PROPUESTA DE UN SISTEMA DE ENSEÑANZA APRENDIZAJE BASADO EN LA INTERPRETACIÓN SEMÁNTICA DE LAS EMOCIONES

                        Introducción

                        “Alteración del ánimo intensa y pasajera, agradable o penosa, que va acompañada de cierta conmoción somática” (Real Academia de la Lengua, 2012). Las emociones son muy importantes al momento de explicar o interpretar el comportamiento humano pero son muy difíciles de definir. Algunos autores piensan que las emociones son respuestas corporales desarrolladas a lo largo de la evolución para sobrevivir y adaptarse; otros opinan que son estados mentales, resultado asimismo de respuestas corporales, que se hacen conscientes en el cerebro (Rubia, 2000). Desde esta última perspectiva, las emociones corresponden a sentimientos o estados afectivos experimentados o producidos internamente y que mueven a la acción.

                        Los términos afecto, emoción y estado de ánimo se pueden emplear indistintamente, pero es lógico suponer que se pueden establecer diferencias entre ellos: El afecto, es el término más general y engloba a los dos restantes, una emoción cuenta con las propiedades de una reacción física, y; el estado de ánimo tiende a ser más sutil, duradero, que da un tono positivo o negativo a las experiencias, según sea las fluctuaciones diurnas en los neurotransmisores cerebrales, biorritmos de sueño/vigilia, por tensión o infección muscular, por el tiempo soleado/lluvioso, y por una acumulación de acontecimientos agradables o desagradables (Eich, Kihlstrom, Bower, Forgas, & Niedenthal , 2000)  

                        En este trabajo se pretende identificar las emociones de forma automática, por medio del análisis de imágenes procedentes de un grupo de estudio, y de su interacción en foros y redes sociales.  Para ello, se analizará los avances existentes en la interpretación automática de las emociones, su expresión semántica y su afectación en el proceso de enseñanza aprendizaje, para luego presentar la propuesta sobre la cual se trabajará en el transcurso de esta investigación.

                        Estado del arte

                        Actualmente han cobrado relevancia las teorías que hacen notar la importancia de las emociones en el aprendizaje. McGaugh y su discípulo Larry Cahill,  indican con claridad cómo las emociones, hasta las más habituales y cotidianas, se asocian a mejor memoria y a mayor capacidad de aprendizaje (Menecier, 2010) . En efecto, la emoción y el aprendizaje están muy relacionados: Por una parte, la emoción es un medio importante para promover el aprendizaje y, por otra, influyen de una manera decisiva en el desarrollo de la afectividad  en cada alumno, por eso, los modernos enfoques cognitivos del aprendizaje han considerado a la emoción como uno de los constructos a tomar en cuenta para comprender  los procesos de aprendizaje.

                        En el proceso de aprendizaje, las emociones aparecen en los procesos de interacción y adaptación, y en ellos, surgen las emociones primordiales, propias del proceso de supervivencia del ser humano: rabia, miedo, tristeza y alegría (Herrera, 2008). Las emociones son muy importantes al momento de explicar o interpretar el comportamiento humano pero son muy difíciles de definir en un contexto computacional. Emociones como  aburrimiento, compromiso, confusión, frustración pueden ser detectadas en un proceso de enseñanza aprendizaje, analizando imágenes de vídeo, el lenguaje utilizado por el estudiante, comportamientos en la clase, etc., (Mello, y otros, 2010).

Para representar a las emociones se han desarrollado ontologías que permiten identificar su aparecimiento en el proceso de aprendizaje.  Lógicamente estas se basan (o son una mezcla) de ontologías que representan el conocimiento en interpretación del lenguaje, comportamiento humano basado en algoritmos de visión artificial, etc.  Pero, obtener soluciones que permitan tomar en cuenta aspectos de las emociones humanas, siempre se ha constituido en un problema, debido a la gran cantidad de modelos de emociones y su complejidad.  Una de las soluciones que se ha desarrollado para representar las emociones es la de representar en una ontología la descripción de las mismas, en donde  se contempla el aparecimiento de las emociones en el comportamiento humano, descrito mediante el análisis facial, de gestos y del lenguaje (Lopez, Gil, Garcia, Cearreta, & Garay, 2008). 

