DISEÑO DE UN SISTEMA DE RECOMENDACIÓN EN REPOSITORIOS DE OBJETOS DE APRENDIZAJE BASADO EN LA PERCEPCIÓN DEL USUARIO: CASO RODAS/DESIGNING A LEARNING OBJECTS RECOMMENDATION SYSTEM FOR REPOSITORIES BASED ON USER'S PERCEPTION: THE RODAS CASE

Headnote

RESUMEN

Este trabajo presenta un sistema de recomendacion (SR), de objetos de aprendizaje (OA), en repositories. Es un sistema que se basa en el filtrado colaborativo que utiliza una adaptation del algoritmo k-vecinos y con fundamento en la percepcion de usabilidad y utilidad que el usuario tiene acerca de los OA que descarga del repositorio. Tambien muestra la forma como el algoritmo k-vecinos se adapto al concepto de percepcion con la implementation de un sistema de votacion de los OA por parte de los usuarios. Al final se muestra la validation del SR, utilizando el repositorio RODAS, con apartes del algoritmo y el modelado computacional.

Palabras clave: objetos de aprendizaje, sistemas de recomendacion, repositorios de objetos de aprendizaje.

ABSTRACT

This paper describes a Learning Objects (LO) Recommendation System (RS) for repositories. The system is based on collaborative filtering using an adaptation of k-neighboring algorithm which is supported on user's perception about usability and usefulness rather than downloading LO from repository. It also shows how the k-neighboring algorithm is adapted to user's perception by implementing a voting system of LO. Finally, the RS validation using RODAS repository is given describing some pieces of algorithm and the computational model.

Key words: learning objects, recommendation system, learning object repositories.

(ProQuest: ... denotes formulae omitted.)

INTRODUCCIÓN

Dia a dia, crece el uso de Internet en diferentes areas que traen consigo, ventajas y desventajas. En cuanto al uso con propositos educativos, nos encontramos con un gran volumen de information representado en miles de links que no siempre tienen relevancia para nuestra consulta, lo cual genera perdida de tiempo y dinero que podrian ser aprovechados en otras actividades.

Con la masificacion del acceso a Internet y la expansion de los Objetos Virtuales de Aprendizaje (OA), elaborados por diversas instituciones y personas dedicadas o relacionadas con la docencia, en la actualidad existe una gran cantidad de Repositorios de OA (ROA), disehados para organizarlos. Tambien predominan los sistemas de busqueda por etiquetas y por atributos de los metadatos incluidos en los OA. Estos sistemas arrojan consultas que poco o nada tienen en cuenta el perfil del usuario que las realiza y mucho menos, con sus preferencias respecto de la usabilidad y utilidad del objeto validado en el contexto. Por esta razon, que cuando es necesario recurrir a OA elaborados por terceros, los docentes utilizan Internet como principal fuente para su obtencion, invirtiendo muchas veces, mas de una hora para encontrar el objeto requerido. Por medio Google, hacen búsquedas directas de los objetos en los sitios de descarga. Las personas no acceden a repositorios ni a bibliotecas virtuales, porque desconocen su existencia.

En este sentido, el proceso de retroalimentacion dado por los usuarios a traves de las anotaciones y evaluaciones referidas al uso del OA en el ambito educativo, resultan valioso para fcrear una memoria historica acerca de la usabilidad del objeto. La recomendacion de un OA en un ROA que haya sido bien valorado por los usuarios en diversas situaciones de aprendizaje, es un campo que viene tomando fuerza en la actualidad [1]. Los SR ahorran tiempo a los usuarios en la personalization de las busquedas, sugiriendo objetos con una valoracion alta, concedida por los mismos usuarios. En este marco, el trabajo que aqui se presenta, responde a la pregunta de investigation: como disehar un SR basado en la perception de usabilidad y utilidad que los usuarios tengan acerca de los OA en un ROA?

Para lograrlo, se diseno un SR de OA en ROA basado en el filtrado colaborativo, utilizando una adaptation del algoritmo k-vecinos fundamentado en la perception de usabilidad y utilidad que el usuario tiene acerca de los OA que descarga del ROA. Su implementation y validation se hizo en RODAS, que es un ROA conformado por dos subsistemas, que se denominan rodasAdmin y rodas. El primero contiene las funcionalidades inherentes a la administration y configuration del sistema. Alii se registran los usuarios que podrán utilizar los servicios del repositorio. Éste subsistema es para uso exclusivo del webmaster. El segundo cuenta con las funciones de busqueda y descarga, asi como los modulos de upload (subir objetos al sistema), evaluaciones y otros servicios comunicativos, como foros y chat. Este subsistema es visible para la poblacion academica en general, y se encuentra disponible en www.edupmedia.org/rodasv3

