Propuesta para el Diseño de un Modelo de Recomendación de Objetos de Aprendizaje Citlali Nieves-Guerrero and Víctor Menéndez-Domínguez Facultad de Matemáticas, UADY, Periférico Norte. 13615, 97110 Mérida, México Resumen. La elección de objetos de aprendizaje para formar objetos de mayor nivel de instrucción y personalizados al usuario puede ser difícil, ya que en Internet existe mucho material que se puede reutilizar con ese fin. Este ha sido un problema general en el manejo de la información, ya que el gran volumen hace que los usuarios se sientan desbordados a la hora de elegir. La solución es realizar un filtrado de los objetos de aprendizaje y recomendar solo aquellos que cumplan con las características y preferencias de cada usuario. En el presente trabajo proponemos un modelo de Recomendación Híbrido que tome datos de un repositorio para emitir sugerencias de objetos de aprendizaje y llevar a cabo la Composición de los mismos de manera sencilla. Se plantea un proceso por etapas, iniciando con el análisis de las técnicas de recomendación para cada enfoque, la búsqueda de objetos dentro del repositorio, pasando por la implementación de las técnicas y desarrollo del modelo. Se concluye con el análisis y evaluación de resultados. Bajo el modelo planteado en la propuesta, al final se obtendrá una lista de objetos de aprendizaje que sean personalizados al usuario y que cumplan con los criterios establecidos en contenido y metadatos. Palabras clave: Objetos de Aprendizaje, Sistema de Recomendación, Composición, e-learning. Abstract. The learning object selection to form higher-level instruction objects and personalized to the user can be difficult because there are a lot of material on the Internet that can be reused for this purpose. This has been a general problem in the information management, because the big volume of elements makes users feel overwhelmed when choosing a resource. The solution is to filter learning objects and recommend only those that meet the characteristics and preferences of each user. In this paper we propose a hybrid recommendation model that takes data from a repository to do suggestions of learning objects and carry out the composition of them easily. It poses a staged process, starting with the analysis of recommendation techniques for each approach, finding objects within the repository, through implementation of the techniques and model development. We conclude with the analysis and evaluation of results. At the end, under the proposed model will give a list of learning objects that are customized to the user and that meet the criteria of content and metadata. Keywords: Learning Objects, Recommendation System, Composition, e-learning. INTRODUCCIÓN El desarrollo continuo de las Tecnologías de la Información y Comunicación (TICs) es el impulsor de la economía del conocimiento. En ese sentido, la tecnología sigue ganando terreno en la educación como medio que apoya el proceso de enseñanza y aprendizaje en los diferentes cursos educativos escolarizados y no escolarizados. Para esto ha sido preciso que los estudiantes y profesores modifiquen su función, abarcando más allá de las prácticas tradicionales de enseñanza y aprendizaje hacia otras que se centren en diversos ambientes. Comúnmente, los profesores emplean diversos materiales educativos que son seleccionados con base a criterios que consideran pertinentes para lograr los objetivos que plantee un curso. Con estos materiales se componen diferentes niveles de instrucción (objetivo, tema, unidad, materia). Esto presenta algunas ventajas educativas tales como permitir la flexibilidad en el aprendizaje, proveer alternativas educativas de bajo costo, permitir nuevas experiencias de aprendizaje y extender las capacidades de los estudiantes para colaborar y usar conocimiento especializado de otros [1, 2]. La elección de estos materiales puede ser difícil, ya que en Internet existe mucho material que se puede reutilizar en estos cursos pero, con tal cantidad, el profesor puede no saber cuál es el más adecuado a sus necesidades [3]. Este es un problema general en el manejo de cualquier tipo de información, ya que el gran volumen de información hace que el usuario se sienta desbordado a la hora de elegir un recurso (Ítem). La solución es realizar un filtrado de los recursos de un repositorio con base a las características y preferencias de cada usuario [4].
