LSRS

tenga excesivos problemas para tratar esa información. De este modo, la aplicación disponía en el año 2009 de cerca de 7000 usuarios validando esta premisa.

Por su parte, el sistema afronta el problema del arranque en frío ofreciendo recomendaciones genéricas además de las personalizadas. Entre las recomendaciones genéricas que ofrece destacan los cursos recientemente comentados y los cursos mejor valorados. Además, el sistema permite buscar cualquier curso independientemente de si es o no recomendado. Por lo tanto, el usuario no está obligado a seguir las recomendaciones ofrecidas por la herramienta.

de, primero descubrir errores sintácticos y después, analizar los resultados de ejecución. Estos componentes interactúan entre ellos tal y como se aprecia en la Figura 3.50.

Figura 3.50: Interacción de los componentes en los sistemas de tutoría. Extraído de (Vesin et al.,2009).

Este sistema se divide en un subsistema para mentores y en otro para alumnos. El primero da la oportunidad de obtener información sobre el trabajo del estudiante a través de numerosos informes para así adaptar el curso a sus necesidades mediante la creación de nuevos ejemplos, actividades o lecciones. El segundo facilita a los estudiantes el aprendizaje mediante dos modos:

(1) el estudiante es guiado mediante el orden predefinido de las clases siendo necesario superar las pruebas de la lección actual antes de poder continuar con la siguiente lección, (2) el estudiante puede pasar de una lección a otra sin un orden determinado y sin necesidad de superar ninguna prueba. En ambos casos, la lección viene definida a través delearning objects de 2 a 15 minutos de duración. Cada lección está compuesta de tres partes básicas: tutoriales, ejemplos y pruebas que pueden ser continuamente modificadas por los mentores para mejorar el aprendizaje. Los tutoriales contienen la explicación de los conceptos y las reglas de sintaxis apropiadas para el material presentado en la lección. Los ejemplos permiten al estudiante ejercitarse acerca de los conocimientos presentados. Finalmente, las pruebas permiten validar los conocimientos adquiridos mediante tres tipos de preguntas (respuesta múltiple de sintaxis, respuesta múltiple de ejecución y completar código).

En 2012, los mismos autores presentaron Protus 2.0, una evolución basada en ontologías del sistema de tutoría. Esta nueva versión aprovecha las facilidades que ofrecen las ontologías como la reutilización o la inferencia de conocimiento para crear un sistema de recomendación basado en personalización a través de dos categorías: adaptación de contenido y adaptación de la interfaz del estudiante.

● Adaptación de contenido. Es capaz de presentar el contenido de diferentes modos de acuerdo al modelo de dominio y la información acerca de los estilos de aprendizaje del estudiante. Agrupa a los estudiantes y a los contenidos siguiendo el principio delclustering para maximizar las similitudes dentro del mismo grupo y minimizar los grupos similares.

De esta forma, es capaz de ofrecer al estudiante los materiales y planes más adecuados según su estilo de aprendizaje.

● Adaptación de la interfaz del estudiante. Modifica la apariencia y/o disponibilidad de todos los recursos educativos que aparecen en la página web del curso para mostrar únicamente el material recomendado al estudiante.

El proceso de funcionamiento de Protus 2.0 es el siguiente (véase Figura 3.51). Un nuevo usuario se registra en el sistema creando su propio perfil. Este, almacena información personal estática (nombre, preferencias, conocimiento previo, etc.) e información personal dinámica (intereses, comportamiento, etc.), que varía a lo largo del tiempo. La primera vez que el usuario inicia el sistema debe rellenar un cuestionario acerca del estilo de aprendizaje basado en el modelo propuesto por Felder y Soloman (Felder and Soloman, 1996) para predecir sus

estilos de aprendizaje. Estas respuestas son almacenadas en la ontología y sirven para calcular el estilo de aprendizaje inicial más adecuado para cada estudiante. Durante las sesiones, los estudiantes acceden a diferentes recursos y completan un conjunto de tareas. Protus 2.0 evalúa el conocimiento adquirido por el estudiante y le proporciona retroalimentación acerca de las actividades realizadas. Finalmente, el sistema trata de descubrir similitudes entre patrones de navegación de usuarios para ofrecerles las recomendaciones de secuencias de recursos adecuadas basándose en la aproximación de filtración colaborativa.

Figura 3.51: Proceso de aprendizaje y recomendación. Extraído de (Vesin et al.,2012).

Protus 2.0 fue desarrollado en el editor de ontologías de código abierto Protégé, el cual permite, además de la creación de ontologías en el formato estándar OWL, establecer un conjunto de reglas a través del editor de SWRL integrado en el propio programa. La nueva versión de Protus se compone de un conjunto de ontologías educativas para diferentes propósitos. Estas ontologías son:

● domain ontology. El modelo de dominio presenta el almacenamiento de todo el material de aprendizaje esencial, tutoriales y pruebas. Describe cómo el contenido propuesto para el aprendizaje debe ser estructurado siendo habitual su organización como una taxonomía de conceptos que relaciona conceptos y propiedades. Puesto que los autores decidieron crear un curso de programación para el lenguaje Java, la Figura 3.52 muestra un fragmento de la ontología aplicada a este curso.

