Recomendación de objetos de aprendizaje almacenados en repositorios según las preferencias del usuario.

Transcripción

1 Recomendación de objetos de aprendizaje almacenados en repositorios según las preferencias del usuario. Neili Machado García Departamento de Informática Universidad Agraria de La Habana La Habana, Cuba y Andrés Montoyo Departamento de Lenguajes y Sistemas Universidad de Alicante Alicante, España montoyo@dlsi.ua.es RESUMEN La gran necesidad de intercambio de información ha impulsado el uso generalizado de Internet. La Web representa una gran masa de contenidos heterogéneos pero a pesar de su interés y utilidad, estos contenidos no podrán tener un uso adecuado si el usuario que los necesite no los puede encontrar. En este trabajo se propone un método para la gestión personalizada de objetos de aprendizaje ubicados en Repositorios de Objetos de Aprendizaje Lor@server. El objetivo de este método consiste en localizar el/los objeto(s) de aprendizaje(s) adecuados para satisfacer las preferencias de un usuario en una situación dada mediante la utilización de una ontología de dominio, técnicas de recomendación y las facilidades que ofrece un ROA Lor@server. Palabras Claves: Objetos de aprendizaje, Sistemas de recomendación, Ontologías, Procesamiento del lenguaje natural, LMS, Repositorios. 1. INTRODUCCIÓN Actualmente muchos de los recursos que se encuentran en la Web tienen como objetivos fines didácticos, probablemente esto sea producto de los cambios que están sufriendo los procesos de aprendizaje con la introducción de las nuevas Tecnologías de la Informática y las Comunicaciones (TIC). La utilización de los objetos de aprendizaje es una de las tendencias más importantes en el diseño educativo con uso de las TIC en la actualidad. Para facilitar la reutilización de los OAs estos deben estar albergados, organizados y descritos a través de metadatos. Los metadatos son necesarios para encontrar, intercambiar y administrar OAs pero su semántica no es clara. Los modelos de recuperación de información basados en palabras claves no son suficientes para la obtención de OA debido a que necesitan analizar el contenido de los documentos y además documentos que no están relacionados semánticamente con el tema pueden ser recuperados. Estas dificultades han provocado que muchos investigadores utilicen técnicas de ontologías y diferentes enfoques de recomendación en la recuperación de OAs, prediciendo las potencialidades de los mismos para cada usuario particular. Este trabajo esta centrado en el estudio y creación de un método para la gestión de objetos de aprendizaje el cual está basado en la integración de técnicas de procesamiento del lenguaje natural (PLN), ontologías de dominio y aplicando un enfoque híbrido de recomendación con las facilidades que ofrece un repositorio de objetos de aprendizaje (ROA) con el fin de facilitar la gestión personalizada de recursos educativos.

2 Este trabajo se encuentra estructurado por apartados. Después de la introducción, donde se ha presentado el contexto y el objetivo del trabajo realizado, el apartado 2 describe de forma breve el estado del arte en el que se enmarca el trabajo de investigación. El apartado 3 se dedica a la explicación de los detalles y el diseño del método de gestión de OAs propuesto. En el apartado 4 se presentan las conclusiones sobre el trabajo realizado y las líneas futuras de trabajo que se llevaran a cabo para obtener resultados más concluyentes. 2. ESTADO DEL ARTE La gran necesidad de intercambio de información ha impulsado el uso generalizado de Internet. Cualquier recurso digital puede constituir un material didáctico, el cual descrito a través de sus metadatos constituye un objeto de aprendizaje que puede ser reutilizado. La utilización de los objetos de aprendizaje es una de las tendencias más importantes en el diseño educativo con uso de las TIC en la actualidad. En la práctica un OA puede ser un texto electrónico, un contenido multimedia, una imagen, video clips, simulaciones, presentaciones, juegos educacionales, sitios Web, tutoriales on-line, ejercicios, glosarios, ejercicios, applets de Java, etc. La idea central de un OA no es lo que es en sí, sino su reusabilidad. Esta reusabilidad es importante por varias razones, por ejemplo: se invierte un tiempo considerable en producir contenidos educacionales con alta calidad; por otra parte, diferentes organizaciones e instituciones educacionales imparten los mismos temas por lo que es muy probable que se generen contenidos educacionales similares; la reutilización de los OAs contribuye a la gradual unificación de las iniciativas educacionales de las diferentes organizaciones, lo cual