Juan C Jiménez UPSI-Universidad Técnica Particular de Loja Loja Ecuador. tener en el aprendizaje y por ende maximizar la calidad de la enseñanza.

Transcripción

1 Recolección de datos de interacción de alumnos en una plataforma E-learning para obtener indicadores de interés de su actividad aplicando técnicas de aprendizaje automático Greyson P Alberca UPSI-Universidad Técnica Particular de Loja Loja - Ecuador Martha V Agila Virtualización -Universidad Técnica Particular de Loja Loja - Ecuador Fausto J Loja UPSI-Universidad Técnica Particular de Loja Loja - Ecuador Priscila M Valdiviezo Virtualización -Universidad Técnica Particular de Loja Loja Ecuador Juan C Jiménez UPSI-Universidad Técnica Particular de Loja Loja Ecuador RESUMEN El presente documento presenta un estudio de las técnicas de extracción de conocimiento a través de la minería de datos, con el fin de obtener indicadores de interés que permitan la generación de recomendaciones para el mejoramiento del aprendizaje dentro de la plataforma E-learning o LMS (Learning Managment System) de la UTPL (Universidad Técnica Particular de Loja). Se ha aplicado las técnicas de aprendizaje automático a los datos de las interacciones de estudiantespara definir un modelo de usuario y determinar su comportamiento en la plataforma. Se ha realizado pruebas para verificar el modelo con nuevas interacciones de estudiantes. También se ha desarrollado un módulo en php agregado a un LMS para presentar recomendaciones estáticas hacia los estudiantes. Finalmente se ha determinado los indicadores de interés de los estudiantes dentro el LMS. Palabras Clave LMS, Moodle, Modelo de usuario, aprendizaje automático, minería de datos. 1. INTRODUCCIÓN Hoy en día la enseñanza a través de plataformas virtuales (eg. Moodle1, dotlrn2, Teleduc,etc.) es acogida por personas de diferentes características que se encuentran favorecidas ante las nuevas innovaciones tecnológicas. Estos entornos de aprendizaje basados en web, están conformados por herramientas de comunicación, productividad, relación grupal, administración, manejo de cursos, manejo de contenidos, entre otros[10]; permitiendo que el estudiante y profesor tenga mayor participación colaborativa para mejorar la calidad de la enseñanza. Pero aún la mayoría de los sistemas e-learning consideran a los estudiantes con características unificadas como lo comenta [11] proporcionando recursos monólogos lo que implica que el proceso de enseñanza-aprendizaje sea el mismo para todos. En los años recientes se ha presentado estudios de la personalización de los sistemas adaptativos para entornos e- learning, permitiendo construir recomendaciones dinámicas para que los estudiantes superen las dificultades que puedan tener en el aprendizaje y por ende maximizar la calidad de la enseñanza. Es por esto que el presente trabajo presenta un estudio de las técnicas de extracción de conocimiento a través de la minería de datos, con el fin de obtener indicadores de interés que permitan la generación de recomendaciones estáticas para el mejoramiento del aprendizaje dentro de la plataforma E- learning o LMS de la UTPL. Se ha aplicado las técnicas de aprendizaje automático a los datos de las interacciones de estudiantespara definir un modelo de usuario y determinar su comportamiento en la plataforma. Se ha realizado pruebas para verificar el modelo con nuevas interacciones de estudiantes. También se ha desarrollado un módulo en php agregado a un LMS para presentar recomendaciones estáticas hacia los estudiantes.finalmente se ha determinado los indicadores de interés de los estudiantes dentro el LMS. 2. DESCRIPCIÓN DEL PROBLEMA Actualmente la UTPL posee una plataforma virtual que es utilizada como herramienta de soporte a la educación en sus dos modalidades: abierta y presencial. En dicha plataforma los estudiantes pueden interactuar con el profesor de la materia en la que está inscrito, con la ayuda de herramientas y utilidades tales como: foros, preguntas frecuentes, chat, correo electrónico, materiales, etc., creando así un entorno de enseñanza aprendizaje virtual. Este sistema de aprendizaje virtual ha favorecido en la creación de cursos on-line en la que la utilización de la plataforma virtual es imprescindible, ya que se tiene un modelo de aprendizaje colaborativo en el cual tanto profesores como alumnos colaboran