Artículo

Enlace: https://www.sciencedirect.com/science/article/pii/S1319157821001427

Revisión y clasificación de
recomendadores de contenido
en el entorno de e-learning
Grupo 9
● Cabrera Ticliahuanca Joel Guillermo
● Antunez Gonzalez Valentin
● Zárate La Cruz Carlos Manuel
● Chavarria Nalvarte Luis Anthony
● Paulo Renzo Orihuela Gomero
● Brandon Ore Albino
 PROBLEMA
Los sistemas de recomendación de aprendizaje electrónico se están
volviendo más populares debido a los materiales de aprendizaje
masivos disponibles en línea y la pedagogía cambiante. Por ello, un
sistema de recomendación de contenido en el ámbito del e-learning
ayudará a los alumnos sugiriendo recursos de aprendizaje adecuados
en función de sus preferencias y objetivos de aprendizaje

● El problema formulado como pregunta es:

¿Cuáles son las técnicas y algoritmos que influyen en los
sistemas de recomendación de contenido en el ámbito de e-
learning ?
 OBJETIVOS

● Recopilar y analizar un conjunto de artículos

de revistas publicados en el campo de
sistemas de recomendación en e-learning
durante el período 2015-2020.
● Categorizar las diferentes técnicas de
recomendación, entradas de datos,
algoritmos, medidas de similitud y métricas
de evaluación utilizadas en estos estudios
 METODOLOGÍA

● Este documento proporciona una revisión

de la literatura de investigaciones recientes
realizadas en el área de recomendación de
contenido de aprendizaje electrónico.
● Para determinar los artículos relevantes,
hemos considerado los artículos de revistas
publicados en las bases de datos Web of
Science y Scopus de 2015 a 2020. Solo se
seleccionaron artículos de revistas para
esta revisión.
Criterios de búsqueda
Las palabras clave utilizadas para
identificar los trabajos son:
1. sistemas de recomendación de
e-learning
2. personalización de e-learning
3. e-learning adaptativo
METODOLOGÍA
1. Después de recuperar los artículos de
investigación basados en los criterios de
búsqueda, los autores revisaron el título, el
resumen, la conclusión y las palabras clave
de cada artículo para preseleccionar los
artículos relevantes para la siguiente
revisión.
2. El contenido completo de los artículos
seleccionados se leyó en la segunda ronda
de revisión, y los artículos que cumplían
con los criterios de selección se estudiaron
en detalle para su posterior análisis.
Los artículos fueron elegidos en base a los
siguientes criterios de inclusión y exclusión:
Inclusión
● Artículos que proponen técnicas de recomendación de
contenido
● Artículos centrados en el e-learning
adaptativo/personalizado.
● Artículos que presentan una arquitectura/evaluación
detallada del enfoque
● de recomendación propuesto.
● Artículos publicados en revistas de primer nivel desde
2015 hasta 2020.
Exclusión
● Artículos en los que no se explican claramente las
técnicas de recomendación o los métodos de
evaluación.
● Artículos en los que los elementos recomendados no
son recursos de aprendizaje ni actividades de
aprendizaje.
● Artículos publicados en actas de
congresos/seminarios/talleres.
● Artículos que no fueron escritos en inglés
RESULTADOS
Los resultados del análisis detallado realizado sobre los 48 artículos. Los resultados se clasifican en cinco grupos:
1. Entradas / atributos para la recomendación de contenido
2. Enfoques de recomendación
3. Algoritmos utilizados en diferentes fases de recomendación
4. Medidas de similitud
5. Métricas de evaluación
RESULTADOS: ENTRADAS

Entradas Atributos

Calificaciones del estudiante Número dado por los alumnos en función

de la satisfacción con un contenido de
aprendizaje particular

Estilo de aprendizaje Dimensiones del estilo de aprendizaje

Nivel de conocimiento Básico, intermedio, experto

Patrones de aprendizaje Materiales visitados, tiempo empleado,

secuencia de materiales

Metadatos de contenido Tipo de contenido, formato, nivel de

dificultad, interactividad, etc
RESULTADOS: ALGORITMOS
1. Los algoritmos más usados para encontrar el
grupo de estudiantes más apropiado
correspondiente al estudiante objetivo son los Propósito Algoritmos
algoritmos de agrupamiento de K-means y K-NN.
Agrupamiento de K-means, K-Nearest
2. Los algoritmos más usados para analizar el estudiantes Neighbour
comportamiento del alumno en los sistemas de
aprendizaje son los algoritmos GSP y AprioriAll. Identificando patrones GSP, AprioriAll
3. Una técnica de minería de datos conocida como de aprendizaje
minería de reglas de asociación establece el
mapeo entre el alumno y los materiales de Relación de aprendiz- Genetic Algorithm,
aprendizaje. aprendizaje ANN, DNN
4. GA y en redes neuronales se usan descubrir las
relaciones entre las características del alumno y
afinar las recomendaciones.
RESULTADOS: Métricas de evaluación
Siempre que se diseña un nuevo modelo de recomendacion, sus desarrolladores evalúan el desempeño del modelo
para comprender las contribuciones significativas y proporcionar una clasificación adecuada para los algoritmos
propuestos . Se utilizan diferentes métricas de evaluación para ayudar a este propósito.
 CONCLUSIONES

● Esta revisión de la literatura proporciona información detallada sobre los

objetivos, métodos, algoritmos y técnicas de evaluación de estas publicaciones,
junto con sus méritos y deméritos.
● Las técnicas de aprendizaje automático y minería de datos se combinan con
estrategias de recomendación convencionales para mejorar el factor de
personalización de la recomendación objetivo.
● Este resumen y clasificación de la literatura reciente sobre RS en el dominio del
e-learning pueda proporcionar una dirección inicial para los investigadores
interesados ​en este campo.