contribuye a la movilidad de los estudiantes entre las instituciones además de reducir los recursos humanos y el costo necesario para desarrollar materiales digitales educativos. Para la reutilización de un OA se hace necesario que su contenido sea descrito a través de metadatos. Para esto existen especificaciones y estándares internacionalmente aceptados que contribuyen a la interoperabilidad y reusabilidad de los OAs entre las diferentes aplicaciones y en diversos ambientes de aprendizaje. Algunas organizaciones que se han dado a la tarea de hacer una definición de etiquetas que permita especificar a los diferentes recursos son Dublin Core, LOM (de IEEE) y Can Core. Por la necesidad de compartir objetos que provienen de distintas fuentes y organizar su almacenamiento para potenciar su reutilización surgen los repositorios de objetos de aprendizaje. Un Repositorio de Objetos de Aprendizaje es una colección de Objetos de Aprendizaje. Una manera de comprender los repositorios, es imaginar una combinación entre una biblioteca digital y un buscador, pero mucho más sofisticado que ambos. Los repositorios de objetos de aprendizaje permiten almacenar, buscar, recuperar, consultar y bajar objetos de aprendizaje de todas las áreas de conocimiento. En los repositorios no solo los humanos pueden consultar y buscar información sino también agentes software o sistemas LMS (Learning Management System) externos aunque es común que los LMS tengan asociado un repositorio que en la mayoría de los casos es sólo para su uso dentro de la misma plataforma. Las plataformas elearning existentes encargadas de manejar Objetos de Aprendizaje y crear su propio repositorio no son capaces de interactuar con un Objeto de Aprendizaje almacenado en otro repositorio sin tener que incorporarlo en ella. En los ROA los metadatos son necesarios para encontrar, intercambiar y administrar OAs. Los agentes de búsqueda de metadatos no son capaces de comprender la información que existe en los OAs lo que ha llevado a que algunos investigadores utilicen técnicas de ontologías en la recuperación de OAs, prediciendo las potencialidades de los mismos para cada usuario particular. En el mundo de la informática y las comunicaciones una ontología es una representación conceptual de un dominio determinado que facilita el intercambio de información entre diferentes sistemas. El objetivo de las ontologías es definir vocabularios fijos que las máquinas puedan entender, es por esto que el vocabulario debe ser definido con gran precisión permitiendo diferenciar términos y referenciarlos de manera precisa. En una ontología los significados de los términos no son ambiguos, lo que los hace semánticamente independientes del usuario y del contexto. Se puede traducir los términos de una ontología de un lenguaje a otro y conceptualmente no hay cambios. Las ontologías proveen un vocabulario y un entendimiento común procesable por el ordenador del área o dominio que describe. El propósito fundamental de una ontología no es servir de vocabulario o taxonomía sino el compartimiento y reusabilidad del conocimiento entre aplicaciones. Cada ontología provee una descripción de los conceptos y sus relaciones dentro de un dominio determinado, lo cual puede ser

3 compartido y reutilizado entre diferentes agentes inteligentes y aplicaciones. La explotación de la metainformación en formas de ontologías describiendo las instancias a recomendar y los perfiles de los usuarios de forma portable y general, permitiendo mayor capacidad de conocimiento inferido a partir de las relaciones semánticas definidas en las ontologías mejoran considerablemente los modelos de recomendaciones [13]. En [4] se propone un modelo de recomendación hibrido en el cual las preferencias del usuario y las características de las instancias se describen en términos de conceptos semánticos definidos en ontologías de dominios. La recomendación basada en ontologías proporciona un razonamiento adecuado para la representación de los intereses del usuario convirtiéndolos en intereses del usuario granulados. Ejemplo, los intereses del usuario para una instancia del concepto imagen que corresponde con el cartílago hialino. Además, las ontologías proporcionan significado formal y procesable por la computadora. (ej: cual es el virus causante de la enfermedad que se observa en la imagen de un cultivo que contenga tal enfermedad). El problema de la precisión en la gestión de OA puede ser visto como consecuencia de la falta de significado o semántica que para los ordenadores tienen estos documentos, en su amplia mayoría formateados mediante metadatos sin una semántica aplicada. Una representación del conocimiento basada en ontologías es menos ambigua que una basada en palabras claves. Además, los estándares ontológicos como RDF y OWL, soportan mecanismos de inferencia que pueden ser usados para mejorar los procesos de recuperación. Otra de las ventajas de esta representación del conocimiento es su portabilidad, gracias a los estándares basados en XML, los algoritmos de recomendación son independientes del dominio y de la naturaleza de los recursos. 