Guia per a l'adaptació a l'espai europeu d'educació superior: 1. Competències = Guía para la adaptación al espacio europeo de educación superior: 1. Competencias = Guide to adaptation to the european higher education area: 1. Competences

Aquest quadern és el primer lliurement de les Orientacions per a l’adaptació a l’espai europeu d’educació superior. Té l’origen en el debat de la Comissió de seguiment del Pla pilot d’adaptació a l’espai europeu d’educació superior de la UdG i del grup de treball que s’ha constituït l’hivern 2005-2006 expressament per tractar el tema de les competències

Guia per a l'adaptació a l'espai europeu d'educació superior: 2. Competències UdG = Guía para la adaptación al espacio europeo de educación superior: 2. Competencias UdG = Guide to Adaptation to the European Higher Education Area: 2. UdG competences

Aquest quadern forma part de la Guia per a l'adaptació a l'espai europeu d'educació superior

Guia per a l'adaptació a l'espai europeu d'educació superior: 3. El vostre paper, estudiants = Guía para la adaptación al espacio europeo de educación superior: 3. Vuestro papel, estudiantes = Guide to adaptation to the European Higher Education Area: 3. Your role as a student

Aquest quadern forma part de la Guia per a l'adaptació a l'espai europeu d'educació superior

Guia per a l'adaptació a l'espai europeu d'educació superior: 4. Activitats d'aprenentatge = Guía para la adaptación al espacio europeo de educación superior: 4. Actividades de aprendizaje = Guide to Adaptation to the European Higher Education Area: 4. Learning Activities

Aquest quadern és el quart lliurement de la Guia per a l'adaptació a l'espai europeo superior. Té l'origen en el debat de la Comissió de Seguiment del Pla Pilot d'adaptació a l'Espai Europeu d'Educació Superior de la UdG i del grup de treball que s'ha constituït l'estiu del 2006 expressament per tractar el tema de les activitats d'aprenentatge

Guia per a l'adaptació a l'espai europeu d'educació superior: 5. Avaluació de l'aprenentatge = Guía para la adaptación al espacio europeo de educación superior = Guide to Adaptation to the European Higher Education Area

Aquest quadern és el cinquè lliurement de la Guia per a l'adaptació a l'espai europeu d'educació superior. Té l'origen en el debat de la Comissió de Seguiment del Pla pilot d'Adaptació a l'Espai Europeu d'Educació Superior de la UdG i del grup de treball que s'ha constituït expressament per tractar el tema de l'avaluació dels aprenentatges

Guia per a l'adaptació a l'espai europeu d'educació superior: 6. Continguts = Guía para la adaptación al espacio europeo de educación superior: 6. Contenidos = Guide to Adaptation to the European Higher Education Area: 6. Contents

Aquest quadern és el sisè lliurament de la Guia per a l'adaptació a l'espai europeu d'educació superior. Té l'origen en el debat de la Comissió de Seguiment del Pla Pilot d'Adaptació a l'Espai Europeu d'Educació Superior de la UdG i del grup de treball que s'ha constituït expressament per tractar el tema de l'avaluació dels aprenentatges

Using self organizing maps on compositional data

Self-organizing maps (Kohonen 1997) is a type of artificial neural network developed to explore patterns in high-dimensional multivariate data. The conventional version of the algorithm involves the use of Euclidean metric in the process of adaptation of the model vectors, thus rendering in theory a whole methodology incompatible with non-Euclidean geometries. In this contribution we explore the two main aspects of the problem: 1. Whether the conventional approach using Euclidean metric can shed valid results with compositional data. 2. If a modification of the conventional approach replacing vectorial sum and scalar multiplication by the canonical operators in the simplex (i.e. perturbation and powering) can converge to an adequate solution. Preliminary tests showed that both methodologies can be used on compositional data. However, the modified version of the algorithm performs poorer than the conventional version, in particular, when the data is pathological. Moreover, the conventional ap- proach converges faster to a solution, when data is \well-behaved". Key words: Self Organizing Map; Artificial Neural networks; Compositional data

