(Traducción libre realizada por los alumnos de la clase de ingeniería del Conocimiento en la Universidad EAFIT)
MAPAS CONCEPTUALES E INTELIGENCIA ARTIFICIAL: UN MATRIMONIO NO VIABLE? Los mapas conceptuales son una representación gráfica del entendimiento de un dominio de una persona o grupo de personas. Puede ser considerado un esquema para la representación de conocimiento. Sin embargo la comunidad de la inteligencia artificial no están muy convencidos de utilizar el término “representación del conocimiento” para referirse a los mapas conceptuales, porque ellos no pueden cómodamente traducirlo a una representación formal por inferencia o otra técnica de IA (Inteligencia Artificial). Nosotros proponemos que a pesar del formato y estilo libre, que los mapas conceptuales puedan tener, especificar las características para una buena construcción de un mapa conceptual (estructura, semántica, contexto, etc.) que suministre abundancia de información para desarrollar herramientas inteligentes que ayuden al usuario en el proceso de construcción de mapas conceptuales. Nosotros pretendemos es que el compromiso en el formalismo en el camino o en la flexibilidad del propósito acerca de los mapas conceptuales, pueda ser compensado con la ayuda de la inteligencia artificial y las herramientas inteligentes para ayudar a traer lo mejor de los dos mundos, la búsqueda y representación del conocimiento. Nosotros demostramos estos argumentos con una serie de herramientas inteligentes que han sido implementadas en la aplicación CmapTools. Introducción Los mapas conceptuales (Cmaps) fueron desarrollados en 1970 por Joe Novak (Novak y Gowin, 1984) en su equipo de investigación en la universidad de Cornell como una manera de ayudar a determinar cómo los estudiantes avanzaban en el entendimiento de la ciencia. Ellos tienen dos dimensiones de la representación gráfica de una persona o grupo de personas entendiendo un dominio. Cmaps consisten en un conjunto de conceptos, definidos por Novak (ibid) como “regularidades percibidas en eventos u objetos o en un registro de eventos u objetos, designados por etiquetas”. Los cuales son construidos para que las relaciones entre ellos sean evidentes. Los conceptos son usualmente encerrados en círculos o cuadros y las relaciones entre los conceptos son indicadas con líneas que los conectan. Las palabras sobre las líneas que los unen especifican las relaciones entre los conceptos. La etiqueta para la mayoría de los conceptos es una sola palabra, aunque algunas veces símbolos como + o % son usados. La tripleta concepto-link-concepto forma las proposiciones, que tienen un significado acerca de un objeto o evento. En un mapa bien construido, las proposiciones deben “tener sentido” cuando se leen separadamente. La figura 1 presenta un mapa conceptual que describe un mapa conceptual. La característica del mapa ejemplificado en la figura 1 es que los conceptos son representados en un estilo jerárquico con el concepto mas general en la parte de arriba del mapa y el más específico, los conceptos menos generales, están organizados debajo. Así el eje vertical expresa el marco jerárquico para los conceptos. El mapa enfatiza el concepto más general uniendo mediante un link las ideas con las proposiciones. El concepto de “Mapas Conceptuales” en la parte de arriba, define el conocimiento del dominio que pertenece al mapa. La tripleta “Mapa conceptual à Representa à Conocimiento Organizado” es una simple proposición. Aunque de otra forma anotado por flechas, las proposiciones son leídas de arriba hacia abajo. La Carencia de Formalismo de los Mapas Conceptuales La estructura de un mapa depende de su contexto. Por consiguiente los mapas tienen similares conceptos que varían de un contexto a otro y son sumamente idiosincrásicos. La fuerza de Cmaps está en su capacidad de medir el conocimiento de una persona particular sobre un tema dado en un contexto específico. Así los mapas conceptuales construidos por diferentes personas acerca de un mismo tema son necesariamente diferentes, como una representación del conocimiento personal de su creador. Similarmente nosotros no podemos referirnos al mapa correcto acerca de un tema, ya que pueden haber muchas representaciones diferentes de un tema que son correctas. En sitios educativos, las técnicas que trazan un mapa