RODAS fue elaborado en primera instancia, para los profesores y estudiantes de la Facultad de Education y Ciencias Humanas de la Universidad de Cordoba, con el proposito de reutilizar los OA elaborados en las actividades de docencia y extension. Con el paso del tiempo, se abrio a los docentes de las instituciones de education basica y primaria del Departamento de Cordoba [2]. En la actualidad, tiene acceso desde el sitio Web de la Secretaria de Education del Municipio de Monteria, disponible en www.semmonteria.gov.co

Este articulo ha sido estructurado de la siguiente manera: en el capitulo uno, se describe de marco teorico de referenda. En el capitulo dos, se presenta la metodologia utilizada. En el capitulo tres, se exterioriza la implementation y validation del modelo de recomendacion. Luego, en el capitulo cuatro, se presentan los resultados de la prueba de validation y la discusion sobre los mismos. Por ultimo, se incluyen las conclusiones, las recomendaciones y la bibliografia.

1. MARCO CONCEPTUAL DE REFERENCIA

Hoy en dia, existen varios recursos disponibles para organizar la information en la Internet para evitar molestias a los usuarios. Uno de ellos, son los ROA, que son una mezcla entre un buscador y un servidor de descargas. Poseen la ventaja de que el contenido es producido con fines educativos y tienen una serie de herramientas que permiten acceder a los materiales digitales que son requeridos por los docentes para orientar sus asignaturas. Estos materiales si son elaborados con fines educativos y se les denomina Objetos Virtuales de Aprendizaje (OVA o en ingles: Virtual Learning Objects, VLO), o simplemente, Objetos de Aprendizaje (OA), que pueden consultarse de forma rapida y oportuna, gracias al repositorio.

1.1 OBJETOS DE APRENDIZAJE

Formalmente no hay una unica definition para los OA. Sin embargo, es interesante conocer la definition propuesta por el Comite de Estandares de Tecnologias de Aprendizaje de la IEEE (LTSC: Learning Technology Standards Committee): "un OA es cualquier entidad, digital o no digital, la cual puede ser usada, re-usada o referenciada durante el aprendizaje apoyado por tecnología" [3].

Tambien existen otras definiciones para los OA, como la siguiente: es un recurso digital que puede ser reutilizado en diferentes ambientes educativos. Pueden ser cursos, animaciones, cuadros, fotografias, audios, peliculas, videos y documentos, que tengan objetivos educativos claros [4].

Los OA presentan una serie de caracteristicas, a saber: Educabilidad: capacidad de generar aprendizaje a partir de su intencionalidad educativa. Usabilidad: facilidad y claridad con las cuales el usuario utiliza el objeto [5]. Interacción: el objeto debe motivar al usuario para generar inquietudes y retomar respuestas sustantivas al aprendizaje [6]. Reutilización: disenados para ser usados en ambientes y repositorios diferentes al original, sin perder sus propiedades y objetivos [5]. A su vez, se puede crear nuevos objetos a partir de ellos, los cuales pueden ser utilizados en nuevas secuencias educativas.

1.2 REPOSITORIOS DE OBJETOS DE APRENDIZAJE (ROA)

Los ROA son sistemas de software que almacenan recursos educativos y sus metadatos. Dicho en otras palabras, son una gran coleccion de OA que se estructuran como bases de datos con metadatos asociados y que generalmente se pueden buscar en entornos Web [7]. Los ROA proporcionan algun tipo de interfaz de búsqueda que permite recuperar objetos [8].

Los metadatos son la documentation estandarizada de los detalles que posee un objeto [9]. Los propositos de los metadatos son ofrecer funcionalidad e interoperatibilidad, además de adaptabilidad, compatibilidad, accesibilidad e interdependencia tecnologicas [10]. El uso de los metadatos facilita su indexation y busqueda en Internet. Investigaciones recientes indican ademas, que los metadatos permiten que un OA llegue a un perfil especifico de alumno, de acuerdo con su ritmo de aprendizaje, caracteristicas y necesidades; para ello, se estan utilizando tecnicas de inteligencia artificial [11].

Algunos ejemplos de ROA comunmente conocidos son: LoRluMET [12], MERLOT [5], CAREO [13], MyGfl [14], iLumina [15], SMETE [16], HEAL [17], ARIADNE [18], EdNA [19], Lydia [20], IDEA [21], BIOE [22] y CLOE [23], entre otros. Algunos autores consideran que los repositorios son intrinsecos a los OA. Sin embargo, no es posible pensar en OA, si no se los concibe almacenarlos en repositorios. Los objetos aislados no tienen algún significado real.

1.3 SISTEMAS DE RECOMENDACIÓN

Los SR tienen como finalidad, sugerir nuevos items o elementos a un usuario, utilizando tecnicas de descubrimiento de conocimiento. Los SR se basan en el historial de selecciones anteriores o en selecciones de otros usuarios con similar historial de ratings o valoraciones sobre los mismos items o similares [24].

