centrodeinnovacion.mintic.gov.cocentrodeinnovacion.mintic.gov.co/sites/default/files/informe...unfpa-.… ·...

Inteligencia Artificial para el Desarrollo de un Traductor de Discusiones Públicas Guiadas en

Lenguaje de los Objetivos del Desarrollo Sostenible

https://cat-sdg-aa433.firebaseapp.com/#/

EQUIPO DE TRABAJOGrupo de Investigación en Informática y Computación Cognitiva

Universidad de Córdoba.

Manuel Fernando Caro Piñeres – Director Adán Alberto Gómez SalgadoJuan Carlos Giraldo Cardozo Raul Emiro Toscano Miranda

Alexander Enrique Toscano Ricardo Ernesto Llerena García

Dalia Patricia Madera DovalJorge Luis Narváez Romero

{manuelcaro, aagomez, jgiraldo, rtoscano, atoscano, ellerenagarcia, dmaderadoval, jnarvaezromero} @correo.unicordoba.edu.co

UNIVERSIDAD DE CÓRDOBA

1

ContenidoGENERALIDADES DE LA INVESTIGACIÓN 51 Contexto de la investigación 5

1.1 Información de contacto del grupo de investigación 51.2 Entidad Beneficiaria 51.3 Necesidad de la Entidad Beneficiaria 51.4 Reto 61.5 Resumen de los Resultados 6

2 Alcance de la investigación 62.1 Enfoque del proyecto de investigación 62.2 Cambios esperados en la entidad beneficiaria 7

RESUMEN DE INVESTIGACIÓN 81. Resumen de la investigación 82. Palabras claves 93. Impacto 94. Objetivo de Investigación 9Objetivo General 9Desarrollar un traductor de discusiones públicas guiadas en lenguaje de los Objetivos de Desarrollo Sostenible (ODS) utilizando Inteligencia Artificial (IA). 9Objetivo Específico 95. Tipo de Investigación 106. Resumen de las etapas de la investigación y metodología 107. Elementos conceptuales de la investigación 128. Glosario 149. Principales logros por etapas de la investigación 1410. Principales aprendizajes 1511. Lo que sigue en el futuro 1512. Conclusiones 16

PROCESO DE INVESTIGACIÓN 191. ¿En qué consiste la Investigación? 19

1. Selección de la Tarea Cognitiva 202. Obtención de la información para describir la Tarea Cognitiva 20

2. Requerimientos funcionales 233. Requerimientos no funcionales 414. Casos de uso (describa detalladamente cada caso de uso) 415. Actividades de funcionamiento Paso a paso 426. Componentes del funcionamiento 43

2

7. Desarrollo del prototipo 43a. Arquitectura básica 45b. Diseño del servicio 45c. Diseño del backend 45d. Diseño del frontend 47

8. Validación y Pruebas 50● Implementación 53

e. Resumen de hallazgos 54f. Recomendaciones 54

● Entrega 54Proceso de Modelado Cognitivo para un Traductor de Discusiones Públicas guiadas al Lenguaje de los Objetivos de Desarrollo Sostenible 56

a. Manuales de usuario 72b. Manuales de instalación 84c. Código fuente 85

GENERALIDADES DE LA INVESTIGACIÓN

1 Contexto de la investigación 1.1 Información de contacto del grupo de investigación Universidad de Córdoba, Facultad de Educación y Ciencias Humanas, Departamento de Informática Educativa, piso 3. Correo electrónico [email protected], teléfono 3148510063.

1.2 Entidad BeneficiariaLa entidad beneficiaria es el Fondo de Población de las Naciones Unidas (UNFPA Colombia). A mediados del 2016 se creó el Grupo de Trabajo Interagencial de ODS (Objetivos de Desarrollo Sostenibles) del Sistema de Naciones Unidas en Colombia, el Fondo de Población de las Naciones Unidas – UNFPA es la agencia que ejerce la secretaría técnica del Grupo por ser agencia custodia de la meta 17.18 de los ODS. Colombia es un país de ingresos medios, pero el desarrollo está atrasado en algunas áreas rurales y entre cuatro millones de personas desarraigadas por el conflicto. La 3

fertilidad de los adolescentes es alta, aunque las tasas generales han disminuido. La tasa de mortalidad materna indica brechas en los servicios de salud. Activo en Colombia desde 1974, el UNFPA ayuda a cultivar las capacidades del estado para gestionar los problemas de población, salud reproductiva y equidad de género, incluso a través de servicios integrados para personas que se desplazan y viven en la pobreza. Alienta a las organizaciones de mujeres y jóvenes a abogar por su salud sexual y reproductiva y sus derechos reproductivos, y promueve un enfoque de ciclo de vida para la atención de salud reproductiva.

1.3 Necesidad de la Entidad BeneficiariaLa Agenda 2030 para el Desarrollo Sostenible, aprobada en septiembre de 2015 por la Asamblea General de las Naciones Unidas, establece una visión transformadora hacia la sostenibilidad económica, social y ambiental de los 193 Estados Miembros que la suscribieron y será la guía de referencia para el trabajo de la institución en pos de esta visión durante 15 años. Los Objetivos de Desarrollo Sostenible (ODS) asociados a esta Agenda, son un llamado universal a la adopción de medidas para poner fin a la pobreza, proteger el planeta y garantizar que todas las personas gocen de paz y prosperidad. Así quedó plasmado en la Agenda 2030.

"No dejar a nadie atrás" es uno de los desafíos más grandes de la Agenda 2030 y sus ODS, esto implica un modelo de participación amplio en donde confluyen la sociedad civil, el sector privado, academia y grupos poblacionales en una interacción de planeación conjunta con los Gobiernos Nacionales y locales. Para lograr esta gesta es necesario avanzar en la difusión de los ODS en todo el territorio, aunque ha habido avances importantes, queda aún mucho camino por recorrer. El problema es cómo captar el sentir de la población de una manera sistemática y veloz que permita hacer un análisis, una desagregación territorial y por grupos poblacionales en términos de los ODS. Nuestra suposición principal es que es factible desarrollar una herramienta que pueda capturar discusiones públicas guiadas en una aplicación web y móvil y analizar su contenido mediante el uso de tecnologías emergentes como Reconocimiento Automático de Voz, Aprendizaje Automático y análisis de datos, que nos ayudarán a procesar grandes cantidades de información y mejorar la planificación participativa de todas las personas en todos los niveles en torno a los ODS, sin dejar a nadie atrás. Nuestra hipótesis es: Si usamos Automatic Speech Recognition (ASR), Machine learning y analítica de datos en discusiones públicas guiadas, podemos mejorar la eficiencia en el procesamiento de grandes cantidades de información de individuos, sociedad civil, sector privado, academia y otros grupos de población y traducirlo a un lenguaje ODS en tiempo real que facilite la planificación participativa a nivel local.

1.4 RetoInteligencia Artificial para el desarrollo de un traductor de discusiones públicas guiadas en lenguaje de los Objetivos de Desarrollo Sostenible.

1.5 Resumen de los Resultados

Se diseñó una herramienta automatizada que permite plasmar en texto las opiniones y la percepción de las personas acerca de problemáticas de su comunidad, para 4

posteriormente hacer análisis de texto y poder traducir estas opiniones a metas y Objetivos de Desarrollo Sostenible (ODS) a través de la Inteligencia Artificial.

1. Se desarrolló un aplicativo web adaptativo para capturar audios de las entrevistas guiadas realizadas por UNFPA y los traslada a texto.

2. Se creó un diccionario de Palabras Claves que permite hacer la identificación entre el discurso de las entrevistas y los ODS.

3. Se logró crear el vínculo en tiempo real de una discusión pública guiada y los ODS a nivel de metas y objetivos.

4. Se lograron hacer agregaciones y desagregaciones a nivel territorial y por grupos poblacionales.

2 Alcance de la investigación2.1 Enfoque del proyecto de investigación

El diseño de este proyecto está basado en el enfoque de Investigación Descriptiva. Debido a que en este proyecto se describen las características y propiedades del desarrollo de un traductor de discusiones públicas guiadas en lenguaje de los Objetivos de Desarrollo Sostenible, sin emplear juicios de valor y en procura de altos niveles de objetividad. Dado esto, el propósito de la investigación era tener un prototipo funcional que atendiera la necesidad de UNFPA.

2.2 Cambios esperados en la entidad beneficiariaLos resultados de este proyecto de investigación buscan generar los siguientes cambios en la entidad beneficiaria:

● Ampliación de cobertura en aplicación de entrevistas: UNFPA podrá extender a nivel nacional las actividades relacionadas con la comunidad y sus opiniones en cuanto a los ODS.

● Menor tiempo en procesamiento de datos de entrevistas: UNFPA puede conocer en tiempo real, los resultados de entrevistas que se están desarrollando a nivel nacional de forma simultánea o no simultánea.

● Monitoreo de los resultados de entrevistas: Esto le permitirá a la entidad contar con herramientas de despliegue de información en tiempo real, y así realizar consultas por diversas características de la población.

● Toma de decisiones: La entidad contará con una base de datos de encuestas traducidas al lenguaje de los ODS que le permitirá mejorar la toma de decisiones relacionadas con políticas públicas a nivel nacional.

● Ampliar el abanico de posibilidades en innovación: Mayor conocimiento por parte de la entidad beneficiada acerca de la utilidad de la aplicación de inteligencia artificial en sus diferentes actividades misionales.

En consecuencia con lo anterior, se espera que el desarrollo de ésta aplicación tenga un gran impacto en una de las misiones del UNFPA Colombia, permitiendo monitorear en tiempo real la agenda 2030, es así, como se busca impulsar con esta innovación, la planificación participativa en clave de ODS.

5

RESUMEN DE INVESTIGACIÓN1. Resumen de la investigación La Agenda 2030 para el Desarrollo Sostenible, aprobada en septiembre de 2015 por la Asamblea General de las Naciones Unidas, establece una visión transformadora hacia la sostenibilidad económica, social y ambiental de los 193 Estados Miembros que la suscribieron y será la guía de referencia para el trabajo de la institución en pos de esta visión durante 15 años. Los Objetivos de Desarrollo Sostenible (ODS) asociados a esta Agenda, son un llamado universal a la adopción de medidas para poner fin a la pobreza, proteger el planeta y garantizar que todas las personas gocen de paz y prosperidad. Así quedó plasmado en la Agenda 2030.

La presente investigación aplicada, describe el desarrollo de un traductor de discusiones públicas guiadas (entrevistas) en lenguaje de los Objetivos de Desarrollo Sostenible, es decir, que permite plasmar en texto, las opiniones y la percepción de las personas acerca de problemáticas de su comunidad, para posteriormente hacer análisis de texto y poder relacionar estas opiniones con los Objetivos de Desarrollo Sostenible (ODS) y sus metas.

La Computación Cognitiva es el paradigma de computación utilizado para abordar la traducción en tiempo real del lenguaje natural al lenguaje de los Objetivos del Desarrollo Sostenible. En este sentido, se ha desarrollado una arquitectura cognitiva (conjunto de componentes esenciales de un sistema que conoce y que permite el análisis de sus cogniciones y sus conductas) con funcionalidades que permiten el procesamiento del lenguaje natural.

Como resultado se obtuvieron los siguientes productos y entregables: i) traductor del lenguaje natural al lenguaje de los ODS; ii) alimentación de una red semántica incluida en la memoria declarativa de la arquitectura metacognitiva CARINA (arquitectura metacognitiva diseñada con base en la teoría funcional del cerebro humano). Finalmente, la validación se realizó con 4 expertos y se usó como fuente 21 entrevistas pilotos, de las cuales, cuatro fueron analizadas en profundidad para la validación y afinación de los algoritmos de extracción de texto y traducción a los ODS.

2. Palabras claves Objetivos de Desarrollo Sostenible (ODS), Inteligencia Artificial, Discusiones Públicas, Machine Learning, Informática Cognitiva, Computación Cognitiva.

3. Impacto

El impacto del proyecto se presenta en términos de los siguientes aspectos:

● Ampliación de la cobertura de la recolección de información relacionada con discusiones dirigidas enfocadas a los objetivos de desarrollo sostenible.

6

● Disminución del tiempo de procesamiento de las entrevistas realizadas en lenguaje natural.

● Traducción en tiempo real del lenguaje natural al lenguaje de los objetivos del desarrollo sostenible. Esto permite tener información disponible en tiempo real de las entrevistas realizadas en todo el país.

● Ampliación de la cobertura en las regiones del país mediante el uso de aplicativo web adaptativo que permite a las comunidades apropiarse del discurso de los ODS.

4. Objetivo de Investigación

Objetivo General

Desarrollar un traductor de discusiones públicas guiadas en lenguaje de los Objetivos de Desarrollo Sostenible (ODS) utilizando Inteligencia Artificial (IA).

Objetivo Específico

1. Desarrollar una aplicativo web adaptativo que capture audios y los convierta a texto, para obtener la información proveniente de entrevistas a personas en la comunidad.