de concepto han ayudado a la gente de cualquier edad a examinar muchas formas diferentes de conocimiento. Cuando los conceptos y las palabras que los unen son cuidadosamente elegidos, esos mapas son herramientas poderosas para observar matices de significados. Su rico poder expresivo se deriva de la habilidad de cada mapa para permitir a su creador el uso de un conjunto prácticamente ilimitado de palabras que conectan para mostrar como los sentidos han sido desarrollados. Sin embargo es su libertad en la construcción, sin embargo es la libertad en la construcción de frases en particular, lo que impide a los mapas conceptuales ser automáticamente traducibles a alguna representación formal. Equilibrio: Usabilidad y Amistad vs Formalismo El mapeo de conceptos ha tenido un uso extendido como una herramienta de elicitación de conocimiento (KE). En términos de su producción de proposiciones que son informativas acerca de un dominio, el mapa conceptual es almenos más eficiente que otros métodos de KE disponibles y es probablemente el método más eficiente para generar modelos del conocimiento de un dominio (Hoffman, Coffey, Carnot, & Novak, 2002). Como un procedimiento KE, ha sido exitosamente empleado para representaciones medianas e interfaces para software inteligente (Sistemas basados en conocimiento y sistemas tutores) en una variedad de dominios aplicando mapas de conceptos en elicitación u obtención de conocimiento para expertos en servicios de diseño. Las herramientas de mapas de concepto han sido exitosamente incorporadas en la elicitación de conocimiento en ambientes de software. (Ford 1991). Sin embargo, los mapas en su forma pura (estilo “Novakiano”) no son convenientes para una representación formal de conocimiento debido a la libertad proporcionada en la selección de conceptos – que a menudo consisten en más de una palabra – y unión de frases. En la mayoría de los ejemplos de KE situados arriba, los mapas fueron usados como la interfaz de un sistema, pero no fueron usados directamente para generar proposiciones, reglas u otro tipo de representación formal. Siempre que la comunidad de la Inteligencia Artificial ha tomado el uso de los mapas para representar conocimiento, ha sido usualmente bajo la condición de que los conceptos y las frases de unión son estrictamente para taxonomías y ontologías predefinidas, como en el caso del ambiente sacudido para la captura a gran escala de de expertos en conocimiento.(Clark 2001). Las representaciones formales que resultan en la mayoría de los casos no serían probablemente consideradas mapas mentales (en el estilo Novakiano) por la comunidad de mapas de concepto. Como resultado, parte de la comunidad AI no mira con buenos ojos el uso de mapas estilo Novakian y los consideran como “no interesantes” para representar el conocimiento, o interesantes después de “formalizarlos”. Entendemos que “formalizar” un mapa conceptual restringiendo las frases conectivas y/o los conceptos llevan a un esquema de representación del conocimiento que es amigable para aplicar algún tipo de proceso automatizado al esquema. Concordamos con el argumento de Kremer que los mapas pueden ser usados formal o informalmente, y amabas formas son necesarias. Ambas representaciones han mostrado ser útiles en gran variedad de situaciones. En la comunidad AI, el producto tradicional de tareas de elicitacion de conocimiento son los modelos formales esperados por la mayoría de herramientas de AI y de los analistas. Que es, traducir el conocimiento de la mente del experto en una rigurosa e inambigua representación para procesos futuros. Este proceso, aunque efectivo en términos de producto final, es conocido por provocar “ cuellos de botella en la adquisición de conocimiento” (Hayes-Roth, Waterman, & Lenat, 1983). El formalismo requerido a menudo hace imposible para el experto construir su propio modelo de conocimiento, requiriendo la participación de ingenieros del conocimiento altamente entrenados y un número de entrevistas para la elicitacion y el chequeo del modelo. Los mapas conceptuales no proveen de una representación del conocimiento formal a menudo esperado por la comunidad AI como el producto final del modelo de elicitacion del conocimiento. Ellos proveen menos rigurosidad, estructura, del modelo de comprensión del dominio del