Sistema de recomendación de recursos educativos basado en metas de aprendizaje y razonamiento en datos abiertos enlazados

Abstract

Recommender system of educational resources based on learning goals and Open Linked Data browsing Abstract: Web provides a large amount of multimedia resources appropriate to support teaching and learning processes. [...]the lack of certain level of metacognition does not allow students to be aware about how and what they learn. In order to provide an alternative, this paper proposes a recommender system of educational recourses, which is based on the students' performance on learning goals and takes advance of the discovered knowledge in Open Linked Data environments. According to the results of a study case in a rural educational institute of the Colombian educational system, our system is able to provide pertinent suggestions in more than 60 percent of the cases.

Headnote

Resumen: La Web provee una gran cantidad de recursos multimedia propicios para apoyar procesos de enseñanza y aprendizaje. Sin embargo, su búsqueda puede ser difícil debido a dos problemas principalmente: la sobrecarga de información, la cual dificulta la toma de decisiones, y la falta de un nivel de meta-cognición que permita a estudiantes ser conscientes de cómo y qué aprenden. Como alternativa, el presente artículo propone un sistema de recomendación de recursos educativos, el cual se basa en el desempeño en el cumplimiento de metas de aprendizaje y aprovecha el conocimiento descubierto en entornos de Datos Abiertos Enlazados en la Web. De acuerdo a un estudio de caso en una institución educativa rural del sistema educativo colombiano, el sistema es capaz de proveer sugerencias pertinentes en más del 60% de los casos. Además, el uso de tecnologías de la web semántica permite alcanzar un rendimiento 38% superior que con técnicas sintácticas.

Palabras-clave: datos abiertos enlazados; metas de aprendizaje; recursos educativos; sistema de recomendación; web.

Recommender system of educational resources based on learning goals and Open Linked Data browsing

Abstract: Web provides a large amount of multimedia resources appropriate to support teaching and learning processes. However, the searching of such resources can be difficult due to two issues. First, information overload makes it difficult the decision-making task. Second, the lack of certain level of metacognition does not allow students to be aware about how and what they learn. In order to provide an alternative, this paper proposes a recommender system of educational recourses, which is based on the students' performance on learning goals and takes advance of the discovered knowledge in Open Linked Data environments. According to the results of a study case in a rural educational institute of the Colombian educational system, our system is able to provide pertinent suggestions in more than 60 percent of the cases. In addition, the use of semantic Web technologies allows achieving a performance 38 percent higher than the use of syntactic technologies.

Keywords: educational resources; learning goals; open liked data; recommender system; web.

(ProQuest: ... denotes formulae omitted.)

1. Introducción

Los procesos de aprendizaje, independientemente de su tipología y enfoque, están cada vez más vinculados a plataformas tecnológicas que facilitan el acceso a recursos educativos que responden a las necesidades de las personas. Por ejemplo, la Web pone a disposición conocimiento materializado en videos, páginas, MOOCs y documentos de acceso libre con el potencial para apoyar a estudiantes en la consecución de las metas de aprendizaje trazadas en un plan de estudios. Sin embargo, actualmente identificar recursos pertinentes es una tarea difícil debido a la ingente cantidad de ellos que dispone la Web. Una de las razones de tal dificultad se debe a la sobrecarga de información (Chen, 2018), el cual es la exposición a o provisión de demasiada información, lo cual puede acarrear un estado de estrés mental. La segunda razón, relacionada con la meta-cognición (Liu & Liu, 2020), se da porque generalmente los estudiantes no son conscientes de sus estados y procesos cognitivos, ni tienen la habilidad de monitorearlos y ajustarlos conscientemente. La falta de cierto nivel de meta-cognición dificulta la selección de recursos relevantes en la Web (Zheng et al., 2015). Así las cosas, el problema que se aborda en el presente trabajo es la dificultad que tienen las personas en la búsqueda de recursos educativos en la Web para apoyar su aprendizaje en el marco de un plan de estudios. Al respecto, en la literatura actual se evidencia que esta dificultad puede ser abordada incorporando Sistemas de Recomendación (SR) a los procesos de enseñanza y aprendizaje (Dascalu et al., 2015), (Madani et al., 2019). Éstos filtran recursos irrelevantes y automáticamente sugieren los que satisfacen las necesidades e intereses de aprendizaje (Tarus et al., 2017).

