Revista Iberoamericana de Tecnología en Educación y

Educación en Tecnología
versión impresa  ISSN 1851-0086  versión en línea  ISSN 1850-9959
http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1850-
99592017000200002&lang=es

Rev. iberoam. technol. educ. educ. technol. no 20 La Plata dic. 2017

ARTICULOS ORIGINALES

Perspectivas tecnológicas para la mejora de los chatbots

educativos en AIML

Fábio J. Paz 1 , Clóvis Silveira 1 , Aliane Krassmann 1 , Liane MR Tarouco 1

 Postgrado en Informática en Educación, Universidad Federal de Rio do Sul, Porto Alegre,

1

Brasil

fabiojpaz@gmail.com ,   csclovis@gmail.com ,
alkrassmann@gmail.com ,  liane@penta.ufrgs.br   

Recibido: 05/10/2017 | Aceptado: 15/12/2017

Cita sugerida : FJ Paz, C. Silveira, LMR Tarouco, “Perspectivas tecnológicas para la mejora de

los chatbots educativos en AIML”, Revista Iberoamericana de Tecnología en Educación y
Educación en Tecnología , no. 20, págs. 7-15 de 2017.

Resumen

Los agentes conversacionales o chatbots se explotan cada vez más en la educación para
brindar numerosos beneficios, como permitir que los estudiantes interactúen y se relacionen de
una manera más humana con los entornos virtuales de aprendizaje (VLE). Sin embargo, desde
la aparición del proyecto ALICE (1995) y el lenguaje AIML, han surgido pocas soluciones de
código abierto para la creación de chatbots. A pesar de su facilidad de uso, AIML tiene
limitaciones inherentes a una lógica basada en reglas. En este sentido, este artículo analiza las
posibilidades de código abierto existentes para desarrollar chatbots, presentando sugerencias
sobre formas de mejorar el uso de AIML con el uso del lenguaje de programación JavaScript y
el acceso a bases de datos externas (BD). Los resultados del estudio señalan algunas
soluciones que involucran las técnicas mencionadas,dotando al chatbot de mayores
posibilidades de búsqueda y respuestas.

Palabras llave: Chatbot; Agentes conversacionales; Banco de datos; JavaScript; AIML.

Resumen

Los agentes conversacionales o chatbots se han explotado cada vez más en la educación
porque brindan numerosos beneficios, ya que permiten a los estudiantes interactuar e informar
de manera más humana a los entornos de aprendizaje virtuales. Desde la aparición del
Proyecto ALICE (1995) y el lenguaje AIML, han surgido pocas soluciones de código abierto
para la creación de chatbots. A pesar de la facilidad de uso, AIML tiene limitaciones inherentes
a la lógica basada en reglas sobre los patrones de entrada y salida. Este artículo analiza las
posibilidades de código abierto para el desarrollo de agentes conversacionales, presentando
sugerencias de formas de mejorar el uso de AIML agregando el uso del lenguaje de
programación JavaScript y el acceso a bases de datos externas. Los resultados del estudio
apuntan a algunas soluciones a las técnicas mencionadas, proporcionando al chatbot para
tener mayores posibilidades de búsqueda y respuestas.

Palabras llave: Chatbot; Agentes conversacionales; Base de datos; JavaScript; AIML.

1. Introducción

Los agentes conversacionales (chatbots) son definidos por Abushawar y

Atwell [1] como sistemas que buscan simular una conversación mediante el
intercambio de mensajes entrantes y salientes, con miras a una comunicación
natural que puede no ser reconocida como un lenguaje artificial [2]. . Se han
utilizado durante algún tiempo en varios dominios, como el servicio al cliente y
el soporte técnico en línea [3] , pero su uso se ha expandido principalmente a
nivel educativo [4], especialmente en la educación a distancia (EAD) y los
sistemas de aprendizaje en línea ( e-learning), llegando también a entornos 3D
inmersivos [5] - [6] .

Tibola y col. [7] señalan que un estudiante de e-learning puede frustrarse si la

falta de un apoyo adecuado impide la realización exitosa de una tarea, por lo
que es recomendable brindarle algún complemento del monitor humano para
guiar, ayudar y dar retroalimentación. Los chatbots colaboran en este sentido
porque, según Jacob et al. [8] traer la provisión de información en respuestas
directas a las preguntas de los estudiantes, en forma de diálogo coherente, y
según Leonhardt et al. [9] , permiten que los alumnos se relacionen de forma
más humana con el ordenador, permaneciendo a su disposición las 24 horas
del día.