3. RECOMENDACIÓN DE OA En este trabajo se propone un método para la gestión personalizada de objetos de aprendizaje ubicados en Repositorios de Objetos de Aprendizaje Lor@server. El objetivo de este método consiste en localizar el/los objeto(s) de aprendizaje(s) adecuados para satisfacer las preferencias de un usuario en una situación dada mediante la utilización de una ontología de dominio, técnicas de recomendación y las facilidades que ofrece un ROA. Basado en los sistemas de recomendación híbridos, combina características del contenido con la información colaborativa de otros usuarios con preferencias similares para hacer sugerencias de objetos de aprendizaje. Utiliza un vocabulario estructurado y controlado para describir los metadatos de los objetos de aprendizaje y las preferencias de los usuarios. El contenido de los metadatos que describen los objetos de aprendizaje y los perfiles de los usuarios son representados en términos de conceptos apareciendo en una ontología de dominio que clasifica los objetos de aprendizajes almacenados en repositorios. Un repositorio de OAs lor@server es uno de los servicios implementados dentro de la arquitectura para el manejo de repositorios de OAs propuesta dentro del proyecto LOR@ [11]. La Figura 1 muestra como se lleva a cabo el proceso de gestión de OAs almacenados en repositorios lor@server y anotados según una ontología que describe el dominio de la medicina veterinaria. Partiendo de las entradas o consultas de los usuarios se ejecuta el Módulo de inferencia dentro del cual se enriquece la consulta del usuario, convirtiendo una consulta sintáctica en una representación semántica equivalente, a partir de las relaciones entre los conceptos de una ontología. Este enfoque esta basado en el Spreading Activation. [14] Consulta del usuario Módulo inferencia de Módulo de recuperación Módulo recomendación de OA personalizados Módulo de datos (ROA) Figura 1. Arquitectura del modelo de gestión.

4 Los términos de búsqueda introducidos por el usuario activan los conceptos subyacentes en el sistema de ontologías. El conjunto de conceptos activados en una ontología es la entrada para las técnicas basadas en Spreading Activation. Este algoritmo explota la riqueza semántica de la base de conocimiento esencialmente como un explorador de grafos. Dado un conjunto inicial de nodos (los conjuntos activados por la consulta del usuario), el algoritmo recorre los arcos del grafo de la ontología, activando los nodos que están relacionados más estrechamente. Los conceptos de las ontologías reciben una puntuación de forma dinámica. El conjunto de conceptos inicial que se corresponde con la consulta del usuario recibe la máxima puntuación. Posteriormente, el algoritmo de Spreading Activation puntúa solo los conceptos que estén relacionados semánticamente. Cuanto mas lejos estemos de los conceptos iniciales, más baja será la puntuación que reciba ese nodo, ese concepto. El algoritmo se detiene cuando la puntuación es demasiado baja o cuando no quedan más conceptos por explorar. La salida es una lista de conceptos clasificados por relevancia. La lista de conceptos es transformada en una lista de palabras, inversamente al procedimiento del primer paso. Con estas palabras, se construye una consulta sintáctica y se ejecuta el Módulo de recuperación sobre los repositorios y se obtiene un conjunto de OAs ordenados por relevancia de los términos, en los cuales se podrá encontrar tanto términos que haya introducido el usuario como otros nuevos, fruto del algoritmo de propagación de conceptos. De esta manera, aunque se realiza una búsqueda sintáctica, la consulta ha sido creada mediante la activación a través de las relaciones de un conjunto de conceptos de un dominio. Sobre este listado de OA ordenados por la relevancia de los términos se aplica el Modulo de recomendación el cual combina la recomendación basada en las preferencias del usuario y basada en el contenido para lograr una mayor contextualización de los OAs finalmente presentados al usuario. Recomendación basada en las preferencias del usuario Cuando un AO es adicionado a un repositorio sus características son extraídas y guardadas como un conjunto de valores de una instancia creada del OA en la ontología. Las