En el presente artículo se propone un nuevo enfoque metodológico para la recomendación de recursos educativos enfocados en la nivelación de debilidades en la consecución de metas de aprendizaje. Amén de la personalización del aprendizaje a través del descubrimiento y ponderación del conocimiento formalizado en la web, el presente estudio es consciente de las posibilidades ofrecidas por Datos Abiertos Enlazados (DAE) en cuanto a reutilización de datos.

El resto del artículo está organizado como sigue: la Sección 2 presenta literatura relacionada con sistemas de recomendación en educación; la Sección 3 expone la metodología usada en el presente estudio, la cual incluye la determinación de la arquitectura, lógica, modelo del conocimiento, modelo de usuario y filtrado del SR propuesto, así como la experimentación llevada a cabo para medir la pertinencia de las recomendaciones ofrecidas por el SR propuesto; la Sección 4 muestra los resultados alcanzados con la experimentación; finalmente, la Sección 5 señala las conclusiones y las líneas de trabajo futuro.

2. Trabajos relacionados

Después de una extensa revisión de la literatura sobre Sistemas de recomendación para el aprendizaje y Sistemas de recomendación educativos en la librería digital IEEE Xplore, Science Direct, ACM y Google Scholar, se encontraron 48 estudios a partir de un análisis primario, de los cuales se han considerado 6 como relevantes. Después de un análisis final, éstos se clasificaron de acuerdo a tres criterios: i) su enfoque; ii) el ítem recomendado; iii) el tipo de datos de entrada. Con respecto al primer criterio, algunos estudios usan el enfoque colaborativo (CF) (Zheng et al., 2015), (Madani et al., 2019), el enfoque basado en contenido (CB) (Montuschi et al., 2015), y otros son conscientes del contexto (Otieno et al, 2018), (Serrano et al., 2013). En cuanto al segundo criterio, se sugieren recursos de aprendizaje (Tarus et al., 2017), uno recomienda pares con intereses similares (Zheng et al., 2015). Con respecto al tercer criterio, algunos SR usan estilos de aprendizaje (Dascalu et al., 2015), calificaciones en metas de aprendizaje (Montuschi et al., 2015), actividad en redes sociales (Madani et al., 2019) e intereses educativos (Zheng et al., 2015). En todos los estudios se enfatiza la necesidad de asistir a los estudiantes en la búsqueda de recursos personalizados para abordar sus necesidades. A diferencia de los estudios reseñados, la presente propuesta busca alcanzar tal nivel de personalización por medio de la exploración y análisis de los vínculos formados en la Web en entornos de DAE.

3. Metodología

La metodología usada en el presente estudio se basa en lo tácito de la investigación en torno a los SR. Ésta incluye cinco fases a saber: 1) definición de una arquitectura y lógica del sistema (ver Sección 3.1); 2) determinación del modelo de conocimiento, sobre el cual el SR desarrolla las tareas computacionales (ver Sección 3.2); 3) definición del modelo de usuario, el cual define la información usada por el SR para ofrecer recomendaciones personalizadas a los usuarios (ver Sección 3.3); 4) determinación de un mecanismo de filtrado, el cual señala los aspectos computacionales del sistema para generar las recomendaciones (ver Sección 3.4); 5) experimentación, a través de la cual se mide la pertinencia de las recomendaciones (ver Sección 3.4). El producto de cada fase es descrito en las siguientes subsecciones.