2. Generar un diccionario de Keywords que permita hacer el vínculo entre el discurso y los Objetivos de Desarrollo Sostenible (ODS) a través de Machine Learning, para alimentar la base de conocimientos de CARINA, representada en una Red Semántica.

3. Lograr un vínculo en tiempo real de una discusión pública guiada (entrevista) y los ODS a nivel de metas y objetivos, para retroalimentar al UNFPA sobre el nivel de correspondencia de la opinión pública y los ODS.

4. Realizar agregaciones y desagregaciones a nivel territorial y por grupo poblacionales, para realizar un monitoreo y análisis posterior para la toma de decisiones por parte del UNFPA.

5. Tipo de InvestigaciónInvestigación aplicada que genera prototipos.

6. Resumen de las etapas de la investigación y metodología

Antes de enunciar las etapas, es necesario aclarar términos como Tarea Cognitiva y Modelado Cognitivo. Existen tareas cognitivas desarrolladas por seres humanos que requieren un alto entrenamiento para obtener una experticia necesaria para realizarla eficientemente. Existe una creciente convicción y evidencia en el mundo científico que pueden desarrollarse agentes cognitivos que simulan la realización de tareas por medio de modelos cognitivos que son ejecutados en arquitecturas cognitivas (Pew & Mayor, 1998; Ritter, Shadbolt, Elliman, Young, Gobet & Baxter, 2003; Gluck & Pew, 2006). Un modelo cognitivo consiste básicamente en el conocimiento declarativo, (denotando hechos) así como en el conocimiento procedural (denotando reglas de razonamiento) necesarios para desarrollar una tarea cognitiva (Muller, Heuvelink & Both, 2008). Una de 7

las primeras etapas en la construcción de modelos cognitivos, es el análisis de la estructura de la tarea cognitiva (Wong, Kirschenbaum & Peters, 2010). Para este tipo de análisis se utilizan metodologías que permiten describir en un orden específico la forma como los eventos ocurren al desarrollar una tarea cognitiva, por lo que representar estas tareas como una serie de metas (Goals) y submetas (steps) proporciona una gran cantidad de beneficios al momento de traducir estos análisis de tareas en modelos cognitivos. Una de estas metodologías es NGOMS-L. La cual es una notación estructurada del lenguaje natural para representar los modelos GOMS y un procedimiento para construirlos.

A continuación se enuncias las 7 etapas que se desarrollan en la investigación:

1. Selección de la Tarea Cognitiva: En este paso, el problema se expresa en términos de la Tarea Cognitiva, usando el lenguaje natural. En esta fase se define la Tarea Cognitiva.

2. Obtención de la información para describir la Tarea Cognitiva: Este paso implica que el modelador cognitivo (experto en Informática Cognitiva) seleccione las fuentes de información necesarias para describir la Tarea Cognitiva y presente una síntesis de esta información, que puede provenir de Expertos (del dominio de conocimiento), Usuarios o de variadas Fuentes Documentales. 3. Descripción de la Tarea Cognitiva en Lenguaje Natural: En este paso, el diseñador cognitivo específica en lenguaje natural los requerimientos necesarios para resolver el problema (expresado en el paso 1 del proceso de modelado) y las funciones cognitivas utilizadas por un individuo o grupo de personas que desarrollan la Tarea Cognitiva.

4. Descripción de la Tarea Cognitiva en NGOMS: La primera versión del Modelo Cognitivo es construida en este paso utilizando el lenguaje de notación estructurada NGOMS-L.

5. Codificación del Modelo Cognitivo realizado en NGOMS-L al Lenguaje M++: En este paso, el Modelo Cognitivo se expresa en M++, un Lenguaje visual para modelar la Metacognición en agentes cognitivos.

6. Ejecución del Modelo Cognitivo ejecutable en CARINA: el Modelo Cognitivo ejecutable se importa a CARINA para que esta lo procese, ejecutando cada una de sus instrucciones. Por lo general, se presenta en un formato de archivo de intercambio de datos como .JSON

7. Prueba y mantenimiento del Modelo Cognitivo: Este paso implica la realización de pruebas que evalúan el rendimiento del modelo cognitivo, su tiempo de respuesta y el cumplimiento que este hace de los requerimientos expresados en la Tarea Cognitiva.

8

A continuación se presenta la aplicabilidad del proceso de modelado para la realización de la tarea cognitiva, denominada “Traducción al lenguaje de los ODS la respuesta dada por una persona en una discusión dirigida”:

7.1. Selección de la tarea cognitiva: La Tarea Cognitiva del mundo real a modelar es la traducción al lenguaje de los Objetivos de Desarrollo Sostenible (ODS) de una respuesta dada por una persona en una discusión dirigida a nivel individual.

7.2. Obtención de la información para describir la Tarea Cognitiva: La información que ayuda a describir la tarea cognitiva de la traducción al lenguaje de los ODS la respuesta dada por una persona en una discusión dirigida a nivel individual se obtuvo a través de dos Expertos del Fondo de Población de las Naciones Unidas (UNFPA). La síntesis de la información suministrada por los expertos se describe en la tabla 1.

Tabla 1. Síntesis de la información proveniente de expertos para la tarea cognitiva: análisis sintáctico de oraciones

Expertos XÁrea del Conocimiento Economista Número de Expertos 1 Funcionario

Síntesis de la descripción de la Tarea Cognitiva

Los objetivos de desarrollo sostenible (ODS) se agrupan en 17 objetivos, cada uno de las cuales contiene una o varias metas. Las metas incluyen varios indicadores.

La categorías son: Fin de la Pobreza, Hambre Cero, Salud y Bienestar, Educación de Calidad, Igualdad de Género, Agua Limpia y Saneamiento, Energía asequible y no Contaminante, Trabajo Decente y Crecimiento Económico, Industria Innovación E Infraestructura, Reducción de las Desigualdades, Ciudades y Comunidades Sostenibles, Producción y Consumo Responsable, Acción por el Clima, Vida Submarina, Vida de Ecosistemas Terrestres, Paz, Justicia e Instituciones Sólidas y Alianzas para lograr los objetivos.

Un usuario al responder unas preguntas específicas proporcionará su opinión acerca de las mismas, la cual será clasificada en uno o varios Objetivos de Desarrollo Sostenible

9

7. Elementos conceptuales de la investigación

La Informática Cognitiva: La informática cognitiva es un área de investigación multidisciplinar de las ciencias de la computación que investiga los métodos de procesamiento de información del cerebro y de la inteligencia natural y sus aplicaciones ingenieriles en la computación cognitiva.Experiencia científica en Informática Cognitiva:

● Caro, Manuel F., Darsana P. Josyula, and Jovani A. Jiménez. "A Formal Model for Metacognitive Reasoning in Intelligent Systems." International Journal of Cognitive Informatics and Natural Intelligence (IJCINI) 8.3 (2014): 70-86.

● Caro, Manuel F., et al. "Design and validation of a metamodel for metacognition support in artificial intelligent systems." Biologically Inspired Cognitive Architectures 9 (2014): 82-104.

● Caro, M., D. Josyula, and J. Jimenez. "Metamemory for information retrieval from long-term memory in artificial cognitive systems." Annual Conference on Advances in Cognitive Systems: Workshop on Metacognition in Situated Agents. 2013.

● Caro Pineres, Manuel Fernando, and Jovani Alberto Jimenez Builes. "Analysis of models and metacognitive architectures in intelligent systems." Dyna 80.180 (2013): 50-59.

● Caro, Manuel Fernando, Jovani Alberto Jiménez, and Alberto Manuel Paternina. "Architectural modeling of metamemory judgment in case-based reasoning systems." Informática (CLEI), 2012 XXXVIII Conferencia Latinoamericana En. IEEE, 2012.

La Computación Cognitiva: En el contexto de la Inteligencia artificial, la computación cognitiva es un paradigma de computación basado en la informática cognitiva que busca diseñar sistemas computacionales que simulan o aumentan los métodos internos de procesamiento de información del cerebro y de la inteligencia natural.Experiencia científica en Computación Cognitiva. A continuación se presenta un listado seleccionado de producción científica en temas relacionados con la convocatoria, como por ejemplo el análisis de texto usando cognitive machine learning, modelos de comprensión lectora y modelado de funciones auditivas en agentes cognitivos.

● Gómez A. Adán, Caro, Manuel F., and Jovani A. Jiménez. "Modelado de los Niveles de Macroproceso de la Comprensión Lectora Utilizando Redes Neuronales." 2011.

● Gómez A. Adán, Caro, Manuel F., and Jovani A. Jiménez. Modelo Conexionista de Representación del Conocimiento para el Desarrollo de la Comprensión Local de Abstract de Investigación. En: XIV ENCUENTRO INTERNACIONAL VIRTUAL EDUCA COLOMBIA 2013, MEDELLÍN - Plaza Mayor. 2013.

● Caro, Manuel F., et al. "MetaThink: A MOF-based metacognitive modeling tool." Cognitive Informatics & Cognitive Computing (ICCI* CC), 2016 IEEE 15th International Conference on. IEEE, 2016.

10

● Caro, Manuel F., et al. "A domain-specific visual language for modeling metacognition in intelligent systems." Biologically Inspired Cognitive Architectures 13 (2015): 75-90.

● Gómez, Adán. Sistema Robótico de Reconocimiento Gestual - Auditivo para el Aprendizaje de Conocimiento Numérico con estudiantes de Nivel Preescolar. Universidad de Córdoba. 2016

● Caro, Manuel F., Darsana P. Josyula, and Jovani A. Jiménez. "Multi-level pedagogical model for the personalization of pedagogical strategies in intelligent tutoring systems." Dyna 82.194 (2015): 185-193.

● Perlis, Don, et al. "A broad vision for intelligent behavior: Perpetual real-world cognitive agents." 2013 Annual Conference on Advances in Cognitive Systems: Workshop on Metacognition in Situated Agents. 2013.

● Toscano Miranda, Raul Emiro; Caro Piñeres, Manuel; Jiménez Builes, Jovani Alberto. "Una arquitectura integrada para el modelado de sistemas informáticos de gestión del conocimiento en investigación formativa". En: Colombia Avances En Sistemas E Informática ISSN: 1657-7663 ed: Universidad Nacional De Colombia Sede Medellín. v.8 fasc.3 p.68 - 78 ,2011

8. Glosario

Objetivos de Desarrollo Sostenible (ODS): también conocidos como Objetivos Mundiales, son un llamado universal a la adopción de medidas para poner fin a la pobreza, proteger el planeta y garantizar que todas las personas gocen de paz y prosperidad.

CARINA: Es una arquitectura metacognitiva diseñada con base en la teoría funcional del cerebro humano, en el marco de la ciencia cognitiva.

La computación cognitiva es un paradigma de computación basado en la informática cognitiva que busca diseñar sistemas computacionales que simulan o aumentan los métodos internos de procesamiento de información del cerebro y de la inteligencia natural.

El modelado cognitivo es un área de la informática que se enfoca en simular tareas mentales y el proceso de resolución de problemas en seres humanos en un modelo computarizado y ejecutable. Como resultado del proceso de modelado se genera un modelo cognitivo de la tarea o proceso analizado que puede ser ejecutado en un sistema computacional.

Un modelo cognitivo es una aproximación a los procesos cognitivos animales (predominantemente humanos) con fines de comprensión y predicción. Los modelos cognitivos pueden desarrollarse dentro de una arquitectura cognitiva.

Una arquitectura cognitiva es un sistema de control de propósito general inspirado en teorías científicas desarrolladas para explicar la cognición en animales y humanos. Las arquitecturas cognitivas se han utilizado para crear modelos cognitivos de una variedad de sistemas inteligentes.11

Una red semántica es una forma de representación del conocimiento lingüístico en la que los conceptos y sus interrelaciones se representan mediante un grafo.

Un Belief es la unidad mínima de información declarativa, que se almacena en la memoria semántica de CARINA. Los beliefs forman redes de conocimientos a través de relaciones semánticas.

9. Principales logros por etapas de la investigación

En la sección de “Resumen de las etapas de la investigación y metodología” se describieron las siguientes: 1. Selección de la Tarea Cognitiva, 2. Obtención de la información para describir la Tarea Cognitiva, 3. Descripción de la Tarea Cognitiva en Lenguaje Natural, 4. Descripción de la Tarea Cognitiva en GOMS, 5. Codificación del Modelo Cognitivo realizado en NGOMS-L al Lenguaje M++, 6. Ejecución del Modelo Cognitivo ejecutable en CARINA y 7. Prueba y mantenimiento del Modelo Cognitivo. Derivado de éstas etapas se obtuvieron los siguientes logros:

1. Desarrollo de un prototipo funcional de un agente cognitivo que sirve como traductor de discusiones públicas guiadas en lenguaje de los Objetivos de Desarrollo Sostenible.

2. Consolidación y uso de la primera versión funcional de una arquitectura propia desarrollada en Colombia que permite ejecutar agentes cognitivos.