experto. Como sea, el compromiso en formalizar reduce la carga en el proceso de elicitacion y facilita ampliamente el uso de la técnica por los expertos sin la intervención de un ingeniero del conocimiento (e.g. the Mars 2001 project at NASA Ames by Briggs (Briggs et al., 2004)), Aliviando el cuello de botella en la adquisición del conocimiento. Los mapas conceptuales, en su estilo puro Novakiano, son, una actividad humana – una forma de modelar el conocimiento de una forma que sea fácilmente entendida por otros humanos, no por maquinas. Como sea, ellos traen un enorme beneficio al tradicional esfuerzo de AI para la ingeniería del conocimiento. En ambientes educativos (el main target de los mapas conceptuales estilo Novokiano) algunos investigadores han propuesto unas representaciones más formales y restringidas de mapas conceptuales para facilitar la implementación de herramientas como “algoritmos scoring (no se como se traducen je je je, si alguien sabe…) (Lopes da Rocha, J. Valenda da Costa Jr., & Luiz Favero, 2004), assessment (Kornilakis, Gogoulou, Papanikolaou, & Gouli) y verificación de mapas conceptuales (Cimolino, Kay, & Miller). Dansereau y sus colegas han reportado extensamente el uso de mapas de conocimiento, que utilizan un grupo restringido de frases conectoras, en una variedad de aplicaciones (Chmeilewski & Dansereau, 1998; Lambiotte; Rewey, Dansereau, & Peel) incluyendo el enseñar idiomas foráneos (Bahr & Dansereau, 2001). En nuestro esfuerzo de investigación, no estamos interesados en mapas restringidos para predefinir taxonomias u ontologías para obtener una notación más formal, debido a que nosotros creemos que la libertad de la selección de conceptos y frases conectoras le dan a la herramienta gran poder, los hace amigables y fáciles de aprender. Discutimos, en cambio, que los mapas ofrecen un compromiso razonable entre flexibilidad y formalismo en la representación de conocimiento, y en este paper, que la estructura y el contexto proveído por los mapas habilitan el desarrollo de lo que hemos llamado software inteligente, descrito más adelante en este paper. Otros investigadores han tomado posiciones similares en el desarrollo de herramientas para mapas conceptuales (e.g., Conlon, 2004). Proponemos que a pesar de la deficiencia de formalismos, técnicas AI pueden ser usadas para ayudar usuarios en la construcción de mapas conceptuales Novokianos. Hemos encontrado que siguiendo los lineamientos de Novak (Novak & Gowin, 1984) en términos de hacer conceptos de palabras simples y las frases conectoras lo más cortas posibles conducen a los mapas a, una notación más formal aunque no sea directamente traducible. Provee una abundancia de información de la que se puede tomar ventaja por una herramienta inteligente basada en AI que ayude al usuario en el proceso de construir mapas, en vez de tratar de convertir mapas Novokianos en algo que no son para utilizarlos en aplicaciones AI. Hemos desarrollado herramientas AI para ayudar al usuario en el proceso de construcción de mapas. Estas herramientas toman ventaja de las características de los mapas que describimos en la siguiente sección. Características de los mapas conceptuales Los mapas Novokianos tienen características particulares que los hacen amenos para las herramientas inteligentes, y son:

1. Los mapas tiene estructura: por definición, los conceptos más generales son presentados en la parte superior mientras que los más específicos en la parte inferior. Otra información estructural, por ejemplo, el numero de conexiones ingoing y outgoing de un concepto, podrían proveer información adicional con respecto al rol del concepto en el mapa. (Leake, Maguitman & Reichherzer (Leake, Maguitman, & Reichherzer) presentan soporte experimental de la importancia cognitiva de estos factores).
2. Los mapas son basados en proposiciones, cada dos conceptos con su frase conectora forman una “unidad de significado”. Esta estructura proposicional diferencian los mapas de otras herramientas como son los mapas mentales y el cerebro y provee semántica a las relaciones entre los conceptos.
3. Los mapas tienen un contexto, un mapa es la representación del entendimiento de una persona de un dominio particular del conocimiento. Como son, todos los conceptos y las frases conectoras que son interpretadas en el contexto.

