Descripción
Se desarrolló un sistema de filtrado colaborativo, en base al algoritmo k-vecinos en repositorios de objetos de aprendizaje, también busca que esté basado en la percepción de usabilidad y utilidad que los usuarios tengan acerca de los objetos de aprendizaje en un repositorio, en este caso rodas.
Los sistemas de recomendación ahorran tiempo a los usuarios en la personalización de las búsquedas, además también sugieren otros objetos con valoración alta calificada por otros usuarios
El RODAS está conformado por dos subsistemas: rodasAdmin, el cual contiene todas las funcionalidad desde un administrador como la configuración del sistema, y rodas, este cuenta con las funciones de búsqueda y descarga, carga, posibilidad de participar en foros, chat.
Definiciones:
Objeto de aprendizaje: recurso digital que puede ser reutilizado en varios ambientes educativos y que tengan objetivo de educación claro. Sus características son: Educabilidad, usabilidad, interacción, reutilización.
Repositorios de objetos de aprendizaje: sistemas de software que almacenan objetos de aprendizaje; se estructuran como bases de datos con metadatos asociados.
Sistemas de recomendación: Hay 2 procesos para recoger información para recomendar:
-Recomendación basada en contenido, este proceso se hace analizando los metadatos del objeto de aprendizaje, relacionado con el dominio de conocimiento
-Recomendación basada en preferencias del usuario o recomendación colaborativa, se hace mediante la agregación estadística de las preferencias de otros usuarios.
Para poder registrar la percepción del usuario, se calificará según usabilidad, robustez, pertinencia y accesibilidad; el usuario calificará el objeto de aprendizaje en base a estos criterios.
Metodología: la metodología usada en este trabajo es la implementación del filtrad colaborativo basado en las usuarios de la vecindad próxima (k-means). Se usó técnicas estadísticas sobre las valoraciones que el usuario hizo sobe los objetos de aprendizaje, luego se compara con el historial de otros usuarios con preferencias similares y de este modo identificar qué otros ítems le podrían interesar.
El vecindario está formado por todos los usuarios que tienen un nivel de correlación con el usuario al que recomendaremos
Se definen los pesos para cada usuario con base en el coeficiente de correlación de Pearson, este coeficiente mide el nivel de cercanía o relación entre los usuarios, en relación a sus valoraciones a los objetos de aprendizaje.
La desviación estándar muestra el grado de dispersión de un grupo de datos de su media aritmética, nos dice cuánto se alejan los votos del usuario sobre el promedio de votos de un objeto de aprendizaje.
Para definir las recomendaciones, se buscan los objetos que hayan sido de interés para los vecinos del usuario a recomendar y que hayan realizado valoraciones y que el usuario al que recomendaré no haya evaluado aún.
Lo que definirá el peso del objeto o qué tan recomendable será: la cantidad de vecinos que hayan valorado el objeto y las valoraciones realizadas a un objeto por los vecinos
Resultados de la prueba de validación
Se tomó datos durante 5 días teniendo en cuenta características de usabilidad, accesibilidad y pertinencia que tienen los usuarios con respecto a los objetos de aprendizaje.
Se pudo visualizar gráficamente el grado de aceptación de las recomendaciones hechas por el software, demostrado por la descarga hecha del objeto de aprendizaje recomendado por el usuario o que fueron abiertos; también se pudo demostrar por el porcentaje de objetos recomendados que fueron calificados con 4 o 5 puntos en un rango de 1 a 5 donde 5 es el puntaje más alto.
Sistemas de recomendación semánticos (SRS): son herramientas de software que se basan en la interpretación "semántica" de las necesidades de información del usuario, La idea central detrás de estos sistemas es utilizar el conocimiento ontológico para describir los elementos con el fin de tener una representación profunda y estructurada de su contenido
Tipos de SRS:
- Sistemas basados en ontologías o esquemas de conceptos basan sus recomendaciones en ontologías para representar la información, modelar los perfiles de usuarios y los elementos.