10. Principales aprendizajes

Las tecnologías de Arquitecturas Cognitivas permiten desarrollar soluciones a problemas del sector público, mediante el modelado de mecanismos internos de procesamiento de información del cerebro o la inteligencia natural. Los agentes cognitivos pueden ser una alternativa viable a la solución de problemas relacionados con el traductor de discusiones públicas guiadas en lenguaje de los Objetivos de Desarrollo Sostenible.Se pudo evidenciar la potencialidad que tiene la herramienta automatizada de "automatic speech recognition" que permite plasmar en texto las opiniones y sentir de la gente para posteriormente hacer análisis de texto y poder traducir estas opiniones a metas y Objetivos de Desarrollo Sostenible (ODS) a través de técnicas como el "machine learning" y otras en tiempo real.Es posible realizar trabajos de investigación que respondan a necesidades del sector público a nivel nacional, por parte de grupos de investigación de Universidades Públicas de ciudades intermedias, como es el caso de la Universidad de Córdoba.

11. Lo que sigue en el futuro

Se desea continuar con un Proceso de mejora y complementación del aplicativo web adaptativo para el monitoreo en tiempo real sobre Objetivos del Desarrollo Sostenible. Este proceso comprenderá la optimización de la aplicación móvil desde los siguientes aspectos: Red semántica (forma de representación del conocimiento; al mejorar la Red semántica que tiene la arquitectura CARINA, mejores serán los resultados), Diseño y 12

desarrollo, Comunicación, Marketing y Alianzas, Analítica de datos, Visualización y Contexto de Usuario. El trabajo en los aspectos antes mencionados permitirá el desarrollo de los siguientes productos:

1. Al menos un (1) Algoritmo de ampliación semántica optimizado para abarcar mayores relaciones semánticas de los términos usados por los usuarios en las entrevistas, para mejorar los resultados actuales con las relaciones con los ODS; con el debido acompañamiento técnico de UNFPA.

2. Interfaz gráfica de la aplicación fortalecida y mejorada con elementos gráficos de librerías especializadas, de acuerdo al modelo presentado por UNFPA.

3. Cien (100) pruebas de discusiones guiadas (entrevistas) y su respectiva traducción al lenguaje de los ODS, para depurar la aplicación y mejorar su funcionalidad.

4. Creación de un sistema de exportación de resultados en formatos CSV y JSON de acuerdo a estructura definida por UNFPA. Esto con el fin de que el UNFPA pueda usar dichos datos para su análisis y visualización en cualquier otra herramienta para dicho fin.

5. Una (1) Red semántica robustecida a través de acciones de depurar, clasificar y mejorar el listado de palabras claves en los 17 ODS - En conjunto con UNFPA. Los resultados de la aplicación dependen de la Red semántica que se ha alimentado en la arquitectura CARINA.

6. Un (1) proceso de alimentación automática de la red semántica ajustado.7. Un (1) documento instructivo para la edición en línea de Beliefs. Un Belief es la

unidad mínima de información declarativa, que se almacena en la memoria semántica de CARINA. Los beliefs forman redes de conocimientos a través de relaciones semánticas. Los Beliefs son las creencias para la arquitectura cognitiva CARINA. Esta herramienta estaría diseñada para los expertos en computación cognitiva de la Universidad de Córdoba y UNFPA sobre el dominio de los Objetivos de Desarrollo Sostenible (ODS).

12. Conclusiones

El presente informe muestra las potencialidades de la inteligencia artificial que permite plasmar en texto las opiniones y la percepción de las personas acerca de problemáticas de su comunidad, para posteriormente hacer análisis de texto y poder traducir estas opiniones a metas y Objetivos de Desarrollo Sostenible (ODS). De acuerdo a ello, se relevante mencionar la importancia del uso de investigaciones anteriores del grupo de investigación en cuanto a la metodología de modelado cognitivo para la arquitectura metacognitiva CARINA propuesta por Olier, Caro & Gómez (2018). Además, se diseñó un sistema de visualización en 2D, para identificar el nivel de profundidad que tienen las relaciones entre los ODS, las metas y los términos claves; indicando de esta forma las relaciones de manera clara y directa. Este sistema permite monitorear de manera fácil y rápida el avance en el desarrollo de la construcción de la red semántica especializada para el dominio de los ODS. Con base a esto, el sistema CARINA está basado en algoritmos de Inteligencia Artificial que permiten establecer las relaciones de manera eficiente y articulada entre las entrevistas que hacen los usuarios y los ODS, adicionalmente se hace un ajuste del algoritmo denominado “ampliación semántica”, este permite ampliar las relaciones conceptuales entre los términos utilizados por los usuarios con términos más formales utilizados por expertos en relación con los ODS. En este sentido el algoritmo optimizado con una ampliación semántica permite, no sólo la identificación de esas rutas de enlace entre las palabras y los ODS, 13

sino que también, permite determinar la ocurrencia de los términos en relación con las metas parciales y los ODS en total. Luego de hacer el cálculo en términos de porcentajes, el usuario puede observar qué tanto se relaciona la entrevista con los ODS. Finalmente se desarrolló una interfaz gráfica en la que el usuario puede trabajar e interactuar, este prototipo web es denominado SIRIO-ODS. SIRIO-ODS es una interfaz desarrollada con tecnología de punta que permite una retroalimentación inmediata (feedback) en tiempo real de las indicaciones que da el usuario durante la entrevista y la manera en cómo pueden ser analizadas por el algoritmo aprovechando la alimentación de la red semántica y devolviendo los porcentajes y la relación con las palabras de acuerdo a lo que expresó el usuario en la entrevista de manera inmediata con respecto a los ODS.

El desarrollo de ésta aplicación tiene un gran impacto en una de las misiones del UNFPA Colombia, permitiendo monitorear en tiempo real la agenda 2030, es así, como se busca impulsar con esta innovación, la planificación participativa en clave de ODS. Cabe mencionar, que esta investigación aporta en lo que el grupo de trabajo UNFPA Colombia definió, como una serie de acciones a desarrollar a lo largo del tiempo, focalizadas en cuatro grandes áreas: datos y reducción de brechas, fomento de las estadísticas territoriales para los ODS, divulgación y socialización de las acciones para generar una mayor conciencia en la sociedad y en las personas sobre los temas del desarrollo sostenible y promoción de Alianzas con los diferentes sectores de entidades, sociedad civil, academia, centro y universidades. En términos del objetivo principal del proyecto de investigación, se considera que se ha logrado establecer con claridad y a través de un prototipo funcional, los algoritmos de Inteligencia Artificial. Estos algoritmos se han basado en inteligencia cognitiva, es decir, en informática y computación cognitiva y se observó que realmente son efectivos y eficaces para el desarrollo de tareas similares, especialmente la tarea de identificar la relación del discurso del usuario con relación a los Objetivos de Desarrollo Sostenible. Desde el punto de vista de la experiencia realizada en relación con los equipos de trabajo de la Universidad de Córdoba, del Ministerio de las TIC y del Fondo de Población de las Naciones Unidas - UNFPA, se puede decir que se ha generado unos vínculos de trabajo adecuados que han permitido una fluidez en el trabajo y han permitido llevar más allá de las metas establecidas y del cronograma de objetivos planteados, a conseguir objetivos que permiten vislumbrar futuros proyectos y trabajos que pueden desarrollarse de manera conjunta entre las diferentes entidades. Este ejercicio de trabajo colaborativo dio sus frutos, donde cada uno de los protagonistas aportó elementos valiosos a la construcción de un equipo de trabajo interdisciplinario e interinstitucional que permitió el desarrollo de una herramienta realmente a un nivel importante que permite identificar claramente posibilidades de implementación a mediano plazo como una herramienta innovadora que utiliza las tecnologías de la Inteligencia Artificial y que de una manera innovadora puede generar efectos positivos en la planeación de alcaldías, gobernaciones e incluso del país mismo, de igual forma, se puede extender a otros países para permitir identificar las prioridades que la comunidades hayan identificado alrededor de los Objetivos de Desarrollo Sostenible. La ganancia adquirida entre los equipos de trabajo, ha generado un valor agregado importante en la experticia de los grupos conformados para el desarrollo de investigaciones, productos y servicios futuros en este ámbito.

14

Desde el punto de vista del uso de las tecnologías, especialmente de la Inteligencia Artificial y en particular de la Informática y la Computación Cognitiva, podemos decir que Colombia se encuentra a la vanguardia mundial del uso y aplicación de estas tecnologías en el sector público, a través de iniciativas propias que han desarrollado entidades del país y que pueden compararse claramente con los desarrollos de investigaciones de laboratorios especializados a nivel mundial de primer nivel. Lo que ubica a este trabajo y los productos entregados, como productos pioneros en la línea de la Inteligencia Artificial, la Informática y la Computación Cognitiva. Para la universidad de Córdoba ha sido importantísimo y fundamental la confianza del Ministerio las Tecnologías de la Información y Comunicación, en un equipo de trabajo que se ha conformado con las cualidades adecuadas para abordar tareas tan exigentes como las de la creación de productos innovadores que no tienen precedentes a nivel nacional e internacional, alrededor de problemas reales concretos en entidades públicas y que permitirá abrir el espacio para la aplicación y uso de tecnologías relacionadas con la Inteligencia Artificial y en particular de la Informática y la Computación Cognitiva. Es importante mencionar que se ha hecho uso de tecnologías de punta, con herramientas, lenguajes de programación y sistemas de información de vanguardia, que utilizan los últimos estándares de la industria en Internet y que abordan paradigmas modernos y contemporáneos que empiezan a ser de suma importancia en el desarrollo de las aplicaciones web a nivel mundial. Esto ha sido un reto trascendental que se ha logrado abordar de manera efectiva en el tiempo previsto, lo que ubica a estos desarrollos en un nivel importante de desarrollo tecnológico en el país, utilizando tecnologías que en el futuro próximo serán las tecnologías más importantes en el desarrollo de aplicaciones de esta naturaleza a nivel mundial. El apoyo decidido de parte del Fondo de Población de las Naciones Unidas de Colombia ha sido fundamental para el éxito de este desarrollo, su compromiso con la tarea propuesta, la disposición para presentar de manera clara y oportuna cada una de las necesidades y los principios fundamentales que determinaron esas necesidades, ha sido fundamental para poder iniciar un proceso con éxito. Las interacciones presenciales permitieron estructurar la necesidad y definir los objetivos concretos de desarrollo, y así mismo, su acompañamiento permanente desde el punto de vista técnico-experto de Objetivos de Desarrollo Sostenible, y su compromiso con la búsqueda de información a nivel mundial de vanguardia relacionado con este tema, permitió generar una dinámica importante para la construcción de un sistema de información moderno y adecuado a las necesidades reales de la organización que identificó el problema, lo estructuró y acompañó durante su diseño y desarrollo. La universidad de Córdoba, como universidad de provincia, ha tenido la oportunidad de participar en esta convocatoria y demostrar la capacidad de entrega y desarrollo de sus miembros, se encuentra satisfecha por la labor realizada por sus docentes investigadores y egresados.

15

PROCESO DE INVESTIGACIÓN1. ¿En qué consiste la Investigación?

Este es un proyecto de investigación aplicada que consiste en desarrollar un aplicativo web adaptativo para la traducción de discusiones públicas guiadas en lenguaje de los Objetivos de Desarrollo Sostenible (ODS) y el monitoreo en tiempo real. Este aplicativo se está basado en los siguientes algoritmos: i) un algoritmo para la alimentación de la Memoria Semántica de la arquitectura cognitiva CARINA, ii) un algoritmo de Reconocimiento Automático de Discurso (ASR) que captura audio y los convierta a texto; y iii) un algoritmo para el procesamiento del discurso y análisis a través de la Red Semántica, el cual permite establecer un vínculo en tiempo real entre un discurso de un usuario y el lenguaje de los ODS.

Proceso de Investigación

El desarrollo de la investigación se basa en los planteamientos de (Olier, Gómez & Caro, 2018) los cuales presentan en 7 etapas el desarrollo de un Agente Cognitivo basado en la Arquitectura Metacognitiva CARINA:Los pasos del Modelado Cognitivo en la Arquitectura Metacognitiva CARINA son descritos en la siguiente figura:

Fig. 1. Proceso de modelado cognitivo en la Arquitectura Metacognitiva CARINA

1. Selección de la Tarea CognitivaEl problema es expresado en términos de la Tarea Cognitiva, usando el lenguaje natural. En esta fase se define la Tarea Cognitiva.

16

2. Obtención de la información para describir la Tarea Cognitiva

En esta etapa, el modelador cognitivo selecciona las fuentes de información necesarias para describir la Tarea Cognitiva. La información utilizada para describir la Tarea Cognitiva puede obtenerse a partir de Expertos, Usuarios o de variadas Fuentes Documentales. Cuando la fuente de información son los usuarios, se utiliza la recopilación de datos mediante grabación de videos y posteriormente, se transcriben los protocolos verbales para describir los procesos cognitivos que tienen lugar en la mente del usuario. La Tabla No. 1 se usa para sintetizar la descripción de la Tarea Cognitiva cuando la fuente de información proviene de Expertos. TABLA I. Formato para sintetizar la descripción de la Tarea Cognitiva cuando la fuente de información proviene de Expertos.