3.1. Sistema de recomendación propuesto

El SR propuesto está definido por dos aspectos: el primero es su arquitectura general, y el segundo está relacionado con su lógica. La arquitectura general, mostrada en la Figura 1, se enfoca en la identificación de recursos educativos disponibles en la Web que sean acordes al bajo desempeño de los estudiantes en el proceso de consecución de metas de aprendizaje establecidas en un plan de estudios. A diferencia de SR basados en algoritmos tradicionales (por ejemplo, Pearson) o de machine learning, la propuesta se basa en el descubrimiento de conocimiento construido paulatina y colaborativamente siguiendo los lineamientos de los DAE (uso de RDF como formato de estructuración de datros, de URLs para identificarlos y HTTP para cceder a ellos). Esto propicia que, además de satisfacer las necesidades de los estudiantes, las sugerencias sean variadas (por ejemplo, en cuanto autores y fuentes), abordando así problemas como la sobreespecialización. La arquitectura engloba tres componentes a saber: representación del conocimiento, construcción de perfiles de usuario y filtrado.

El componente de Representación del conocimiento constituye un mecanismo para la construcción de una base de conocimiento basada en el paradigma de las ontologías que favorece la exploración de información enlazada en la Web. En el componente para la construcción de perfiles de usuario se registra la información de los estudiantes, principalmente las calificaciones alcanzadas en los modelos de evaluación en el marco del plan de estudios. Finalmente, en el componente de filtrado se obtienen las recomendaciones con base en tecnologías de la web semántica. En las siguientes subsecciones se explican los aspectos lógicos del sistema.

3.2. Modelo del conocimiento

Los SR que hacen uso de técnicas de la web semántica basan su desempeño en una base de conocimiento, normalmente definida a través de mapas conceptuales (por ejemplo, taxonomías o tesauros) u ontologías. En este estudio se ha definido un modelo del conocimiento basado en ontologías de dominio, el cual formaliza el conocimiento de un concepto del mundo específico, en este caso, el conocimiento relativo a las metas de aprendizaje y los recursos educativos en la web. Precisamente, este tipo de conocimiento no es considerado en sistemas basados en técnicas diferentes a las de la web semántica. Esta información le permite al SR realizar inferencias, con lo cual se mitigan los efectos negativos de problemas como el new user ramp y el arranque en frío, aun sin contar con suficiente información. Considerando el concepto de asociación semántica (Barati, Bai, & Liu, 2017), se ha definido el modelo del conocimiento mostrado en la Figura 2, el cual incorpora dos aspectos a saber: i) una ontología para metas de aprendizaje; y ii) un modelo de relaciones entre instancias.

Ontología para la formalización de metas de aprendizaje

En la literatura se hallan ontologías para la formalización de metas de aprendizaje que sirven como base para la concepción y publicación de una base de conocimiento acorde a los DAE. Por ejemplo, el LOCO Framework ofrece un marco modular de ontologías pequeñas y fácilmente comprensibles en torno a los objetos de aprendizaje. Al respecto, el presente estudio propone enlazar ontologías existentes con un grupo de propiedades semánticas concebidas para describirlas (ver cuadro azul de la Figura 2). Así se posibilita la exploración de tales vínculos en la base de conocimiento, siendo esto posible con la creación de instancias de las metas y sus vínculos por medio de sus propiedades (por ejemplo, usando herramientas de marcación y autoría). Estas propiedades nacieron a partir de un estudio desarrollado por los autores (Duran et al., 2018), el cual se enfocó en la determinación de metadatos para la descripción de competencias educativas, abarcando también información de posicionamiento en la Web. En la Figura 2 se observa que las propiedades semánticas pueden ser de objeto y de datos. En el primer caso, los valores son instancias formalizadas en la base de conocimiento (por ejemplo, para Has-action-verb se definieron instancias para los 38 verbos del perfil de aplicación LOM-ES). En el segundo caso, los valores son introducidos por medio de texto libre.