Adicionalmente, en mapas bien construidos:

4. Los conceptos y las frases conectoras son lo más cortas posible, posiblemente palabras simples.
5. cada dos conceptos unidos por una frase conectora forman una proposicion standalone. Que es, que la preposición puede ser leída independientemente del mapa y sigue “teniendo sentido”.
6. La estructura es hereditaria y el nodo raíz del mapa es una buena representación del tema del mapa.

Herramientas Inteligentes y CMapsTools En el instituto para la cognición humana y mecánica (IHMC) hemos desarrollado CMapTools (Cañas et al.; Cañas, Hill et al.) un software muy usado para soportar la construcción de mapas también para la anotación de mapas con material adicional como imágenes , video clips, diagramas y otros recursos. Provee la capacidad de guardar y acceder mapas en servidores múltiples para soportar el intercambio de conocimiento a través de distancias geográficas. Hemos implementado un grupo de herramientas inteligentes en CMapTools. Este va desde un ambiente de colaboración en el “nivel de conocimiento” hasta mapas conceptuales basados en la búsqueda en la Web. Describimos algunas de estas herramientas como ejemplos de cómo una herramienta inteligente puede tomar ventaja de las características de los mapas antes mencionadas. Soups and the Giant Las Soups (Cañas, Ford, Brennan, Reichherzer, & Hayes, 1995; Cañas et al., 2001) proveen para un tipo único de colaboración entre un grupo de usuarios – usualmente estudiantes- construir cada uno un mapa en un mismo tema. Como se dijo anteriormente, un mapa puede ser considerado como una colección organizada de proposiciones relacionadas conjuntamente a una colección de tópicos. Cada proposición es expresada por una sentencia simplificada la cual puede ser extraída de un mapa siguiendo los arcos, los nodos iniciales y finales, es decir, tomando pares de conceptos y sus frases conectoras. Por ejemplo, el mapa en la figura 2 contiene la proposición “Ozone forms an Ozone Layer” y “Ozone Layer is in the Stratosphere”. Cuando el estudiante (por propósitos de esta ilustración asumiremos que los usuarios colaborativos son estudiantes) construye el mapa, el sistema automáticamente descompone este mapa en proposiciones que son listadas en la parte superior de la ventana a la derecha del mapa que se muestra en la figura 2. Esto permite dos muy diferentes (aunque lógicamente equivalentes) representaciones de la ideas del estudiante: uno es la estructura gráfica del del Cmap y otro es la manera textual. Un estudiante puede publicar consideraciones, que son potencialmente visible para otros (las consideraciones publicadas se demuestran con un pin a la izquierda, como si estuvieran fijadas en un tablón de anuncios). Llamamos este proceso que es hacer una demanda. Estas consideraciones publicadas – demandas - parte convertida de los estudiantes de colaboración' compartieron la “sopa del conocimiento”, que consiste en una “base de datos altamente organizada” de las demandas simples que representan el conocimiento cada vez mayor del grupo. Es a través de estas sopas del conocimiento que esa colaboración y el compartir ocurren. Las sopas del conocimiento tienen muchas interpretaciones y se pueden exhibir de varias maneras. Pueden ser pensadas en como cuerpo del texto, una codificación de un grupo más grande Cmap, o una colección anotada de discusiones entre los estudiantes. Las demandas publicadas se pueden considerar por otros estudiantes y se pueden utilizar en su propio proceso del mapa-edificio, pero un estudiante no puede ver todas las