Existen dos procesos para recoger la informacion para las recomendaciones. El primero se denomina recomendacion basada en el contenido. Alii, los algoritmos calculan la similitud de los OA recuperados con los OA indexados en la base de datos. Lo anterior se hace para saber, si estos son similares en contenido y contexto con aquellos que el usuario ha utilizado ultimamente. Este proceso se realiza mediante el analisis de los metadatos del OA, relacionado con el dominio de conocimiento [25]. El otro proceso utilizado es la recomendacion basada en las preferencias del usuario, denominada tambien, como recomendacion colaborativa [26]. Este proceso incluye aquellos sistemas que construyen la recomendacion como una agregacion estadistica/probabilistica de las preferencias de otros usuarios [27].

1.4 PERCEPCIÓN DEL USUARIO EN ROA

La percepcion es un proceso de extraccion y seleccion de informacion relevante que se encarga de generar un estado de lucidez que nos permite interactuar en forma coherente y racional con el mundo donde vivimos [28]. La percepcion determina tambien, la entrada de informacion y garantiza que, con la informacion retomada del ambiente, se puede hacer abstracciones entre las cuales se encuentran los juicios, las categorias y los conceptos, entre otros.

En este caso en particular, para registrar la percepcion del usuario se usa la tendencia que tienen los individuos de ver en el mundo, cualidades y totalidades. De esta forma, se maneja una serie de cualidades para cada objeto como lo son: usabilidad, robustez, pertinencia y accesibilidad sobre las cuales el usuario emitira una serie de juicios valorativos de modo que "califiquen" el objeto evaluado [29]. Cuando el usuario ingresa en el sistema, el repositorio OA le recomienda que hayan sido evaluados por otras personas, de forma similar como el usuario actual evalua los objetos de su interes.

1.5 TRABAJOS RELACIONADOS

A continuacion, se describen algunos trabajos similares relacionados con el diseno planteado en este articulo.

1.5.1 Recomendación de objetos de aprendizaje almacenados en repositorios lor@server según las preferencias del usuario [30].

Este trabajo realizado en 2009 por Machado y Montoyo, trata acerca del desarrollo de un metodo para la gestion de OA basado en el procesamiento del lenguaje natural (PLN), en ontologias y aplicando un metodo hibrido de recomendacion de OA en ROA. El objetivo es facilitar la gestion personalizada de OA.

Aunque las ontologias proporcionan significado formal y facil de procesar por el computador, por lo general, los metadatos de los OA carecen de estructura semántica al referirse solo a descripciones del mismo. Por lo tanto, este trabajo amerito ajustes en los metadatos para darle significado, dado que las recomendaciones se hacen con base en las busquedas sobre el dominio del conocimiento de la veterinaria; hecho que en ciertos casos, podria afectar la compatibilidad del sistema con otros similares.

1.5.2 Arquitectura para la recuperación de objetos de aprendizaje de calidad en repositorios distribuidos [31]

Este trabajo se enfoca en la busqueda automatica de OA, mediante el uso de agentes inteligentes (inteligencia artificial), que exploran ontologias realizadas con base en los metadatos [8]. La recuperacion de OA se basa en el concepto de calidad que depende de un conjunto de evaluaciones realizadas sobre nueve categorias de metadatos del Learning Object Metadata (LOM), ellos son: titulo, palabras clave, ámbito, tipo interactividad, tipo de recurso de aprendizaje, nivel de interactividad, densidad semántica, contexto, dificultad y lenguaje.

De esta forma, la valoracion de la calidad obtenida se traduce en un número que se adiciona como atributo a los metadatos y permite que los OA sean catalogados en un contexto. Este nuevo descriptor propuesto por los autores, permite incluir la calidad en la gestion de los OA con la definition de ontologias de dominio para su busqueda y catalogacion. De esta forma, la recomendacion se basa en los atributos del objeto a modo de evaluation por expertos, pero sin tener en cuenta los gustos del usuario o su experiencia de los mismos de utilizar el OA.

1.5.3 Un sistema multiagente de recuperación de objetos de aprendizaje con atributos de contexto [32]

El proposito de este proyecto es disenar una arquitectura basada en sistemas multiagente para identificar y recuperar OA relevantes, segun la information de entrada suministrada por el usuario. El sistema se basa en seis agentes: interfaz, perfil del usuario, refinador semantico, buscadores, recomendador y mediador. En el sistema de recomendacion utilizado, las sugerencias del ROA se realizan, atendiendo la similitud con otros OA que el usuario haya visitado en el pasado.