Learning and adaptation in physical heterogeneous teams of robots

In this paper we present a novel approach to assigning roles to robots in a team of physical heterogeneous robots. Its members compete for these roles and get rewards for them. The rewards are used to determine each agent’s preferences and which agents are better adapted to the environment. These aspects are included in the decision making process. Agent interactions are modelled using the concept of an ecosystem in which each robot is a species, resulting in emergent behaviour of the whole set of agents. One of the most important features of this approach is its high adaptability. Unlike some other learning techniques, this approach does not need to start a whole exploitation process when the environment changes. All this is exemplified by means of experiments run on a simulator. In addition, the algorithm developed was applied as applied to several teams of robots in order to analyse the impact of heterogeneity in these systems

Multidimensional Adaptations for Open Learning Management Systems

Our work is focused on alleviating the workload for designers of adaptive courses on the complexity task of authoring adaptive learning designs adjusted to specific user characteristics and the user context. We propose an adaptation platform that consists in a set of intelligent agents where each agent carries out an independent adaptation task. The agents apply machine learning techniques to support the user modelling for the adaptation process

A formalization for multi-agent decision support in cooperative environments. A framework for situated agents

La tesis propone un marco de trabajo para el soporte de la toma de decisiones adecuado para soportar la ejecución distribuida de acciones cooperativas en entornos multi-agente dinámicos y complejos. Soporte para la toma de decisiones es un proceso que intenta mejorar la ejecución de la toma de decisiones en escenarios cooperativos. Este proceso ocurre continuamente en la vida diaria. Los humanos, por ejemplo, deben tomar decisiones acerca de que ropa usar, que comida comer, etc. En este sentido, un agente es definido como cualquier cosa que está situada en un entorno y que actúa, basado en su observación, su interpretación y su conocimiento acerca de su situación en tal entorno para lograr una acción en particular.Por lo tanto, para tomar decisiones, los agentes deben considerar el conocimiento que les permita ser consientes en que acciones pueden o no ejecutar. Aquí, tal proceso toma en cuenta tres parámetros de información con la intención de personificar a un agente en un entorno típicamente físico. Así, el mencionado conjunto de información es conocido como ejes de decisión, los cuales deben ser tomados por los agentes para decidir si pueden ejecutar correctamente una tarea propuesta por otro agente o humano. Los agentes, por lo tanto, pueden hacer mejores decisiones considerando y representando apropiadamente tal información. Los ejes de decisión, principalmente basados en: las condiciones ambientales, el conocimiento físico y el valor de confianza del agente, provee a los sistemas multi-agente un confiable razonamiento para alcanzar un factible y exitoso rendimiento cooperativo.Actualmente, muchos investigadores tienden a generar nuevos avances en la tecnología agente para incrementar la inteligencia, autonomía, comunicación y auto-adaptación en escenarios agentes típicamente abierto y distribuidos. En este sentido, esta investigación intenta contribuir en el desarrollo de un nuevo método que impacte tanto en las decisiones individuales como colectivas de los sistemas multi-agente. Por lo tanto, el marco de trabajo propuesto ha sido utilizado para implementar las acciones concretas involucradas en el campo de pruebas del fútbol robótico. Este campo emula los juegos de fútbol real, donde los agentes deben coordinarse, interactuar y cooperar entre ellos para solucionar tareas complejas dentro de un escenario dinámicamente cambiante y competitivo, tanto para manejar el diseño de los requerimientos involucrados en las tareas como para demostrar su efectividad en trabajos colectivos. Es así que los resultados obtenidos tanto en el simulador como en el campo real de experimentación, muestran que el marco de trabajo para el soporte de decisiones propuesto para agentes situados es capaz de mejorar la interacción y la comunicación, reflejando en un adecuad y confiable trabajo en equipo dentro de entornos impredecibles, dinámicos y competitivos. Además, los experimentos y resultados también muestran que la información seleccionada para generar los ejes de decisión para situar a los agentes, es útil cuando tales agentes deben ejecutar una acción o hacer un compromiso en cada momento con la intención de cumplir exitosamente un objetivo colectivo. Finalmente, algunas conclusiones enfatizando las ventajas y utilidades del trabajo propuesto en la mejora del rendimiento colectivo de los sistemas multi-agente en situaciones tales como tareas coordinadas y asignación de tareas son presentadas.