Expertos

Área del Conocimiento

Numero de Expertos

Síntesis de la descripción de la Tarea Cognitiva

La Tabla No. 2 es utilizada para sintetizar la descripción de la Tarea Cognitiva cuando la fuente de información proviene de Fuentes Documentales:TABLA II. Formato para sintetizar la descripción de la Tarea Cognitiva cuando la fuente de información procede de Fuentes Documentales.

Fuentes Documentales

Área del Conocimiento

Tópicos Autores/Año Contribución al proceso de modelado

17

La Tabla No. 3 es empleada para sintetizar la descripción de la Tarea Cognitiva cuando la fuente de información proviene de los Usuarios:TABLE III. Formato para sintetizar la descripción de la Tarea Cognitiva cuando la fuente de información procede de los Usuarios

Usuarios

Descripción del tipo de Usuario

Descripción de la Tarea Cognitiva a ser desarrollada por los Usuarios

3. Descripción de la Tarea Cognitiva en Lenguaje NaturalEn este punto, el modelador cognitivo especifica en lenguaje natural los requerimientos necesarios para resolver el problema (expresado en la fase 1 del proceso de modelado) y las funciones cognitivas utilizadas por un individuo grupo de personas que desarrollan la Tarea Cognitiva.

4. Descripción de la Tarea Cognitiva en GOMSEn esta fase, la primera versión del Modelo Cognitivo es producida utilizando GOMS, una notación estructurada en lenguaje natural para representar modelos. La notación GOMS describe tareas que el usuario puede desarrollar con el sistema, en términos de una jerarquía de objetivos y subobjetivos, métodos (secuencia de operadores o acciones básicas que deben ejecutarse para alcanzar los objetivos) y reglas de selección que permiten decidir el método para alcanzar un objetivo concreto.

Un objetivo (Goal) es un estado que un agente pretende alcanzar. Los objetivos son estructuras simbólicas que definen un estado de cosas a ser alcanzado y determinan un conjunto de métodos (Methods)posibles por los cuales se puede lograr.Un estado mental (Mental State) es un estado de la mente de un agente. De manera más simple, un estado mental es una condición mental que conecta al agente con una proposición.Los operadores (Operators) son actos elementales perceptuales, motores o cognitivos, cuya ejecución es necesaria para cambiar cualquier aspecto del estado mental del usuario o para afectar el entorno de la tarea.Una regla de razonamiento (Reasoning Rule) es una declaración de una regla lógica de programación que especifica la ejecución de una o más acciones en caso de que se cumplan sus condiciones, es decir, las reglas de producción reaccionan a los cambios de estado. Una regla de razonamiento es una regla IF-THEN, donde la parte de la condición (IF) es un conjunto de instancias de situación y la parte de acción (ENTONCES) es un conjunto de instancias de acción.

18

5. Codificación del Modelo Cognitivo realizado en GOMS al Lenguaje M ++En este paso, el Modelo Cognitivo se traduce a un lenguaje visual para modelar la metacognición, llamado M++ utilizando el Framework MetaThink. M ++ es un Lenguaje Visual Específico de Dominio (DSVL) para modelar la metacognición en sistemas inteligentes; este lenguaje incorpora dos mecanismos de meta-razonamiento: el monitoreo introspectivo y el control del Meta-Nivel. En M++, la sintaxis abstracta es especificada con metamodelos basados en MOF y la sintaxis concreta esexpresadamediante un mapeo de los elementos de la sintaxis abstracta hacia construcciones visuales. El resultado de este proceso de codificación es un Modelo Cognitivo ejecutable (exportado por el Framework MetaThink) en un formato de archivo de texto abierto legible por humanos que se utiliza para transmitir objetos de datos (por ejemplo, .JSON).

6. Ejecución del Modelo Cognitivo ejecutable en CARINAEl Modelo Cognitivo ejecutable exportado en el paso anterior se importa a CARINA para que este se ejecute, llevando a cabo cada una de las instrucciones contenidas en el Modelo.

7. Prueba y mantenimiento del Modelo CognitivoMientras el Modelo Cognitivo se ejecuta, se está evaluando su rendimiento, tiempo de respuesta y el cumplimiento con los requerimientos (expresados en la Tarea Cognitiva). Para esto, el Modelo Cognitivo se prueba en varios niveles a fin de corregir errores, mejorar su rendimiento, agregar funcionalidades o asegurar que este continúe operando.

2. Requerimientos funcionales

Subsistema SIRIO-ODS (Sistema Inteligente de Registro Interactivo de Opiniones sobre Objetivos del Desarrollo Sostenible)

1. El sistema permite loguearse por medio de una cuenta Google.2. El sistema permite registrar una entrevista por medio de voz y convertirla en texto.3. El sistema permite ingresar los datos relacionados con el usuario entrevistado.4. El sistema permite registrar los temas prioritarios para el usuario entrevistado.5. El sistema permite registrar por medio de la voz los tres problemas principales de

su comunidad y el sistema la convierte a texto.6. El sistema permite registrar por medio de la voz las tres acciones que se han

implementado en su comunidad para cada uno de los tres problemas y el sistema la convierte a texto.

7. El sistema Carina, mediante Inteligencia Artificial, informa sobre los ODS relacionados con cada problema del entrevistado.

8. El sistema Carina, mediante Inteligencia Artificial, informa sobre las metas de cada ODS relacionadas con cada problema del entrevistado.

19

9. El sistema informa con qué porcentaje se relaciona cada ODS con el problema reportado por el entrevistado.

10.El sistema permite guardar persistentemente la entrevista realizada al usuario.11.El sistema permite hacer un reporte por el usuario que ha realizado las entrevistas,

permitiendo monitorear todas las entrevistas.12.El sistema permite monitorear (reporte) por usuario, mostrando cuáles son los

objetivos más referenciados.13.El sistema permite hacer un reporte por departamentos, mostrando cuáles son los

objetivos más referenciados.14.El sistema permite hacer un reporte por rango de edad de las personas

entrevistadas, mostrando cuáles son los objetivos más referenciados por ellos.15.El sistema permite hacer un reporte por sexo de las personas entrevistadas,

mostrando cuáles son los objetivos más referenciados por ellos.16.El sistema permite hacer un reporte consolidado de todas las personas

entrevistadas.

A continuación se presenta la documentación de cada requerimiento funcional.Subsistema SIRIO-ODS (Sistema Inteligente de Registro Interactivo de Opiniones sobre Objetivos del Desarrollo Sostenible).

Tabla Requerimiento N°01.

REQUERIMIENTO N°01

El sistema permite loguearse por medio de una cuenta Google.

Usuario x Para poder utilizar el sistema el usuario debe estar identificado con una cuenta de Google.

Sistema

Funcional x

No funcional

Precondición Postcondición

El usuario tiene una cuenta Google válida para loguearse en el sistema.

El usuario se ha logueado en el sistema utilizando una cuenta Google.

Fecha creación agosto de 2018

ResponsableGrupo de Investigación Informática y Computación Cognitiva

Fecha de procesamiento

20

Modificación Causa/Responsable

21


REQUERIMIENTO N°02

El sistema permite registrar una entrevista por medio de voz y convertirla en texto.Usuario x El usuario registrado(identificado con cuenta Google)

puede realizar registrar una entrevista por medio de voz y el sistema la convierte a texto en tiempo real.Sistema

Funcional x

No funcional


El usuario debe ingresar una entrevista con audio.

La entrevista es convertida a texto.





22


REQUERIMIENTO N°03

El sistema permite ingresar los datos relacionados con el usuario entrevistado.

Usuario x El usuario entrevistador ingresa la información de la persona que está siendo entrevistada

Sistema

Funcional x

No funcional


Una nueva persona a entrevistar debe ser registrada durante la entrevista.

La información de la persona entrevistada queda registrada.





23


REQUERIMIENTO N°04

El sistema permite registrar los temas prioritarios para el usuario entrevistado.

Usuario x El sistema permite registrar los temas prioritarios para el usuario entrevistado.

Sistema

Funcional x

No funcional


Los temas prioritarios del entrevistado no han sido ingresados.

Los temas prioritarios del entrevistado han sido ingresados.





24


REQUERIMIENTO N°05

El sistema permite registrar por medio de la voz los tres problemas principales de su comunidad y el sistema la convierte a texto.

Usuario x El sistema permite registrar por medio de la voz los tres problemas principales de su comunidad y el

sistema la convierte a texto.Sistema

Funcional x

No funcional


El entrevistado debe registrar una entrevista por voz indicando los tres principales problemas de su comunidad.

La entrevista se registra por voz y en tiempo real es convertida a texto.





25


REQUERIMIENTO N°06

El sistema permite registrar por medio de la voz las tres acciones que se han implementado en su comunidad para cada uno de los tres problemas y el sistema la convierte a texto.

Usuario x El sistema permite registrar por medio de la voz las tres acciones que se han implementado en su

comunidad para cada uno de los tres problemas y el sistema la convierte a texto.

Sistema

Funcional x

No funcional


El entrevistado debe registrar una entrevista por voz indicando las acciones que se han hecho frente a los tres principales problemas de su comunidad.

La entrevista se registra por voz y en tiempo real es convertida a texto.





26


REQUERIMIENTO N°07

El sistema Carina, mediante Inteligencia Artificial, informa sobre los ODS relacionados con cada problema del entrevistado.

Usuario x El sistema Carina, mediante Inteligencia Artificial, informa (inmediatamente se registra la entrevista) sobre los ODS relacionados con cada problema del

entrevistado.Sistema

Funcional x

No funcional


Se ingresó una serie de problemas durante la entrevista.

Los ODS relacionados con cada problema son reportados.





27


REQUERIMIENTO N°08

El sistema Carina, mediante Inteligencia Artificial, informa sobre las metas de cada ODS relacionadas con cada problema del entrevistado.

Usuario x El sistema Carina, mediante Inteligencia Artificial, informa (inmediatamente se registra la entrevista)

sobre las metas de cada ODS relacionadas con cada problema del entrevistado.

Sistema

Funcional x

No funcional


Se ingresó una serie de problemas durante la entrevista.

Las metas relacionadas con cada problema son reportadas.





28


REQUERIMIENTO N°09

El sistema informa con qué porcentaje se relaciona cada ODS con el problema reportado por el entrevistado.

Usuario x El sistema informa (inmediatamente se registra la entrevista) con qué porcentaje se relaciona cada ODS

con el problema reportado por el entrevistado.Sistema

Funcional x

No funcional


Los ODS y las metas relacionadas se han identificado con cada problema del entrevistado.

Porcentaje de ODS relacionados con cada problema son reportados.





29


REQUERIMIENTO N°10

El sistema permite guardar persistentemente la entrevista realizada al usuario.

Usuario x El sistema permite guardar persistentemente (en una base de datos remota) la entrevista realizada al

usuario.Sistema

Funcional x

No funcional


Se ingresó toda la información relacionada con la entrevista.

La entrevista es guardada.





30


REQUERIMIENTO N°11

El sistema permite hacer un reporte por el usuario que ha realizado las entrevistas, permitiendo monitorear todas las entrevistas.

Usuario x El sistema permite hacer un reporte por el usuario que ha realizado las entrevistas, permitiendo monitorear

todas las entrevistas.Sistema

Funcional x

No funcional


Existen entrevistas almacenadas en el sistema.

El reporte es mostrado al usuario entrevistador.





31


REQUERIMIENTO N°12

El sistema permite monitorear (reporte) por usuario, mostrando cuáles son los objetivos más referenciados.

Usuario x El sistema permite monitorear (reporte) por usuario, mostrando cuáles son los objetivos más referenciados.

Sistema

Funcional x

No funcional








32


REQUERIMIENTO N°13

El sistema permite hacer un reporte por departamentos, mostrando cuáles son los objetivos más referenciados.

Usuario x El sistema permite hacer un reporte por departamentos, mostrando cuáles son los objetivos

más referenciados.Sistema

Funcional x

No funcional








33


REQUERIMIENTO N°

El sistema permite hacer un reporte por rango de edad de las personas entrevistadas, mostrando cuáles son los objetivos más referenciados por ellos.

Usuario x El sistema permite hacer un reporte por rango de edad de las personas entrevistadas, mostrando cuáles son

los objetivos más referenciados por ellos.Sistema

Funcional x

No funcional








34


REQUERIMIENTO N°15

El sistema permite hacer un reporte por sexo de las personas entrevistadas, mostrando cuáles son los objetivos más referenciados por ellos.

Usuario x El sistema permite hacer un reporte por sexo de las personas entrevistadas, mostrando cuáles son los

objetivos más referenciados por ellos.Sistema

Funcional x

No funcional








35


REQUERIMIENTO N°16

El sistema permite hacer un reporte consolidado de todas las personas entrevistadas.

Usuario x El sistema permite hacer un reporte consolidado de todas las personas entrevistadas de acuerdo a un criterio (todas las entrevistas que este usuario ha

realizado o todas las que se han hecho de todos los usuarios).