Modelo de relaciones entre instancias

En los últimos años han surgido diferentes iniciativas enfocadas en el uso de información educativa en el terreno de los datos enlazados. Por ejemplo, The Open University en el Reino Unido creó la plataforma de datos enlazados para compartir información sobre cerca de 3000 recursos de audio y video, 700 cursos, 300 calificaciones y 13000 personas (The Open University, 2020). Otra iniciativa, que expone información más general es Wikipedia. Considerando la potencialidad que ofrecen estas iniciativas, en la presente investigación se propone usar su información para vincular las metas de aprendizaje entre sí y con recursos educativos. Dada la variada naturaleza de la información disponible, el modelo de la Figura 2 usa la propiedad Has-concept para establecer estos vínculos (ver cuadro gris). Por otra parte, es común en la práctica educativa que docentes encuentren recursos en la Web que son útiles para diferentes fines en el proceso de enseñanza. Esto ha sido considerado en el modelo a través de la formalización de enlaces entre las metas de aprendizaje y los recursos (ver cuadro rojo). Esta posibilidad tiene dos ventajas a saber: i) el SR puede contar con información sobre qué recursos apoyan ciertas metas de aprendizaje; ii) la base de conocimiento puede crecer colaborativamente dadas las características de los DAE. Otras relaciones que considera el modelo son las de subsunción. En los planes de estudios es común hallar metas de aprendizaje que contribuyen a, o son pre-requisito de otras más complejas. Esta estructura, llamada mapa de metas es explotada por el SR propuesto como una manera de explorar y ponderar el conocimiento, y en últimas, para identificar por inferencia los recursos educativos que pueden contribuir a ciertas metas de aprendizaje a partir de su vínculo con otras metas de aprendizaje. El modelo del IEEE SRCM para los mapas es un grafo acíclico dirigido cuyos nodos, que representan competencias, se relacionan con nodos de mayor o menos complejidad (nodos padres o nodos hijos) formando una estructura denominada mapa. Estas características han sido incluidas en el modelo (ver cuadro amarillo), representando nodos y mapas por las clases Node y Map respectivamente, y las relaciones de subsunción por medio de la propiedad Has-child. A diferencia del IEEE SRCM, el modelo propuesto permite vincular una meta de aprendizaje a diferentes mapas (Has-competency-ref), ampliando las posibilidades de exploración a través de la base de conocimiento. En conclusión, el modelo del conocimiento expuesto permite obtener bases de conocimiento como la mostrada en la Figura 3, en las cuales se vinculan instancias de diferente tipo. Se observa que las metas de aprendizaje se vinculan entre sí por medio de sus propiedaes semánticas y que existen vínculos entre metas y recursos, ya sean indirecta (por ejemplo, m5 y r3 se vinculan por medio de las propiedades p4 y p6) o directamente (por ejemplo, m3 y r1 e vinculan por medio de p5). Estos vínculos, llamados Asociaciones semánticas complejas, constituyen conocimiento accionable por el SR para la obtención de las recomendaciones en la tarea de filtrado.

3.3. Modelo de usuario

El modelo de usuario incluye información personal (nombre, dirección, identificación), características físicas (talla, peso), tipo de usuario (estudiante, investigador), lenguajes, nivel de educación, entre otros. A esta información se suma el registro de calificaciones, a partir del cual se pueden conocer las falencias en el aprendizaje que se deben abordar con los recursos recomendados. Al respecto, en un estudio previo se planteó un modelo de evaluación de competencias centrado en las relaciones de subsunción existentes en los mapas de competencias (Duran et al., 2017). El modelo permite, por medio de una adaptación del modelo de las 2-tuplas lingüísticas (Wen, Chang, & Lai, 2020) y el algoritmo de primero en profundidad, evaluar competencias a partir del registro de calificaciones alcanzados en actividades de evaluación. Aunque ha sido concebido para procesos de evaluación cualitativos, el modelo puede ser adaptado a procesos cuantitativos, por ejemplo, a través de promedios. En la práctica, otros docentes prefieren estimar el nivel de cumplimiento de las metas de aprendizaje por observación directa. En cualquier caso, el modelo de usuario propuesto para el SR formaliza los niveles de cumplimiento en las metas de aprendizaje, los cuales son usados en el proceso de filtrado para la generación de recomendaciones de forma personalizada.