A pesar de todos los esfuerzos, estos sistemas aún presentan problemas, no

solo en su construcción, desde el punto de vista de la ingeniería de software
(por ejemplo, reutilización, extensibilidad) [10] , sino también en su desempeño
en conversaciones con usuarios como destaca Freidora [11] y Mou [12] .
Además, entre sus desafíos de desarrollo está la inserción de información en
su respectiva base de conocimiento para que tengan suficiente potencial de
diálogo.

Danilava y col. [13] aclaran que, ante conversaciones con chatbots que

requieran inversión de tiempo en detrimento de otras actividades, debe existir
una razón clara por la que un usuario decida utilizarlo, que según los autores,
puede ser proporcional a su utilidad. En este contexto, existe una importante y
necesaria mejora continua en el desarrollo de chatbots, con el objetivo de
cumplir satisfactoriamente con el requerimiento de utilidad, brindando las
respuestas más eficientes, coherentes y relevantes posibles.

Entre los chatbots el pionero fue ELIZA creado en 1966 por Weizenbaum [14] ,
donde su programación se basaba en guiones. Sin embargo, en 1995 el Dr.
Richard Wallace creó el lenguaje de marcado AIML (Lenguaje de marcado de
inteligencia artificial) que actualmente es el punto de partida para muchos
interesados en el procesamiento del lenguaje natural [15] . Funciona según
reglas: cuando una entrada encuentra una coincidencia, el chatbot realiza una
acción, como responder o abrir una página web.

Aunque existen otras soluciones para crear chatbots, AIML se usa ampliamente
debido a su facilidad de uso. Aguiar y Vitorino [16] advierten que para mejorar
su base de conocimientos es necesario ampliar el contenido cubierto o afinar el
patrón de preguntas de los usuarios, incluyendo más alternativas y
posibilidades. Sin embargo, se observa que algunos ajustes de orden técnico o
tecnológico también permiten cierto nivel de mejora de los AIML haciendo que
la interacción con ellos se acerque más al tipo de conversación que se puede
establecer con humanos ya que esta tiene un mayor valor educativo, según un
estudio comparativo presentado. por Hill et al [17] .

La investigación tiene como objetivo investigar formas de agregar mejoras en

los chatbots AIML a través de mejoras realizadas en las configuraciones de las
bases de conocimiento y en los propios sistemas. Para ello, inicialmente el
estado del arte está en el desarrollo de chatbots, verificando las principales
características y limitaciones de las soluciones de código abierto existentes. A
continuación se muestran ejemplos de algunas posibilidades prácticas de
mejora y avances en el uso de AIML.

El artículo está estructurado de la siguiente manera: en la sección 2, se

recupera el marco teórico que sustenta este trabajo, y se presenta la discusión
del estado del arte en la construcción de chatbots, trayendo una síntesis de las
soluciones; las propuestas de mejoras en un chatbot AIML se presentan en la
sección 3, donde se abordan el uso de JavaScript y el acceso a bases de datos
(DB); y finalmente, las consideraciones finales del estudio se presentan en la
sección 4.

2. Estado del arte en la creación de chatbots

ALICE (Artificial Linguistic Internet Computer Entity) es un proyecto en el

campo de la Inteligencia Artificial (IA), iniciado en la década de 1990, con un
sistema de código abierto mantenido por una comunidad activa. El sistema
consta de dos partes: la máquina conversacional y la base de conocimientos
construida utilizando el lenguaje de marcado AIML [16] .

Según Wallace [18], AIML se basa en patrones de entrada del usuario que se

comparan con los patrones descritos en su base de conocimientos,
seleccionando las mejores respuestas como salida. Según Wallace [2] , su
estructura consta de categorías, que constan de al menos dos elementos: el
“patrón” y la “plantilla”, como en el ejemplo de la Figura 1 .

Figura 1. Ejemplo de código AIML, etiqueta de patrón

Si bien la autoría en AIML es fácil, su característica apátrida , que considera
cada solicitud como una transacción independiente y no relacionada con
ninguna solicitud anterior, es decir, el lenguaje es incapaz de relacionar los
contenidos de interacciones sucesivas. Algunas etiquetas alivian el problema,
como <think> (para procesar una entrada de forma transparente) y <that> (para
redirigir la respuesta de acuerdo con la pregunta anterior) [19] , pero estas
etiquetas aún no son suficientes para formar un diálogo conectado lógicamente
que se asemeja a la conversación que se podría establecer con una persona.
También está la etiqueta <srai>, que aporta recursividad simple y reducción
simbólica [20] , ampliando las posibilidades.