entre sí. Pero es necesario saber cómo los estudiantes interactúan con las herramientas de la plataforma, esto con el objetivo de presentar recomendaciones para la mejora de estos servicios y así aprovechar realmente las ventajas que nos ofrecen este tipo de sistemas. Para esto, se realizó un análisis de minería de datos sobre la plataforma virtual de la UTPL, tomando como datos de entrada la información acerca de las interacciones de los estudiantes con la plataforma, para luego construir modelos de usuarios y en base a los indicadores de interés obtenidos del análisis de minería de datos,determinar el comportamiento de los estudiantes con la plataforma. 3. SOLUCIÓN DEL PROBLEMA

2 Antes de realizar el análisis de minería de datos es muy importante seguir los pasos referenciados en [3], para tener claro hacia donde se quiere orientar los objetivos. La figura 1 muestra un resumen de los sistemas de extracción de conocimiento. Figura 2. Arquitectura de la plataforma e-learning Moodle Figura.1 Características generales de un sistema de extracción del conocimiento 3.1 COMPONENTES DE LA SOLUCIÓN Algoritmos de aprendizaje automático o de clasificación Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos. Entre ellos se tiene el Aprendizaje supervisado en el que el algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema, y el aprendizaje no supervisado, en el que todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías o salidas esperadas de esos ejemplos. En el proyecto se optó por tomar las técnicas de aprendizaje supervisado como herramienta para la construcción del modelo de usuario, ya que de acuerdo a los objetivos del proyecto, se pretende clasificar a los estudiantes de acuerdo a su nivel de participación, por lo tanto, se tiene que definir las categorías o clases en las cuales los estudiantes van a ser correspondidos. Arquitectura de la solución La arquitecturase basa concretamente en la aplicación de un agente de software dentro del modelo del usuario, es decir, que en base a los datos de interacción del usuario, el modelo sea capaz de asignar a dicho usuario a una clase predefinida por el agente, y a través de esta clasificación presentar las recomendaciones necesarias, acerca de su nivel de interacción con la plataforma. En la figura 2, se muestra la arquitectura que tiene la plataforma virtual Moodle, actualmente utilizada en la UTPL, ésta consiste en una combinación de páginas web dinámicas y módulos especializados en realizar operaciones sobre una base de datos, en donde el estudiante es registrado como un usuario del sistema y cualquier actividad que este realice dentro del sistema se almacena en un registro (log), para posteriormente ser utilizado para fines de auditoria o análisis de datos.para el presente trabajo se utilizó estos registros y otros datos del usuario para la construcción del modelo del usuario y la base de conocimiento, obtenida del proceso de minería de datos. Esto permitirá definir las reglas de decisión e inferencia 3, para el diseño del agente de software (figura 3), el cuál contiene los diferentes tipos de recomendaciones en base al nivel de interacción en la que el usuario será clasificado. El proceso para presentar las recomendaciones consiste en: obtener los registros de las interacciones del estudiante con las herramientas y otros datos del usuario, obtenidos de la base de datos de la plataforma, para luego compararlos con las reglas de decisión definidas en el modelo del usuario y así clasificar al estudiante de acuerdo a su nivel de interacción general, y luego que el agente ubique al usuario en una clase predefinida para q se le presente las recomendaciones correspondientes a su nivel de interacción. Figura 3. Implementación de un agente de software para la plataforma Moodle La arquitectura de la solución se fundamenta en el diseño de Sistemas Hipermedia Adaptativos, esto quiere decir, que el contenido que presenta al usuario es de acuerdo al comportamiento o frecuencia de interacción que el usuario ha tenido con el sistema, presentando así recomendaciones o sugerencias para ayudar al usuario a mejorar su experiencia utilizando las herramientas del sistema. 3.2 DESARROLLO DE LA SOLUCIÓN Modelado del Usuario 3 Inferencia: Es el proceso de razonamiento por el que se concluye una proposición de otra u otras anteriormente aceptadas.

