Moneda

Síganos

Tu carrito

Tienes (0) productos $0
ANUNCIO
web_banner_magisterio_1115x116.png

Los Sistemas Recomendadores Educativos Semánticos como herramienta para mejorar la adaptación en los Ambientes Virtuales de Aprendizaje

Por Jesús G. Boticario , Por Olga C. Santos
Magisterio
17/05/2019 - 11:15
0
Foto de Adobe Stock
En situaciones donde hay sobrecarga de información y desconocimiento de las alternativas existentes los sistemas recomendadores han sido ampliamente utilizados en aplicaciones comerciales de Internet para ayudar a los usuarios a tomar decisiones. Recientemente, se está investigando la aplicación de estrategias de recomendación para guiar los procesos de enseñanza-aprendizaje en plataformas de e-learning. Las características de ambos dominios difieren, por lo que es necesario analizar previamente las necesidades de recomendación inherentes al dominio educativo. En este artículo se analiza el apoyo ofrecido por las plataformas actuales y cómo la integración de un sistema recomendador puede ampliar el soporte adaptativo e inclusivo en las mismas. Se introduce el concepto de Sistema Recomendador Educativo Semántico y la metodología TORMES que permite la identificación de necesidades de recomendación en escenarios de aprendizaje en línea y la caracterización semántica de las recomendaciones asociadas.
Introducción
Los sistemas recomendadores han sido ampliamente utilizados en aplicaciones comerciales de Internet para ayudar a los usuarios a tomar decisiones en situaciones donde hay sobrecarga de información y desconocimiento de las alternativas existentes. El caso de referencia más citado como ejemplo representativo es la librería en línea Amazon que sugiere al usuario libros en función de las interacciones que acaba de hacer así como de las interacciones realizadas por otros usuarios en el pasado. Los sistemas recomendadores han tenido mucho éxito en aplicaciones web comerciales (Schafer et al., 2001), por lo que se han propuesto también como una posible herramienta en entornos educativos (Zaïane, 2002). En este contexto, se han analizado las particularidades de ambos dominios (e.g., aplicaciones web comerciales y aplicaciones web educativas) y se han encontrado diferencias significativas en cuanto a los objetivos que deben guiar la recomendación (Draschler et al., 2009). Ello sugiere que aplicar las mismas técnicas que se utilizan en lo sistemas recomendadores comerciales puede no ser adecuado para el dominio educativo.
Si analizamos el soporte ofrecido actualmente por las plataformas educativas (Santos, 2009a) se puede observar que la inclusión de las Tecnologías de la Información y las Comunicaciones –TIC– han contribuido a la reducción de las barreras temporales y geográficas a través del uso de plataformas educativas, pero no ofrecen un soporte personalizado a los estudiantes en su interacción. Siguiendo el ciclo de vida del e-learning definido por van Rosmalen et al. (2004) en el proyecto aLFanet, se pueden distinguir cuatro fases: diseño del curso, administración en la plataforma, interacción entre los usuarios y auditoría de los resultados. En este contexto, las recomendaciones pueden contribuir, durante la fase de uso, a ofrecer un soporte dinámico, adaptativo y accesible a través de recomendaciones para aquellas situaciones no cubiertas en el diseño instruccional del curso, de forma que la integración de un sistema recomendador puede ampliar el soporte adaptativo e inclusivo en las plataformas de e-learning actuales. En el grupo de investigación aDeNu hemos investigado cómo pueden aprovecharse los sistemas recomendadores para mejorar la adaptación en los ambientes virtuales de aprendizaje con el fin de atender las necesidades de adaptabilidad y accesibilidad con el uso de las TIC (Santos, 2010). La hipótesis de trabajo formulada es que la integración de un sistema recomendador educativo semántico con un ambiente virtual de aprendizaje para ofrecer soporte adaptativo a la navegación mediante la entrega personalizada de recomendaciones a los estudiantes impacta positivamente en el proceso de aprendizaje.