Sin embargo, según McNeal y Newyear [15] , se necesita una gran cantidad de

contenido para crear un chatbot AIML convincente. Estos autores estiman que
se necesitan aproximadamente 60.000 categorías. Cada pregunta o concepto
de la base de conocimientos requiere varias categorías para corresponder a las
permutaciones de la pregunta y garantizar una respuesta adecuada o correcta.

Desde la llegada de ALICE y el lenguaje AIML, han surgido pocas soluciones

de código abierto para crear chatbots. Entre ellos cabe mencionar Word2vec,
ChatScript y Façade, que se presentan brevemente a continuación.

2.1. Word2vec - Deeplearning - Seq2Seq

Creado por un equipo de investigadores de Google, trabaja con modelos de

redes neuronales entrenados para reconstruir contextos lingüísticos de
palabras. Su entrada es un corpus de texto y su salida es un conjunto de
vectores, que son palabras posicionadas de manera que contextos comunes se
ubican cerca unas de otras en el espacio [21] .

Deeplearning implementa una forma distribuida de Word2vec para Java y

Scala, que trabaja con la Unidad de Procesamiento de Gráficos (GPU), debido
al alto grado de procesamiento requerido para su ejecución. Como las palabras
son estados discretos, buscamos probabilidades de transición entre estos
estados: la probabilidad de coexistencia. El modelo Sequence To Sequence
(Seq2Seq) introducido en esta perspectiva consta de dos RNN (Red neuronal
recurrente): un codificador y un decodificador. Su objetivo es convertir una
secuencia de símbolos en un vector de tamaño fijo que codifique solo la
información importante de la secuencia [22] . La Figura 2 muestra un estilo
conversacional Seq2Seq.
Figura 2. Modelo de conversación usando Seq2Seq

Mediante el uso de técnicas de aprendizaje automático, el modelo Seq2Se2

puede evolucionar y aprender por sí solo, lo que le permite ser considerado un
sistema inteligente.

2.2. ChatScript

Creado por el investigador Bruce Wilcox [23] , fue desarrollado en C y C ++ con

soporte JavaScript JSON (JavaScript Object Notation). Es la base del lenguaje
natural para una variedad de nuevas tecnologías [15] - [13] . Como AIML,
también funciona en base a reglas, creadas a través de un proceso
llamado secuencias de comandos de flujo de diálogo. Estos utilizan un
metalenguaje llamado " script " como su código fuente. En la Figura 3 [23] se
muestra un ejemplo de un script de ChatScript .

Figura 3 - Ejemplo de archivo de script ChatScript

Pero, según McNeal y Newyear [13] , a diferencia de AIML que encuentra la

mejor combinación de patrones para una entrada, ChatScript primero
encuentra el tema que mejor coincide, luego ejecuta una regla contenida en
ese tema, algo así como lo que la etiqueta AIML <tema> lo hace. Un diferencial
de ChatScript es que permite reducir los nombres plurales a su forma singular,
reducir los verbos a formas infinitivas, así como reducir los adjetivos y
adverbios a sus formas básicas. Se cree que tal diferencial amplía las
posibilidades de diálogo de manera bastante significativa.
Entre las ventajas presentadas por los desarrolladores de ChatScript se
encuentran el fuerte estándar de correspondencia, documentación y soporte
disponible, y el rendimiento probado en uso comercial [24] . McNeal y
Newyear [15] destacan entre los contras del software el hecho de que es un
lenguaje más difícil de aprender que el AIML, siendo deseable la experiencia
en programación para ello y la mayor dificultad de insertarlo en una página
web.

2.3. Fachada

Los investigadores y creadores de la Fachada, Andrew Stern y Michael Mateas,

desarrollaron la Fachada para ser superior a AIML en el uso del lenguaje
natural. Fue desarrollado con Jess, una extensión de Java [24] , que permite la
declaración y retracción de reglas que se disparan cuando todas las
condiciones previas coinciden [25] .

Según Wilcox [24] ya se han escrito 800 reglas del modelo Façade, que se
tradujeron en 6.800 reglas de Jess, un número pequeño para trabajar con el
procesamiento del lenguaje natural. En la Figura 4 , se muestra un ejemplo de
una regla de fachada.