demandas publicadas por otros, pues esto sería a menudo cognitivamente inmanejable. El sistema tiene heurística sobre lo mal relatado de las demandas del conocimiento. Las únicas demandas que un estudiante ve son esos directamente relacionados con los que él contribuyó a la sopa del conocimiento. Mientras que un estudiante publica más, una gama más amplia de otras demandas relacionadas llega a ser visible. Esta estrategia se piensa para animar y para recompensar a estudiantes para la participación. Un estudiante puede preguntar por una demanda hecha por otro estudiante, si el o ella discrepa con él en algo que lo desconcierta, el autor de la demanda puede responder. Preguntar una demanda la hace ser exhibida con “hilo de discusión” a su izquierda, para indicar al autor y a cualquier tercero que está bajo conflicto. Las dudas son mensajes que son visibles con una marca. Cualquier persona - incluyendo, por supuesto, el autor del requerimiento - puede leer este mensaje y responder a él con otro comentario, o una explicación o una defensa del original. De esta manera, una demanda publicada puede convertirse en el lugar geométrico de una discusión extendida sobre un cierto asunto. Propias demandas del estudiante están además conforme a la revisión de par. En el cuadro 2, un estudiante ha preguntado por qel requerimiento “ozono tiene un agujero” - ahora se espera que el autor del requerimiento responda a traves del mismo mecanismo. Figura 2: Mapa conceptual is parte de la sopa de conocimiento sobre Ozone. Las sopas no son un canal de comunicaciones. De hecho, la sopa ser publicada como demandas anónimas. El contenido, no la fuente, determina qué partes de la sopa son publicadas por el estudiante. De esta manera, es una nueva clase de interacción del grupo que asciende a una colaboración entre los estudiantes enteramente en los términos de lo que saben, una colaboración en el nivel del conocimiento. Puesto que las sopas son accesibles a través del Internet, la colaboración puede ocurrir dentro de una sala de clase, entre las salas de clase, o entre las escuelas, es local o distante.

Las sopas demuestran la utilidad de la naturaleza de las consideraciones de Cmaps. Aun cuando las consideraciones no se pueden traducir a una notación más formal, se convierten en la base de un ambiente el compartir y de la colaboración. El gigante
Hemos desarrollado a agente del software - el gigante (Reichherzer, Cañas, Ford, y Hayes, 1998) que se aprovecha del ambiente de la sopa y de la naturaleza preposicional de la creencia del estudiante. El gigante, encajado en el programa y el funcionamiento independientemente en la máquina de cada estudiante, genera las conclusiones tentativas derivadas (de otros estudiantes) de asuntos locales (el estudiante) y compartidos de la sopa del conocimiento usando un sistema de reglas simple. Presenta sus propias demandas al estudiante y pide la decisión sobre su validez.
Referimos al agente como gigante porque en un sentido `sabe' mucho pero carece totalmente conocimiento del sentido común y ha limitado las capacidades de razonar que inducen a veces un tonto solamente comportamiento de diversión. El gigante no está garantizado para dibujar conclusiones racionales del Cmap (como que un ser humano) y no verifica de ninguna manera los asuntos del estudiante - tal intención no se persigue en nuestro estudio. Sin embargo, los asuntos del gigante actúan a menudo como desestabilizador del `' al estudiante, proponiendo las conclusiones que animan a que el usuario que considere una diversa línea del pensamiento.