Sistema

Funcional x

No funcional








36

3. Requerimientos no funcionales

1. El sistema debe poseer un diseño “Responsive”.2. El sistema debe funcionar con tecnología Cliente - Servidor.3. El sistema debe estar basado en estándares web.4. El sistema debe conectarse en tiempo real: La relación entre los subsistemas

(aplicaciones con interfaz gráfica de usuario del lado del cliente) y el sistema inteligente Carina (del lado del servidor).

5. El sistema debe ser diseñado con una paleta de colores agradable a la vista con tonos minimalistas.

6. El sistema debe tener un sistema de autenticación con cuentas de Google.7. El sistema debe asegurar que los datos estén protegidos del acceso no autorizado.8. El sistema debe correr en múltiples plataformas usando navegadores web

modernos con los estándares web.9. El sistema debe estar disponible en cualquier momento utilizando Internet con

disponibilidad 24/7.10.El sistema debe funcionar sin la instalación de ningún software del lado del cliente.11.El sistema debe tener tipos de letra fácilmente legibles.12.La información de los usuarios no será usada con otros fines a los descritos en los

objetivos de este proyecto.13.Los permisos de acceso al sistema podrán ser cambiados solamente por el

administrador de acceso a datos.14.El tiempo de aprendizaje del sistema por un usuario deberá ser menor a 6 horas.

4. Casos de uso (describa detalladamente cada caso de uso)

El diagrama de Casos de Uso es una descripción de las actividades que deberá realizar alguien o algo para llevar a cabo algún proceso. Un caso de uso es la descripción de una acción o actividad. Los usuarios que participarán en un diagrama de caso de uso se denominan actores.A continuación se presenta el diagrama de Casos de Uso del Subsistema SIRIO-ODS (Sistema Inteligente de Registro Interactivo de Opiniones sobre Objetivos del Desarrollo Sostenible). En él se identifican dos actores: Usuario y Sistema Carina. El Usuario es el que realiza las entrevistas guiadas. El Sistema Carina es el sistema Inteligente del lado del servidor que analiza la información y devuelve respuestas.

37

Fig. Diagrama de Casos de Usos - Subsistema SIRIO-ODS (Sistema Inteligente de Registro Interactivo de Opiniones sobre Objetivos del Desarrollo Sostenible).

5. Actividades de funcionamiento Paso a paso

En esta sección se explican las actividades de funcionamiento paso a paso de cara al usuario final.

1. El usuario ingresa a la dirección web (desde un PC o móvil): https://cat-sdg- aa433.firebaseapp.com/

2. Ingresa a la página principal.3. Hace login de usuario con una cuenta de Google.4. Iniciar el proceso de ENCUESTAS.5. Hace el registro de la persona que se va a encuestar, digitando la información

personal.6. Hace el registro de los temas de interés del encuestado.7. Hace el registro de tres problemáticas que tienen el encuestado en su comunidad.8. Hace el registro de las acciones relacionadas con las problemáticas antes

mencionadas.9. El usuario se retroalimenta con los ODS y metas relacionados con las

problemáticas del encuestado. La retroalimentación la da el sistema Carina.10.El usuario guarda la encuesta actual.

38

11.El usuario monitorea la (s) encuesta (s) realizada (s). a. El usuario solicita la clasificación de acuerdo con alguno de los siguientes

criterios: usuarios, departamento, sexo, edad, todos12.El usuario hace cierra la sesión.

6. Componentes del funcionamiento

● Un aplicativo web que permite acceso a los usuarios● Un componente de acceso a base de datos Firebase para almacenar la información

del usuario, los registros de las entrevistas y los resultados de las traducciones● Un sistema de comunicación con la API SpeachRecognition de Google Chrome que

realiza la traducción de voz a texto● Un módulo de comunicación Carina para remisión de textos y recepción de

traducciones.● La arquitectura Carina que a su vez tiene una base de datos con la red semántica

que permite hacer las traducciones● Un módulo para presentar el monitoreo de los resultados agregados.

7. Desarrollo del prototipo

En esta etapa se procede al desarrollo del agente cognitivo que será ejecutado en CARINA, para el desarrollo de este proceso se utilizó una Metodología Híbrida para Desarrollo de Software (SCRUM Y XP). Estas metodologías se determinaron por su flexibilidad y susceptibilidad a los cambios durante el desarrollo del software, asimismo, por su aplicabilidad en múltiples proyectos referentes al desarrollo de software. Sin embargo, SCRUM aunque se utiliza como metodología de desarrollo software, está orientada a la dirección de proyectos, mientras que XP está más orientada a las buenas prácticas de programación y de la unificación e interpretación del código.

La estructura de la metodología está basada en el cuerpo de SCRUM, es decir, se tomaron los componentes de planeación y desarrollo, los cuales incluyeron: backlog, sprint backlog, Sprint, reuniones diarias que fueron replanteadas como reuniones

39

semanales, y el entregable (módulo). Por otra parte, se adicionaron componentes de XP los cuales fueron: historias de usuario, diseño, codificación y pruebas, pertenecientes al tratamiento del código fuente de un software, generando una nueva estructura para el desarrollo modular del sistema.Backlog: el cual consiste en consolidar la finalidad del software, la estimación del desarrollo, definición de backlog y los entregables que corresponden con las funcionalidades del software.

Desarrollo del Sprint: En el desarrollo de los Sprint, el equipo de trabajo o equipo de desarrollo, se dedicó a realizar productos funcionales, de tal manera que el proyecto fuese teniendo un incremento cada vez que se realice un Sprint.

Elementos XP:

Diseño

Se enfatiza en los diseños simples y claros. Buscando siempre la mejora continua del código fuente. Para este caso se encuentra:

Codificación

● Implementación de Estándares: Se implementó la programación basada en estándares, ya que de esta manera fue más entendible por todo el equipo, y facilitó la recodificación (“Refactoring”)

● Programación Dirigida por Pruebas: (“Test-Driven Programming”), Se establecieron los test (pruebas) al sistema, que este debe ser capaz de responder conforme a las expectativas. Las pruebas a los que se refiere esta práctica, son los test unitarios, realizados por los desarrolladores. Siendo estos de vital importancia ya que condicionan o “dirigen” el desarrollo.

● Programación en Pares: En el desarrollo en pares de programadores, se buscó que ambos trabajaran en un mismo equipo de cómputo, debido a que de esta manera se duplica el tiempo asignado al proyecto y al trabajar en pares se minimizan los errores y se logran mejores diseños.

● Propiedad Colectiva del Código: El equipo de desarrollo puede aportar nuevas ideas que apliquen a cualquier parte del proyecto. Asimismo, los programadores pueden cambiar el código que sea necesario para corregir problemas, agregar funciones o re codificar.

a. Arquitectura básica

40

Fig. Arquitectura básica del sistema.

b. Diseño del servicio

El servicio de Carina se diseñó basado en el algoritmo de traducción derivado de la tarea cognitiva modelada en NGOMS y M++, el cual consiste en recibir un texto que ha sido transcrito automáticamente desde la voz de un entrevistado y se analiza para determinar su relación con los ODS, para ello realiza una salida estructurada que permite identificar las palabras más importantes del discurso y su relación con las metas y los ODS correspondientes.

c. Diseño del backend

En la siguiente imagen se describe el proceso de carga y distribución del modelo cognitivo en Carina:

41

ESQUEMA GENERAL DE LA ARQUITECTURA KARINA

Carina está compuesto por un módulo de memoria, un módulo de funciones cognitivas y un módulo de percepción. El módulo de memoria se compone de tres estructuras de memorias principales, los cuales son:

● Memoria Procedimental: Esta memoria contiene el conocimiento procedimental y las acciones computacionales que Carina es capaz de realizar.

● Memoria Semántica: Este tipo de memoria contiene los conocimientos que CARINA tiene acerca de cada uno de los temas del dominio de las preguntas abiertas que se van a evaluar.

● Memoria Episódica: Almacena los eventos o sucesos y la temporalidad en la secuencia de las oraciones de entradas que se van a evaluar.

42

Fig. Carina.

d. Diseño del frontend

En esta sección se presenta los elementos descriptivos del diseño del Frontend. En el diseño se tuvo en cuenta que las interfaces fueran minimalistas para permitir una rápida adaptación del usuario al sistema.

Aplicación: SIRIO-ODS

Descripción:

El aplicativo SIRIO-ODS permite hacer registro de encuestas sobre problemas y acciones que se realizan y tengan alguna relación con los Objetivos de Desarrollo Sostenible (ODS).A continuación se presenta la página principal de SIRIO-ODS, donde el usuario debe iniciar sesión con su correo de Gmail. En ésta página se tiene una descripción general del sistema y los logos de las entidades participantes.

43

Para registrar la entrevista se diseñó la siguiente interfaz para tomar los datos que caracterizan al entrevistado. Se diseñaron iconos representativos de cada uno de los

ítems.

En la siguiente interfaz se registran los temas de interés del entrevistado. Se tuvo en cuenta la facilidad para seleccionar los temas de interés, el uso de textos sencillos y 44

explícitos.

En la siguiente interfaz se retroalimenta al usuario con los ODS y las metas que corresponden a sus problemáticas. Los resultados se dan en tiempo real y se usaron iconos representativos de cada ODS.

45

Para monitorear los resultados de las entrevistas se diseñó una interfaz con los elemento claves, como por ejemplo, número de usuarios, los departamentos registrados por el entrevistado, el sexo, la edad y una opción llamada “Todos” que permite ver todas las encuestas sin filtros. Desde esta pantalla puede monitorear todo, sin tener que navegar entre una y otra.

8. Validación y Pruebas VALIDACIÓN

La validación se realizó con 4 expertos y se usó como fuente 21 entrevistas pilotos, de las cuales, cuatro fueron analizadas en profundidad para la validación y afinación de los algoritmos de extracción de texto y traducción a los ODS.

LISTA DE CHEQUEO

Función a verificar Resultado 1. Texto original Satisfactorio. 2. Sacar las compound word (se convierten en stopwords)

Satisfactorio. Se valoraron compound words y se extrajeron del texto convirtiéndolas en stopwords para pasar al siguiente paso.

3a. Sin stop words (artículos, verbos,....) Satisfactorio. Se eliminaron las palabras consideradas stop words (contrastada de la base de datos). De esta manera el texto original se ha limpiado para pasar al siguiente paso.

46

3b. Se unieron dos pasos de stop words: sin stop words del dominio (@LOCATION, @PERSON, @TIME, @NUMBER, @SW_ODS (ej problema, principales, comunidad, causa, tamaño, varios, acceso, [considerar recursos, todo, muchos, competente, frecuencia, falta, parte número varios acceso recurso, zona, aproximadamente, consecuencia ]....) Observación: con el verbo trabajar o trabajo, agresion, agredir, invertir, inversión porque se relaciona con los objetivos

Satisfactorio. Se afinaron palabras claves teniendo en cuenta el dominio del problema.

4. Lematización Satisfactorio. Se definió el algoritmo de lematización y existe correspondencia entre las palabras y su lema.

6. Eliminación palabras repetidas Satisfactorio. El texto es limpiado con palabras repetidas.

7a. Búsqueda de los términos relacionados de cada palabra clave en el dominio de los ODS.

Satisfactorio. Se revisó la congruencia de los términos relacionados con cada palabra del texto de entrada.

7.b. Si no se encuentra (en el paso anterior) se hace la ampliación (sinónimos) de la palabra. null=no aparece y se debe recomendar al experto para decidir si se inserta o si se considera de aquí en adelante como stop word del dominio.

Satisfactorio. Las palabras que no se encontraron en el paso anterior, se le hicieron ampliación semántica con sinónimos y se observaron otras relaciones.

8a. Cuantas palabras del paso anterior se encuentran en los ODS.

Satisfactorio. Se hicieron cálculos de todas las palabras relacionadas en cada uno de los ODS.

8b. Ocurrencia por meta. Satisfactorio. Se realizaron los cálculos en la relación de las palabras y cada una de las metas de los ODS.

9. Consolidado por ODS Satisfactorio. Se hicieron cálculos para obtener los consolidados de las ocurrencias de las palabras, metas y ODS.

Pruebas funcionales de reportes sobre agregaciones y desagregaciones a nivel territorial. Lista de chequeo de requisitos funcionales desde la IU.

Las pruebas funcionales de reportes sobre agregaciones y desagregaciones a nivel territorial se realizaron sobre los sistemas operativos Windows, Mac OS y Android. A continuación se presenta una lista de chequeo con las funciones incluidas y verificadas del Subsistema SIRIO-ODS (Sistema Inteligente de Registro Interactivo de Opiniones sobre Objetivos del Desarrollo Sostenible).47

FUNCIÓN RESULTADO

El sistema permite loguearse por medio de una cuenta Google.

Satisfactorio

El sistema permite registrar una entrevista por medio de voz y convertirla en texto.

Satisfactorio

El sistema permite ingresar los datos relacionados con el usuario entrevistado.