En el ámbito del e-learning moderno esa información está representada en los Objetos de Aprendizaje (OA). Un OA está formado por su contenido y los metadatos que describen ese contenido. Esta información es útil al momento de utilizar los repositorios para almacenarlos, ya que a partir de esos componentes y algunas palabras clave que provee el usuario se basan los repositorios para realizar las búsquedas y desplegar resultados. Sin embargo, los resultados nos pueden arrojar largas listas de OA que no necesariamente sean lo que buscamos o que no tengan la calidad necesaria. Es aquí donde los Sistemas de Recomendación pueden contribuir a la solución, originando una propuesta individualizada como salida, o guiar al usuario de una manera personalizada para escoger los objetos de interés en una larga lista de posibles opciones [5]. En este trabajo se presenta una propuesta de un Sistema de Recomendación Híbrido que tome diversas fuentes de datos para emitir sugerencias de OA y llevar a cabo la Composición de OA de manera sencilla. Todo ello apoyado en una arquitectura de servicios web que permite extraer elementos de contenido almacenados en repositorios distribuidos y heterogéneos. MARCO TEORICO Sistemas de Recomendación Entre las definiciones de un Sistema de Recomendación (SR) que están más acordes a nuestro trabajo encontramos: Sistema que produce una recomendación individualizada como salida, o tiene el efecto de guiar al usuario en una forma personalizada para escoger los objetos de interés en una larga lista de posibles opciones [5]. Sistema que le brinda a un usuario aquellos resultados de una búsqueda de información cercanos a sus necesidades [6]. Los datos empleados por un SR se refiere a tres tipos de entidades: ítems, usuarios y transacciones. El ítem es el término general que se utiliza para referirse a lo que el sistema recomienda a los usuarios, quienes puede tener objetivos y características muy diversos. Por último las transacciones son interacciones entre un usuario registrado y los ítems [7]. Los SR s se clasifican en 6 diferentes enfoques de recomendación (colaborativos, demográficos, basados en contenido, basados en conocimiento, basada en la comunidad e híbridos) [4, 7, 8, 9] de los cuales se presentan a continuación los cuatro enfoques a implementar. El enfoque Colaborativo, que se basa en ayudar a los usuarios a tomar decisiones apoyadas en las opiniones de otros usuarios. El basado en Contenido, que recomienda elementos similares a los que al usuario le gustaban en el pasado, genera un clasificador a partir del comportamiento del usuario al valorar ítems y se aplica a los ítems no valorados. El basado en Conocimiento, que sugiere productos basado en inferencias acerca de las necesidades de un usuario y sus preferencias. Por último, el enfoque Híbrido, que combina dos o más técnicas de recomendación para obtener mayor eficacia sin los inconvenientes de cada sistema hibridado [4, 7, 8, 9]. Aplicaciones en e-learning Los SR s surgen en el comercio electrónico, dando solución al problema de la sobrecarga de información que presenta y hacer más accesibles los productos de interés para el usuario [10]. Actualmente se propone su uso en ambientes e-learning encontrándolos implementados en páginas web, bibliotecas digitales, sistemas gestores de contenido, repositorios de recursos educativos, etc. En este contexto son capaces de recuperar de manera automática y personalizada el Objeto de Aprendizaje que mejor se adecúe al tema o preferencias de un usuario. Estas características se modelan mediante el perfil del usuario y el metadato del OA [6]. Ruiz [11] implementa estrategias de SR basados en conocimiento donde hace uso de la personalización y diversificación de los usuarios para obtener una lista de resultados que serán la entrada para un sistema colaborativo que emplea la opinión de la comunidad de aprendizaje para filtrar los resultados. En el trabajo de Soo et al. [12] se propone un modelo que busca y clasifica los OA que concuerdan con las palabras clave y las condiciones presentadas por el usuario. Las características de los metadatos encontrados son almacenadas por separado de los metadatos de objetos previamente usados por el usuario, ambos conjuntos se utilizan para averiguar la preferencia del usuario. Posteriormente, se encuentran usuarios con perfiles similares. En los trabajos de Ruiz [11] y Soo et al. [12], se realizan propuestas de recomendación enfocadas en el contexto y preferencias de los usuarios agregando las similitudes que se encuentran con la comunidad pero no se enfocan en