3.4. Filtrado

Un enfoque base para la obtención de recomendaciones sería proveer los recursos educativos enlazados directamente con las metas de aprendizaje en las que los estudiantes tienen bajos desempeños. Aunque es una opción válida, el problema de la sobre-especialización podría producirse. Para abordarlo, en el presente estudio se busca aprovechar el descubrimiento de información oculta en la base de conocimiento. Específicamente, se propone un proceso de filtrado basado en el descubrimiento y ponderación de Asociaciones semánticas, las cuales han sido definidas en el marco del proyecto SemDis como asociaciones entre entidades en una base de conocimiento (Bravo et al., 2016). A nivel lógico, son nodos (instancias) unidas a través de propiedades. El primer nodo de la asociación se conoce como origen y el nodo final como término. En la metodología de inferencia de SemDis el usuario establece dos individuos de la base de conocimiento. Posteriormente, el sistema descubre y presenta todas las cadenas de propiedades entre ellos. Finalmente, el usuario explora las cadenas para encontrar asociaciones directas o indirectas a su conveniencia. Aunque el presente estudio utiliza el concepto de Asociación semántica compleja, no lo hace con la metodología de inferencia de SemDis porque: i) ésta requiere de la participación del usuario para definir los dos individuos de la base de conocimiento, lo cual no es consistente con los niveles de automatización requeridos en un SR; ii) no considera los requerimientos de personalización de los SR. En cambio, se propone un enfoque que cumple con las características de automatización y personalización, la cual se explica a continuación.

Descubrimiento de asociaciones semánticas

El descubrimiento de asociaciones semánticas (PS) puede ser realizado de dos maneras. La primera consiste en pre-definir conjuntos de propiedades para guiar la exploración, lo cual requiere el conocimiento de las propiedades semánticas más significativas de la base de conocimiento. La segunda, consiste en aplicar algoritmos para el descubrimiento automático de asociaciones (Cheng et al., 2017). Para personalizar el proceso, se propone descubrir asociaciones cuyos nodos origen representan metas de aprendizaje en las cuales los estudiantes tienen bajo desempeño, esto es, en las que el usuario u tiene un D°C (Degree of Competence) tal que D°Cux > D°Co, donde D°Co es un umbral establecido por el docente.

Ponderación de las asociaciones semánticas descubiertas

Aquí el objetivo es identificar las asociaciones semánticas más relevantes para cada usuario. Para esto, se adoptó un enfoque de ponderación de asociaciones en el cual se les asigna un peso de acuerdo a un grupo de métricas, de tal manera que las asociaciones peor ponderadas no son consideradas. Como resultado, se identifican las N asociaciones mejor ponderadas para cada competencia con bajo rendimiento. A continuación, se listan las métricas de ponderación propuestas:

Peso de la subsunción en mapas (CMSA). Considerando que las relaciones de subsunción indican las metas de aprendizaje que contribuyen a, o son pre-requisito de otras, conviene explorar tales relaciones para descubrir recursos educativos interesantes en la base de conocimiento. Sea A una asociación semántica entre dos instancias de metas de aprendizaje x (origen) y y (término), M es el conjunto de metas definidas en un mapa en la base de conocimiento tal que {x, y}ç M , y f es una propiedad semántica para establecer la subsunción (Has-child, ver Figura 2) cuyo dominio es una meta de aprendizaje de x ; el peso de la subsunción en mapas se define la ecuación (1). De ésta, se deduce que el SR calcula un mayor peso para A si su término es una meta de aprendizaje que contribuye o es pre-requisito del origen en al menos uno de los mapas formalizados en la base de conocimiento. Dado que el modelo del conocimiento permite la reutilización de instancias de metas de aprendizaje en más de un mapa, el SR es capaz de descubrir una variedad de asociaciones y, por lo tanto, de recursos educativos a través de la base de conocimiento.