Satisfactorio

El sistema permite registrar los temas prioritarios para el usuario entrevistado.

Satisfactorio

El sistema permite registrar por medio de la voz los tres problemas principales de su comunidad y el sistema la convierte a texto.

Satisfactorio

El sistema permite registrar por medio de la voz las tres acciones que se han implementado en su comunidad para cada uno de los tres problemas y el sistema la convierte a texto.

Satisfactorio

El sistema Carina, mediante Inteligencia Artificial, informa sobre los ODS relacionados con cada problema del entrevistado.

Satisfactorio

El sistema Carina, mediante Inteligencia Artificial, informa sobre las metas de cada ODS relacionadas con cada problema del entrevistado.

Satisfactorio

El sistema informa con qué porcentaje se relaciona cada ODS con el problema reportado por el entrevistado.

Satisfactorio

El sistema permite guardar persistentemente la entrevista realizada al usuario.

Satisfactorio

48

FUNCIÓN RESULTADO

El sistema permite hacer un reporte por el usuario que ha realizado las entrevistas, permitiendo monitorear todas las entrevistas.

Satisfactorio

El sistema permite monitorear (reporte) por usuario, mostrando cuáles son los objetivos más referenciados.

Satisfactorio

El sistema permite hacer un reporte por departamentos, mostrando cuáles son los objetivos más referenciados.

Satisfactorio

El sistema permite hacer un reporte por rango de edad de las personas entrevistadas, mostrando cuáles son los objetivos más referenciados por ellos.

Satisfactorio

El sistema permite hacer un reporte por sexo de las personas entrevistadas, mostrando cuáles son los objetivos más referenciados por ellos.

Satisfactorio

El sistema permite hacer un reporte consolidado de todas las personas entrevistadas.

Satisfactorio

Entrega e implementación● Implementación

e. Resumen de hallazgos

Para el desarrollo completo del sistema, los aspectos más importantes a tener en cuenta son:

● Diseñar el modelo cognitivo del proceso de traducción en tiempo real de discusiones públicas guiadas al lenguaje de los Objetivos de Desarrollo Sostenible

● Crear una red semántica de conceptos que permita hacer el vínculo entre discurso y ODS a través de Computación Cognitiva y “Cognitive Machine Learning”.

49

● Creación de un prototipo de un Agente Cognitivo adaptable al contexto Web y Móvil para la traducción en tiempo real de discusiones públicas guiadas al lenguaje de los Objetivos de Desarrollo Sostenible

● Validación del prototipo del Agente Cognitivo en términos de: (i) traducción de discusiones públicas guiadas al lenguaje de los Objetivos de Desarrollo Sostenible y; (ii) funcionalidad de hacer agregaciones y desagregaciones a nivel territorial y por grupos poblacionales

f. Recomendaciones

El presente proyecto permite proponer las siguientes recomendaciones para optimizar los resultados arrojados por la aplicación web adaptativa:

● Creación de un CHATBOT con Inteligencia Artificial que responda preguntas de las personas con respecto a los ODS.

● Creación de un mapa interactivo donde se despliegue información de los ODS de interés (información recolectada-encuestas).

● Desarrollar una APP de IA que presente los niveles de coincidencia entre los planes de desarrollo de las ciudades y los ODS (entrevista, información de ODS y la similitud entre los documentos).

● Entrega

Existen tareas cognitivas desarrolladas por seres humanos que requieren un alto entrenamiento para obtener una experticia necesaria para realizarla eficientemente. Existe una creciente convicción y evidencia en el mundo científico que pueden desarrollarse agentes cognitivos que simulan la realización de tareas por medio de modelos cognitivos que son ejecutados en arquitecturas cognitivas (Pew & Mayor, 1998; Ritter, Shadbolt, Elliman, Young, Gobet & Baxter, 2003; Gluck & Pew, 2006). Un modelo cognitivo consiste básicamente en el conocimiento declarativo, (denotando hechos) así como en el conocimiento procedural (denotando reglas de razonamiento) necesarios para desarrollar una tarea cognitiva (Muller, Heuvelink & Both, 2008).Una de las primeras etapas en la construcción de modelos cognitivos, es el análisis de la estructura de la tarea cognitiva (Wong, Kirschenbaum & Peters, 2010). Para este tipo de análisis se utilizan metodologías que permiten describir en un orden específico la forma como los eventos ocurren al desarrollar una tarea cognitiva, por lo que representar estas tareas como una serie de metas (Goals) y submetas (steps) proporciona una gran cantidad de beneficios al momento de traducir estos análisis de tareas en modelos cognitivos. Una de estas metodologías es NGOMS-L. La cual es una notación estructurada del lenguaje natural para representar los modelos GOMS y un procedimiento para construirlos. Un modelo GOMS se compone de métodos que se utilizan para lograr metas específicas (Goals). Estos métodos están compuestos por operadores (Operators) en el nivel más bajo. Los operadores son pasos específicos que un usuario realiza y se le asigna un tiempo de ejecución específico. Si un objetivo se puede lograr mediante más

50

de un método, entonces las reglas de selección se utilizan para determinar el Método adecuado.Las metas (Goals) son estructuras simbólicas que definen un estado mental a alcanzar y determinan un conjunto de métodos posibles por los cuales se puede lograr. Los operadores (Operators) son actos elementales perceptuales, motores o cognitivos, cuya ejecución es necesaria para cambiar cualquier aspecto del estado mental del usuario o para afectar el entorno de la tarea. Los métodos (Methods) describen un procedimiento para lograr un objetivo. Finalmente, una estructura de control(Structures) es compuesta por las reglas de selección que son necesarias cuando se intenta un objetivo, puede haber más de un método disponible para que el usuario lo logre.

A continuación se presenta el proceso de Modelado Cognitivo de un traductor de discusiones públicas guiadas al lenguaje de los Objetivos de Desarrollo Sostenible para la Arquitectura Metacognitiva CARINA, siguiendo el modelo propuesto por Olier, Caro & Gómez (2018), que se describe a continuación en la Fig 1.:

51

Proceso de Modelado Cognitivo para un Traductor de Discusiones Públicas guiadas al Lenguaje de los Objetivos de Desarrollo Sostenible

Fig. 1. Proceso de modelado cognitivo en la Arquitectura Metacognitiva CARINA

1.Caracterización y Análisis de la Tarea Cognitiva (Modelo Cognitivo Computacional de la Tarea basado en NGOMS-L)

En esta sección se presenta el uso de NGOMS-L como técnica de modelado computacional para comprender y simular la habilidad de toma de decisiones en el proceso de seleccionar uno o varios ODS cuando se lee una discusión pública guiada a manera individual. NGOMS - L es una notación estructurada de lenguaje natural para representar modelos GOMS y un procedimiento para construirlos.

#NGOMSL-Based Computational Cognitive Model of Sentence Processing Task

<<Process One>>

Method for goal γ399: Translate User Response to SDGStep 1. (α 370

c ) Accomplish goal:γ398 # Create Keywords into MoW

Step 2. (α 371c ) Accomplish goal:γ410 # Create Semantic Weight Matrix

Step n. (α 372c ) Return with goal accomplished

Method for goal γ398: Create Keywords into MoWStep 1. (α 370

c ) Accomplish goal:γ390 # Read Stimulus from perceptor <text_perceptor_1>

52

Step 2. (α 370c ) Accomplish goal:γ391 # Copy Buffer SSM Into BCPU

Step 3. (α 370c ) Accomplish goal:γ392 # Trigger Judgment

Step 4. (α 370c ) Accomplish goal:γ393 # Load SMM buffer

Step 5. (α 370c ) Accomplish goal:γ394 # Create Head of Mental Representation of Sentence

Step 6. (α 370c ) Accomplish goal:γ395 # Copy First Word to Mental Representation of the Sentence

Step 7. (α 370c ) Accomplish goal:γ396 # Complete Mental Representation of the Sentence

Step 8. (α 370c ) Accomplish goal:γ397 # Search of N-Grams in the Mental Representation of the Sentence

Step n. (α 372c ) Return with goal accomplished.

Method for goal γ390: Read Stimulus from perceptor <text_perceptor_1>Step 1. (α 101

p ) Read Stimulus From Environment.

Step 2. (α 102p ) Encode SMU.

Step 3. (α 103p ) Save SMU Into SSM.

Step 4. Goto Step 3 until Stack Buffer Input Word is “empty”.Step n. (α❑

❑) Return with goal accomplished.

Method for goal γ391: Copy Buffer SSM Into BCPUStep 1. (α 101

c ) Copy Buffer SSM From Selected Sensor Into BCPU.Input.


Method for goal γ392: Trigger JudgmentStep 1. (𝛗) Read the Top SMU From BCPU.INPUT.Step2. () Verify if BCPU.Input pattern is known .Step 3. (α 102

c ) Generate Recognition Judgment.

Step 4. (α 103c ) Save Pattern in BCPU.Pattern.

Step 5. (α 103c ) Save judgment in BCPU.Judgment .

Step n. (α❑❑) Return with goal accomplished.

Method for goal γ393: Load SMM bufferStep 1. (α 379

c ) Retrieve Belief βx from SMM using BCPU.Input 𝛗:word as cue

Step 2. (α 380c ) Copy Belief βx into SMM Buffer

Step 3. (α 381c ) Return with goal accomplished.

Method for goal γ394: Create Head of Mental Representation of SentenceStep 1. (α 382

c ) CREATE a new Belief βs in MoW with ID and RENAME βs as HoS


Method for goal γ395: Copy First Word to Mental Representation of the SentenceStep 1. (α 387

c ) Insert Belief βx to field Word of the field HAS of the βs //βs.Has.word.push( βx)


Method for goal γ396: Complete Mental Representation of the SentenceStep 1. (α 370

c ) Accomplish goal:γ392

53

Step 2. (α 370c ) Accomplish goal:γ393



Step 5. Goto Step 1 until Stack BCPU.Input is “empty”.Step n. (α 391

c ) Return with goal accomplished.

Method for goal γ397: Search of N-Grams in the Mental Representation of the SentenceStep 1. (α 392

c ) Select the First Grammatical Pattern of SMM

Step 2. (α 393c ) Comparison of First Grammatical Pattern of SMM with Grammatical Patterns of Consecutive Words

the Mental Representation of the Sentence # Here will be executed the following rules: if rule#398 < βx:pos[i].SGR <> Grammatical Pattern of SMM> word is canceled

Step 3. (α 394c ) Comparison of Next Grammatical Pattern of SMM with Grammatical Patterns of Consecutive

Words the Mental Representation of the Sentence # Here will be executed the following rules: if rule#398 < βx:pos[i].SGR <> Grammatical Pattern of SMM> word is canceled; This Comparison Process will be executed until a match is found

Step 4. (α 395c ) Segment the Belief βs until where the match was found.

Step 5. (α 396c ) CREATE a new Belief βi in MoW with the created previously segment

Step 6. (α 397c ) ELIMINATE this segment of the Belief βs

Step 7. (α 398c ) GOTO Step 3. # This step will be executed until the last Grammatical Pattern of the SMM; Each Belief βi constitutes a

hosted Keyword in the MoW


Method for goal γ410: Create Semantic Weight Matrix Step 1. (α 400

c ) Select a Belief βi from MoW

Step 2. (α 370c ) Accomplish goal:γ400 # Trigger a FOK


Method for goal γ400: Trigger a FOKStep 1. (α 402

c ) Develop a search in Metaknowledge Index according to Belief βi

Step 2. (α 370c ) Accomplish goal:γ402 # FOK Evaluation Process; if rule#400 < β: cue = false> is fired

Step 3. (α 403c ) Searching Process of Belief βi: cue in Equivalence Semantic Network of SMM # if rule#400 < β: cue =

true> is fired


Method for goal γ402: Evaluate FOK Step 1. (α 370

c ) Accomplish goal: γ403 # Process of Matching between Belief βi vs Beliefs of Semantic Memory


Method for goal γ403: Process of Matching between Belief β vs Beliefs of Semantic MemoryStep 1. (α 406

c ) Searching Process of Belief βi: cue in SMM Belief: cue

Step 2. (α 407c ) Trigger Recognition Judgement RJ

Step 3. (α 408a ) Display Message: ‘This sentence doesn’t belong to None SDG’ # if rule#401 <RJ = false> is fired

Step 4. (α 370c ) Accomplish goal:γ404 # Concepts Equivalence Process; if rule#401 <RJ = true> is fired


54

Method for goal γ404: Process the equivalence of conceptsStep 1. (α 410

c ) Retrieve found Belief in SMM

Step 2. (α 411c ) Save found Belief in Buffer SMM as Belief C1

Step 3. (α 412c ) Save Belief C1 in the MoW as BC1

Step 4. (α 370c ) Accomplish goal γ405 # Counting of Number of Relations of C1

Step 5. (α 413c ) Select Random Belief of SMM

Step 6. (α 414c ) Save Random Belief in Buffer SMM as Belief C2

Step 7. (α 415c ) Save Belief C2 in the MoW as BC2

Step 8. (α 370c ) Accomplish goal γ406 # Counting of Number of Relations of C2

Step 9. (α 370c ) Accomplish goal γ407 # Matching of Common Attributes between C1 and C2

Step 10. (α 370c ) Accomplish goal γ408 # Addition of Attributes of C1 plus C2

Step 11. (α 370c ) Accomplish goal γ409 # Calculation of Equivalence of Concepts


Method for goal γ405: Counting of Number of Relations of C1

Step 1. (α 417c ) Save in N1 Number of Relations of Belief C1

Step 2. (α 418c ) ALTER βi.numAtt with N1 and RENAME βi as FC1

Step 3. (α 419c ) ALTER Metaknowledge Index


Method for goal γ406: Counting of Number of Relations of C2

Step 1. (α 421c ) Save in N2 Number of Relations of Belief C2

Step 2. (α 422c ) CREATE a new Belief βj in MoW with ID and βj.numAtt with N2 and RENAME βj as FC2

Step 3. (α 423c ) ALTER Metaknowledge Index


Method for goal γ407: Matching of Common Attributes between C1 and C2

Step 1. (α 425c ) Calculate Common Attributes between C1 and C2

Step 2. (α 426c ) Save in N3 Number of Common Attributes between C1 and C2

Step 3. (α 427c ) CREATE a new Belief βk in MoW with ID and βj.numAttC with N3 and RENAME βk as CA # CA =

Common Attributes.