3 El modelo del usuario es la representación de características y propiedades de un usuario específico, que se utiliza generalmente para razonar sobre las necesidades, preferencias o comportamiento futuro del usuario. Es una parte fundamental en los sistemas adaptativos que personalizan las respuestas ofertadas a los usuarios, tal como lo explica en [12]. Gaudioso, describe tres tipos básicos de modelos [2]: a) explícitos, que se representan a través de reglas en base a un conocimiento declarado previamente, b) implícitos, los cuales se basan en una serie de atributos que se obtienen con la ejecución de tareas de aprendizaje automático, y, c) híbridos, que se basan en la combinación de las dos técnicas mencionadas anteriormente. De acuerdo a lo presentado, el diseño de un modelo híbrido permite definir de mejor manera un modelo de usuario, ya que no toda su información es directamente observable por lo que es necesario realizar inferencias para crear nuevos atributos que relacionen estos datos. Determinación de la muestra y definición de los atributos a ser utilizados Para realizar el análisis de minería de datos es necesario determinar la muestra de los datos, que van a constituirse en datos de entrenamiento para el proceso de clasificación, es por esto que se tomó como población la carrera de Sistemas Informáticos y Computación de la Modalidad Clásica. Para la fase de adquisición de datos era necesario definir algunas cuestiones como: los parámetros que se debía obtener para construir la base de datos de trabajo seguido de la identificación y obtención de los datos disponibles. Para esto se realizó la implementación de un script en el lenguaje PHP, el cual realiza una consulta directa a la tabla de logs de la base de datos de la plataforma. A continuación la tabla 1 y 2, presentan los atributos seleccionados para la recolección de los datos: ATRIBUTO DESCRIPCIÓN ASIGNATURA El nombre del curso y el paralelo que el estudiante pertenece. NOMBRES Nombres y apellidos del estudiante. CIUDAD Ciudad o localidad que pertenece el estudiante. FOTO Este es un valor binario (1 o 0, SI o NO), identifica si el usuario tiene o no su fotografía almacenada en su perfil de usuario. Tabla 1. Atributos que se refieren a los datos de Usuario FORUM_VIEW_DISCUSSIO N FORUM_VIEW_FORUM RESOURCE_VIEW USER_UPDATE USER_VIEW revisa las discusiones dentro de un foro. revisa o accede a los foros de discusión. accede a los recursos 5 subidos por el profesor. actualiza los datos de su perfil. revisa o accede a su perfil. Tabla 2. Atributos que se refieren a los datos de interacción (uso) del usuario con la plataforma. Limpieza y pre-procesamiento de datos El objetivo de esta fase es que en base a las tareas de aprendizaje que se infieran de los datos del usuario, se tenga un modelo predictivo para nuevos datos que se ingresen y así asignarlos a una clases específica. Concretamente se definieron los siguientes atributos: Nivel de interacción en los recursos. Nivel de interacción en las tareas. Nivel de interacción en los Foros Nivel de interacción general. Los tres primeros niveles dependen directamente de los datos de interacción de los usuarios por lo que a cada nivel se le asigna una clase de nivel (Alto, Medio y Bajo). El nivel de interacción general, depende directamente de los tres primeros niveles y en base a los valores de clase de éstos se determina el nivel de participación general de los usuarios dentro de la plataforma. Algoritmos Utilizados para la Minería de Datos El Algoritmo C4.5 (J48), propuesto por Quinlan es una versión actualizada del algoritmo ID3. Una característica importante del algoritmo C4.5 es el manejo de atributos con valores en un rango continuo y la construcción de los árboles de decisión, en base a particiones recursivas.