1.5.4 Sistema interactivo distribuido de repositorios de objetos de aprendizaje matemáticos, SÍNDROME [33].

El sistema SINDROME tiene una arquitectura basada en capas y organizada por componentes. Se fundamenta en WebServices de J2EE como mecanismo de acceso a los componentes distribuidos que conforman el sistema. Sindrome fue creado para administrar la busqueda y recuperacion de subconjuntos de OA, a partir de repositories con colecciones extensas, con base en el estilo individual de aprendizaje del estudiante y en su comportamiento al usar los objetos presentados.

Este es un SR interesante, dado que tiene en cuenta para la recomendacion, los estilos de aprendizaje de los usuarios del sistema, lo cual es de gran ayuda en contextos educativos para la gestion de tareas sobre aprendizaje autonomo.

2. METODOLOGÍA

Por sus particularidades el presente trabajo, es una investigacion aplicada, dado que ha buscado solucionar un problema mediante la implementacion y aplicacion de soluciones tecnologicas. El SR se desarrollo para mejorar la busqueda de OA que realizan los usuarios. Para su implementacion, se opto por la tendencia predominante del filtrado colaborativo que se basa en la vecindad proxima (k-nearest neighbors). Inicia con una medida de preferencia de un usuario sobre un item. La medida se obtiene de las evaluaciones de preferencias de items y/o usuarios similares [34].

Se utilizaron tecnicas estadisticas sobre el historial de los ratings o valoraciones que el usuario actual ha realizado sobre los items para luego comparar dicho historial con el historial de otros usuarios de similares preferencias y obtener los N items que seran recomendados al usuario actual [26].

La otra option posible, concerniente a los algoritmos basados en modelos no fue tenida en cuenta, dado que este tipo de implementaciones consume demasiados recursos y poder de computo. Para finalizar, se valido el SR con mineria de datos sobre un grupo de usuarios seleccionados al azar, para determinar la eficacia de las recomendaciones.

2.1 DISEÑO E IMPLEMENTACIÓN DEL SISTEMA DE RECOMENDACIÓN (SR)

El modelo de SR del ROA, utiliza una variacion del algoritmo de filtrado colaborativo basado en el vecino más cercano, y se presento el modelo de recomendacion utilizado para este trabajo (figura 1).

2.2. OBTENCIÓN DE OBJETOS VOTADOS

Inicialmente, se obtienen los votos realizados por el usuario actual (usuario logueado). El sistema cuenta con una base de datos cuyos componentes principales son las tablas de OA, usuarios y evaluaciones, tal y como se muestra en la figura 2.

La apreciacion de los usuarios sobre la funcionalidad de los objetos al ser usados, se mide con la escala de la tabla 1.

2.3. DEFINICIÓN DEL VECINDARIO

La definicion del vecindario consiste en buscar todos los usuarios que votaron por los mismos objetos que el usuario logueado. Ya cargados los datos del usuario que ingreso en el banco, se inicializa el vecindario. El vecindario esta constituido por todos los usuarios que tienen un nivel de correlation con el logueado. Se definen [35]:

* vecindarioTotal: que contiene todos los vecinos relacionados.

* VecinosCargados: indica el número de vecinos con los cuales se cuenta para realizar las recomendaciones.

Para una mayor ilustracion, se presenta un fragmento de codigo que realiza el proceso descrito, en la figura 3:

2.4. DEFINICIÓN DE LA CORRELACIÓN DEL VECINDARIO

Se definen los pesos para cada usuario con base en el coeficiente de Correlation de Pearson [36]. El coeficiente es un indice que mide el grado de covariation entre distintas variables relacionadas linealmente. Sus valores absolutos oscilan entre 0 y 1 [37]. Dicho coeficiente se usa para determinar el nivel de cercania o relation entre los usuarios, con respecto de la perception que estos tienen de los OA.

En la ecuacion (1) el peso ο^sub a,u^ que se asigna al usuario u para predecir al usuario actual logueado a viene dado por: r^sub a,i^ que corresponde a la votacion del usuario a al elemento i.

...

Para calcular el coeficiente de correlation de Pearson [38], se tiene en cuenta las siguientes consideraciones (tabla 2):

La desviacion estandar especifica el grado de dispersion de un grupo de datos de su media aritmetica. En este caso, determina que tanto se alejan los votos del usuario sobre los objetos del promedio de votos.

La tendencia de votacion del usuario logueado se da por desviacion estandar σ^sub a^ y la tendencia de votacion del vecino actual se define por la desviacion estandar σ^sub u^ [39]. Dado lo anterior, las respectivas formulas para el calculo serian:

...

...

La formula anterior calcula la desviacion estandar que es igual a la raiz^sup 2^ de la varianza, si el usuario tiene más de un voto. Si solo tiene un voto, la desviacion es igual al valor votado, y si no ha realizado voto alguno, la desviacion estandar es igual al valor maximo que puede tener un voto.