Figura 4. Código para generar reglas usando Façade.

Façade es una tecnología de chat basada en inteligencia artificial que se

considera una arquitectura innovadora para respaldar el comportamiento
emocional e interactivo de los personajes y la trama gestionada por el
drama. Es un mundo virtual en 3D habitado por personajes controlados por
computadora, en el que el usuario experimenta una historia desde una
perspectiva en primera persona. [25] .

Según Stern y Mateas [26], una de las ventajas de la fachada es el

rendimiento. Debido a la necesidad de una pequeña cantidad de reglas, las
respuestas alcanzan los 300 milisegundos, generando además un excelente
desempeño en entornos complejos, como los mundos virtuales 3D.

La Tabla 1 resume las posibilidades de código abierto para construir chatbots

presentadas en esta sección en comparación con AIML.
Tabla 1. Resumen de soluciones de código abierto para crear chatbots

Como se puede observar en la Tabla 1 , aunque no permite el aprendizaje

automático y tiene menos robustez y rendimiento, AIML tiene la principal
ventaja de la facilidad de uso. Este factor la convierte en la solución más
adoptada para la creación de chatbots en el ámbito educativo, entre los que
podemos mencionar: Elektra, con un enfoque educativo para la enseñanza de
física y redes informáticas para estudiantes de cursos de especialización en
Informática en la educación [27] ; Doroty, que capacita a los usuarios hasta que
se sientan seguros para administrar redes de computadoras [27] ; y Blaze, que
se creó con el objetivo de mejorar las habilidades cognitivas de los estudiantes
a la hora de resolver problemas matemáticos [28] .

Sin embargo, como sistema basado en reglas, su evolución es muy limitada,

restringiéndose a los patrones percibidos en las preguntas de los usuarios y las
respectivas respuestas que se incluyen en la base de datos AIML. Buscando
alternativas para superar estas limitaciones, se investigaron soluciones para
incrementar las posibilidades de respuesta de los chatbots basados en AIML.

3. Propuestas para mejorar los chatbots basados en AIML

A lo largo de los años, ha surgido una variedad de intérpretes AIML que utilizan
Java, Ruby, Python, C ++, C #, Pascal y otros. Entre ellos PandoraBots que
también tiene un servicio para alojar chatbots en Internet. Según McNeal y
Newyear [15], las mejores opciones para crear un chatbot en AIML son
Program-Z y Program-O, pero actualmente solo Program AB es capaz de
interpretar la versión 2.0 de AIML. En esta investigación se instaló un chatbot
utilizando Program-O para ejemplificar los procedimientos, por ser de código
abierto y por su practicidad de uso y gran comunidad de usuarios. La Figura
5 muestra la arquitectura del sistema.

Figura 5. Arquitectura del sistema Chatbot.

En las subsecciones siguientes, se presentan soluciones que involucran

mejoras a un chatbot AIML usando JavaScript y Base de datos.

3.1. Mejoras de AIML usando JavaScript

Program-O a partir de la versión 2.6.5 permite la interpretación de JavaScript,

lo que es posible insertando las etiquetas <script> en categorías, abriendo
varias posibilidades. Por ejemplo, en una respuesta, se puede abrir una
ventana de notificación insertando el código de alerta ("ejemplo"), donde se
mostrará el texto "ejemplo" en la ventana.

JavaScript permite realizar cálculos matemáticos simples, como sumas, restas,

divisiones y multiplicaciones. En el ejemplo que se muestra en la Figura 6, es
posible ver un código que agrega dos variables asignadas por
el comodín (comodín).
Figura 6. Código para realizar cálculos matemáticos simples

Se observa en la Figura 6 que todo lo que se inserte fuera de las etiquetas

<script> debe transcribirse a HTML. Por lo tanto, reemplazamos el símbolo "<"
por "& lt" y ">" por "& gt". En el siguiente ejemplo ( Figura 7 ) es posible
devolver la fecha y hora local (sistema).

Figura 7. Ejemplo para devolver la fecha y hora del sistema local

Aguiar y Vitorino [16] plantean como mejora de los chatbots que el sistema

podría ofrecer en respuesta a una búsqueda realizada directamente en el
buscador de Google, sin necesidad de que el alumno cierre el entorno de
interacción. En este sentido, con JavaScript es posible tener cualquier término
ingresado por el usuario insertado automáticamente en un sitio de búsqueda,
abriendo una nueva pestaña del navegador ( Figura 8 ).