- Sistemas adaptables al contexto son sistemas que se basan en una serie de factores para determinar en qué situación o contexto se encuentra el usuario y así adaptar las recomendaciones a ese contexto o situación.
- Sistemas basados en redes de confianza entre las diferentes partes que componen el sistema.
El Procesamiento del lenguaje natural en SRS se puede aplicar en 3 etapas:
- pre procesamiento de los documentos (eliminación de palabras vacías y signos de puntuación)
- Se aplica el proceso de etiquetado gramatical para la extracción de sustantivos de una serie de blogs
- Se extraen los sustantivos para generar una base de relaciones semánticas entre sustantivos y temas asociados de cada post
Aplicaciones del SRS:
- En el turismo permite la integración automática y dinámica de información heterogénea sobre viajes en línea, en otro de los trabajos referenciados también se hizo un modelo de guía turística, que recomienda puntos de interés, teniendo en cuenta factores como preferencias personales y atributos contextuales
- En otro de los trabajos realizados se propone un sistema de recomendación de películas híbrido haciendo uso de la semántica en su módulo basado en contenido junto con una técnica de filtrado colaborativo. Este hace una propuesta interesante para la "retroalimentación semántica" de los usuarios dentro del motor recomendador
- Hacer un sistema de recomendación de amigos basado en la semántica para redes sociales, basado en sus estilos de vida en lugar de gráficos sociales que recomienda amigos a los usuarios. El sistema propuesto descubre estilos de vida de los usuarios, mide la similitud de los estilos de vida entre los usuarios y los que tenga estilos de vida similares los recomienda.
- En otro trabajo hecho en la investigación de Garay se presentan un método no supervisado orientado a la sugerencia de etiquetas para posts de blogs utilizando información semántica de una base de conocimientos que posee todos los post existentes del blog.
Ventajas de utilizar SRS
- Podemos contar con una gran cantidad de conocimiento multidominio y ontológico libremente disponible para alimentar el sistema
- La naturaleza ontológica y relacional de los datos permite al sistema analizar descripciones de elementos a nivel semántico
Desventajas de utilizar SRS
- Normas y tecnologías de la Web Semántica para recuperar los datos requeridos y por lo tanto no hay necesidad de tareas de análisis de contenido para obtener una representación estructurada del contenido de los elementos.
- Los SRS se centran en generar recomendaciones en un solo dominio, es decir, un sistema con un conjunto distinto de usuarios y objetos
- Normalmente, las ontologías utilizadas por los sistemas de recomendación están diseñadas ad hoc6para una aplicación específica y construida manualmente
Conclusiones
- Si es muy grande el vecindario, los usuarios con mayor peso se ven opacados por los que tengan menor peso; si no fuese así puede suceder que los usuarios con menor peso dispersen la correlación con los vecinos de mayor peso.
- La percepción del usuario en cuanto a los factores de usabilidad, accesibilidad y pertinencia de los objetos de aprendizaje se pudo traducir en base a unos sistemas de valoración en escala de 1 a 5
- El 88,3% de los objetos recomendados tuvieron una votación alta por parte de los usuarios registrados y no hubo objeto con calificación menor a 3 puntos.
- Se ha demostrado que la precisión de las recomendaciones se puede mejorar integrando el contenido del sitio Web y la estructura del sitio
- Se propuso diversos aplicaciones que vinculan las tecnologías y el Sistema de Recomendación Semántica (SRS).
- Una gran parte de los sistemas de recomendación semánticos están orientados al campo del turismo, especialmente para recomendar lugares a los usuarios.
- Por lo general los sistemas de recomendación semánticos utilizan la arquitectura distribuida basada en agentes por la capacidad que tiene de tratar adecuadamente el carácter dinámico de los sistemas de recomendación dividiendo el problema en varios subproblemas.
Artículo 1 en http://www.scielo.org.co/pdf/cein/v21n1/v21n1a04.pdf
Artículo 2 en http://scielo.sld.cu/pdf/rcci/v11n2/rcci14217.pdf