Si la desviacion estandar de los votos del vecino por la desviacion estandar de los votos del usuario logueado es diferente de cero, se calcula el peso, dividiendo la suma entre el producto de las desviaciones. De lo contrario, el peso del vecino con respecto del usuario logueado es cero.

2.5. DELIMITACIÓN DEL VECINDARIO

Si es muy grande el vecindario, aquellos usuarios que tienen mayor peso se ven opacados por quienes tienen poco peso. De no ocurrir asi, se corre el riesgo de que los de menor peso dispersen la correlation con los vecinos de mayor peso [40].

Los pesos asignados a cada vecino del vecindario, se ordenan de forma descendiente según el peso de cada uno, mediante la utilization del metodo de ordenamiento de burbuja, para luego seleccionar los n primeros [41]. Delimitado el vecindario, se definen los objetos (sin duplicidad), que servirán como recomendaciones, lo cual se logra, sacando todos los objetos que han sido votados por los vecinos y que no hayan sido votados por el usuario logueado.

2.6 DEFINICIÓN DE LAS RECOMENDACIONES

Consiste en encontrar los objetos que hayan sido de interes para los vecinos del usuario logueado y por los cuales se haya realizado una valoracion (votacion); además, que el usuario logueado no haya valorado aun [42]. Cabe anotar que si dos o mas vecinos han valorado el mismo objeto, este se escoge solo una vez.

Luego se obtienen los objetos por los cuales los demás usuarios hayan votado, pero que el usuario logueado no haya votado por ellos.

2.7. DEFINICIÓN DE LOS PESOS DE LAS RECOMENDACIONES

Las valoraciones realizadas a un objeto por los vecinos del usuario logueado y la cantidad de vecinos que hayan valorado dicho objeto, van a definir el peso del objeto o que tan recomendable es para el usuario logueado. Estas valoraciones se asocian con su desviacion estandar para no sesgarlas, según el nivel de optimismo de las valoraciones de los usuarios [34].

...

Para calcular el peso de las recomendaciones p^sub a,i^ se tiene en cuenta las siguientes consideraciones: r^sub a^ denota al usuario logueado, σ^sub a^ representa la tendencia de votacion del usuario logueado, r^sub u,i^ son los votos de un vecino u por el mismo objeto i , mientras que ... se refiere al promedio de los votos del vecino « y el peso asignado al usuario logueado viene dado por ο^sub a,u^.

2.8. SELECCIÓN DE LAS RECOMENDACIONES

Las recomendaciones se ordenan por los pesos y se seleccionan los n primeros para sugerirle al usuario logueado (figura 4).

3. IMPLEMENTACIÓN Y VALIDACIÓN DEL MODELO DE RECOMENDACIÓN

3.1 PARADIGMA DE DESARROLLO

El paradigma seleccionado para este proyecto, ha sido el Orientado a Objetos (00), bajo el cual se puede construir sistemas complejos a partir de componentes individuales mas sencillos que se denominan objetos. El paradigma OO se basa en los siguientes conceptos:

Objeto. Son representaciones digitales de las entidades de la vida real que poseen datos y operaciones sobre ellos, pero que interesan en la solucion de un problema. Los datos se llaman atributos y las operaciones metodos. Los objetos se comunican entre si, mediante el envio de mensajes.

Clase. Son estructuras de codigo que funcionan como fabricas de objetos y en ellas, se especifican los atributos y metodos de todos los objetos de la misma clase.

3.2 MODELADO DE CLASES

A continuacion, se presenta el diagrama de clases que soporta el modelo de recomendacion propuesto (figura 4).

En el modelo, existen dos clases basicas sobre las cuales se cimenta el proceso. La primera es la clase Objetos que carga toda la informacion desde la base de datos de todos los objetos registrados en el banco. Ademas, permite consultar la informacion de un objeto especifico, utilizando la id del mismo, por medio del metodo objeto PorID (). A su vez, esta clase permite recuperar todos los objetos registrados, usando el metodo objetos ().

La otra clase básica es la clase Votos que carga toda la informacion desde la base de datos de todos los votos registrados sobre los objetos. Ademas, permite consultar el listado de los objetos mejor votados por medio del metodo mejor Votados (): Array. Esta clase tambien permite saber, si un objeto está dentro del listado de los mejor votados por medio del metodo está En Mejor Votados (idOA: String): Boolean y de igual forma, permite verificar el promedio de votos que ha recibido un objeto por medio del metodo promedio Objeto (idOA:String):Number Adicional a las clases anteriores, tambien se usa:

La clase Vecino que define cada usuario que tiene algun grado de relacion con el usuario logueado. Este grado de relacion se obtiene por medio del metodo peso Con () que implementa la funcion 5:

...

La clase Vecindario contiene un conjunto de vecinos relacionados con el usuario logueado. En esta clase, se hace un proceso de clasificacion, en el cual se organizan los vecinos más cercanos al usuario logueado, teniendo en cuenta el peso oja de cada vecino.