la estructura del propio objeto de aprendizaje, contenido y metadato, que son importantes para asegurar la calidad del resultado de la recomendación. En el trabajo de Soo se maneja la comparación de los metadatos de un OA con el historial de metadatos de objetos consultados por el usuario pero no garantiza que sean completos ni de calidad. En el trabajo de Romero et al. [5] se provee un método donde las dimensiones que se analizan en su sistema de recomendación están clasificadas en: estructural, contextual y personal. El SR borroso empleado está basado sobre un proceso de pareo desarrollado entre las preferencias de usuarios y la representación de los OA. Para esto se toma en cuenta los parámetros de calidad estructural del OA, la compatibilidad entre los OA y el contexto del usuario, y los OA y las preferencias de los usuarios. Es un trabajo completo al contemplar tanto la estructura de los OA como las preferencias del usuario pero carece de criterios que comparen al usuario con la comunidad limitando el uso del perfil de usuario en comparaciones con perfiles similares. Si bien estas propuestas consideran elementos importantes como la estructura del objeto y el perfil del usuario para la selección de los objetos de aprendizaje, nosotros consideramos que elementos como la completitud y veracidad de los metadatos, así como la opinión de otros usuarios resultan relevantes en el proceso de recomendación y el conjunto de todas estas características es importante especialmente para apoyar otros procesos asociados a la reutilización de los objetos de aprendizaje como la composición. Composición de Objetos de Aprendizaje La Composición de OA (COA) es el proceso de construcción que añade desde un conjunto de OA simples, aquellos que como grupo cumplen los objetivos de un contexto educativo en particular. Las principales fases del proceso de composición son la localización de los recursos en repositorios, la identificación de los metadatos necesarios, la transformación a un formato requerido, la organización en una estructura instruccional y la distribución [13]. El contenido compuesto es adaptado a diferentes usuarios integrando un OA con el nivel adecuado de instrucción de acuerdo al usuario. En los repositorios se presenta una amplia variedad de OA revisados por usuarios expertos en el área. En un elearning moderno, si un recurso no es el adecuado para el usuario, podemos intercambiarlo por otro que sí lo sea de una lista previamente sugerida por un SR. Arrigoni et al. [14], proponen una ontología basada en búsqueda de objetos y generación de cursos. Su modelo utiliza una composición en dos niveles, el primero produce un esquema del curso y el segundo ofrece los recursos disponibles. Wang et al. [15] utilizan un método híbrido de recomendación utilizando un algoritmo basado en las preferencias y otro en la correlación de preferencias de otros usuarios. Los OA son seleccionados de acuerdo con la preferencia del alumno y de otros alumnos con experiencias similares. Las funciones por las cuales se emplean los SR en e-learning, en particular la COA, son que facilitan al usuario la toma de decisiones sobre qué OA elegir cuando las posibilidades de elección son muchas y variadas, preseleccionan la información que puede ser interesante para un usuario, dan al usuario los OA que pueden ser difíciles de encontrar sin una recomendación precisa y por último, aumentan la satisfacción del usuario mostrando las recomendaciones interesantes, relevantes con un diseño adecuado de interacción humano-computadora [7, 10]. En la presente propuesta no se desarrolla aún la composición, aunque la finalidad de la secuencia didáctica resultado del modelo propuesto está a un paso pues involucra algunos de las fases descritas en [13] y el objetivo de realizar la recomendación es para facilitar esta composición. PROPUESTA DE SISTEMA DE RECOMENDACIÓN PARA LA COMPOSICIÓN DE OBJETOS DE APRENDIZAJE En el modelo propuesto (ver figura 2) se implementará la selección de OA de acuerdo a la calidad del contenido y a sus metadatos. Para desarrollar el sistema se seguirá un proceso sistemático que consta de las etapas de análisis, diseño, desarrollo y evaluación (Ver figura 1) que son descritas a continuación.
FIGURA 1. Proceso Sistemático En la primera etapa se analizarán los requerimientos del sistema y las principales técnicas que se pueden implementar en cada enfoque de recomendación propuesto para el sistema. En la etapa de diseño se revisará el sistema propuesto realizando las adecuaciones pertinentes de acuerdo al análisis y se delimitarán los sub-módulos así como sus requerimientos, funcionalidades e interfaces. En la etapa de desarrollo se implementará la búsqueda de OA y dos filtros de recomendación, integración paralelo-ponderado [8] y colaborativo [7, 8, 9]. En esta etapa se implementa nuevamente el proceso sistemático por cada sub-módulo del sistema. En la etapa de evaluación se proporcionará la lista final de OA candidatos a formar parte de la instrucción requerida por el usuario. Esta lista será validada a través de pruebas empíricas que permitan evaluar la efectividad del sistema propuesto y realizar los ajustes pertinentes antes de su implementación para la COA. El sistema propuesto (ver figura 2), se implementará en un principio en un plataforma de gestión web institucional con la finalidad de realizar pruebas de su funcionamiento, posteriormente se abarcaran otros repositorios. Se interactuará con el servicio de búsqueda que expone la plataforma AGORA [16], un sistema de gestión de objetos de aprendizaje que incluye un repositorio, el cual emplea protocolos y estándares abiertos para su operación. Los OA serán obtenidos de los repositorios que contempla el sistema a través de frases o palabras clave que el usuario proporcione, además se utilizarán elementos asociados al perfil de usuario como criterios de selección. La lista que se obtenga como resultado de esta actividad será la entrada para el sistema. En el primer filtro, integración paralelo ponderado, se emplearán las recomendaciones en paralelo que se obtengan de implementar las distintas técnicas seleccionadas en la primera etapa sobre los