[4] El Algoritmo PART, utiliza los mismos mecanismos que el C4.5 para la construcción del arbol de decisión pero evita el paso de optimización de sus reglas ya que genera una lista de decisón sin restricciones basánodose en el procedimiento divide y vénceras lo que produce que éste algoritmo sea mas rápido. ATRIBUTO COURSE_VIEW ASSIGNMENT_VIEW ASSIGNMENT_UPLOAD FORUM_ADD_POST DESCRIPCIÓN Número de accesos al curso seleccionado accede a las tareas enviadas por el profesor. sube algún tipo de contenido a las tareas enviadas. añade un POST 4, a un foro. El Algoritmo NNge, basado en el método del vecino más cercano, este método utiliza la heurística para realizar búsquedas y encontrar relaciones entre los datos, para con esto generar reglas de decisión del tipo Si, entonces. 3.3 RESULTADOS OBTENIDOS Experiencia en la aplicación del clasificador J48 El tipo de evaluación del algoritmo es importante al momento de realizar la clasificación, por lo que se usó la validación 4 POST se refiere a la acción de enviar un mensaje hacia el servidor principal. 5 Los recursos (Materiales) son ayudas digitales que contienen información que puede ser leída, vista o bajada para extraer información que apoye el proceso de aprendizaje.

4 cruzada 10-veces (10-fold Cross Validation), la cual divide todo el conjunto de datos en 10 subconjuntos y aleatoriamente va tomando un conjunto para el testeo y el restante para entrenamiento. De esta forma, cada algoritmo se ejecuta 10 veces aprendiendo con un 90% de las instancias y se prueba con el 10% de instancias restantes. En la siguiente tabla se muestra el porcentaje de instancias erróneas e instancias clasificadas correctamente de los diferentes niveles de interacción: Nivel de Interacción Correctas Erróneas Recursos % % Tareas % 1.69 % Foros % % General % % Tabla 3. Resultados para las pruebas con el algoritmo J48 utilizando la validación cruzada Experiencia en la aplicación del clasificador PART El algoritmo PART en Weka realiza casi las mismas operaciones que el algoritmo J48, con la diferencia que este algoritmo no genera árboles de decisión, sino es un algoritmo para la obtención de reglas de un árbol de decisión, pero recibe algunos parámetros similares que el J48 (entre algunos de estos el factor de confianza), otradiferencia es que este algoritmo no realiza el proceso de optimización de reglas de clasificación por lo que el proceso de análisis es más rápido que el algoritmo J48. Nivel de Correctas Erróneas Interacción Recursos % % Tareas % 1,69. % Foros % % General % % Tabla 4. Resultados para las pruebas con el algoritmo PART utilizando la validación cruzada. Experiencia en la aplicación del clasificador NNge Al igual que en los dos algoritmos utilizados anteriormente se obtuvo los siguientes resultados: Nivel de Correctas Erróneas Interacción Recursos % % Tareas % 1.69 % Foros % % General % % Tabla 5. Resultados para las pruebas con el algoritmo NNge utilizando la validación cruzada Como se puede apreciar en las tablas 3, 4 y 5, los mejores resultados se obtuvieron con el algoritmo J48, en el que el porcentaje de instancias clasificadas correctamente en las tres categorías (recursos, tareas y foros) fluctúa entre el 81%. Con el algoritmo PART aunque se toma menos tiempo en la clasificación sus porcentajes son bajos especialmente en el nivel de interacción de foros, por lo que se ve reflejado la ventaja de realizar la optimización de reglas que si lo hace el J48, por lo que se puede concluir que el algoritmo J48 es el que mejor se adapta al modelo del usuario y presenta una mejor clasificación. Si comparamos los resultados con los del algoritmo Nnge vemos que los porcentajes son similares con una pequeña variación entre ellos. 