Figura 3.52: Fragmento de la ontología domain ontology. Extraído de (Vesin et al.,2012).

● learner model ontology. Esta ontología se encarga de almacenar las preferencias personales e información acerca del nivel de rendimiento de los estudiantes en los diferentes conceptos

de un dominio específico. Esta ontología es frecuentemente actualizada de acuerdo a las interacciones de los estudiantes para permitir a la ontología teaching strategy ontology sacar conclusiones y tomar decisiones. La clase Learner se construye a partir de las clases LearningStyle, PersonalInfo y Performance. LearningStyle sigue el modelo propuesto por Felder-Silverman (Felder and Soloman,1996) categorizando a las estrategias en base a cuatro dimensiones (Sensing/Intuitive, Visual/Verbal, Active/Reflective y Sequential/Global). La clasePersonalInformation registra información del estudiante como claves, evolución histórica del conocimiento, etc. La clase Performance es mantenida de acuerdo a la clase Interaction perteneciente a la ontología LearnerObservation que forma parte de la ontologíaLearner model ontology (véase Figura3.53).

Figura 3.53: Fragmento de la ontologíalearner model. Extraído de (Vesin et al.,2012).

● task ontology. Esta ontología es un sistema de vocabulario para describir la estructura de resolución de problemas de todos los tipos de actividades independientemente del dominio.

Complementa a la ontologíadomain ontology mediante la representación semántica de las características de resolución de problemas. La ontología especifica el conocimiento del dominio dando roles a cada objeto y las relaciones entre ellos, tal y como puede observarse en la Figura 3.54.

Esta ontología representa el material de aprendizaje agrupado por recursos. La clase Concept es empleada para anotar una unidad de conocimiento que está representada por algún elemento de la claseResource. Cada recurso tiene asociado un rol (ResourceRole) y un tipo (ResourceType) determinado. Las propias características de los recursos se mantienen en instancias propias de la clase Resource. Finalmente, cada recurso soporta un estilo de aprendizaje (LearningStyle).

Figura 3.54: Fragmento de la ontologíatask ontology. Extraído de (Vesin et al.,2012).

● teaching strategy ontology. La personalización es, en realidad, la creación de modelos de aprendizaje y la aplicación de diferentes estrategias de adaptación y técnicas para asegurar la adaptación eficiente del contenido de aprendizaje a los estudiantes de manera individualizada. Esta personalización está basada en las condiciones generadas por el rendimiento y el estilo del aprendizaje (véase Figura 3.55).

Figura 3.55: Fragmento de la ontología teaching strategy ontology. Extraído de (Vesin et al., 2012).

● interface ontology. Es el resultado de la etapa final de comunicación entre los diferentes componentes de la arquitectura. El sistema lee la decisión de la ontología Teaching strategy ontology. Basado en esta decisión, crea una secuencia de navegación de recursos recomendados para un estudiante particular y genera para él la vista de interfaz correspondiente (véase Figura3.56).

Figura 3.56: Fragmento de la ontologíainterface ontology. Extraído de (Vesin et al.,2012).

Además de las ontologías, este sistema de tutoría dispone de un conjunto de reglas especificadas en el lenguaje SWRL. Estas reglas posibilitan inferir conocimiento acerca de nuevas características de un estudiante a partir de otras ya conocidas y son necesarias para identificar el estilo de aprendizaje basándose en las preferencias del estudiante (learning modeling rules). Además, definen estrategias de adaptación que tienen en cuenta las características del dominio, los objetivos del sistema, características del usuario, contexto y métodos de presentación usados (adaptation rules). A continuación, se muestra un ejemplo delearning modeling rule (véase Regla 3.1) así como otro ejemplo deadaptation rules (véase Regla 3.2).

Learner(?x) ∧ hasLearningStyle(?x, ?verbal) ∧ Interaction(?i) ∧ hasInteraction(?x, ?i) ∧ Concept(?c) ∧ conceptUsed(?i, ?c) ∧ ConceptRole(?r) ∧ hasRole(?c, ?r) ∧ supports(?r, ?verbal) ∧ Performance(?p) ∧ hasResult(?i,?p) ∧ hasGrade(?p, grade) ∧ swrlb:lessThan(grade, required) → hasLearningStyle(?x, visual)

(3.1)

Learner(?x) ∧ hasLearningStyle(?x, ?y) ∧ hasCategory(?y, ?z) ∧ isCategoryOf(?z, active) → hasLearningStyle(?x, active)

(3.2)

En el año 2016, los mismos autores implementaron una técnica de etiquetado colaborativo para la recomendación de contenido que puede ser aplicada en sistemas de tutoría inteligente para proporcionar recomendaciones de conceptos y recursos. Esta técnica consiste en la creación de etiquetas por parte de los usuarios que describan o evalúen el contenido, formato, utilidad o características afectivas de un recurso para facilitar su búsqueda, descubrimiento, compartición o navegación. Esta técnica ayuda a recordar mejor las palabras clave y permite clarificar y establecer relaciones entre ideas. La incorporación de esta técnica al sistema de tutoría dio lugar a una nueva versión de Protus; la versión 2.1.