El gigante se basa en un sistema de las reglas pequeño que se pueden clasificar en tres categorías: transitividad; cuantificador, calificador y dependencias; y clasificación y extensión. De acuerdo con estas reglas el gigante genera sus propias conclusiones. Por ejemplo, si el estudiante tiene un asunto “plantas tiene hojas” y otro estudiante tiene “hojas son verde” en la sopa, el gigante concluye que las “plantas son verdes” y propone esto como demanda al estudiante (las reglas comprueban no sólo para los conceptos que emparejan, pero también para saber si hay pares de las palabras que se ligan que indican conclusiones razonables). Si el estudiante tiene “algunas estrellas son estrellas de neutrón”, las notas del gigante cuantificara “algunos” y concluirán que “hay las estrellas que no son estrellas de neutrón”, o “la capacidad de ser un neutrón requiere algo”, o las “estrellas no son siempre estrellas de neutrón”. El cuadro 3 demuestra que el gigante que toma la demanda “magnesio del estudiante es un mineral” y una demanda “los minerales están en el suelo” para concluir que el “magnesio está en el suelo”. Las demandas del gigante se exhiben en una ventana separada, y cuando el estudiante da click activando uno de ellos, una caja de diálogo como ésa en el cuadro 3 se exhibe, así el estudiante puede verificarle al gigante si la demanda es verdad, falsa o tonta. Figure 3: The Giant proposes a claim to the student. La opción tonta demuestra que Giant[1], aun cuando tiene acceso a todas las demandas en la Sopa[2], es probable que llegue a conclusiones irracionales. Pero como Giant no pretende enseñar al estudiante, realmente no importa si él no tiene siempre la razón. Giant además demuestra cómo las herramientas inteligentes pueden aprovechar la naturaleza proposicional de los Cmaps[3]. Con capacidades limitadas de la comprensión y de la construcción de la oración, Giant puede ayudar a los estudiantes a construir mejores Cmaps. Desambiguación de palabras – ¿De qué trata este Mapa Conceptual? Las palabras tienen a menudo más de un significado, y una tarea difícil en el procesamiento del lenguaje natural es determinar el correcto significado de una palabra en un texto basado en su contexto. Debido a su naturaleza de forma-libre, esta ambigüedad está también presente en los Cmaps, como puede ser visto en los dos sencillos ejemplos de la Figura 4 que muestran dos mapas usando el concepto “silla” (“chair”) con dos significados diferentes. El poder determinar cuál es el significado correcto de “silla” en cada uno del Cmaps ayudaría a otras herramientas, por ejemplo Giant, a tomar mejores decisiones. En Cañas y otros (2003) informamos sobre un esfuerzo por utilizar WordNet (Miller, 1990) para quitar ambigüedades del significado de palabras en Cmaps, sean parte de un concepto o de una frase de relación. Explotando la topología y la semántica de Cmaps, el algoritmo utiliza los significados y las relaciones semánticas proporcionados por WordNet para intentar determinar cuál de los significados de WordNet concuerda mejor en el contexto del Cmap. Para quitar ambigüedades de una palabra W, el algoritmo comienza seleccionando los conceptos claves del mapa: (a) palabras en los conceptos que están en la misma proposición W, (b) las palabras en el concepto de la raíz del mapa, y (c) otras palabras en el concepto al cual pertenece W. Estas palabras seleccionadas y W entonces se utilizan en una serie de los pasos descritos en Cañas y otros (2003): (a) cada una de las palabras se relaciona con uno o más synsets de WordNet (un synset es un sistema de palabras sinónimas que representan un concepto en WordNet), (b) todas las secuencias posibles del hypernym[4] se construyen de quien su último elemento sea un synset de una de esas series, (c) los grupos de secuencias hypernym son creados, y (d) se selecciona el mejor grupo, y (e) el último synset del grupo seleccionado proporciona el significado sin ambigüedades de la palabra. Otros algoritmos usados para quitar ambigüedades de palabras en el texto (por ejemplo. Fellbaum, Palmer, Dang, Delfs, & Wolf, 2001) tienen el problema de seleccionar las palabras claves, que en el caso del texto es difícil porque no hay una estructura particular, y las relaciones entre las palabras no están claras. Nuestro algoritmo explota la topología del mapa incluyendo solamente las palabras de los conceptos claves como parte del proceso de la desambiguación. Figura 4. Dos mapas conceptuales usando la misma palabra “silla” (“chair”) con significados diferentes. La Figura 5 muestra el resultado de quitar ambigüedades del concepto “silla” en el Cmaps de la Figura 4. Para cada mapa, el concepto “silla” fue seleccionado, y el servidor de