Figura 8. Ejemplo para devolver la fecha y hora del sistema local

Esto permite una posibilidad destacada por Leonhardt et al. [18] , para dirigir al
interlocutor al conocimiento, es decir, el chatbot lleva al alumno a direcciones
con información más relevante sobre un tema determinado.

También es posible trabajar con imágenes de forma dinámica utilizando

JavaScript. Por ejemplo, insertar un botón que le permite fusionar imágenes
que se presentan en respuesta a la entrada del usuario. En el siguiente
ejemplo, se pueden combinar imágenes de una lámpara encendida y
apagada. El código de la Figura 9 ejemplifica esta opción.

Figura 9. Ejemplo de fusión de imágenes (lámpara de encendido / apagado)

La Figura 10 muestra la interfaz Program-O para cumplir con el comando

mencionado anteriormente. Así, dentro de una misma respuesta el alumno
puede interactuar y obtener más información.

Figura 10. Imagen con botones de intercambio implementados en JavaScript

Los códigos presentados para la función de la imagen de la lámpara de encendido / apagado,

así como, el ejemplo que devuelve la fecha y hora local, el que realiza cálculos matemáticos y
el que abre una pestaña en el navegador son solo algunas sugerencias investigadas en este
estudio que abren el camino. para una diversidad de nuevas posibilidades con la inserción de
códigos JavaScript con AIML.

3.2. Mejoras de AIML usando la base de datos

Para ampliar el conjunto de información a la que puede acceder el chatbot en la
producción de una respuesta, una interesante solución pasa por utilizar bases
de datos externas (BD), permitiendo la búsqueda en otros repositorios, que
pueden contener textos, archivos multimedia, entre otra información. Esta
subsección presenta algunas posibilidades para implementar esta conexión.

La etiqueta JavaScript <script> permite acceder a BD utilizando la tecnología

AJAX (Asynchronous JavaScript And XML). Esto permite incluir en el código
secuencias de comandos para acceder a una base de datos externa. En el
siguiente ejemplo ( Figura 11 ), el script accede a una página en PHP que
solicita una base de datos MySQL.

Figura 11. Acceso a la base de datos a través de JavaScript

Sin embargo, para operar este procedimiento es necesario tener una extensión
( plugin ) en el navegador del usuario que realiza la solicitud, llamada Allow-
Control-Allow-Origin, que permite utilizar AJAX para solicitar cualquier sitio web
desde cualquier fuente. Sin embargo, instalar este complemento en el
navegador de todos los usuarios que van a utilizar el chatbot resulta caro. Para
facilitar este proceso, es posible cambiar el código Program-O para forzar una
búsqueda en la base de datos cada vez que se inserta una nueva entrada en el
chatbot y no se encuentra una respuesta en su propia base de conocimiento
(categorías AIML). Para lograr este objetivo, se creó una base de datos, como
se muestra en la Figura 12
Figura 12. Imagen de la base de datos creada

Para que esta conexión funcione, es necesario cambiar el archivo index.php

que se encuentra en la carpeta “\ Program-O-dev \ gui \ xml”, como se muestra
en el código de la Figura 13 .

Figura 13 . Código de cambio de archivo Program-O index.php

En el mismo archivo index.php, es necesario incluir un script para

desencadenar un evento para cada entrada en el sistema (escriba una frase y
presione enter). El evento respectivo solicita el archivo de conexión que
buscará en la base de datos ( Figura 14 ).

Figura 14. Script para conectarse a la base de datos

El script que se muestra en la Figura 14 funciona de la siguiente manera: se
accede a la base de conocimiento del chatbot en la primera búsqueda y, si no
encuentra la respuesta, la búsqueda se dirige a la base de datos externa. Si
aún no se encuentra la respuesta, el agente devuelve una respuesta
estándar. La Figura 15 ilustra este proceso.

