcador del discurso de cierre de metodología 
 MDAR Marcador del discurso de apertura de resultados 
 MPCER Mitad palabras comunes especiales para 
resultados 
 MDCR Marcador del discurso de cierre de resultados 
 MDAC Marcador del discurso de apertura de 
conclusiones 
 MDCC Marcador del discurso de cierre de conclusión 
 
De este modo se conformó el vector de características para alimentar las entradas de la 
red. 
 ⃗⃗ ⃗ { } (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 
 A INIINT 
 B SEGINT 
 C CIEINT 
 D INIMET 
 E SEGMET 
 F CIEMET 
 G INIRES 
 H SEGRES 
 I CIERES 
 J INICON 
 K SEGCON 
 L CIECON 
 
 ⃗⃗⃗⃗ { } , 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 
 INIINT Inicio de introducción 
 SEGINT Seguimiento de introducción 
 CIEINT Cierre de introducción 
 INIMET Inicio de metodología 
 SEGMET Seguimiento de metodología 
 CIEMET Cierre de metodología 
 INIRES Inicio de resultados 
 SEGRES Seguimiento de resultados 
 CIERES Cierre de resultados 
 INICON Inicio de conclusión 
 SEGCON Seguimiento de conclusión 
 CIECON Cierre de conclusión 
 
El vector de entradas que surge de la capa oculta, basado en el cuadro anterior es: 
 ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ ⃗⃗ { } (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, 
etiquetandoel 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, 
http://www.cristobalcolon.edu.co/neuronas
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 seleccionados 
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 contenidos
7. 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.
Principio heurístico
 
 
 
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]. 
1 2 3 4 5
Aspectos a Evaluar Indicadores de Evaluación 
Escala
Dominio de Aspectos 
Teóricos
Dominio de Aspectos 
Prácticos
El alumno enuncia los conceptos mostrados en el software de manera correcta
El alumno identifica características de los conceptos impartidos en el software
El alumno enuncia y enumera los pasos de los procedimientos mostrados en el software
El alumno construye representaciones a partir de los conocimientos impartidos
El alumno construye proyeccionesa partir de los conocimientos impartidos 
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 
Porcentaje
1. 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%
Principio heurístico
 
 
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 
Porcentaje
1. 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 contenidos 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%
Principio heurístico
 
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] 
Grupo Grupo
Control Experimen.
3,9 4
4 4,2
4,2 4,3
3,9 4,1
4,3 4,3
Dominio de Aspectos 
Prácticos
El alumno construye representaciones a partir de los conocimientos impartidos
El alumno construye proyecciones a partir de los conocimientos impartidos
Aspectos a Evaluar Indicadores de Evaluación 
Dominio de Aspectos 
Teóricos
El alumno enuncia los conceptos mostrados en el software de manera correcta
El alumno identifica características de los conceptos impartidos en el software
El alumno enuncia y enumera los pasos de los procedimientos mostrados en el software
 
 
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 alos 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. 
 
View publication statsView publication stats
https://www.researchgate.net/publication/316257003