M.ª del Rosario Vazquez Aragon
Una de las aplicaciones más vinculadas habitualmente con la Inteligencia Artificial y los Sistemas Inteligentes, son los métodos de predicción y pronóstico de determinados eventos o evoluciones de los mismos en un futuro más o menos cercano. Las técnicas de Soft Computing y en particular aquellas relacionadas con la Lógica Borrosa y el razonamiento aproximado, han demostrado su adecuación para diversas aproximaciones a este fenómeno. Es habitual que los sistemas de predicción se desarrollen a partir de bases de datos, cada vez con volúmenes mayores, abstrayendo el comportamiento de los fenómenos de dichos datos y representándolo en patrones que permitan establecer modelos de estimación del comportamiento futuro de dichos fenómenos.
En este contexto de estudio y aplicación de técnicas de Soft Computing, en el marco del grupo de investigación SMILe (Soft Management of Internet and Learning), se desarrolló hace más de una década una propuesta denominada "Prototipos Deformables Borrosos", que permite establecer modelos de predicción a través de la "deformación" de patrones extraídos de conjuntos de datos y de expertos, representando dichos prototipos como conjuntos borrosos y deformándolos en base al grado de relación de la situación real estudiada con los diferentes prototipos (conjuntos borrosos).
A medida que los conjuntos de datos disponibles son cada vez más grandes, los prototipos extraídos de dichos conjuntos son cada vez más numerosos y complejos (por problemas de ruido, sobreaprendizaje), por lo que los conjuntos borrosos clásicos se muestran frecuentemente poco adecuados para reflejar este nivel de complejidad, imprecisión e incertidumbre.
Por ello, en este trabajo se propone, aplica y evalúa el uso de conjuntos borrosos basados en intervalos para mejorar la representación y uso de los Prototipos Deformables Borrosos descubiertos de grandes y complejas bases de datos, con el fin de mejorar las prestaciones de los métodos de predicción que se diseñan en base a esta técnica.
Esta mejora se implementa y evalúa en Sistemas Tutores del ámbito de la educación, encaminados a predecir el comportamiento futuro de estudiantes en base al conocimiento adquirido de grandes bases de datos sobre el comportamiento de los mismos ante la resolución de diferentes ejercicios y problemas.
© 2001-2024 Fundación Dialnet · Todos los derechos reservados