... (1)

Peso de la similitud semántica ( SSA ). Considerando que las personas pueden usar diferentes palabras para referirse al mismo tema en el que se enmarca la meta de aprendizaje, aquí se han adaptado los enfoques propuestos en (Montuschi et al., 2015) y (Ijtema et al., 2010), propicios para identificar palabras clave dentro de un texto y calcular la similitud semántica respectivamente, en lugar de usar técnicas tradicionales de emparejamiento sintáctico. Específicamente, el texto es pre-procesado para eliminar palabras vacías (preposiciones, conjunciones y pronombres) y lematizar términos. Las palabras resultantes son agrupadas en una bolsa de palabras (Synsets en WordNet) asociada a una meta de aprendizaje. Posteriormente, la similitud entre dos metas de aprendizaje se calcula comparando sus respectivas bolsas de palabras. Sea A una asociación semántica, el peso de la similitud semántica de A es la similitud entre los vectores n-dimensionales formados a partir de la comparación entre las bolsas de palabras del origen de A (Vi) y su término (Vj) de acuerdo con la ecuación (2), la cual indica que el SR asigna pesos más altos a las asociaciones semánticas cuyo origen y término tienen temas más similares.

... (2)

Peso total (WA). Una vez se han definido las métricas para ponderar las asociaciones semánticas, el peso total se computa como el promedio entre CMSA y SSA. Las N asociaciones mejor ponderadas son seleccionadas para cada meta de aprendizaje con bajo rendimiento, las cuales son usadas en el proceso subsecuente.

Obtención del listado de recomendaciones

Para obtener una lista de recomendaciones por cada meta de aprendizaje con bajo rendimiento, se consulta en la base de conocimiento los recursos educativos enlazados con las metas de aprendizaje representadas por nodos término en las N asociaciones mejor ponderadas. Posteriormente, cada recurso R es ponderado calculando un promedio entre los pesos de las asociaciones vinculados a éstos siguiendo la ecuación (3), donde WR es el peso de la n-ésima asociación vinculada al recurso ponderado R y K es el total de asociaciones vinculadas al recurso. De acuerdo a (3), el SR asigna un mayor peso a los recursos vinculados con las asociaciones mejor ponderadas.

... (3)

3.5. Estudio de caso

Se desarrolló un estudio de caso con dos objetivos. El primero, evaluar la pertinencia de las recomendaciones del SR propuesto según el criterio de 5 docentes expertos del sistema educativo de Colombia. Segundo, medir la mejora en el rendimiento que ofrece el uso de técnicas semánticas con relación a una técnica sintáctica. A continuación, se definen las fases desarrolladas. 1) Se conformó un conjunto de datos con el historial de calificaciones de 41 estudiantes de décimo grado de la institución educativa Calibío, en la zona rual del departamento del Cauca (Colombia), con edades entre 14 y 16 años; y una base de conocimiento generada a partir de información provista por un grupo de docentes (conocedores del proceso educativo de los estudiantes) de instituciones educativas del sector público, la cual formaliza metas de aprendizaje basadas en los referentes de calidad educativa dispuestos por el Ministerio de Eduación Nacional de Colombia, mapas de metas y recursos de video tomados de Youtube (la estadística de los datos se presenta en la Tabla 1). 2) Se construyó un prototipo en Java que, en función del número de asociaciones semánticas ponderadas, obtuvo las recomendaciones (3900) a partir de la colección de datos y la base de conocimiento. 3) Las recomendaciones fueron analizadas por los 5 docentes para concluir acerca de la pertinencia de los videos sugeridos. Los resultados fueron comparados con el algoritmo de Sørensen para emparejamiento sintáctico.

A continuación, se detallan los materiales usados en el estudio de caso.