La clase Vecinos Cercanos implementa el Filtro Colaborativo, buscando todas las posibles recomendaciones para el usuario logueado, teniendo en cuenta los votos que hayan recibido de todos los vecinos. Tambien se encarga de definir los pesos de cada posible recomendacion, usando la funcion 6 siguiente:

...

A continuation, se presenta uno de los metodos implementados para la recomendacion. En este caso, se trata del cálculo del peso asignado a las recomendaciones para luego ordenarlas. Dichos pesos se guardan en un vector que despues, será la base para seleccionar las mejores n para presentarlas al usuario logueado. El algoritmo sigue con fidelidad las ecuaciones descritas en los apartados anteriores.

3.3 SALIDA DE LAS RECOMENDACIONES

El sistema le presenta al usuario actual, las recomendaciones mediante un plug-in en la pestana "destacados", mostrando al comienzo, cinco objetos. Este plug-in tambien presenta un pseudosistema de recomendacion basico de proposito general como los más visitados y los más votados (figura 5).

El usuario puede ampliar el rango de la recomendacion hasta diez objetos. De los anteriores, al lado derecho en el diagrama de barras, se muestra la valoracion de dicho OA (figura 6).

Ya sobre la consulta, el usuario puede seleccionar cualquiera de los objetos y luego se presenta su perfil (figura 7).

4. RESULTADOS DE LA PRUEBA DE VALIDACIÓN

Para hacer verificable los objetivos del SR, se trabajo con un ROA que es muy utilizado por los docentes de educacion basica primaria y basica secundaria adscritos a la Secretaria de Educacion Municipal de Monteria - Cordoba, denominado RODAS. De el, se genera un promedio sostenido de 15 descargas diarias de OA y cuenta con 230 usuarios registrados y activos a la fecha, hecho que permitio la verification del sistema.

Para validar el SR, se tomaron datos de los diez usuarios con mayor actividad en RODAS, los cuales fueron etiquetados como U={u1,u2,..,u10}. Los datos para el proceso de validation se tomaron durante cinco dias, teniendo en cuenta la perception de usabilidad, accesibilidad y pertinencia que tienen los usuarios acerca de los OA que descargan del repositorio, y que se transforman en una valoracion de 1 a 5 que le dan a los mismos.

Los datos agrupados en la tabla 3, en donde, la columna NOR-V representa el numero de OA recomendado que fue descargado y valorado por el usuario, mientras que la columna NOR-4-5 representa el numero de objetos recomendado y valorado por el usuario entre 4 y 5; Por su parte, NOR-3-4 representa el número de objetos recomendado y que fue valorado por el usuario entre 3 y 4.

En la tabla 3 y la figura 8, se puede observar que en promedio, el 88,3% de las votaciones dadas a los OA recomendados por parte de los usuarios, fue alta (superior a 4), lo cual indica que los objetos recomendados fueron bien valorados por los usuarios, hecho que nos permite decir que las recomendaciones estuvieron acordes con las necesidades del usuario y que el algoritmo propuesto genera una salida acertada para seleccionar la recomendacion.

Las barras grises de la figura 8, muestran la cantidad de OA que fueron recomendados y que el usuario observo o descargo, dejando de manifiesto que las recomendaciones se tienen en cuenta por los usuarios en forma muy amplia, y que el algoritmo propuesto relaciona de manera adecuada, los criterios de búsqueda, perfil del usuario y los OA existentes.

En cuanto a la valoracion de los OA recomendados, la figura 9 refuerza la information presentada en la tabla 3. Queda de manifiesto por parte del comportamiento de los usuarios, que las recomendaciones les fueron de utilidad y les permitio explorar el uso de objetos que otros usuarios habian valorado en buena forma. Lo anterior representa un ahorro de tiempo en la busqueda, puesto que los OA recomendados cuentan con la aceptacion en calidad y funcionalidad por parte de quienes los han utilizado y valorado con anterioridad, además de generar cierta confianza por la perception de calidad que implica el proceso para ser seleccionados como recomendados.

Una vez revisados los datos obtenidos en la validation, se puede considerar que el SR cumplio con las expectativas de recomendaciones de OA relacionadas con la usabilidad, accesibilidad y pertinencia. Tambien, que el algoritmo propuesto es adecuado parar detectar las percepciones de los usuarios vecinos y ofrecerlas con eficacia a los nuevos usuarios, con un ahorro de tiempo y alto nivel de garantia de calidad y confiabilidad.

5. CONCLUSIONES Y RECOMENDACIONES

Luego de desarrollado y validado, se puede concluir que el SR implementado, facilita la aestion oersonalizada v la contextualizacion de OA a oartir de la perception de usabilidad, accesibilidad y pertinencia que tienen los usuarios acerca de los productos que descargan del repositorio RODAS.