Figura 15. Proceso de script que accede a la base de datos externa

También es necesario crear el archivo de conexión, que busca en la base de

datos y devuelve la respuesta a la solicitud realizada. Este archivo, llamado
bot.php en este ejemplo, debe colocarse en la carpeta raíz del servidor. El
problema clave en este proceso es la inserción de la extensión Allow-Control-
Allow-Origin directamente en el código interno de Program-O, evitando la
instalación de este complemento en los navegadores de los usuarios, como se
mencionó anteriormente. En la Figura 16 , que se ve es
la cabecera del complemento y JSON, que sirve para responder a la solicitud
está en un formato fácil de entender y más ligero que el XML.
Figura 16. Visualización del complemento y el código de encabezado JSON

A partir del código que se muestra en la Figura 16 , se permite que en el

momento en que el usuario ingrese una entrada en el sistema, verifique si esa
información está en la base de conocimiento de AIML, y si no se encuentra, la
búsqueda se realizará en la base de datos externa. , devolviendo la información
al usuario. La Figura 17 muestra el resultado del Programa: la conexión a la
base de datos ilustrada en la Figura 12 , y muestra el resultado en la interfaz
del Programa.

Figura 17. Respuesta de la base de datos externa

En la Figura 18 observamos otro ejemplo de respuesta. En este caso, a través

de la entrada “informativa”, la búsqueda realizada en la base de conocimiento
AIML del Programa-O no encontró la información, pero esta entrada
correspondió a una imagen y un enlace de texto almacenados en la base de
datos.
Figura 18. Respuesta con imagen y texto almacenados en una base de datos externa

En caso de que el usuario ingrese una entrada y no tenga un estándar

compatible ni en la base de conocimiento de AIML ni en la base de datos
externa, el proceso regresa nuevamente a la base de AIML y presenta una
respuesta estándar de Programa-O, lo que sugiere que es algo que incita al
alumno a reanudar los diálogos de los que el agente es consciente. En
la Figura 19 se muestra un ejemplo de una respuesta estándar, que puede ser
aleatoria de una lista de opciones de respuesta predefinidas.

Figura 19. Respuesta estándar del programa O

Así, responder a las preguntas de los alumnos con registros almacenados en

BD externos trae un abanico de posibilidades, como por ejemplo, acceder a
información de otros sistemas de gestión del aprendizaje, como Moodle. El
chatbot puede acceder a los datos de los estudiantes, como calificaciones,
actividades y materiales didácticos disponibles en estos entornos, lo que
permite al estudiante obtener respuestas del chatbot sobre esta información.

Conclusiones

Los chatbots y asistentes virtuales son una tendencia hoy en día, trayendo
información de una manera interactiva, rápida y conveniente. Este artículo
presentó el estado del arte en la construcción de chatbots haciendo una
síntesis de las posibilidades de código abierto disponibles para su construcción.
Aunque limitada, AIML sigue siendo la tecnología más utilizada para la
construcción de agentes conversacionales en educación por su facilidad de
uso, sin embargo se están desarrollando nuevas posibilidades con gran
potencial como Word2vec, ChatScript, Façade.
Para explorar el uso de AIML, se presentaron algunos métodos de mejora
usando JavaScript y acceso a una base de datos externa, ampliando y
permitiendo posibilidades de mejora en la conversación con chatbots. En el
caso de utilizar JavaScript, se presentaron ejemplos de cálculos matemáticos,
el retorno de la función de fecha y hora del sistema, la posibilidad de utilizar el
buscador de Google y la interacción con imágenes (lámpara on / off). En cuanto
al acceso a DB externo, se presentó la posibilidad de realizar solicitudes con
AJAX (requiriendo la instalación de un plugin) y cambiar el código fuente del
sistema (sin necesidad de plugin), ejemplificando las respuestas generadas en
el estudio respectivo.

Esta investigación contribuye a investigar algunas formas de superar las

limitaciones del AIML de manera sencilla, como el apoyo de recursos técnicos y
tecnológicos, presentando las configuraciones, códigos y scripts
necesarios para tal fin. Las soluciones presentadas tienen la capacidad de
aportar más flexibilidad en la construcción de chatbots, aprovechando las
herramientas y repositorios existentes.

Con el fin de difundir el uso de chatbots en la educación, se exploró la

posibilidad de ampliar las posibilidades de la máquina de inferencia popular
(ALICE), a través de nuevas formas de recuperar y presentar contenido
además de AIML, que le permite integrarse con los sistemas existentes.

La investigación reportada involucró el uso de la base de datos MySQL, creada

para pruebas. El trabajo futuro implicará probar las soluciones presentadas
aquí con otros sistemas de gestión de bases de datos. Esto le permitirá ampliar
el uso de su chatbot. De esta forma, pretendemos ampliar las opciones de
interoperación del chatbot para incluir la integración con bases de datos como
el entorno Moodle, obtener información sobre el desempeño y las actividades
de los estudiantes, y también permitir la integración con bibliotecas y
repositorios digitales. objetos educativos, mejorando el uso de AIML en la
construcción de chatbots para uso educativo.