Prototipo: éste incorpora los siguientes componentes: 1) una base de conocimiento creada con el editor Protégé; 2) una base de datos MongoDB que almacena el historial de calificaciones de los estudiantes; 3) un grupo de aplicaciones Java, las cuales usan tecnologías como Jena Ontology API. Éstas se enfocan en: i) descubrir asociaciones semánticas; ii) descubrir relaciones de subsunción; iii) computar los pesos de las asociaciones semánticas; iv) computar los pesos de los videos; y vi) generar las listas de recomendaciones. El prototipo despliega una interfaz (ver Figura 4) a través de la cual se introduce el identificador del estudiante objetivo (a), el número de asociaciones semánticas a considerar y el tamaño de la lista de recomendaciones (b). Al presionar el botón Recommendations, se listan las metas de aprendizaje con dificultades para el usuario objetivo (c). Finalmente, el prototipo presenta la lista de recomendaciones (títulos o URLs) (d).

Servidor de aplicaciones, base de conocimiento y base de datos: servidor del prototipo del SR, la base de conocimiento y la base de datos MongoDB.

Formatos digitales para la recolección de historiales de calificaciones, descripciones de metas de aprendizaje y videos de YouTube, y análisis de las recomendaciones por parte de los expertos.

4. Resultados

Para evaluar el SR propuesto, los docentes analizaron los listados de recomendaciones para concluir acerca de su pertinencia variando el número de asociaciones semánticas descubiertas. Los resultados se midieron calculando la tasa de recomendaciones pertinentes sobre el total, obteniendo la curva mostrada en la Figura 5. En ella se muestra una comparación con una técnica basada en el algoritmo de Sørensen, el cual se cataloga dentro de las técnicas de emparejamiento sintáctico. En ella se observa que la calidad de las recomendaciones es proporcional al número de asociaciones semánticas descubiertas, llegando a obtener al menos 7 recomendaciones pertinentes a partir de 330 asociaciones. En comparación con un sistema con una ponderación de asociaciones basada en técnicas de emparejamiento sintáctico, el SR propuesto tiene un mejor rendimiento aproximadamente en el 38% de los casos. Estos resultados evidencian que el SR propuesto es capaz de ofrecer contenidos educativos adaptados a las falencias educativas de forma automática, lo cual facilita a las personas el acceso a éstos.

5. Conclusiones y trabajo futuro

El SR propuesto adopta el concepto de asociación semántica para sugerir recursos educativos como resultado de la exploración de entornos de DAE, como un aporte para solucionar problemas asociados a la sobrecarga de información en la web y la falta de cierto nivel de meta-cognición en los estudiantes. A partir de un estudio de caso enfocado en medir la tasa de sugerencias pertinentes ofrecidas por el SR propuesto (de un total de 3900) para 41 estudiantes de una institución educativa rural colombiana, se concluye que éste es capaz de proveer sugerencias pertinentes en más del 60% de los casos en función del número de asociaciones semánticas descubiertas y analizadas en la base de conocimiento.

Además, el uso de tecnologías de la web semántica permite alcanzar un rendimiento 38% superior que con el uso de tecnologías sintácticas. Esto se debe a que el filtrado propuesto se vale de los diferentes tipos de relación existentes entre las metas de aprendizaje (por ejemplo, relaciones de subsunción y vínculos semánticos entre palabras) para determinar las asociaciones semánticas más relevantes, siendo esta una forma más efectiva para el descubrimiento y ponderación de conocimiento que la simple comparación sintáctica de palabras.

Finalmente, el trabajo futuro se centra en las siguientes direcciones. Primero, validar el sistema propuesto evaluando el impacto de las recomendaciones en el rendimiento de los estudiantes en un curso. Segundo, crear una plataforma de DAE que favorezca la publicación y reutilización de descripciones de metas de aprendizaje, mapas de éstas y recursos educativos. Lo anterior, con el ánimo de fomentar la construcción de aplicaciones tecnológicas y el desarrollo de estudios científicos en torno a los DAE en la educación.