El SR propuesto permite formular recomendaciones de tipo top-N, en el cual los metodos basados en la vecindad, se pueden utilizar de acuerdo con los valores de similitud. El SR esta basado en el filtrado colaborativo y ha demostrado que es facil de implementar, hecho por el cual podria servir como referenda y modelo para otros repositorios cuyos fines sean similares a RODAS.

En la implementacion del SR propuesto, la percepcion del usuario con respecto de la usabilidad, accesibilidad y pertinencia de los OA, se tradujo en un sistema de valoracion por votacion de 1 a 5, siendo la base del algoritmo que se transformo en el factor principal para determinar la correlation entre las recomendaciones dadas a los usuarios. Lo anterior permitio mayor confiabilidad en la percepcion del usuario final, a diferencia de los sistemas con valoracion binaria o por dipolo con rango minimo o limitado de calificacion.

En cuanto a la validation del SR, que se desarrollo con usuarios reales del ROA RODAS, demostro que el 88,3% de los objetos recomendados tuvo una votacion alta por parte de los usuarios registrados y que no hubo algun objeto con calificacion inferior de tres puntos. Este alto nivel de puntuacion nos indica que los objetos les fueron funcionales a los usuarios, y estuvieron acordes con sus necesidades de perfil y busqueda, demostrando lo acertado del algoritmo propuesto a la hora de recomendar adecuados OA a los usuarios del sistema.

References

REFERENCIAS BIBLIOGRÁFICAS

[1] Cobos, R., and Pifarre, M. (2008). Collaborative knowledge construction in the web supported by the KnowCat system. In: Computers & Education, Vol. 50, Issue 3, pp. 962-978.

[2] Caro, M. (2007). Proyecto RODAS, repositorio de objetos virtuales de aprendizaje. Informe proyecto de investigation. lUP-Espaha.

[3] IEEE, Learning Technology Standards Committee (LTSC). En: http://www.ieeeltsc.org ( Consulta: junio de 2011).

[4] Vargo J., Nesbit J., and Belfer K. Archambault, (2003). A learning object evaluation: computer mediated collaboration and inter rater reliability. In: International Journal of Computers and Applications Vol. 25 (3).

[5] Sicilia M. Sanchez, S. Garcia, E. and Rodriguez D. (2009). Exploring structural prestige in learning object repositories: some insights from examining references in MERLOT. In: Intelligent Networking and Collaborative Systems, 2009. INCOS '09. International Conference, pp. 212-218.

[6] Polsani, P. (2003). Use and abuse of reusable learning objects. In: Journal of Digital Information, Vol. 3, No 4.

[7] Liu L, He G., Shi X., and Song H. (2007). Metadata extraction based on mutual information in digital libraries. Information Technologies and Applications in Education, 2007. ISITAE '07. In: First IEEE International Symposium, pp. 209-212.

[8] Morales E., Garcia F., and Barron A. (2007). Key issues for learning objects evaluation. In: 9th International Conference on Enterprise Information Systems Funchal, Portugal.

[9] Mize J., and Habermann R., (2010). Automating metadata for dynamic datasets. OCEANS 2010, pp. 1-6, 20-23.

[10] Fillmann C, Gluz J. and Vicari (2011). An agent-based federated Learning object search service. Interdisciplinary Journal of E-learning and Learning Objects. Issue: 7, pp. 37-54.

[11] Gaviria J., Jimenez J., and Arevalo W. (2011). Building virtual learning objects that accomplish today CBR system requirements. In: Software Engineering: Methods, Modeling, and Teaching. Ed. Universidad de Medellin, pp. 125-141.

[12] Maarof M., and Yahya Y. (2008). Learning object repositories interoperability using metadata (LORIUMET). In: Information Technology, 2008. ITSim 2008. International Symposium, vol.3, pp. 1-5, 26-28 Aug. 2008.

[13] Campus Alberta Repository of Educational Objects (2011). (en linea) http://careo.netera.ca/cgibinAA/ebObjects/Repository. (mayo de 2011).

[14] Mygfl (2011). Grdi Pembelajaram Malaysia. En: http://www.mygfl.net.my (mayo de 2011). [15] llumina (2011). Educational Resources for Science and Mathematics. En: http://www.ilumina-dlib.org (Consulta: mayo de 2001).

[16] Smete (2001). Smete Digital Library. En: http://www.smete.org/smete (Consulta: mayo de 2011).

[17] Heal (2011). Health Education Assets Library. En: http://www.healcentral.org/index.jsp (Consulta: mayo de 2011).

[18] Ariadne (2011). European Knowledge Pool System. En: http://www.ariadne-eu.org (Consulta: mayo de2011).

[19] Edna (2011). Educational Network Australia. En: http://www.edna.edu.au (Consulta: mayo de 2011).