enfoques basados en contenido y en conocimiento. A su vez este resultado será ponderado para aprobar algunos resultados y obtener una única lista de los OA. El enfoque basado en contenido implementará sobre la lista de OA técnicas que involucren el perfil de usuario y características de los objetos con la finalidad de obtener la similitud de las preferencias por lo que le gustaba al usuario en el pasado y los OA asociados. Para su implementación podemos emplear técnicas de árboles de decisión, Redes neuronales, representaciones basados en vectores [7-10]. Entre sus limitantes tenemos que un nuevo usuario tiene muy pocas o ninguna calificación a otros objetos. El enfoque basado en Conocimiento involucrará restricciones al contexto con la obtención de la compatibilidad entre preferencias del usuario y OA. La intersección de la salida de estos modelos será ponderada para obtener mejores resultados [ 7, 9]. Con estos enfoques se aplicará un sistema híbrido el cual combina dos o más técnicas de recomendación para obtener mayor eficacia sin los inconvenientes de cada sistema hibridado [ 7, 9]. Las preferencias del usuario serán tomadas en la bitácora de la plataforma la cual contiene acciones como agregar, analizar, buscar, comentar, descargar, etc. y datos generales del usuario como son su trabajo, grado, institución, programa, disciplina, idioma, antigüedad, experiencia tecnológica, experiencia didáctica, etc. Los criterios de calidad a emplear para estructura del objeto de aprendizaje (contenido y metadatos) serán para el caso del contenido, las evaluaciones explícitas por parte de expertos y usuarios registrados, y otras automatizadas que estarán basadas en la interacción de los usuarios con los recursos tales como lecturas en línea, referencias, descargas, agregar a favoritos, compartir, etc. Esta información proporciona la reputación que el objeto tiene en el sistema para los usuarios en general. La información para estos criterios será tomada del mismo repositorio, el cual ya cuenta con esos datos y han sido valorados en trabajos previos.
Para el caso de los metadatos se analizará que la información de los materiales obtenida sea lo más completa posible abarcando en su mayoría todas las categorías del estándar y correcta al cubrir los niveles de conformidad del estándar. FIGURA 2. Modelo propuesto de Sistema de Recomendación para la Composición de Objetos de Aprendizaje. La lista de OA resultante del primer filtro y la lista original de objetos de aprendizaje serán la entrada para el segundo filtro de recomendación. Este será colaborativo, donde la selección de OA se realizará de acuerdo a los datos del perfil de usuario e información de la comunidad dentro del repositorio junto con otros datos que son almacenados conforme se hace uso de los servicios que se ofrecen, como son preferencias en temas, estilo de aprendizaje, consultas, sugerencias de amigos, etc. Para su implementación podemos emplear técnicas de K-NN, Clustering, redes neuronales, indexación semántica latente, redes bayesianas [7, 8, 10]. La lista resultante de este filtro colaborativo será conformada por los objetos de aprendizaje candidatos a formar una instrucción cuyos elementos podrán ser compuestos o intercambiados con otros. Para la presente propuesta no se contempla el desarrollo del módulo de COA dejando su desarrollo para un trabajo a futuro. CONCLUSIONES Los objetos de aprendizaje disponibles en la Web y repositorios son muy variados, esto complica su elección para una reutilización de manera eficiente y personalizada para cada usuario. En el presente trabajo se ha presentado una propuesta de Sistema de Recomendación Híbrido que facilita la elección de OA de una lista larga. El modelo plantea la obtención de los OA más apegados a la búsqueda y que tengan, además de la calidad necesaria en su contenido y metadatos, relación con las características del usuario. La elección de OA con las características enlistadas es complicada si el usuario no se apoya de un sistema de recomendación. Las técnicas implementadas en el primer filtro reducirán el campo de elección presentando solo aquellos OA que cumplan con los criterios establecidos para contenido y metadatos. El segundo filtro cruzará los resultados del primero con la lista original en busca de un mejor resultado basado en las características de los usuarios. Este proceso dará como resultado una lista personalizada de OA que servirá de guía al usuario para conformar un OA de mayor nivel de instrucción, facilitando así el intercambio y adecuación del contenido en el nuevo OA compuesto. Cada módulo de la propuesta será evaluada en lo individual, comparando su rendimiento y analizando los objetos recomendados si cumplen o no con los criterios de calidad propuestos. Al finalizar se compararán los resultados individuales con el obtenido del sistema completo. Esto permitirá realizar los ajustes pertinentes antes de su implementación para la COA. Como trabajo futuro se pretende implementar este sistema de recomendación en un sistema de composición lo que hará más fácil la selección de OA que cumplan con los requisitos de los usuarios para conformar OA más complejos que se puedan emplear en diversas plataformas de aprendizaje. Para ello se pretende utilizar tecnologías Web que contemplen aspectos relacionados con la reutilización y la interoperabilidad entre sistemas elearning.