permite la identificación de necesidades de recomendación en escenarios de aprendizaje en línea y la caracterización semántica de las recomendaciones asociadas.
A continuación, se introduce el concepto de Sistema Recomendador Educativo Semántico. Posteriormente, se presenta la metodología TORMES que permite la identificación de necesidades de recomendación en escenarios de aprendizaje en línea. Por último, se cierra el artículo con algunas conclusiones.
Los Sistemas Recomendadores Educativos Semánticos
El concepto de Sistema Recomendador Educativo Semántico (Santos y Boticario, 2010a) pretende cubrir la necesidad de extender las capacidades de personalización en ambientes virtuales de aprendizaje con soporte adaptativo a la navegación para ofrecer una guía personalizada e inclusiva a los estudiantes en escenarios de aprendizaje en línea formales. Este nuevo concepto engloba los siguientes términos:
Sistema Recomendador, como tal, es una herramienta que ayuda a la toma de decisiones en entornos de sobrecarga de información y desconocimiento de las alternativas existentes, ofrece recomendaciones en forma de enlaces, lo cual facilita el soporte adaptativo de la navegación y se sustenta en técnicas de inteligencia artificial como por ejemplo, filtrado colaborativo o minería asociativa, que permiten la automatización del proceso de recomendación.
Educativo, ya que se aplica en el dominio de aprendizaje en línea o e-learning, que tiene ciertas particularidades diferenciadoras (e.g., las recomendaciones deben estar basadas en criterios psico-educativos, y no sólo en las preferencias personales de cada individuo) y potencialmente, pueden cubrir la recomendación de cualquier acción (e.g., lectura o contribución) sobre cualquier objeto o servicio existente en un ambiente virtual de aprendizaje, por lo que es necesario involucrar al educador para identificar las necesidades de recomendación existentes en los escenarios de aprendizaje en línea formales.
Semántico, que permita describir las recomendaciones a alto nivel por parte del educador a la vez que dichas descripciones son interpretadas por el sistema tanto en el proceso de selección y entrega de la recomendación más apropiada como en el proceso de generación de nuevas recomendaciones de forma automática. Además, estas descripciones permiten explicar al usuario la fundamentación de las mismas, lo que contribuye a la confianza en el sistema. Y no menos importante, pueden facilitar el intercambio de información entre los distintos componentes software que intervienen en el proceso de recomendación establecido como una arquitectura abierta basada en servicios.
La Metodología TORMES
La metodología TORMES (del inglés Tutor-Oriented Recommendations Management for Educational Systems) permite la identificación de necesidades de recomendación en escenarios de aprendizaje en línea mediante la aplicación del estándar ISO 9241-210 (ISO, 2010) relativo al diseño centrado en el usuario para sistemas interactivos a lo largo del ciclo de vida del aprendizaje, seleccionando los métodos de usabilidad más adecuados en cada fase (Santos y Boticario, 2010a). Una descripción amplia de los métodos existentes y su utilización se recoge en el portal UsabilityNet . El objetivo de la metodología TORMES es involucrar al profesor en el diseño de recomendaciones que tengan valor educativo con el fin de entender las oportunidades de recomendación existentes que van más allá de la simple recomendación de objetos de aprendizaje. Por ejemplo, para que un alumno reflexione sobre lo que ha aprendido, puede ser apropiado sugerirle que elabore una contribución en su blog personal o envíe un mensaje al foro con sus reflexiones.