[20] Lydia (2011). Lydia Global Repository. En: http://www.lydialearn.com (Consulta: mayo de 2011).

[21] Idea (2011). Interactive Dialogue with Educators froms Across the State. En: http://www.idea.wisconsin.edu (Consulta: mayo de 2011).

[22] Bioe (2011). Banco Intemacional de Objetos Educacionais. En: http://objetoeducacionais2.mec.gov.br (Consulta: mayo de 2011).

[23] Cloe (2011). Cooperative Learning Object Exchange. En: http://cloe.on.ca/ (Consulta: abril de 2011).

[24] Ruiz F., Diaz A., Chang H., and Echeverria F., (2006). Sistema de prediccion y recomendacion personalizada basada en ranqueo de items homogeneos usando filtrado colaborativo. In: ACM Communication.

[25] Vallet D., Castells P., Fernandez M., Mylonas P., and Avrithis Y. (2007). Personalised content retrieval in context using ontological knowledge. In: IEEE TCSVT, pag. 336-346.

[26] Hua Tsai K., Kai Chiu T., Che Lee M., and I Wang T. (2006). A learning objects recommendation model based on the preference and ontological approaches. ICALT '06 Proceedings of the Sixth IEEE International Conference on Advanced Learning Technologies. Taiwan, pp. 36-40.

[27] Garcia, N., and Montoyo, A. (2008). Recomendacion de objetos de aprendizaje almacenados en repositories lor@server segun las preferencias del usuario. Departamento de Lenguajes y Sistemas, Universidad de Alicante, Espaha.

[28] Oviedo, G. (2004). La definition del concepto de perception en psicologia con base en la teoria de Gestalt. En: Revista de estudios sociales. No. 18 , pp. 89-96.

[29] Yen N., Shih T., Chao L., and Qun J. (2009). Ranking metrics and search guidance for learning object repository. In: IEEE transactions on Learning Technologies, Issue: 3, pp. 250 -264.

[30] Machado N., and Montoyo A. (2008). Recomendacion de objetos de aprendizaje almacenados en repositorios lor@server segun las preferencias del usuario. Memorias Conferencia Ibero-Americana en Ingenieria e Innovation Tecnologica: CHIT 2009. Estados Unidos.

[31] Morales E., Gil A., and Garcia F. (2007) Arquitectura para la recuperacion de objetos de aprendizaje de calidad en repositorios distribuidos. SHCA: Taller en Sistemas Hipermedia Colaborativos y Adaptativos; Actas de los Talleres de JISBD, pp. 31-38, Espafia.

[32] Gil A., and Garcia F., (2007). Un sistema multiagente de recuperacion de objetos de aprendizaje con atributos de contexto. Memorias Conferencia de la Asociacion Espanola para la Inteligencia Artificial - CAEPIA2007, Espafia.

[33] Lopez G., Briseno J., and Guadalupe M., (2007). Sistema INteractivo Distribuido de Repositorios de Objetos de Aprendizaje Matemático -SINDROME. Memorias Quinto Taller sobre Tecnologia de Objetos de Aprendizaje. Mexico.

[34] Bell R., and Koren Y., (2007). Scalable collaborative filtering with jointly derived neighborhood interpolation weights. In Proc of. ICDM, 7th IEEE Int. Conf. on Data Mining, USA , pp. 43-52.

[35] Cheng R., and Chen L. (2009). Evaluating probability threshold k-Nearest-neighbor. In: IEEE TC on Data Engineering. USA.

[36] Shakhnarovish D., (2005). Nearest neighbor methods in learning and vision. MIT Press. USA.

[37] Rashid A., Karypis G., and Riedl J. (2006). Influence in ratings-based recommender systems: an algorithm-independent approach. In: Journal of the ACM.

[38] Bregon A., Arancha C, and Rodriguez J. (2005). Un sistema de razonamiento basado en casos para la clasificacion de fallos en sistemas dinamicos. Actas del III Taller Nacional de Mineria de Datos y Aprendizaje, TAMIDA, pp. 203-211, Espaha.

[39] Ni K., and Nguyen Q. (2009). An adaptable -nearest neighbors algorithm for MMSE image interpolation. IEEE transactions on image processing, Vol. 18, No. 9. USA.

[40] Lathia N., Hailes S., and Capra L, (2009). Temporal recommendations with adaptive neighbourhoods. Computer Science Department - University College, London.

[41] Bela G., Beel J., and Hentschel C, (2009). A research paper recommender system. Proceedings of the International Conference on Emerging Trends in Computing (ICETiC'09), Kamaraj College of Engineering and Technology India, IEEE, pp. 309-315, USA.

[42] Lemire D., and Maclachlan A., (2005). One predictors for online rating based collaborative filtering. Secure Data Management - SDM05. Norway.