Step 4. (α 428c ) ALTER CA.has adding a new relation to C1 and adding a new relation to C2


Method for goal γ408: Addition of Attributes of C1 plus C2

Step 1. (α 430c ) Save in N4 the Total Number of Adding the Attributes of C1 plus C2

Step 2. (α 431c ) CREATE a new Belief βl in MoW with ID and βl.numAttT with N4 and RENAME βl as TA

Step 3. (α 432c ) ALTER TA.has adding a new relation to C1 and adding a new relation to C2


Method for goal γ409: Calculate the equivalence of concepts

55

Step 1. (α 434c ) Save in N5 the Total Number of Dividing CA.numAttC between TA.numAttT

Step 2. (α 435c ) CREATE a new Belief βm in MoW with ID and βm.eqVal with N5 and RENAME βm as Eq. # eqVal =

value of equivalence and Eq = equivalence.

Step 3. (α 436c ) ALTER Eq.has adding a new relation to C1 and adding a new relation to C2

Step 4. (α 437c ) Save Eq into SMM


<<Process Two>>

Method for goal γ500:Based-Analogies Semantic Training Process

Step 1. (α 501c ) Accomplish goal: γ501 #Getting two Inputs

Step 2. (α 502c ) Accomplish goal: γ503#Learning Rules Construction Process

Step 3. (α 503c ) Accomplish goal: γ504#Learning Verification Process


Method for goal γ501:Getting two Inputs

Step 1. (α 505c ) Executing Found Trace #if rule#500 <Search_Parameter = true> is fired

Step 2. (α 506c ) Accomplish goal:γ502 #Deep Search Process if rule#500 <Search_Parameter = false> is fired


Method for goal γ502:Deep Search Process

Step 1. (α 507c ) Searching Process of Search_Parameter βi: cue in SMM

Step 2. (α 508c ) Searching Process of Feature_Target βi.Attributes

Step 3. (α 509c ) Searching Process of Feature_Target βj.Attributes

Step 4. (α 510c ) Searching Process of Feature_Target βk.Attributes


Method for goal γ503:Learning Rules Construction Process

Step 1. (α 511c ) CREATE a new Belief βlin MoW

Step 2. (α 512c ) ALTER βl.Attributes.Search_Parameter with Search_Parameter

Step 3. (α 513c ) ALTER βl.Attributes.Feature_Target with Feature_Target

Step 4. (α 514c ) ALTER βl.Attributes.Deep_Level with Deep_Level

Step 5. (α 515c ) ALTER βl.Attributes.Relations with Relations_Array


Method for goal γ504:Learning Verification Process

Step 1. (α 516c ) Putting Search_Parameterand Feature_Target

Step 2. (α 517c ) CREATE a new Belief βmin MoW with the Outcome of Learning Rules Construction Process


56

#Setting of Computational Cognitive Model of Sentence Processing Task using CARINA Specification

Goals from NGOMSLGoals are symbolic structures that define a state of affairs to be achieved and determine a set of possible methods by which it may be accomplished. Usage of the

term goals adds the further restriction that the set of active desires must be consistent.

γ399: Translate User Response to SDGγ398: Create Keywords into MoWγ390: Read Stimulus from perceptor <text_perceptor_1>γ391: Copy Buffer SSM Into BCPUγ392: Trigger Judgmentγ393: Load SMM bufferγ394: Create Head of Mental Representation of Sentenceγ395: Copy First Word to Mental Representation of the Sentenceγ396: Complete Mental Representation of the Sentenceγ397: Search of N-Grams in the Mental Representation of the Sentenceγ410: Create Semantic Weight Matrix γ400: Trigger a FOKγ402: Evaluate FOK γ403: Process of Matching between Belief β vs Beliefs of Semantic Memoryγ404: Process the equivalence of conceptsγ405: Counting of Number of Relations of C1

γ406: Counting of Number of Relations of C2

γ407: Matching of Common Attributes between C1 and C2

γ408: Addition of Attributes of C1 plus C2

γ409: Calculate the equivalence of concepts

Mental States from NGOMSLA mental state is a state of mind that an agent is in. In cognitive psychology and the philosophy of mind, a mental state is a kind of hypothetical state that corresponds to thinking and feeling, and consists of a conglomeration of mental representations and propositional attitudes. Most simplistically, a mental state is a mental condition. It is a relation that connects the agent with a proposition. The proposition can be true or false, and acquaintance requires no specific attitude towards that truth or falsity.

Below is the notation used to represent the mental states:

σ id: mental state, where <id> is the identification of the mental state

57

Inventory of Mental StatesMental States Commentsσ 101: user_response_to_SDG_is_translated <F> #399

σ 102: keywords_into_MoW_is_create <F> #398

σ 103: word_from_perceptor _is_read <F> #390<text_perceptor_1>

σ 104: SSM_buffer_is_loaded <F> #391 Process of Matching between Belief β vs Beliefs of Semantic Memory

σ 105: SMM_buffer_is_loaded <F> #392

σ 106: head_of_mental_representation_of_sentence _is_created

<F> #393

σ 107: belief_as_mental_representation_of_sentence_is_created

<F> #394

σ 108: first_word_to_mental_representation_of_the_sentence_is_copied

<F> #395

σ 109: mental_representation_of_the_sentence_is_completed

<F> #396

σ 110: N-Grams_in_the_mental_representation_of_the_sentence__is_searched

<F> #397

σ 111: semantic_weight_matrix_is_created <F> #410

σ 112: FOK_is_triggered <F> #410

σ 113: FOK_is_evaluated <F> #402

σ 114: matching_between_beliefs_is_processed <F> #403

σ 115: concepts_equivalence_is_processed <F> #404

σ 116: number_of_relations_of_C1_is_ counted <F> #405

σ 117: number_of_relations_of_C2_is_ counted <F> #406

σ 118: common_attributes_between_C1_and_C2_is_matched

<F> #407

σ 119: attributes_of_C1_plus_C2_is_added <F> #408

σ 120: equivalence_of_concepts_is_calculated <F> #409

Operators from NGOMSLOperators are elementary perceptual, motor or cognitive acts, whose execution is necessary to change any aspect of the user's mental state or to affect the task environment.

Below is the notation used to represent the types of operators:

α idp: perceptual act

α idm: motor act

α idc : cognitive act

58

1.1.1 Inventory of operators

α 101c : Accomplish Goal <accomplishGoal(aGoal)> #inicia el ciclo cognitivo, el gol que

se recibe por parámetro se envía como gol activo al sistema de atención; también inicia la activación de reglas en la memoria procedimental. Esto es activa la función matching, en la memoria procedimental. α 102

c : Return Goal Accomplished <returnGoalAccomplished(aGoal)> #modifica el campo targetState del gol que se recibe por parámetro, poniéndolo en true.α 103

p : Encode Fact <encodeSMU(inputData)> #el dato de entrada es formateado por la función y genera como salida un SMU ya sea belief o fact. α 104

c : Save Fact Into SSM <saveSMUtoSSM(aSMU)> #el SMU de entrada es almacenado en el buffer de la memoria sensorial -SSM Buffer-. SSM Buffer mantiene un único objeto. α 105

c : Copy Fact Into BCPU.input <copySMUtoBCPUinput(aSMU)> #copia el SMU que está en la SSM a el campo input de la BCPU, manteniendo las dos copias. α 106

c : Retrieve Belief From SMM <retrieveBeliefFromSMM (cue)> #Esta función recupera belief únicamente de la memoria semántica.α 107

c : Copy Belief Into SMM Buffer <copyBeliefIntoSMMBuffer (belief)> # copia el belief recuperado de la memoria semántica (por la función α 106

c ) en el SMM buffer

α 108c : Retrieve Fact From SSM <retrieveFactFromSSM (inputFact)> #lee el fact que está

almacenado en la SSM;α 109

c : Copy Fact Into Lexical Buffer <copyFactIntoLexicalBuffer(inputFact)> #copia un fact/belief dentro del buffer léxicoα 110

c : ALTER Refactory Fact ID <refactorySMU (inputFact, id)> #modifica (altera) el campo ID de un Fact/Belief

α 112c : ALTER Update Fact Add Field <updateSMU (inputFact, newField, value)> #si el

nuevo campo existe modifica su valor, sino lo crea.

α 113c : Retrieve Belief From Lexical Buffer <retrieveBeliefFromLexicalBuffer (belief)>

# recupera un belief del buffer léxico

α 114c : ALTER Update Problem < updateProblem (problem)> #modifica el id del problema

α 115c : Copy Belief Into Lexical STM at MoW <copyBeliefIntoLexicalSTMatMoW (belief)> #

copia un belief dentro del buffer léxico

α 116c : Copy Belief Into Word Node at MoW <copyBeliefIntoWordNodeatMoW (belief)> #

copia un belief dentro del word node del buffer léxico

α 117c : Retrieve Belief From Word Node at MoW <retrieveBeliefFromWordNodeatMoW

(belief)> #

α 122c : Load fact from BCPU.Input <loadFactFromBCPUInput (inputFact)> # copia la

información que está en la memoria SSM a el buffer STM-SSM que es el usado en el ciclo cognitivo

59

α 123c : Load Pattern τ from Pattern Buffer <loadPatternFromPatternBuffer ()> #leer el

patrón de caracteres con el que se va a juzgar la palabra de entrada

α 124c : Encode a new belief with judgment ϑ <encodeaNewBeliefWithJudgment

(judgment)> # hace lo mismo que encodeSMU, pero tiene como entrada un juicio y como salida un fact/belief

α 125c : Copy belief ϑ into Pattern Buffer at BCPU.Pattern

<copyBeliefIntoPatternBufferAtBCPUPattern(belief)> #copia el belief creado con la funcion α 124

c en el BCPU.pattern

α 126c : Trigger a judgment ϑ judgment # <triggeraJudgment (judment)> #

α 128c : Load belief ϖ from <Word Node> Buffer/Field at MoW #

<loadBeliefFromWordNodeatMoW (belief)> #

α 129c : ALTER φ❑ Update φ❑ :next with ϖ# <updateFact (aNext, aValue)> #

α 130c : Copy Input Fact φ❑ into <Word Node> at MoW

<copyInputFactIntoWordNode (inputFact)> #

α 131c : Load belief β from SMM Buffer. # <loadBeliefFromSMMBuffer (belief)> #

Tarea Cognitiva en M++:

M++ es un Domain-Specific Visual Language (DSVL) para modelar la metacognición en sistemas inteligentes e incorpora dos mecanismos de meta-razonamiento, es decir, monitoreo introspectivo y control de meta-nivel. En M++, la sintaxis abstracta se especifica con metamodelos basados en MOF y la sintaxis concreta se expresa mediante un mapeo de los elementos de sintaxis abstracta a las construcciones visuales. Los artefactos principales de M++ son modelos especificados de una manera visual. En la Fig. 3, la sección (A) muestra los íconos utilizados para representar las tareas a nivel de objeto y la sección (B) muestra íconos que representan elementos que interactúan con las tareas en el nivel del objeto (Marewski & Link; 2014).

Fig. 3. Elementos principales en la notación M++

60

El modelo del entorno en CARINA está representado en la memoria de trabajo por los estados mentales, por lo tanto, para cada acción CARINA mantiene un estado mental. En M++ los estados mentales se representan y se muestran en el centro del modelo cognitivo y luego se asocian con las acciones que modifican cada uno de los estados mentales. Las acciones tienen condiciones previas que evalúan si se han cumplido algunos estados mentales para poder ejecutarlos. Las acciones también tienen las postcondiciones que son estados mentales que se ven afectados y su valor cambia de

falso a verdadero después de ejecutar la acción; Los objetivos se describen en los modelos cognitivos, y estos apuntan a los estados mentales los cuales se consideran completos cuando el estado mental se vuelve verdadero. El proceso de razonamiento del nivel de objeto CARINA busca aquellas acciones que son capaces de modificar un problema de un conjunto de estados iniciales a un conjunto de estados finales. A continuación, se muestran todas las acciones y objetivos del modelo representado en M++.