3.4.10. Isis y ReMashed

En el año 2009, Drachsler y colegas presentaron ISIS, un prototipo de sistema de recomendación híbrido testado con 260 usuarios en un curso de psicología. Dicho sistema es una aplicación independiente que emplea una aproximación basada en ontologías para paliar el problema del arranque en frío (Drachsler et al.,2009).

Este sistema está únicamente enfocado a los estudiantes. El objetivo de ISIS es recomendar los recursos más adecuados a través de una técnica de recomendación basada en ontologías (concretamente, el sistema compara la información personal del estudiante con las características de las diferentes actividades) y otra técnica de filtrado (compara los perfiles de los distintos usuarios para agruparlos). El funcionamiento de este sistema puede verse en la Figura 3.57.

Figura 3.57: Árbol de decisiones del sistema de recomendación Isis. Extraído de (Drachsler et al.,2009).

Entre las principales características de este sistema de recomendación cabe destacar que el riesgo y la adaptabilidad alcanzan un nivel intermedio, la robustez y escalabilidad son ligeramente superiores a la media, los estudiantes no pueden ofrecer a priori ningún tipo de feedback y los resultados obtenidos son prometedores.

El mismo grupo de investigación desarrolló a finales de la década pasada ReMashed, otro sistema de recomendación que pretende combinar la información de los usuarios de distintos servicios Web 2.0 para ofrecer recomendaciones personalizadas en redes de aprendizaje informal (Drachsler et al.,2010).

Una de las grandes diferencias con respecto al anterior sistema de recomendación es que este es principalmente colaborativo, es decir, se basa en el filtrado colaborativo para generar recomendaciones en base a usuarios con similares gustos en los diferentes sitios Web 2.0 (Twitter, YouTube, Slideshare, etc.). Otra diferencia importante es la resolución del problema de arranque en frío. En este caso, los autores decidieron resolverlo a través de una recomendación basada en etiquetas. La información que se recoge de cada usuario es únicamente la valoración (en estrellas) de los diferentes usuarios por lo que: el sistema será, a priori, fácilmente escalable, la adaptabilidad puede ser lenta, el riesgo dependerá principalmente de la cantidad de información recogida y, en general, el sistema será robusto, pero una valoración injusta de un grupo de usuarios para aumentar o reducir la popularidad de un recurso puede afectar en gran medida si el número de valoraciones de ese recurso es pequeño.

En este sistema de recomendación, el usuario puede enviar feedback al sistema de recomendación mediante la valoración posterior de los recursos que le ha recomendado. Por otra parte, este sistema dirigido también a estudiantes, realizó una encuesta de satisfacción del sistema de recomendación obteniendo unos resultados ligeramente positivos (60-70 %), con un número bastante reducido de valoraciones (inferiores a 50). La Tabla 3.5muestra los resultados obtenidos en la encuesta de satisfacción.

Tabla 3.5: Satisfacción de los usuarios con ReMashed.

Criterio Satisfecho Insatisfecho

Satisfacción general 63 37

Satisfacción algoritmo basado en etiquetas al principio 60 40 Satisfacción algoritmo basado en etiquetas al final 69 31 Satisfacción algoritmo basado en valoraciones al principio 61 39 Satisfacción algoritmo basado en valoraciones al final 62 38

3.4.11. RPL

Khribi y colegas propusieron en el año 2009 un prototipo de sistema de recomendación híbrido denominado RPL (Khribi et al.,2009). Este prototipo facilita la utilización (individual o combinada) de los métodos colaborativos y basados en contenidos para la recomendación de objetos.

Con respecto a las características generales de este sistema, es aconsejable destacar que va dirigido exclusivamente a los estudiantes, está formado por dos módulos (preprocesamientooff- line y recomendación on-line) que obtienen la información a través de las acciones que realizan los usuarios en la plataforma. Para el correcto funcionamiento, este sistema recoge principalmente la información relacionada con el conocimiento del alumno. Sin embargo, para la aplicación del filtrado colaborativo, el sistema también emplea información sobre las preferencias y necesidades de los usuarios.

Los autores de este trabajo no detallaron algunos de los aspectos más relevantes en estos sistemas como el método para superar el problema del arranque en frío, la escalabilidad o la robustez al tratarse de un simple prototipo. A pesar de ello, es posible deducir que la cobertura del sistema será aceptable ya que no necesita excesivos datos y admite la utilización de los métodos de filtrado colaborativo y basados en contenidos, tanto de manera individual como colectiva. A partir de lo anterior, se puede extraer que el riesgo dependerá de los métodos a usar ya que se puede emplear un sistema de recomendación híbrido en cascada, un sistema de recomendación híbrido ponderado, un sistema de filtrado colaborativo o un sistema basado en el contenido (véase Figura 3.58). Precisamente, las diferentes combinaciones de métodos hacen

posible que el sistema sea ligeramente más adaptable que la media dado que es posible dar más o menos valor a determinadas características. Finalmente, ni la robustez ni la escalabilidad, a priori, destacan ni positiva, ni negativamente.

Contenido