AGRADECIMIENTOS Este trabajo ha sido desarrollado gracias al apoyo del Consejo Nacional de Ciencia y Tecnología (CONACYT), al Programa de Mejoramiento del profesorado (PROMEP) y el Sistema Nacional de Educación a Distancia (SINED). REFERENCIAS 1. Mortera, F.: Internet, los Recursos Educativos Abiertos y el Movimiento Abierto, http://www.relpe.org/destacados/internet-los-recursos-educativos-abiertos-y-el-movimiento-abierto/. 2. Mortera, F.: Desarrollo de una metodología de búsqueda e implementación de Objetos de Aprendizaje y Recursos Educativos Abiertos para la identificación de mejores prácticas académicas: Una guía de referencia. (2011). 3. Nieves-Guerrero, C., Menéndez-Domínguez, V.: Composición Asistida de Objetos de Aprendizaje. Experiencias e ideas para el fortalecimiento de la Educación a Distancia. pp. 117 122. UADY, Mérida (2012). 4. SINBAD Sistemas Inteligentes Basados en Análisis de Decisión Difusos: Personalización y los Sistemas de Recomendación, http://sinbad2.ujaen.es/cod/archivospublicos/presentaciones/sistemasderecomendacion.pdf, (2012). 5. Romero, F.P., Ferreira-Satler, M., Olivas, J. a., Prieto-Mendez, M.E., Menéndez-Domínguez, V.: A fuzzy-based recommender approach for learning objects management systems. 1th International Conference on Intelligent Systems Design and Applications. pp. 984 989. Ieee (2011). 6. Casali, A., Gerling, V., Deco, C., Bender, C.: Sistema inteligente para la recomendación de objetos de aprendizaje. Revista Generación Digital (LACLO 2010 Best Papers). 9, 88 95 (2011). 7. Ricci, F., Rokach, L., Shapira, B.: Recommender Systems Handbook. Springer US, Boston, MA (2011). 8. Jannach, D., Zanker, M., Felferning, A., Friedrich, G.: Recommender Systems: An Introduction. Cambridge University Press (2011). 9. Adomavicius, G., Tuzhilin, A.: Toward the next generation of recommender systems: a survey of the state-of-the-art and possible extensions. IEEE Educational Activities Department (2005). 10. Sanjuán, O., Torres, E., Castán, H., Gonzalez, R.: Viabilidad de la aplicación de Sistemas de Recomendación a entornos de e-learning. V Simposio Pluridisciplinar sobre Diseño y evaluación de Contenidos Educativos, SPDECE. SPDECE 08 (2008). 11. Ruiz-Iniesta, A.: Sistemas de Recomendación, http://gaia.fdi.ucm.es/files/people/almudena/aa/recsys.pdf. 12. Soo, L.K., Yeoh, E., Ho, S.B.: A Recommendation Model for Learning Objects in a Service Oriented E-learning Environment. International Symposium on IT in Medicine and Education (ITME). pp. 674 678 (2011). 13. Menéndez-Domínguez, V., Prieto, M.: A Learning Object Composition Model. In: Kaschek, R., Kop, C., Steinberger, C., and Fliedl, G. (eds.) Information Systems and e-business Technologies. pp. 469 474. Springer Berlin Heidelberg, Klagenfurt, Austria (2008). 14. Arrigoni Neri, M., Colombetti, M.: Ontology-based learning objects search and courses generation. Applied Artificial Intelligence. 23, 233 260 (2009). 15. Wang, T.I., Tsai, K.H., Lee, M.C., Chiu, T.K.: Personalized Learning Objects Recommendation based on the Semantic- Aware Discovery and the Learner Preference Pattern. Journal Of Educational Technology & Society. 10, 84 105 (2007). 16. Menéndez-Domínguez, V., Prieto, M., Zapata, A.: Sistemas de Gestión Integral de Objetos de Aprendizaje. IEEE-RITA. Revista Iberoamericana de Tecnologías del Aprendizaje. 5, 56 62 (2010).