WordNet disponible para CmapTools fue invocado para mostrar información sobre el término. La invocación de esta función ejecuta automáticamente el algoritmo de la desambiguación de la palabra descrito arriba y, como resultado, el significado correcto de la palabra es mostrado como la entrada superior en la lista de las definiciones. La ventana superior muestra el resultado para el mapa “Silla en Habitación” (“Chair in Room”) y la ventana inferior para el mapa “Presidente del Departamento” (“Chair of Department”). Como puede ser visto, el algoritmo seleccionó el significado correcto en ambos casos. En Cañas y otros (2003) informamos sobre un experimento dónde los temas fueron pedidos para seleccionar el sentido apropiado para los conceptos en Cmaps. Los resultados demostraron que el algoritmo podía convenir con el significado seleccionado por los temas en el 75% de los casos. El poder quitar ambigüedades del significado de un concepto abre un nuevo grupo completo de herramientas inteligentes para aplicarse a Cmaps. Dos de estas herramientas, que todavía no se toman ventaja de este algoritmo, se presentan en la sección siguiente. Buscando la Web basada en un Mapa del Conceptual Los motores de búsqueda se han convertido en un asunto caliente mientras que el Web crece en lo que hace algunos años era un tamaño inimaginable Figura 5: Quitando ambigüedades del significado de “silla” en los Cmaps en la Figura 4 El trabajo de los buscadores Web ha sido reemplazado lentamente con motores de búsqueda a gran escala. Nadie navega en la Web más: los usuarios Google que buscan un tópico en el que están interesados y luego lo dejan. Es decir, muchos de los usuarios de la Web confían en la gran cantidad de billones de páginas indexadas en la Web para ellos. Sin embargo, motores de búsqueda confían en una consulta específica hecha por el usuario y los usuarios raramente proveen buenos querys. El promedio de los querys de búsqueda, en un estudio reciente son de 2.2 palabras (Spink, Wolfram, Jansen, & Saracevic, 2001). Como resultado, la lista de documentos recuperados trae una gran cantidad de información que no tiene relevancia para la consulta. Nosotros proponemos para alivianar este problema de las ventajas que se proveen en el contexto de los mapas conceptuales a) proveer consultas más completas para los motores de búsqueda y b) realzar el total de resultados proveídos por los motores. El usuario puede fácilmente y concretamente especificar el contexto de la búsqueda en un mapa conceptual, el cual será usado para la construcción automática de consultas. Los algoritmos de búsquedas-web, implementados en CmapTools permiten al usuario seleccionar un concepto y preguntar al sistema para buscar en la web información que sea relevante con el concepto que se encuentra en el contexto del mapa. El proceso consiste en: a) Analizar el mapa para preparar una consulta relevante para buscar en la búsqueda Web. b) Recuperación de los documentos relevantes de la Web. c) Organizar las páginas Web de acuerdo con la relevancia. d) presentar los resultados para el usuario. Describiremos brevemente cada uno de estos pasos. Para generar la consulta, los conceptos clave son seleccionados del mapa. Esto incluye las palabras concepto, la raíz del mapa y los nodos autoridad: Aquellos con el número más alto de links que salen hacia otros nodos. Nosotros asumimos que el número de links que salen es un indicativo de una elaboración adicional de estos conceptos y por tanto una muestra de su relevancia en el contexto del mapa. Nosotros usamos la consulta construida a partir de los conceptos clave en los pasos anteriores para recuperar las páginas web y construir nuestra colección de documentos. Nosotros hemos desarrollado un motor metabuscador basado primeramente en google para recuperar un conjunto inicial de documentos del internet público. Una vez recuperados, estos documentos son agregados a la cache local para búsqueda, la cual es basada en una comparación de la distancia de matrices calculadas desde el mapa a cada documento candidato. La distancia de matrices es simétrica, y provee una lista nutrida de términos concepto en el mapa y de documentos. Lo nutrido entre términos en el mapa es proporcional al número de frases enlace entre cada concepto. Para los documentos, el total es estimado como una función del número de palabras entre cada término de mapa encontrado en el texto. Las distancias cortas entre los términos representan un peso más alto, como términos que son más probables para formar una proposición. Resultados experimentales reportados en Carvalho muestran que el algoritmo anotó un similar o mejor que el mejor cuarto motor de búsqueda disponible en el top de los que