La asignación de etiquetas a los textos que indique si lo que expresan es positivo, negativo o neutro, forman parte de las nuevas investigaciones relacionadas a detectar las emociones en los estudiantes.  La marcación afectiva es un importante paso que tiene aplicación en diversas áreas. Por ejemplo, la marcación afectiva podrá prestar atención a las respuestas afectivas de los usuarios en la comunicación hombre-máquina y detectar cuando se encuentra frustrado para poder ayudarle. En la educación, la marcación afectiva ayudar a al sistema a detectar las emociones de sus alumnos y responder de forma diferente dependiendo del estado anímico de estos (Martin, 2008).

A través de redes neuronales, es posible clasificar las emociones humanas con una precisión del 77% (Sun , 2003).  Allí, la novedad es que en vez de empíricamente seleccionar los parámetros de la red neuronal, es decir, la tasa de aprendizaje, activación de la función parámetro, impulso número, el número de nodos en una capa, etc., se  ha  desarrollado un estrategia que puede automáticamente seleccionar relativamente mejor combinación de éstos parámetros.

Las "expresiones faciales universales" representan las emociones de alegría, tristeza, ira, miedo, sorpresa y disgusto. El estudio de las  expresiones faciales  en las diferentes culturas, incluyendo las culturas ágrafas, y encontró muchos puntos en común en la expresión y el reconocimiento de las emociones en la cara. Sin embargo, se observó  diferencias en las expresiones, así y propuso un modelo en el que el facial expresiones se rigen por reglas "pantalla" en diferentes contextos sociales. Por ejemplo, los sujetos japoneses y americanos sujetos mostraron similares expresiones faciales mientras ven una película. Sin embargo, en presencia de autoridades, los espectadores japoneses eran más reacios a mostrar sus expresiones reales y los bebés parecen exhibir una amplia gama de expresiones faciales, sin ser enseñadas, lo que sugiere que estas expresiones son innatas (Sun , 2003).

(Mase, 1991) utilizó métodos  óptica para reconocer las expresiones faciales (Lanitis, Taylor, & Cootes, 1995) utilizó el modelo de la apariencia de la imagen para la identificación de personas,  por medio del cual se obtuvo  el reconocimiento de género, y la expresión facial.  (Azcarate, Hageloh, Sande, & Valenti, 2007) se presenta un sistema de reconocimiento emociones a través de expresiones faciales que aparecen en  secuencias de vídeo. Allí, el sistema se basa en el algoritmo Piecewise B´ezier Volume Deformation tracker con el cual se obtuvo una que una buena clasificación resultados.

                        Propuesta

En esta investigación se tratará de mejorar la interpretación semántica de las emociones básicas del ser humano, con el fin de obtener emociones de alto nivel semántico.  Para ello, se pasará de emociones de bajo nivel, medio nivel y alto nivel, por lógica cada nivel emocional está conformado de su inmediato inferior, como se muestra en la siguiente figura:

Fig. 1. Niveles de las emociones en el aprendizaje  

En la figura anterior las emociones tienen distintos niveles, se parte de las emociones de bajo nivel o emociones básicas (rabia, miedo, tristeza y alegría), para luego “a través de la semántica” obtener las emociones de nivel medio (aceptación + miedo = sumisión, ira + disgusto = desprecio, alegría + aceptación = amor). (Diaz & Flores, 2001).

Las emociones de alto nivel se forman a partir de las de medio nivel y su relación con el proceso de enseñanza aprendizaje.  Es decir, una emoción de alto nivel = emociòn de nivel medio + el tema de estudio + la recomendación sobre el tema; dada la emoción; se establece el capítulo que causa tal emoción y se realiza una recomendación (que es lo que hay que hacer para no perder la emoción o para cambiarla) en el proceso de estudio.

El aparataje computacional para que la propuesta funcione requiere de algoritmos fundamentales de identificación automática de emociones.  Para ello se parte de dos fuentes: imágenes pregrabadas de los estudiantes y el análisis del texto en foros y redes sociales:

Fig. 2. Fuentes de datos para obtener emociones

En la figura anterior se observa las fuentes para obtener las emociones.   La interpretación semántica de las imágenes será automática, para ello se identificará el grupo de estudio, por medio de cámaras de video se obtendrán las imágenes y; con algoritmos de visión artificial se obtiene las expresiones faciales de las personas que conforman el grupo.  La interpretación semántica de las expresiones faciales será trabajo de las ontologías.