Referencias

[1] B. Abu Shawar, E. Atwell, "ALICE Chatbot: Pruebas y resultados". Computación y Sistemas,

vol. 19, no. 4, págs. 625–632, 2015.

[2] R. Wallace (1995, 24 de junio), ALICE: Entidad informática de Internet lingüística artificial: La
Fundación ALICE AI. [en línea] Disponible: http://alicebot.blogspot.com.br         [  Enlaces  ]

[3] B. Abu Shawar y E. Atwell, Diferentes métricas de medidas para evaluar un sistema de
chatbot. Association for Computational Linguistics, 2007. [  Enlaces  ]

[4] J. Jacob y col. “Proceso de Creación de un Modelo de Computación Afectiva para

Chatbots”, Actas de la XXII SBIE - XVII WIE, 2011, pp. 1784-1791.

[5] A. Krassmann, et al., “Percepción inicial de los usuarios del mundo virtual: un estudio sobre
los impactos de los estilos de aprendizaje y la experiencia digital”. Fundación y Editorial
Internacional de Investigaciones Educativas. 2017, págs. 95-112.
[6] F. Sgobbi, et al., “Mundo virtual 3D e Internet de las cosas para motivar un cambio de
comportamiento saludable”. Revista Iberoamericana de Educación en Tecnología y Tecnología
en Educación. Núm. 19, 2017, págs. 7-15.

[7] L. Tibola, et al., “Laboratorio virtual para promover el compromiso y el aprendizaje

complejo”. En E-Learn: Conferencia mundial sobre e-Learning en la educación corporativa,
gubernamental, sanitaria y superior. Asociación para el Avance de la Computación en la
Educación (AACE), 2014, págs. 1933-1938.

[8] Jr. Jacob, et al., "Proceso de creación de un modelo informático afectivo para
chatbots". Actas de la XXII SBIE - XVII WIE, 2011, págs. 1784-1791.

[9] MD Leonhardt, et al., "Elektra: un Chatbot para usar en un entorno educativo". RENOTE, no

1 2003.

[10] MMN André, et al., "Iaiml: Un mecanismo para tratar la intencionalidad en aiml
Chatbots". Herramientas con Inteligencia Artificial, 18ª Conferencia Internacional IEEE
sobre. IEEE, 2006, págs. 225-231. [  Enlaces  ]

[11] LK Fryer, et al., "Estimular y mantener el interés en un curso de idiomas: una comparación
experimental de Chatbot y compañeros de tareas humanos". Las computadoras en el
comportamiento humano, 2017, págs. 461-468. [  Enlaces  ]

[12] Y. Mou y X. Kun, "La desigualdad de los medios: comparación de las interacciones
sociales iniciales humano-humano y humano-IA". Las computadoras en el comportamiento
humano, 2017, págs. 432-440. [  Enlaces  ]

[13] S. Danilava, et al., "Compañeros conversacionales artificiales un análisis de

requisitos". Actas IV Congreso Internacional sobre Agentes e Inteligencia Artificial, SciTePress,
págs. 282-289, 2012.

[14] JE Weizenbaum, “Un programa informático para el estudio de la comunicación del lenguaje
natural entre el hombre y la máquina”. Comunicaciones de la ACM, v. 9, n. 1, págs. 3644, 1966.

[15] ML McNeal y D. Newyear, "Opciones de creación de chatbot". Library Technology Reports,

49 (8), págs. 11-17 de 2013.

[16] EV B Aguiar, N. Vitorino, “Herramientas y métodos para mejorar el funcionamiento de un

agente conversacional”. Tecnologías digitales en la educación: investigación y prácticas
pedagógicas. Essentia Editora. DOI: 10.19180 / 978-85-99968-49-9.7, págs. 106-114, 2015.

[17] J. Hill et al, "Conversaciones reales con inteligencia artificial: una comparación entre las
conversaciones en línea entre humanos y humanos y las conversaciones entre humanos y
chatbot". Computadoras en el comportamiento humano. 49. DOI: 10.1016 / j.chb.2015.02.026,
págs. 245-250, 2015.