Sidebar

Recebido/Submission: 06/03/2020

Aceitação/Acceptance: 01/05/2020

References

Referencias

Barati, M., Bai, Q., & Liu, Q. (2017). Mining semantic association rules from RDF data. Knowledge-Based Systems, 183-196.

Bravo, O., Blanco, Y., López, M., & Pesántez, D. (2016). Building Context-Aware Customized Stories Based on Uncovering Indirect Associations from Semantic Knowledge Bases. In Proceedings of the Tenth International Conference on Semantic Computing, Laguna Hills (454-458). New Jersey, USA: IEEE.

Chen, M. (2018). Improving website structure through reducing information overload. Decision Support Systems, 110, 84-94.

Cheng, G., Shao, F., & Qu, Y. (2017). An Empirical Evaluation of Techniques for Ranking Semantic Associations. IEEE Transactions on Knowledge and Data Engineering, 29(11), 2388-2401.

Dascalu, M., Bodea, C., Moldoveanu, A., Mohora, A., Lytras, M., & Ordoñez, P. (2015). A Recommender Agent based on Learning Styles for better Virtual Collaborative Learning Experiences. Computers in Human Behavior, 45, 243-253.

Duran, D., Arciniegas, J., Baldassarri, S., & Álvarez, P. (2018). A Metadata Scheme for Educational Competencies: an Extension of the Standard IEEE RCD. In Proceedings of the 13 Congreso Colombiano de Computación, Cali (121-136). Cartagena, Colombia: Sociedad Colombiana de Computación.

Duran, D., Chanchí, G., & Arciniegas, J. (2017). Evaluación de mapas de competencias educativas: una propuesta difusa basada en 2-tuplas. RISTI- Revista Ibérica de Sistemas y Tecnologías de la Información, (24), 22-38. doi: 10.17013/1^.24.22-38

IJntema, W., Goossen, F., Frasincar, F., & Hogenboom, F. (2010). Ontology-Based News Recommendation. In Proceedings of the 13th International Conference on Extending Database Technology, Lausanne (1-6). New York, NY, USA: Association for Computing Machinary.

Liu, S., & Liu, M. (2020). The impact of learner metacognition and goal orientation on problem-solving in a serious game environment. Computers in Human Behavior, 102, 151-165.

Madani, Y., Erritali, M., Bengourram, J., & Sailhan, F. (2019). Social Collaborative Filtering Approach for Recommending Courses in an E-learning Platform. Procedia Computer Science, 151, 1164-1169.

Montuschi, P., Lamberti, F., Gatteschi, V., & Demartini, C. (2015). A Semantic Recommender System for Adaptive Learning. IT Professional, 17(5), 50-58.

Otieno, K., Nderu, L., & Waweru, R. (2018). Fuzzy Logic Based Context Aware Recommender for Smart E-learning Content Delivery. In Proceedings of the 5th Soft Computing and Machine Intelligence, International Conference, Nairobi (114-118). Nairobi, Kenia: IEEE.

Serrano, J., Romero, F., & Olivas, J. (2013). Hiperion: A fuzzy approach for recommending educational activities based on the acquisition of competences. Information Sciences , 248, 114-129.

Tarus, J., Zhendong Niu, & Yousif, A. (2017). A hybrid knowledge-based recommender system for e-learning based on ontology and sequential pattern mining. Future Generation Computer Systems, 72, 37-48.

The Open University. (Marzo de 2020). Open Knowledge Graph. Retrieved from https://data.open.ac.uk/

Wen, T.-C., Chang, K.-H., & Lai, H.-H. (2020). Integrating the 2-tuple linguistic representation and soft set to solve supplier selection problems with incomplete information. Engineering Applications of Artificial Intelligence, 87, 1-11.

Zheng, X.-L., Chen, C.-C., Hung, J.-L., He, W., Hong, F.-X., & Lin, Z. (2015). A Hybrid Trust-Based Recommender System for Online Communities of Practice. IEEE Transactions on Learning Technologies, 8(4), 345-356.