2. Elaboración del Modelo Cognitivo61

Es un manifiesto cognitivo con la información necesaria para resolver un problema específico, está conformado por los estados mentales los cuales tienen asociados los goles, dichos goles se estructuran con condiciones y acciones, se activan cuando el sistema coincide en su condición y procede a ejecutar los métodos que se encuentran en la acción, estos métodos pueden ser de Carina o del agente que se encuentre interactuando con CARINA.

62

Modelo Cognitivo en Formato JSONCognitiveModel.json

[{

"_id": "5bed93a86563d42f1dc2ec7d","name": "Translate User Response to SDG","type": "CMEC","ius": "5bed93a865b27ac082aeff0c","cm": "5bed93a8bff366ce74573fc1","mentalStates": [{"name": "basedAnalogiesSemanticTrainingProcess","state": false

},{

"name": "gettingTwoInputs","state": false

},{"name": "deepSearchProcess",

"state": false},{"name": "learningRulesConstructionProcess","state": false

},{"name": "learningVerificationProcess","state": false

}

],"goals": [{"goal": {"_id": "{{objectId()}}",

"name": "basedAnalogiesSemanticTrainingProcess","currentValue": false,"targetValue": true,

"description": "basedAnalogiesSemanticTrainingProcess"}

},{"goal": {"_id": "{{objectId()}}","name": "gettingTwoInputs",

"currentValue": false,"targetValue": true,"description": "gettingTwoInputs"

}},

63

{"goal": {"_id": "5bed93a8cace266bbde8a76b","name": "deepSearchProcess","currentValue": false,

"targetValue": true,"description": "deepSearchProcess"

}},{

"goal": {"_id": "5bed93a8af3ebda7e698c442","name": "learningRulesConstructionProcess","currentValue": false,"targetValue": true,

"description": "learningRulesConstructionProcess"}

},{"goal": "_id": "5bed93a846ab140ba09cc98d","name": "learningVerificationProcess",

"currentValue": false,"targetValue": true,"description": "learningVerificationProcess"

}}

],"productionRules": [{"rules": {"_id": "5bed93a875792523b7e140b3",

"condition": {"reasonState": {"cm": "5bed93a8bff366ce74573fc1","goal": "5bed93a8cace266bbde8a769"

}

},"conclusion": [{"action": "accomplishGoal","module": "carinaModule",

"idFS": "5bed93a84d0b9868420b45f7","params": {"goal": "5bed93a8693587f8a8b7fc9e"

},"accomplish": false

},64

{"action": "accomplishGoal","module": "carinaModule","idFS": "5bed93a84d0b9868420b45f7",

"params": {"goal": "5bed93a8693587f8a8b7fc9e"


},

{"action": "accomplishGoal","module": "carinaModule","idFS": "5bed93a84d0b9868420b45f7","params": {

"goal": "5bed93a8693587f8a8b7fc9e"},"accomplish": false

},{

"action": "returnWithGoalAccomplished","module": "carinaModule","idFS": "5bed93a84d0b9868420b45f8","params": {"goal": "5bed93a8693587f8a8b7fc9c"


}]

}},{

"rules": {"_id": "5bed93a875792523b7e140b4","condition": {"reasonState": {"cm": "5bed93a8bff366ce74573fc1",

"goal": "5bed93a8cace266bbde8a76a"}

},"conclusion": [{

"action": "executingFoundTrace","module": "carinaModule","idFS": "5bed93a84d0b9868420b45f9","params": {"goal": "5bed93a8693587f8a8b7fc9d"


},65

{"action": "accomplishGoal",

"module": "carinaModule","idFS": "5bed93a84d0b9868420b45f9","params": {"goal": "5bed93a8693587f8a8b7fc9d"

},

"accomplish": false},{

"action": "returnWithGoalAccomplished","module": "carinaModule",

"idFS": "5bed93a84d0b9868420b45fa","params": {"goal": "5bed93a8693587f8a8b7fc9d"


}]

}},{

"rules": {"_id": "5bed93a875792523b7e140b5","condition": {"reasonState": {"cm": "5bed93a8bff366ce74573fc1",

"goal": "5bed93a8cace266bbde8a76b"}

},"conclusion": [{

"action": "searchingProcessOfSearchParameter","module": "carinaModule",

"idFS": "5bed93a84d0b9868420b45fb","params": {"goal": "5bed93a8693587f8a8b7fc9d"


}{"action": "searchingProcessOfFeatureTarget","module": "carinaModule","idFS": "5bed93a84d0b9868420b45fb",

"params": {"goal": "5bed93a8693587f8a8b7fc9d"


},66

{"action": "searchingProcessOfFeatureTarget","module": "carinaModule","idFS": "5bed93a84d0b9868420b45fb","params": {

"goal": "5bed93a8693587f8a8b7fc9d"},"accomplish": false

},{

"action": "searchingProcessOfFeatureTarget","module": "carinaModule","idFS": "5bed93a84d0b9868420b45fb","params": {"goal": "5bed93a8693587f8a8b7fc9d"


},{"action": "returnWithGoalAccomplished",

"module": "carinaModule","idFS": "5bed93a843c4fad6f39c1bc9","params": {"goal": "5bed93a84f03a5f9b662c453"

},

"accomplish": false}

]}

},

{"rules": {"_id": "5bed93a851a6b76cd4acc402","condition": {"reasonState": {

"cm": "5bed93a8bff366ce74573fc1","goal": "5bed93a8af3ebda7e698c442"

}},"conclusion": [{"action": "createANewBeliefΒlinMoW",

"module": "carinaModule","idFS": "5bed93a8ac63a562b2cf30f8","params": {"goal": "5bed93a87e9ed9c9295f024d"

},

"accomplish": false67

},{"action":

"alterΒlAttributesSearchParameterWithSearchParameter",

"module": "carinaModule","idFS": "5bed93a8ac63a562b2cf30f8","params": {"goal": "5bed93a87e9ed9c9295f024d"

},

"accomplish": false},{"action":

"alterΒlAttributesFeatureTargetWithFeatureTarget", "module": "carinaModule","idFS": "5bed93a8ac63a562b2cf30f8",

"params": {"goal": "5bed93a87e9ed9c9295f024d"

},

"accomplish": false},{"action": "alterΒlAttributesDeepLevelWithDeepLevel","module": "carinaModule",

"idFS": "5bed93a8ac63a562b2cf30f8","params": {"goal": "5bed93a87e9ed9c9295f024d"


},{

"action": "alterΒlAttributesRelationsWithRelationsArray","module": "carinaModule","idFS": "5bed93a8ac63a562b2cf30f8",

"params": {"goal": "5bed93a87e9ed9c9295f024d"


},

{"action": "returnWithGoalAccomplished","module": "carinaModule","idFS": "5bed93a897d4e2c495e1de90","params": {

"goal": "5bed93a8000ffe9074d8ebe8"},"accomplish": false

}68

]}

},

{"rules": { "_id": "5bed93a871fd7b4a613abf27","condition": {"reasonState": {

"cm": "5bed93a8bff366ce74573fc1","goal": "5bed93a846ab140ba09cc98d"

}},"conclusion": [

{"action": "puttingSearchParameterandFeatureTarget","module": "carinaModule","idFS": "5bed93a8e756376e6ad15d18","params": {"goal": "5bed93a82208f2787c693ce2"


},{

"action":"createANewBeliefΒminMoWWithTheOutcomeOfLearningRulesConstructionProces s",

"module": "carinaModule","idFS": "5bed93a8e756376e6ad15d18","params": {"goal": "5bed93a82208f2787c693ce2"


},{"action": "returnWithGoalAccomplished","module": "carinaModule","idFS": "5bed93a81dcc9fcd74ef5ec6","params": {"goal": "5bed93a8cc20377e790dd444"


}]

}}

]}

]

a. Manuales de usuario

Aplicación: SIRIO-ODS

Descripción:69

El aplicativo SIRIO-ODS permite hacer registro de encuestas sobre problemas y acciones que se realizan y tengan alguna relación con los Objetivos de Desarrollo Sostenible (ODS).

Página: https://cat-sdg-aa433.firebaseapp.com/

VIdeo: https://drive.google.com/open?id=1AmQkL4IxwjeefIichg9N--jFlUylBkc7

A continuación se presenta la página principal de SIRIO-ODS, donde el usuario debe iniciar sesión con su correo de Gmail.

70

Luego de estar logueados en la aplicación, se procede a iniciar el proceso de ENCUESTAS

71

Se procede hacer un registro de la persona que se va a encuestar, digitando la información que se muestra

72

La primera pregunta es la importancia de los temas al encuestado, se requiere que este usuario selecciones mínimo 6.

Después, se muestra una sección en la que el entrevistado comenta 3 problemáticas y 3 acciones que padecen en su comunidad.

73

Cuando se ha finalizado la encuesta procedemos a guardar la información, esta información es enviada a la bases de datos.

74

Luego del envío de la información, se continúa a la sección de MONITOREO, en esta sección el sistema empieza a consultarle a la base de datos información al respecto de las diferentes preguntas que se han hecho.

En la sección de monitoreo se puede evidenciar el número de usuarios, los departamentos registrados por el entrevistado, el sexo, la edad y una opción llamada “Todos” que permite ver todas las encuestas sin filtros.

75

En la opción Usuario permite identificar cuántas personas han realizado la encuesta y en qué medida del discurso expresado por el usuario se relaciona con el ODS.

76

En la opción “Depto” se visualiza el número de usuario residentes en los diferentes departamentos.

En la opción “sexo” se muestra el número de genero de los usuarios registrados.

77

En la opción “Edad” se identifica el rango de edad de las personas encuestadas.

1.Página de SIRIO-ODS 2. Iniciar Sesión 3. Registro

78

4.Seleccionar Temática 5.Exponer la 1er Problema 6.Exponer la Acción

7.Exponer 2do Problema y acción

8.Exponer 3er Problema y acción

9.Guardar la Encuesta

79

Aplicación: CARINA

Descripción:

CARINA es la Arquitectura Cognitiva que funciona del lado del servidor – Backend, por lo tanto es transparente al usuario (no hay interfaz gráfica para su uso). Las aplicaciones que utiliza el usuario le hacen peticiones a CARINA y ella le devuelve los resultados.

80

Video:https://drive.google.com/open?id=1jEXUw8vbl3Tl32B9w8PXR_JX2NxgGMsb

En este video se evidencia:

La Generación de Sinónimos: Se le agrega una palabra en el campo “LEMA” y seguidamente se todos los sinónimos que corresponde a palabra.

Generar Relaciones Composición: Este proceso es interno y se encarga básicamente de relacionar las palabras entre sí.

Palabras Compuestas: Busca en los belief las asociaciones de una palabra compuesta y las vincula.

El envío de Belief al sistema: Se encarga de capturar la palabra nueva y guardarla en CARINA.

Imput Text: Es el procesamiento de las palabras que se quieren encontrar en los Objetivos de Desarrollo Sostenible (ODS), luego del envío realiza todos los procesos necesarios para que genere una respuesta automática.

Backup: Genera un backup de la base de datos en su momento actual.

b. Manuales de instalación

81

El sistema está desarrollado como sistema web adaptativo, en el cual el usuario ingresa al URL desde un navegador web (ya sea en desde un equipo de escritorio, tablet o smartphone), por lo que no es necesario descargar nada del lado del cliente. Por lo anterior, tampoco ocupa espacio de almacenamiento.

c. Código fuente

App.vueEs el archivo VUE principal de la aplicación.

main.jsEste archivo es el principal JS en la aplicación.

82

auth.jsEs el archivo de autenticación en la base de datos:

83

db.jsEste archivo interactúa con la base de datos.

firebase.jsEste archivo interactúa con la base de datos.

84

theme.jsEn este archivo se configura el tema a usar en la aplicación.

85

CatSdg.vueEs un Componente VUE que se reutiliza en la aplicación.

86

Elemento.vueEs un Componente VUE que se reutiliza en la aplicación.

87

Toolbar.vueEs un Componente VUE que se reutiliza en la aplicación.

88

Create.vueEs un Componente VUE que se reutiliza en la aplicación.

… Final

89

Home.vueEs un Componente VUE que se reutiliza en la aplicación.

…

91

Monitor.vueEs un Componente VUE que se reutiliza en la aplicación.

…

93

Pregunta.vueEs un Componente VUE que se reutiliza en la aplicación.

…

Los códigos documentados anteriormente son los principales en el sistema, pero cabe resaltar que existe un conjunto enorme de código, que integrados, permiten dar funcionamiento a todo el sistema.

94

centrodeinnovacion.mintic.gov.cocentrodeinnovacion.mintic.gov.co/sites/default/files/informe...unfpa-.… ·...

Documents