4 INTERPRETACION DE LOS RESULTADOS Una vez aplicados los algoritmos de clasificación, se presenta la interpretación de una de las matrices de confusión generadas, por uno de los algoritmos en cada una de las categorías. Nivel de interacción General Los índices en las filas y columnas de la matriz representan a las clases definidas en el modelado del usuario para el nivel general de interacción. Los elementos de la diagonal principal de la matriz representan el número de instancias clasificadas correctamente, es decir, Para el J48 con118 instancias (estudiantes), 33 tienen un nivel de interacción ALTO, 31 instancias nivel MEDIO y 31 nivel BAJO. Nivel de interacción de Recursos Para la interpretación del nivel de interacción de recursos, se tomará la matriz de confusión presentada por el algoritmo J48. En este caso, la matriz presenta varios ejemplos que son falsos positivos (o mal clasificados), pero de las instancias correctamente clasificadas se tiene 30 con interacción alta, 23 con interacción media y 32 con interacción baja. Con este conjunto de datos de prueba se puede deducir que existe un nivel de interacción BAJO con los recursos, aunque el porcentaje de instancias mal clasificadas podría alterar estos resultados. Nivel de interacción de Tareas En este nivel, al igual que en los anteriores se tomará como referencia el algoritmo J48, ya que los demás algoritmos presentaron similares resultados: De acuerdo a esta clasificación el nivel de interacción es BAJO y los resultados son más precisos ya que existe un mínimo porcentaje de instancias mal clasificadas a = ALTO b = MEDIO c = BAJO a = ALTO b = MEDIO c = BAJO a = MEDIO b = BAJO c = ALTO Nivel de interacción de Foros El mejor resultado fue obtenido por el algoritmo J48, el cual muestra la siguiente matriz de confusión: a = ALTO b = MEDIO c = BAJO

5 En la matriz de confusión generada por el algoritmo se refleja que aproximadamente 31 instancias tienen un nivel de interacción BAJO con los foros, pero al igual que en la interacción de recursos, estos resultados no podrían considerarse precisos debido a la presencia de las instancia mal clasificadas. 4.1 Análisis de los Indicadores de Interés Luego de la interpretación de los resultados, se presenta los indicadores de interés obtenidos del análisis de minería de datos y aplicación de las técnicas de aprendizaje automático. Indicadores con respecto a la utilización de las herramientas. En este indicador se destaca la utilización de la herramienta TAREAS, en un nivel de interacción MEDIO, frente a la utilización de los FOROS y los RECURSOS, los cuales están en un nivel de interacción BAJO. Con esto se puede concluir que: se debería incrementar la frecuencia de utilización de los FOROS y los RECURSOS, ya que el uso de estas herramientas permiten tener una interacción más directa entre los docentes y los estudiantes. Indicadores con respecto al tipo de interacción del usuario. Se pueden definir tres tipos de interacción, relacionadas al comportamiento o a la forma en que el estudiante interactúa con la plataforma: a) Interacción conformista, refleja un comportamiento, en que al estudiante le interesa el material que también le ha interesado a la mayoría de estudiantes. Esto quiere decir que su nivel de interacción con las herramientas de la plataforma es BAJO y se debería presentar recomendaciones básicas, con el fin de incentivar al estudiante a utilizar con mayor frecuencia las herramientas de la plataforma y así incrementar su nivel de participación y su experiencia como usuario. b) Interacción consciente, en este tipo de interacción se puede observar una mayor utilización de las herramientas, por lo que se concluye que el usuario tiene bien definidos cuáles son sus intereses en cuanto al material, que quiere consultar. Esto representa a un estudiante que le interesa revisar los foros y los anuncios que el profesor publica, por lo que el tipo de recomendación estaría fundamentada en un nivel más avanzado y que se incite al estudiante a participar directamente con las herramientas de la plataforma. c) Interacción autónoma, la interacción autónoma se relaciona con un nivel de interacción ALTO, ya que los intereses del usuario están basados en la consulta de material novedoso, participación frecuente en los foros y sobretodo experiencia en la utilización de las herramientas. 