recuperan documentos relevantes para el mapa de acuerdo a un tema en criterio, y lo realizó claramente mejor que los otros tres. La combinación de influencia en la estructura del mapa en la generación de la consulta y utilizar la naturaleza proposicional y la topología jerárquica de los mapas conceptuales para proveer información contextual para identificar un rango de documentos arrojados que parecen ser más relevantes para proveer una mejora sobre el rango de documentos proveídos por motores de búsqueda públicos disponibles. Herramientas Inteligentes para construir Mapas Conceptuales Las capacidades de búsqueda de la Web de CmapTools pueden también ser usadas en el proceso de construcción de un mapa. La aplicación de CmapTools supervisa proactivamente en contexto de un mapa abierto para una búsqueda autónoma para la información de la Web que puede ser relevante para el usuario. A discreción del usuario, esta información puede ser utilizada para verificar, corregir o extender su mapa durante su búsqueda o elaboración. Esta capacidad esta integrada con el editor, y las sugerencias con base en la web pueden ser proporcionadas de dos formas: a) una lista de paginas web que pueden ser usadas por el usuario como referencia. b) una lista de conceptos relevantes que el usuario puede, en su discreción, agregar al Cmap para ampliar o clarificar el contenido. Esta información es preventivamente ofrecida por la aplicación como los cambios del contexto de mapa, pero esto además puede requerir demanda del usuario. La sugerencia de la pagina web esta basada en una versión realzada del algoritmo de búsqueda propuesto para obtener paginas importantes de la web basadas en la etapa corriente del Cmap (Leake, Maguitman, Reichherzer y otros.). Una diferencia en la sugerencia preventiva de las páginas web es que se considera el mapa entero. Esta contrasta con la petición de búsqueda, donde al usuario se le permite especificar un concepto dentro del mapa que podrá usar para enfocar la búsqueda. Las pruebas descritas en este modulo con un grupo de usuarios tuvieron un reporte que indico que los resultados son efectivos en la presentación de los conceptos importantes del usuario. Esta eficacia sin embargo disminuye cuando los mapas crecen, que implica que el algoritmo debería ser revisado para tener en cuenta que en mapas más grandes, los usuarios trabajan con la mayor probabilidad en un pedazo del mapa, y entonces los conceptos sugeridos deberían ser determinados por el contexto de aquel pedazo. En este experimento, a las personas (13 en total) se les dio un tema para un mapa y construirlo con un mínimo de 20 conceptos. Durante la construcción del mapa, eran periódicamente guiados con una lista de sugerencias para los conceptos. Las sugerencias eran automáticamente extraídas por CmapTools basado en la extracción de contextos de diferentes etapas de los mapas. Cuando se indujo a cada uno de los usuarios a que calificaran los conceptos en una escala de importancia. El promedio por persona fue de 6 veces de una lista de 15 sugerencias (cada vez) durante la construcción del mapa. Sobre la tercera etapa que clasifica el porcentaje de las personas que han posicionado al menos 4 de los 15 conceptos sugeridos como relevantes estuvo por encima del 62% y el número de sujetos que posicionaron al menos 3 de ellos como relevantes estuvo por encima del 77%. Para la última etapa, como el mapa crece en tamaño, el número de porcentajes borrados y que siempre se conservaron fue por encima del 50%. Los módulos de los mapas conceptuales buscan en la web paginas y conceptos para que el usuario adicione durante la construcción del mapa sobre como las herramientas inteligentes pueden influenciar características particulares de los mapas. Conclusiones Los mapas son representaciones graficas en dos dimensiones de una persona entendiendo un dominio. Reconocido como herramienta inteligente para adquisición de conocimiento representado y compartido. Los mapas conceptuales son comúnmente criticados por la comunidad de Inteligencia Artificial por la deficiencia de formalismo que esta intrínseco en la técnica. En este escrito nosotros hemos mostrado que hasta sin comprometer la flexibilidad propuesta en los mapas conceptuales, es posible diseñar herramientas de software inteligente que influencie la estructura, jerarquía y contexto de los mapas para llevar a cabo tareas de inferencia complejas. Nuestro llamado es al compromiso en el formalismo en la construcción de propuestas flexibles de los mapas pueda ser compensado con la ayuda de las herramientas inteligentes e Inteligencia Artificial para adquirir lo mejor de los dos mundos el de la representación y el de adquisición de conocimiento.