Para facilitar la descripción semántica de las recomendaciones, se ha definido un modelo de recomendación (Santos y Boticario, 2010b) que cubre los siguientes aspectos:
  • Qué se recomienda.  Acciones sobre elementos disponibles en la plataforma (e.g., contestar mensaje del foro, leer fichero…).
  • Cuándo se recomienda.  Según características de la persona a la que se le ofrece la recomendación y el contexto del usuario y del curso (ver condiciones de aplicabilidad y restricciones).
  • Por qué se recomienda.  Justificación de la recomendación, indicando el fundamento educativo y una explicación. 
  • Cuáles son las características.  Caracterización de la recomendación según la categoría, origen, fase del curso y relevancia.
  • Cómo se comunica.  Utilización del lenguaje para transmitir la recomendación.
Este modelo consta de los siguientes cinco elementos, con sus correspondientes atributos:
  • Tipo.  Objeto: Cualquier elemento genérico de un servicio de la plataforma (por ejemplo, un fichero del área de documentos, un mensaje del foro, un evento del calendario, un objeto de aprendizaje del curso…).  Acción:  Lo que se le indica al estudiante que haga con el objeto. Se pueden identificar dos tipos de acciones: 1) acciones pasivas (e.g., leer, visitar) o 2) acciones activas (e.g., seleccionar, postear, comentar, rellenar, cambiar, …). 
  • Contenido.  Texto: Explicación al estudiante de la acción recomendada sobre el objeto (para ser mostrada en la interfaz gráfica de la plataforma o enviado por correo electrónico).  Enlace:  Parte del texto que contiene el enlace HTML que apunta al objeto recomendado. Título: Explicación de la página a la que irá el estudiante si hace clic en el enlace de la recomendación. 
  • Informa-ción en tiempo de ejecución.  Restric-ciones:  Información sobre la validez de la recomendación para descartar aquellas recomendaciones que han caducado o que no aplican. Condi-ciones de aplicabilidad:  Definición de los valores que deben tener los atributos del estudiante y su contexto en tiempo de ejecución para ofrecer la recomendación correspondiente. 
  • Justifica-ción.  Funda-menta-ción; Fundamentos educativos de la recomendación, es decir, el objetivo educativo que se espera conseguir al ofrecer la recomendación a un estudiante determinado. Explica-ción:  Información sobre la razón por la que se entrega la recomendación al estudiante para motivarle y ofrecer confianza en el sistema. 
  • Informa-ción semántica. Catego-ría: Criterios en los que se centra la recomendación, como por ejemplo 1) participación activa, 2) soporte técnico, 3) comunicación, 4) información relevante, 5) accesibilidad, 6) motivación, 7) actividades de evaluación, 8) materiales del curso, 9) progreso en conocimiento, y 10) perfil.  Estado; Clasificación de la situación del curso, por ejemplo, si el estudiante se está familiarizando con la plataforma o la operativa del curso. Origen:  Fuente que originó la recomendación, tales como 1) el autor del diseño del curso, 2) las preferencias del usuario, 3) la popularidad entre otros estudiantes, o 4) el tutor del curso. Relevan-cia:  Prioridad de las recomendaciones a ser ofrecidas (en el caso de que haya varias recomendaciones que cumplan las condiciones requeridas para el estudiante en el contexto actual). 