4.2 Utilización del Conocimiento Obtenido Esta fase implica la utilización de los resultados obtenidos del análisis de minería de datos, para la creación de un agente de software dentro de la plataforma e-learning. Es decir, consiste en crear un módulo o bloque el cual formará parte del diseño de la plataforma, en donde se almacenará el modelo del usuario y se aplicarán las reglas obtenidas en los algoritmos de aprendizaje automático, para poder presentar al usuario las recomendaciones en base a su nivel de interacción con las herramientas de la plataforma. El agente funciona como un bloque, que forma parte de la estructura funcional de la plataforma e-learning, el cual cumple con una tarea específica que es la de clasificar al usuario. Los alcances están relacionados hacia la funcionalidad del agente, el cual consiste en las siguientes tareas: El usuario debe seleccionar un curso en el que esté matriculado. Una vez seleccionado el curso, el agente verifica primeramente que exista interacciones por parte del profesor, ya que si no existen recursos, tareas o foros propuestos, la presentación de las recomendaciones son innecesarias. El agente presenta las recomendaciones en base al número de interacciones realizadas por los estudiantes con las herramientas del campus virtual. El número de interacciones sirve para ser comparado con las reglas obtenidas de los algoritmos de aprendizaje automático y una vez comparado se le asigna una clase al usuario (es decir ALTO, MEDIO o BAJO). Luego que se le asigne la clase correspondiente, se presenta al usuario sus niveles de interacción y su recomendación respectiva. Las recomendaciones se basan en tareas, que ayuden al usuario a mejorar su experiencia en la utilización de las herramientas. La plataforma e-learing de la cual se obtuvieron los datos fue Moodle, por lo que, el agente está orientado hacia el modelo de esta plataforma, la misma que posee características para agregar bloques personalizados, que cumplen con tareas específicas, para este caso, se elaboró un bloque en el que se aloja el agente, y que presenta al usuario las recomendaciones. Las consultas que se realizan a la base de datos para obtener el número de interacciones, contienen los siguientes campos: el identificador del usuario (id_usuario), el identificador del profesor(id_profesor), el identificador del curso (id_curso) y el nombre de la herramienta a ser evaluada (foros, recursos o tareas). Y se accede a la tabla de Logs de la plataforma (mdl_log) para realizar el conteo de las interacciones. 4.3 Presentación de las recomendaciones Los niveles de interacción y las recomendaciones dependen directamente de la participación del profesor, ya que se puede dar el caso que en ciertos cursos el profesor utilice solamente los foros como herramienta de aprendizaje, por lo que las recomendaciones se darán únicamente a esa herramienta. Las recomendaciones al usuario se representan mediante enlaces hacia páginas web que contienen información sobre el manejo de las herramientas, en base al nivel de interacción asignada por el agente. Figura 4. Prueba en la que se presentan las recomendaciones para 2 herramientas: Recursos y Tareas

6 5 CONCLUSIONES En esta investigación la aplicación de las técnicas de minería de datos y los algoritmos de aprendizaje automático, son las herramientas utilizadas para construir el modelo del usuario, ya que clasifica al estudiante de acuerdo a su nivel de interacción dentro dela plataforma virtual y en base a esta clasificación, se presentan las recomendaciones para el mejoramiento de la utilización de los servicios de la plataforma. Para la construcción del modelo de usuario se optó por las técnicas de aprendizaje supervisado, ya que utilizan algoritmos que permiten clasificar la información de acuerdo al criterio que el analista requiera, para este caso, clasificar a los estudiantes de acuerdo al nivel de interacción en las herramientas de la plataforma. La utilización de un modelo de usuario híbrido, se adapta a la estructura de la base de datos de trabajo ya que esta contiene datos que no son directamente observables, por lo que se creó