Para la interpretación semántica del texto, la fuente son los foros y la información proveniente de las redes sociales. Las emociones se componen con las expresiones faciales + el análisis del texto y la interpretación semántica de esa combinación.  En definitiva cada tema en el proceso de enseñanza aprendizaje tiene elementos semánticos de imágenes y texto.

Dado que se parte de imágenes pregrabadas, se necesita de un servidor que sea capaz de almacenar las imágenes y procesar los algoritmos de visión artificial.  Esos algoritmos se basan por lo general en modelos ocultos de Markov y lógica difusa (esta última ya que las emociones tienen muchos componentes en su definición).  El procesamiento de los algoritmos hacen uso de librerías conocidas: OpenCV o las que provienen de los algoritmos existentes en Matlab.  Por lógica, se supone de la existencia de una red de cámaras para obtener las imágenes, y de agentes que obtienen  de forma automática el texto de los foros y redes sociales.

La ontología a utilizarse se estructura de otras.  Las existentes FOAF, BuildingArchitecture, TimeOWL son parte fundamental de la que se construirá en el transcurso de esta investigación.  Un frontal como Protégé es fundamental, sin embargo; se utilizará Jena para procesar directamente la consultas y el uso de los razonadores, nuestro objetivo fundamental aquí, será el etiquetado automático semántico de las emociones.

Para el sistema recomendador se utilizará agentes desarrollados en JADE.  Allí se compartirá la representación de conocimiento con el lenguaje de agentes, que identifica el tema actual de aprendizaje, y obtiene recomendaciones semánticas que permiten “mejorar” o “cambiar” la reacción emocional del estudiante.

La conjunción de los elementos de la propuesta permitirán mejorar los resultados de estudio de los educandos, y al mismo tiempo retroalimentan al docente, ya que su concentración sobre las emociones, es muy poca; puesto que puede observar a algunos pocos estudiantes, pero no tienen la capacidad para “interpretar” automáticamente las emociones de todos.  No se pretende suplantar al profesor en su interpretación sensorial de sus alumnos, sino proponer un sistema de ayuda para que se pueda identificar los problemas de enseñanza – aprendizaje, basado en las expresiones emocionales de las personas que participan en el mismo.

                        Bibliografía

Azcarate, A., Hageloh, F., Sande, K., & Valenti, R. (2007). Comparison of Human and Automatic Facial Emotions and Emotion Intensity Levels Recognition . Image and Signal Processing and Analysis, 2007. ISPA 2007. , 429-434.

Diaz, J., & Flores, E. (2001). La estructura de la emociòn humana un modelo cromatico del sistema afectivo. Salud mental , 20-35.

Eich, E., Kihlstrom, J., Bower, G., Forgas, J., & Niedenthal , P. (2000). Cognición y emoción. Bilbao: Desclé de BROUWER.

Herrera, R. (05 de 11 de 2008). Las emociones básicas y su rol en el proceso de aprendizaje. Obtenido de http://www.raulherrera.cl/content/view/184907/Las-emociones-basicas-y-su-rol-en-el-proceso-de-aprendizaje.html

Lanitis, A., Taylor, C., & Cootes, T. (1995). A unified approach to coding and interpreting face images. In International Conference on Computer Vision , 368-373.

Lopez, J., Gil, R., Garcia, R., Cearreta, I., & Garay, N. (2008). Towards an ontology for describing emotions. WSKS '08 Proceedings of the 1st world summit on The Knowledge Society: Emerging Technologies and Information Systems for the Knowledge Society , 96-104.

Martin, V. (2008). Identificación automática del contenido afectivo de un texto y su papel en la representación de información. Memoria para optar por el grado de doctor, Universidad Complutencer .

Mase, K. (1991). Recognition of facial exprression from optical flow. IEICE Transactions , 3474-3483.

Mello, S., Jackson, T., Craig, S., Morgan, B., Chipman, P., White, H., y otros. (2010). AutoTutor Detects and Responds to Learners Affective and Cognitive States . CiteSeerX .

Menecier, L. (2010). La emoción crea recuerdos resistentes. Obtenido de www.inteligenciaemocional.org/ie_en_la_educacion/

Real Academia de la Lengua. (2012). Emocion.

Rubia, J. (2000). El cerebro nos engaña. Tanto saber.

Sun , Y. (2003). Neural Networks for Emotion Classification. Thesis pf master in computer science , 62.