+ Lea: Apropiación de tecnología en docentes de Educación Superior

Las recomendaciones definidas con la metodología TORMES y caracterizadas con el modelo semántico  son ofrecidas el estudiante en el interfaz gráfico del ambiente virtual de aprendizaje cuando las condiciones de aplicabilidad satisfacen el contexto del usuario, incluyendo sus preferencias individuales, el contexto en el curso y el dispositivo utilizado.
La figura muestra un saludo al estudiante:
“Hola Linda, puede que encuentres útiles algunas de las siguientes recomendaciones”. A continuación, se le ofrecen a Linda dos recomendaciones, que incluyen la acción recomendada sobre un objeto concreto del ambiente virtual de aprendizaje. En concreto, las recomendaciones mostradas en este ejemplo son: 1) “Intenta la auto-evaluación del Módulo 1 para descubrir cómo vas progresando en el curso”, y 2) “Escucha la entrevista grabada hecha al profesor”.
Al lado de cada recomendación, se muestra un enlace que lleva a una nueva página donde se muestra la información semántica asociada a la recomendación (categoría, origen, estado y relevancia), así como la justificación correspondiente (explicación y fundamentación). En la parte inferior, el sistema muestra al usuario la última recomendación seguida y le pregunta si la encontró útil. Esta información sirve para realimentar el sistema y ajustar la relevancia asociada a cada recomendación.
Conclusiones
Este artículo ha introducido los sistemas recomendadores semánticos como herramienta para mejorar la adaptación en los ambientes virtuales de aprendizaje y la metodología TORMES que permite la identificación de necesidades de recomendación en escenarios de aprendizaje en línea y la caracterización semántica de las recomendaciones asociadas. De esta forma, el proceso de adaptación a lo largo del ciclo de vida propuesto en Van Rosmalen et al., (2004) puede articularse de la siguiente forma (Santos, 2009b): Primero, en la fase de diseño, los autores del curso describen las necesidades de recomendación identificadas en el curso a través del modelo semántico de recomendaciones propuesto. A continuación, en la fase de administración, se enlazan las recomendaciones con objetos existentes en la plataforma, que son gestionados por los tutores del curso. Posteriormente, en la fase de uso, el sistema recomendador educativo semántico ofrece las recomendaciones apropiadas a cada estudiante en su contexto con el objetivo de ayudar a los estudiantes en su aprendizaje. Y, finalmente, en la fase de auditoría, se ofrecen informes del seguimiento de las recomendaciones y su impacto en el aprendizaje del estudiante para orientar al profesor sobre mejoras a realizar en nuevas iteraciones del curso.
Agradecimientos
El trabajo reportado en esta investigación ha sido parcialmente financiado por la Comisión Europea y el gobierno de España a través de, respectivamente, los proyectos EU4ALL (IST-2006-034778) y ALTER-NATIVA (DCI-ALA/2010/88), y A2UN@ (TIN-2008-06862-C04-00/TSI) y CISVI (TSI-2008-020301-2008-21).
Bibliografía
Drachsler, D., Hummel, H. G. K. and Koper, R. (2009). “Identifying the Goal, User model and Conditions of Recommender Systems for Formal and Informal Learning”. In: Journal of Digital Information 10 (2).
ISO. (2010). Ergonomics of Human-System Interaction - Part 210: Human-centred design for interactive systems. ISO 9241-210:2010.
Santos, O. C. (2009a). Ampliando el apoyo ofrecido por las plataformas de e-learning mediante un servicio de recomendaciones. I Congreso Internacional de Ambientes Virtuales de Aprendizaje Adaptativos y Accesibles (CAVA 2009).
Santos, O. C. (2009b). Recommendations Support in Standard-based Learning Management Systems. Proceedings of the Int. Conf. on Artificial Intelligence in Education, AIED 2009.
Santos, O. C. (2010). Taller TÉCnicas para DEfinir REComendaciones en entornos virtuales de aprendizaje (TecDeRec). II Congreso Internacional de Ambientes Virtuales de Aprendizaje Adaptativos y Accesibles (CAVA 2010).
Santos, O. C. and Boticario, J. G. (2010a). “Usability methods to elicit recommendations for Semantic Educational Recommender Systems”. In: IEEE Learning Technology Newsletter Volume 12, Issue 2 (April, 2010).
Santos, O. C., Boticario, J. G. (2010b). “Modeling recommendations for the educational domain”. En: Actas, 1st Workshop ‘Recommender Systems for Technology Enhanced Learning’ (RecSysTEL 2010).
Schafer, J. B., Konstan, J. A., Riedl, J. (2001). “E-commerce recommendation applications. In : Data Mining and Knowledge Discovery, 5, pp. 115-152.
Van Rosmalen, P., Boticario, J. G. & Santos, O. C. (2004). “The Full Life Cycle of Adaptation in aLFanet eLearning Environment”. In: Learning Technology newsletter, vol. 4, pp. 59-61.
Zaïane, O. R. (2002). Building a Recommender Agent for e-Learning Systems. Proceedings of International. Conference on Computers in Education, Auckland, New Zealand, 3-6 December, pp. 55-59.
Nota
  UsabilityNet: http://www.usabilitynet.org
Autores. Olga C. Santos . Jesús G. Boticario. Grupo de Investigación aDeNu Departamento de Inteligencia Artificial. ETSI Informática. UNED ocsantos@dia.uned.es; jgb@dia.uned.es
Foto de Adobe Stock
 
ANUNCIO
inteligencia_emocional_v2_1.png