nuevos atributos para relacionarlos de alguna manera. Los resultados del análisis de la base de datos de la plataforma, reflejan que las herramientas más utilizadas por los estudiantes son: los foros, recursos y las tareas, y en base a estos resultados se plantearon los objetivos para el análisis de minería de datos. Los algoritmos utilizados para la clasificación de los datos son los árboles de decisión, entre ellos se destaca el algoritmo J48 (C4.5), el cual presentó resultados favorables en la clasificación de los datos. Con todo este análisis realizado, se tiene que los indicadores de interés obtenidos, reflejan el comportamiento del estudiante de acuerdo a su nivel de interacción, más no se tomaron en cuenta otros factores como: localidad, sexo, calificaciones, etc. ya que estos indicadores no presentan resultados que sean útiles al momento de implementar el agente inteligente; así mismo, las recomendaciones se orientan exclusivamente a mejorar la experiencia del usuario en la utilización de las herramientas de la plataforma. 6 RECOMENDACIONES Y TRABAJO FUTURO Se propone la creación de un modelo de usuario orientado hacia los docentes, ya que es muy importante que tanto el estudiante como el profesor deben estar familiarizados con el entorno y así proponer recomendaciones que sirvan para mejorar su metodología de enseñanza dentro de la plataforma e-learning. Se recomienda la utilización de técnicas de aprendizaje no supervisado para encontrar nuevos indicadores de interés, esto se basa en la agrupación de datos homogéneos (clustering) y la creación de modelos que tomen en cuenta otros factores a más de datos de interacción. de clasificación de los estudiantes, esto con el fin de que exista un esquema de retroalimentación en la información. Integración de algoritmos de minería de datos dentro de las propias herramientas de la plataforma para la construcción y mantenimiento de los cursos y para la mejora automática de los sistemas. Actualmente el campo de la inteligencia artificial, se está extendiendo hacia muchas áreas, tales como la bioinformática, comercio, educación, y se aplican en la creación de sistemas inteligentes orientados hacia la predicción e incremento de las ventas, sistemas recomendadores, minería web y una gama de aplicaciones que serían de mucha utilidad para UTPL. BIBLIOGRAFÍA [1] C. Romero, S. Venturaand C.Hervás. Estado actual de la aplicación de técnicas de minería de datos a los sistemas de enseñanza basada en Web. Departamento de Informática y Análisis Numérico. Escuela Politécnica Superior. Universidad de Córdoba [2] E. Gaudioso. Contribuciones al Modelado del Usuarioen Entornos Adaptativos de Aprendizajey Colaboración a través de Internetmediante técnicas de AprendizajeAutomático. Tesis Doctoral.UNED 2002 [3] J.F Reyesand R. García Rodolfo. El proceso de descubrimiento de conocimiento en bases de datos. Ingenierías, 8(26):37-47, 2005 [4] M. Servente, and R. García-Martínez, Algoritmos TDIDT Aplicados a la Minería Inteligente. Revista del Instituto Tecnológico de Buenos Aires, 26: ISSN [5] Sitio Oficial WEKA. [ [6] DotLRN Home Page[ [7] Moodle Home Page[ [8] Teleduc Home Page [ [9] D. Borrajo, P. Isasi and J.G Boticario. Aprendizaje Automático. Editorial: Sanz y Torres, S. L [10] O.C Santos, J.G Boticario, E Raffenne, and R Pastor. Whyusingdotlrn? UNED use cases. FLOSS (Free/Libre/Open Source Systems) International Conference (to be published), Jerez de la Frontera, Spain, 7-9 March [11] M. K. Khribi, M. Jemni, and O. Nasraoui. Automaticrecommendationsfor e- learningpersonalizationbasedonwebusageminingtechniques andinformationretrieval. AdvancedLearning Technologies, ICALT 08. Eighth IEEE International Conferenceon, pages , Jun [12] O.C Santos, E Raffenne and J.G Boticario. Offering recommendations in OpenACS/dotLRN. 7th OpenACS /.LRN conference La mejora del bloque de recomendaciones se puede orientar hacia la creación de una base de conocimientos, en la que se almacenen las recomendaciones y las reglas