características se representan como un conjunto C(oa)={f1, f2,,fn} donde cada fi representa una característica del objeto de aprendizaje oa. Una vez que un usuario utiliza un OA, estas características son almacenadas como preferencias del usuario y a partir de estas se crea el Historial de Preferencias del usuario definido como HPUi={(v1,v2,v3)f1,, (v1,v2,v3)fn)} ordenados por las preferencias de cada usuario i. Para cada característica fn se almacenan los tres mejores valores (v1,v2,v3). Estos valores constituyen el nivel de relevancia para el usuario de cada característica de un OA utilizado. El algoritmo utilizado basado en las preferencias es el de Kun Hua Tsai [9]. Este algoritmo calcula la puntuación de preferencia para un OA especifico, id es el identificador de un usuario mientras que cantc indica el número de características extraídas del OA que serán procesadas. C(OA) es el conjunto de características extraídas de un OA. El vj es el valor de relevancia de la característica fi en el HPUid. Si la puntuación obtenida al comparar los valores característicos de un OA con el historial de preferencias del usuario se encuentra dentro de cierto umbral de similitud, esto implica que este OA se corresponde con las preferencias del usuario en el grado de la puntuación. Una vez que un usuario utiliza un OA sus características extraídas son guardadas como el conjunto de valores de una instancia del OA creada en la base de casos. En caso de que algunas de estas características no estén en el HPU se adiciona el termino y el valor de relevancia que determine el usuario o simplemente el obtenido en el algoritmo de propagación, de existir el término solamente se actualizan los valores vj. Recomendación basada en el contenido Una vez recuperados los OAs partiendo de la pregunta expandida se aplica un algoritmo que calcula la similitud de los OAs recuperados con los OAs indizados en la base de caso para saber si los recuperados son similares a los que el usuario a utilizado anteriormente para aplicar el enfoque de recomendación basada en el contenido el cual se basa en el principio de que si un usuario ha utilizado OAs anteriormente espera obtener similares a los que ya ha usado. Para ordenar el resultado de la búsqueda según las preferencias del usuario, el resultado anterior se combinada con la puntuación obtenida en la consulta sin personalización sim (o n, q) definido previamente donde solo se tiene en cuenta el análisis de la pregunta y la anotación semántica produciendo una evaluación combinada que permite ordenar los objetos de aprendizaje [7] [15]. Finalmente, el sistema muestra listas ordenadas de objetos de aprendizaje teniendo en cuenta las preferencias del usuario. Recomendación semántica a través del contexto La idea de la personalización contextual es importante porque no todas las preferencias del usuario son relevantes en todas las situaciones. El

5 contexto es una noción difícil de capturar en un sistema de software y los elementos que son considerados en la literatura bajo el concepto de contexto son múltiples: tareas o metas del usuario, plataforma computacional, condiciones de red, ambiente social y físico, localización, tiempo, texto alrededor de una palabra, etc. En [4] se propone como complemento a los mencionados anteriormente una noción de uso particular en la recuperación de contenido semántico: el contexto semántico runtime, el cual se define como los asuntos de fondo bajo los cuales las actividades del usuario ocurren dentro de una unidad de tiempo dada. Un contexto runtime es representado [15] como un conjunto de conceptos evaluados de la ontología de dominio. Este conjunto es obtenido coleccionando los conceptos que están involucrados en la interacción del usuario ya sea en las consultas realizadas o en los objetos accedidos durante una sesión. El contexto esta construido de tal forma que la importancia de los conceptos aumenta a través del tiempo pues no es más que el número de acceso que devuelve cuando el concepto es referenciado y esto es controlado mediante un factor de decadencia. Una vez que se construye el contexto, se activan las preferencias contextuales encontrando vínculos semánticos que enlazan las preferencias al contexto. Estos vínculos surgen de relaciones existentes entre los conceptos en la ontología, siguiendo nuevamente las técnicas de Spreading Activation. Esto es localizar una intersección entre las preferencias del usuario y el contexto semántico donde al final el peso calculado de cada concepto representa el grado para el cual este pertenece a cada conjunto. Una vez presentados los OAs al usuario este se encarga de verificar si realmente le satisfacen y se almacenan en la base de casos recomendados los que el usuario confirme que le son útiles. La base de casos, no es mas que conocimiento almacenado, el cual ayuda a recomendar los OA de acuerdo a las preferencias e intenciones del usuario; refiriendo experiencia de este mismo usuario o de otros con intereses similares. Lo que permite proporcionar recomendaciones adaptadas y personalizadas para cada estudiante. Cuando un OA es adicionado en la base de casos se deben almacenar el conjunto de términos utilizados con su valor de relevancia. Este valor permite establecer un orden de satisfacción utilizado para recomendar posteriormente este AO en una situación similar. 