[18] R. Wallace. (2003, 28 de marzo), Elements of AIML Style. Fundación ALICE AI. [en línea]

disponible: http://www.alicebot.org/style.pdf         [  Enlaces  ]

[19] S. Ghose y JJ Barua, "Hacia la implementación de un diálogo temático específico basado

en el chatbot de lenguaje natural como asesor de pregrado". Informática, Electrónica y Visión
(ICIEV), Conferencia Internacional sobre. IEEE, 2013. [  Enlaces  ]

[20] B. Abushawar y E. Atwell, "Chatbots: ¿son realmente útiles?", LDV-Forum - Band 22 (1),
págs. 31-50, 2007.
[21] J. Patterson y A. Gibson, “Fundamentos de redes neuronales y aprendizaje profundo” en
Deeplearning. O'Reilly Media, Inc., 1005. 1 Ed., Pág. 41-80, 2017.

[22] S. Ramamoorthy. (2017, 17 de junio). Chatbots con Seq2Seq. [en

línea]. Disponible: http://suriyadeepan.github.io/2016-06-28-easy-seq2seq/           [  Enlaces  ]

[23] B. Wilcoxe. (2017, junio 02). Chatscript. Herramienta de lenguaje natural / administrador de

diálogo. [en línea]. Disponible: https://github.com/bwilcox-1234/ChatScript         [  Enlaces  ]

[24] B. Wilcox. (2017, 15 de junio). Fachada Beyonce: Coincidencia de patrones para

aplicaciones de lenguaje natural. [en línea]
disponible: http://www.gamasutra.com/view/feature/6305/beyond_fa
%C3%A7ade_pattern_matching_.php?page=1         [  Links  ]

[25] M. Mateas y A. Stern. (2002, 5 de diciembre). Arquitectura, modismos de autor y primeras

observaciones de la fachada del drama interactivo. [en línea]. Disponible: http://reports-
archive.adm.cs.cmu.edu/anon/2002/CMU-CS-02-198.pdf         [  Enlaces  ]

[26] M. Mateas y A. Stern. (2017, junio 02). Comprensión del lenguaje natural en fachada:

procesamiento de texto de superficie. [en
línea]. Disponible: http://www.interactivestory.net/papers/MateasSternTIDSE04.pdf         [  Enl
aces  ]

[27] MD Leonhardt y L. Tarouco. Aplicación del lenguaje natural a la gestión de redes

informáticas a través de Chatbot Doroty. XXV Congreso de la Sociedad Brasileña de
Computación. UNISINOS - São Leopoldo - RS, 2005.

[28] E. Aguiar, et al., "La construcción del conocimiento matemático con el compromiso y la
mejora de las habilidades cognitivas con el apoyo de un agente conversacional". RELATEC
Revista Latinoamericana de Tecnología Educativa. vol. 10, no. 2, págs. 21-35, 2011.

Información de contacto de los autores :

Fábio Josende Paz

Agentes de conversación
Universidad Federal de Rio Grande do Sul
Av. Paulo Gamo, 110 - Porto Alegre -BrasilPaís
fabiojpaz@gmail.com

Clóvis da Silveira
Agentes conversacionales
Universidad Federal de Rio Grande do Sul
Av. Paulo Gamo, 110 - Porto Alegre -BrasilPaís
csclovis@gmail.com

Aliane Krassmann
Mundos Virtuales 3D
Universidad Federal de Rio Grande do Sul
Av. Paulo Gamo, 110 - Porto Alegre -BrasilPaís
alkrassmann@gmail.com

Liane Margarida Rockenbach Tarouco

Mundos virtuales 3D
Universidad Federal de Rio Grande do Sul
Av. Paulo Gamo, 110 - Porto Alegre -BrasilPaís
liane@penta.ufrgs.br

Fábio Josende Paz

Estudiante de doctorado en Informática en la Educación (PPGIE / UFRGS), Magíster en
Maestría en Sistemas y Procesos Industriales, Especialista en Educación a Distancia, egresado
en Sistemas de Información.  

Clóvis da Silveira
Estudiante de doctorado en Informática en la Educación (PPGIE / UFRGS), Máster en
Diversidad Social e Inclusión Social (línea de investigación Inclusión Digital), Especialista en
Educación a Distancia, Licenciada en Informática.

Aliane Krassman
Estudiante de doctorado en Informática en la Educación (PPGIE / UFRGS), Máster en
Informática, Especialista en Redes de Computadoras y Licenciada en Informática.

Liane Margarida Rockenbach Tarouco

Doctora en Ingeniería Eléctrica-Sistemas Digitales, Maestría en Informática, Licenciada en
Física Profesora Titular de la Facultad de Educación de la UFRGS.