4. CONCLUSIONES En esta trabajo se ha presentado un método que facilita la gestión personalizada y la contextualización de objetos de aprendizaje a partir de la integración de un conjunto de técnicas de PLN, procesamiento semántico de la información a través de ontologías y técnicas de recomendación y de contextualización que aportan a los repositorios capacidad para proponer eficientemente OAs en una situación determinada. La aplicación de un enfoque híbrido de recomendación para la sugerencia posibilitó una mayor adaptabilidad a los intereses y necesidades del usuario. La utilización de un análisis contextual a los resultados para personalizarlos a las necesidades de los usuarios hace que en un momento determinado no se tengan en cuenta preferencias que no son relevantes en ese momento. Extender la aplicación del método en el dominio estudiado y otros de la carrera con el fin de obtener una valoración correcta de su eficacia y ajustar los parámetros que sean necesarios en las técnicas y métodos aplicados es uno de los puntos de desarrollo en los que hay que seguir investigando así como refinar el diseño de la ontología y adaptar el algoritmo de vecino mas cercano para determinar usuarios con intereses similares. El alcance final de esta investigación esta orientada a la búsqueda de un protocolo, mecanismo o estándar todavía sin concluir definitoriamente que permita la comunicación o la conversación desde un LMS o aplicaciones como los EVEA o desde otros repositorios para gestionar un recurso de aprendizaje en aras de gestionar recursos de aprendizajes adecuados a un contexto determinado. 5. REFERENCIAS [1] Adomavicius, G., Tuzhilin, A. (2005). Toward the Next Generation of Recommender Systems: A Survey of the State-of-the-Art and Possible Extensions. IEEE Transactions on Knowledge and Data Engineering, 17 (6), [2] Recommendation.Communications of the ACM archive, 40 (3), [3] Berners-Lee, T., J. Hendler, O Lassila. The Semantic Web. Scientific American, May 2001.

6 [4] Cantador, Iván; Bellogín, Alejandro; Pablo, Castells Ontology-based Personalised and Context-aware Recommendations of News Items. Escuela Politécnica Superior, Universidad Autónoma de Madrid, Madrid, Spain, 2008 [5] Castells, P., Fernández, M., Vallet, D. (2007). An Adaptation of the Vector-Space Model for Ontology-based Information Retrieval. IEEE TKDE, 19 (2), pp [6] Devedziz, V Semantic Web and education. Springer s Integrated Series in Information Systems. [7] Gruber T., Toward Principles for the Design of Ontologies Used for Knowledge Sharing Technical Report KSL-93-04, Knowledge Systems Laboratory, [8] Stanford University, CA, [9] Hua Tsai, Kun; Kai Chiu, Ti; Che Lee, Ming; I Wang, Tzone A Learning Objects Recommendation Model based on the Preference and Ontological Approaches. National Chung Kung University, Tainan, Taiwan Proceedings of the Sixth International Conference on Advanced Learning Technologies (ICALT'06), pp [10] Institute of Electrical and Electronics Engineers. IEEE Standar Computer Dictionary: A Compilation of IEEE Estándar Computer Glossaries. New York, NY: 1990.] [11] Iriarte, L., Marco, M., Morón, D., Pernías, P Architecture Oriented towards the management of Learning Objects Repositories (LOR@). Proceedings of the Sixth International Conference on Advanced Learning Technologies (ICALT'06), pp [12] IMS Global Learning Consortium. (2003) IMS Learning Design Best Practice and Implementation Guide Version [13] O'Connor, M., Cosley, D., Konstan, J. A., Riedl, J. (2001). PolyLens: A Recommender System for Groups of Users. Proc. of the 7th European Conf. on Computer Supported Cooperative Work (ECSCW 2001), (pp ). Bonn, Germany. [14] Rubiera, Emilio; Alvarez, Jose María; Berrueta, Diego; Frade, Ivan; Polo, Luis. Búsqueda semántica en bases documentales gubernamentales. Universidad de Oviedo, 2007 [15] Vallet, D., Castells, P., Fernández, M., Mylonas, P., Avrithis, Y. (2007). Personalised Content Retrieval in Context Using Ontological Knowledge. IEEE TCSVT, 17 (3), pp